导读:本文包含了疲劳驾驶识别论文开题报告文献综述及选题提纲参考文献，主要关键词:疲劳驾驶检测,卷积神经网络,人脸识别,图像处理
疲劳驾驶识别论文文献综述
李军,幸坚炬,黄超生,谢伟彬,钟菊萍[1]（2019）在《人脸识别在疲劳驾驶检测中的应用研究》一文中研究指出论文将卷积神经网络应用于人脸识别,对瞳孔定位算法进行改进,有效地克服了原算法计算量大的问题.根据驾驶员眼睛在不同状态下宽高比例不同的特点,实现了一种简单可行的眼睛状态判断方法,并通过PERCLOS算法对驾驶员的疲劳状态进行判定.论文采用改进Hough变换方法定位驾驶员眼睛,准确率为92%,平均响应时间为29ms,驾驶员眼睛状态的判断准确率为83.9%.设计了一种基于人脸识别的疲劳驾驶检测原型系统,实现驾驶员脸部特征检测、眼睛定位、眼睛状态判断、疲劳判定等功能.实验结果表明,系统对疲劳状态的识别率为87.5%,疲劳判断的响应时间为17ms,有较好的实际应用价值.(本文来源于《广东技术师范学院学报》期刊2019年03期）
王怡[2]（2019）在《基于面部表情的疲劳驾驶识别方法研究》一文中研究指出汽车在方便我们生活的同时,也引发了一系列交通安全问题。在众多的交通事故中,驾驶员疲劳驾驶是主要原因之一。目前对驾驶员在行车过程中疲劳状态的监测,已经成为一个重要的研究课题,它不单是有效降低交通事故发生率的一项重要预防手段,亦是实现汽车设备智能化的重要内容,具有极高的社会价值。本文以面部表情为研究对象,设计了疲劳驾驶识别方案。利用卷积神经网络(Convolutional Neural Network,CNN)搭建合适的网络模型训练学习疲劳表情特征。通过以下叁种途径获取疲劳表情图片:其一,编写爬虫代码,在网页上搜索下载人脸疲劳表情图片;其二,在不同的人脸表情数据集中选取部分图片;其叁,拍摄疲劳表情照片。对获取到的图片进行归一化处理,自建数据库。为提高识别的准确性和实时性,对图像进行灰度化和直方图均衡化的预处理操作,结合haar-like特征和Adaboost算法将人脸区域从复杂背景中提取出来,进行图片信息的人脸检测。对卷积神经网络模型进行设计,将检测出的人脸图片输入到模型中,并进行参数调整,实现对驾驶员疲劳表情的识别。实验结果表明,本文设计的卷积神经网络模型可以完成疲劳表情特征的训练学习,对于驾驶员疲劳表情有较高的识别准确率和实时性,有助于降低交通事故发生率。(本文来源于《西安科技大学》期刊2019-06-01）
罗颢文[3]（2019）在《基于最短路径树的功能性脑网络在疲劳驾驶状态识别中的应用研究》一文中研究指出针对基于脑电图(electroencephalogram,EEG)的疲劳驾驶状态识别模型的准确率问题不够理想,以及目前缺乏对疲劳驾驶发生的神经机理问题研究,课题致力于研究基于最短路径树来构建有效的功能性脑网络用于疲劳驾驶状态识别,建立了基于最短路径树功能性脑网络的疲劳驾驶状态识别模型和疲劳发生的神经机理模型,提出并设计了基于最短路径树功能性脑网络的疲劳驾驶状态识别方法和疲劳发生的神经机理分析方法。课题主要研究内容和阶段性研究成果如下:较全面分析了功能性脑网络(functional brain networks,FBN)构建的关键技术,包括研究基于最短路径树(shortest path trees,SPT)的FBN构建方法(该网络记为SPT-FBN),针对基于联合最短路径树(the union of shortest path trees,USPT)所构建的FBN存在密度过大问题,提出了一种改进的方法即基于组合最短路径树(the combination of shortest path tree,CSPT)的FBN构建方法(该网络记为CSPT-FBN),并设计了相应的构建算法。对SPT-FBN和CSPT-FBN进行较全面的网络属性分析。建立基于SPTFBN和CSPT-FBN的疲劳驾驶状态识别模型以及基于CSPT-FBN神经机理分析模型,设计了相应的算法。在真实数据上,对模型和算法进行了较全面的测试和结果分析。