论文部分内容阅读
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想,讨论深度学习处理图像识别问题的内在逻辑;研究神经网络的基本组成结构,分别讨论了不同激活函数的对比、前向传播算法、反向传播算法、多种优化算法的演变优化过程;重点研究卷积神经网络原理,描述内部计算过程,并针对卷积层与池化层这两个特有结构,探究卷积层与池化层的反向传播过程,为文章后续基于深度学习的算法实现提供一定程度的理论支撑。然后,在上述神经网络理论研究的基础上,探究基于神经网络的驾驶人行为识别算法,并仿真完成了基于LBP-NN、HOG-NN与特征融合-NN三种驾驶人行为识别实验;在卷积神经网络实验基础上,探究CNN改进算法,并完成相应驾驶人行为识别仿真实验;在HOG-SVM、CNN、CNN改进算法的基础上,探究了基于多决策融合的驾驶人行为识别算法,并获得了本文最好的驾驶人行为识别实验结果。最后,在HOG理论研究的基础上,探究基于HOG特征的识别算法,并针对检测到的人脸切片,开展基于级联回归树的的人脸特征点提取实验,提取面部68个特征点;进而根据眼睛横纵比与嘴部开度两个指标,分别开展基于眼睛横纵比的疲劳检测实验与基于嘴部开度的疲劳检测实验;探究多维信息感知原理,探究基于多维信息感知的疲劳检测实验。