基于深度学习的驾驶人危险行为识别方法研究

发布时间：2022-12-05 18:23

　　随着对汽车资源持有量的飞速增长、交通肇事事件的频繁发生,驾驶安全等相关问题的研究也不断深入。基于深度学习的图像处理技术不仅可以完成目标检测、目标识别和图像特征提取,同时也为驾驶人危险行为识别和疲劳检测提供了新型智能的解决方法和手段。作为一种人工智能的一个重要方向,深度学习技术可通过系列循环迭代获取数据样本内在规律和其本质特征,具有巨大的人工智能应用和发展潜力。本课题主要研究基于深度学习的驾驶人危险行为识别方法研究,结合机器学习与深度学习相关基本理论,分别重点研究了基于机器学习和深度学习的驾驶人危险动作识别分析算法、基于多维信息感知的驾驶人疲劳检测识别算法。本文主要研究内容如下:首先,从平滑滤波、高斯滤波、中值滤波三种图像滤波算法对驾驶人行为数据集、驾驶人疲劳检测数据集进行预处理入手,对不同类型的预处理算法进行对比分析;进一步研究图像特征获取算法,分别深入地探究了驾驶图像LBP特征与HOG特征的提取算法计算过程,并借助支持向量机,进一步研究了基于LBP-SVM、HOG-SVM与特征融合-SVM三种类型的驾驶人行为识别算法,并完成三种驾驶人识别算法的模拟仿真实验。其次,探究深度学习的基本思... 

【文章页数】：89 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题背景及研究的目的和意义
    1.2 驾驶人行为识别的国内外研究现状
        1.2.1 基于计算机视觉的驾驶人行为识别
        1.2.2 基于车辆状态的驾驶人行为识别
    1.3 疲劳检测方法的国内外研究现状
        1.3.1 基于生理参数的驾驶人疲劳检测
        1.3.2 基于机器视觉的驾驶人疲劳检测
    1.4 本文的主要研究内容
第2章 基于机器学习的驾驶人行为识别
    2.1 标准化数据集
        2.1.1 驾驶人行为识别数据集
        2.1.2 驾驶人疲劳检测数据集
    2.2 图像滤波算法
        2.2.1 平滑滤波
        2.2.2 高斯滤波
        2.2.3 中值滤波
    2.3 图像特征提取算法
        2.3.1 LBP特征提取
        2.3.2 HOG特征提取
    2.4 基于支持向量机的驾驶人行为识别
        2.4.1 支持向量机基本原理
        2.4.2 基于LBP-SVM的驾驶人行为识别
        2.4.3 基于HOG-SVM的驾驶人行为识别
        2.4.4 基于特征融合与SVM的驾驶人行为识别
    2.5 本章小结
第3章 面向特征识别的深度学习理论分析
    3.1 深度学习基本原理
    3.2 神经网络
        3.2.1 激活函数
        3.2.2 前向传播算法
        3.2.3 反向传播算法
    3.3 卷积神经网络
        3.3.1 卷积层
        3.3.2 池化层
        3.3.3 反向传播算法
    3.4 本章小结
第4章 基于深度学习的驾驶人行为识别算法
    4.1 基于神经网络的驾驶人行为识别算法
        4.1.1 基于LBP-NN的驾驶人行为识别
        4.1.2 基于HOG-NN的驾驶人行为识别
        4.1.3 基于特征融合与神经网络的驾驶人行为识别
    4.2 基于CNN的驾驶人行为识别算法
        4.2.1 模型架构
        4.2.2 实验设置
        4.2.3 实验结果与分析
    4.3 基于CNN改进算法的多决策融合驾驶人行为识别
        4.3.1 CNN改进算法
        4.3.2 多决策融合驾驶人行为识别
    4.4 本章小结
第5章 基于多源信息感知的驾驶人疲劳检测算法
    5.1 基于机器学习的人脸特征点检测算法
        5.1.1 基于HOG特征的人脸检测
        5.1.2 基于级联回归树的人脸特征点检测
    5.2 基于眼睛横纵比的疲劳检测
        5.2.1 眼睛横纵比
        5.2.2 基于眼睛横纵比的疲劳检测算法
    5.3 基于嘴部开度的疲劳检测
        5.3.1 嘴部开度
        5.3.2 基于嘴部开度的疲劳检测算法
    5.4 基于多源信息感知的疲劳检测算法
    5.5 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢



本文编号：3710126