论文部分内容阅读
疲劳驾驶,作为威胁驾驶员人生安全的高度威胁因素,一直都是研究者们想要客服和攻破的难题。现有的疲劳驾驶检测方法多以软件与硬件的结合来进行判断。由于驾驶员个体存在差异,疲劳驾驶与非疲劳驾驶的区别不甚明显、没有统一的判定疲劳驾驶的检测规则,使得疲劳驾驶检测的产品往往不尽如人意。需要与驾驶员有身体接触的检测方法会给他们带来不舒适感,很多检测的算法实时性差,这都导致了疲劳驾驶检测的产品没有一种能得到完全的推广。到目前为止,在国还没有任何的疲劳驾驶检测的成熟产品问世,研究仍然处于试验阶段,因此本文系统的研究与开发有重要的价值。本文的基于人脸识别的疲劳驾驶检测系统主要分为人脸识别以及疲劳驾驶检测两个部分。人脸识别部分所用的方法是以基于Deep Learning思想的栈式自动编码神经网络来对人眼睁闭状态以及人脸进行识别,然后以PERCLOS方法将识别出来的个体的眼睛睁闭状态来判断驾驶员是否是疲劳驾驶。主要的工作有以下几点:1)掌握了Deep Learning思想框架下的理论基础以及发展史,掌握了基于Deep Learning思想的栈式自动编码算法的详细计算过程。系统中所用以人脸识别的栈式自动编码网络包括四个隐藏层以及一个分类层。每个隐藏层的节点数均为255。它以5000个未手工标记的人脸图片为输入,训练四个隐藏层的权值,该隐藏层能用来提取出人脸的特征。然后以500个手工标记的训练集为输入,提取出了标记数据集中的人脸的特征,接着以这些特征为分类层的输入,训练分类层的权值。最后对整个网络进行微调。2)对于人脸识别算法到疲劳驾驶检测算法的整个过程测试成功。测试集的大小为250个样本,测试集中的图片是有序排列的。将测试集输入到训练成功的栈式自动编码网络能得到同一个人的人眼睁闭序列。接着使用PERCLOS算法的计算,便可以得出该人是否为疲劳驾驶。3)隐藏层的层数的选取以及每一层接点数的选取是经过大量的实验,在时间与性能上进行一个平衡的最优的选择。4)完成了整个系统的编码工作。该系统能对于输入图片进行完整的计算,完成人脸识别、人眼状态识别、驾驶状态识别的功能,以及后续对于系统中人脸识别算法的参数更新功能、驾驶员信息更新功能以及口令更改功能都以实现。