基于人臉識(shí)別的疲勞駕駛檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf

1、疲勞駕駛,作為威脅駕駛員人生安全的高度威脅因素,一直都是研究者們想要客服和攻破的難題?，F(xiàn)有的疲勞駕駛檢測(cè)方法多以軟件與硬件的結(jié)合來進(jìn)行判斷。由于駕駛員個(gè)體存在差異,疲勞駕駛與非疲勞駕駛的區(qū)別不甚明顯、沒有統(tǒng)一的判定疲勞駕駛的檢測(cè)規(guī)則,使得疲勞駕駛檢測(cè)的產(chǎn)品往往不盡如人意。需要與駕駛員有身體接觸的檢測(cè)方法會(huì)給他們帶來不舒適感,很多檢測(cè)的算法實(shí)時(shí)性差,這都導(dǎo)致了疲勞駕駛檢測(cè)的產(chǎn)品沒有一種能得到完全的推廣。到目前為止,在國(guó)還沒有任何的疲勞駕駛

2、檢測(cè)的成熟產(chǎn)品問世,研究仍然處于試驗(yàn)階段,因此本文系統(tǒng)的研究與開發(fā)有重要的價(jià)值。
　　本文的基于人臉識(shí)別的疲勞駕駛檢測(cè)系統(tǒng)主要分為人臉識(shí)別以及疲勞駕駛檢測(cè)兩個(gè)部分。人臉識(shí)別部分所用的方法是以基于Deep Learning思想的棧式自動(dòng)編碼神經(jīng)網(wǎng)絡(luò)來對(duì)人眼睜閉狀態(tài)以及人臉進(jìn)行識(shí)別,然后以PERCLOS方法將識(shí)別出來的個(gè)體的眼睛睜閉狀態(tài)來判斷駕駛員是否是疲勞駕駛。主要的工作有以下幾點(diǎn):
　　1)掌握了Deep Learning思

3、想框架下的理論基礎(chǔ)以及發(fā)展史,掌握了基于Deep Learning思想的棧式自動(dòng)編碼算法的詳細(xì)計(jì)算過程。系統(tǒng)中所用以人臉識(shí)別的棧式自動(dòng)編碼網(wǎng)絡(luò)包括四個(gè)隱藏層以及一個(gè)分類層。每個(gè)隱藏層的節(jié)點(diǎn)數(shù)均為255。它以5000個(gè)未手工標(biāo)記的人臉圖片為輸入,訓(xùn)練四個(gè)隱藏層的權(quán)值,該隱藏層能用來提取出人臉的特征。然后以500個(gè)手工標(biāo)記的訓(xùn)練集為輸入,提取出了標(biāo)記數(shù)據(jù)集中的人臉的特征,接著以這些特征為分類層的輸入,訓(xùn)練分類層的權(quán)值。最后對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行微調(diào)

4、。
　　2)對(duì)于人臉識(shí)別算法到疲勞駕駛檢測(cè)算法的整個(gè)過程測(cè)試成功。測(cè)試集的大小為250個(gè)樣本,測(cè)試集中的圖片是有序排列的。將測(cè)試集輸入到訓(xùn)練成功的棧式自動(dòng)編碼網(wǎng)絡(luò)能得到同一個(gè)人的人眼睜閉序列。接著使用 PERCLOS算法的計(jì)算,便可以得出該人是否為疲勞駕駛。
　　3)隱藏層的層數(shù)的選取以及每一層接點(diǎn)數(shù)的選取是經(jīng)過大量的實(shí)驗(yàn),在時(shí)間與性能上進(jìn)行一個(gè)平衡的最優(yōu)的選擇。
　　4)完成了整個(gè)系統(tǒng)的編碼工作。該系統(tǒng)能對(duì)于輸入圖片