通过测试和结果分析,得出:(a)基于P4,CPZ,CP4,Cz,FC4,CP3,C4z这7个电极构建CSPT的疲劳驾驶识别模型能够进行有效的疲劳驾驶识别;(b)SPT/CSPTFBN比基于最小生成树(minimum spanning tree,MST)的FBN(该网络记为MST-FBN)和基于稀疏度的FBN在疲劳驾驶状态识别上准确率要高;(c)在Beta段波下,SPT-FBN的叶子分数,树层次,kappa变化值与疲劳驾驶状态识别率呈现负相关关系。(d)大脑的右侧中央区与中央顶区之间EEG的Beta频段放电存在异常情况,疲劳的产生很可能与该区域有着密切的联系。论文最终给出了所研究工作的阶段性总结并提出目前工作的不足和下一步工作的展望。(本文来源于《南昌大学》期刊2019-05-26）
叶贝鸽[4]（2019）在《基于KPCA的疲劳驾驶状态识别方法的研究》一文中研究指出驾驶员的疲劳驾驶行为对交通事故的发生已经造成了严重的影响。本文研究分析驾驶员正常状态和疲劳状态下的脑电信号(Electroencephalograph,EEG)。针对疲劳驾驶状态识别研究中采集的EEG数据具有非线性这一特点,这使得目前EEG数据基于熵特征进行疲劳驾驶状态识别研究时依然存在分类准确率不理想的问题,本文建立了一个在EEG熵特征的基础上结合核主成分分析(Kernel principal component analysis,KPCA)构建疲劳驾驶状态识别的模型,提出了相应的算法;又针对疲劳驾驶状态识别的时间性能问题,本文在所使用的算法基础上又加入了t检验进行进一步的研究,提出了不同熵特征以及t检验结合KPCA(ENTROPY_T_KPCA)的算法,并且在30个导联数据上进行研究都达到了理想的效果。主要研究内容和创新点如下:(1)针对现有的疲劳驾驶脑电信号的熵特征提取方法对疲劳驾驶状态识别测试的准确率不是很理想这一问题。本文先是研究了不同熵结合主成分分析(Principal Component Analysis,PCA)对EEG数据进行重构,再研究了不同熵结合KPCA对EEG数据进行重构,通过SVM分类器对重构数据进行疲劳驾驶状态识别测试。测试结果表明,使用KPCA算法后对疲劳驾驶状态的识别准确率相对于未使用KPCA算法有明显提高。(2)针对疲劳驾驶状态识别的时间性能不理想这一问题。本文在先前提出的算法基础上又加入了t检验算法。通过t检验找出有显着差异的特征向量,通过特征约简来提高时间性能。实验结果表明t检验算法是有效的,在加入KPCA算法后,ENTROPY_T_KPCA算法不仅能够提高时间性能而且当它选择合适的分类器后对疲劳驾驶状态的识别准确率仍能有所提高。(本文来源于《南昌大学》期刊2019-05-26）
王程龙[5]（2019）在《基于人脸识别的疲劳驾驶软硬件协同检测方法研究》一文中研究指出随着社会经济的进步,汽车作为交通运输中非常重要的工具而被广泛的推广。我国汽车保有量和驾驶员的数目激增,道路行驶安全也面临空前的压力。交通管理部门统计的数据显示,疲劳驾驶为交通事故的主要凶手,因此设计一款准确且高实时性的疲劳状态检测系统,来减少交通事故发生的频率,是一个值得深入研究的领域。本文主要对检测算法优化和系统的实现两方面进行论述。算法方面的相关工作内容如下所示:(1)针对目前人脸检测中实时性不高的问题。本文采用简单阈值分割出肤色区域,可以缩小人脸特征检测范围,来提高检测实时性。(2)采用优化的Adaboost检测算法提高实时性和准确率。通过优化权值的改变速率来提升准确率,将Adaboost算法中的浮点数进行定点化处理提高实时性。(3)采用精简且实时性高的Phash(Perceptual hash)算法对人脸进行追踪,减少人脸检测次数,可以再次提高人脸检测的实时性。(4)通过前面的算法快速检测到人脸区域再进行人眼检测。使用Adaboost人眼检测算法对人眼特征提取,然后进行对睁眼和眨眼判断,最终采用PERCLOS(Percentage of eyelid Closure over the Pupil over time)算法实现疲劳判断。系统方面的实现工作如下所示:(1)通过对比和分析各种平台下的疲劳检测的优缺点,选择了本文需要的ZYNQ-7000平台。并对ZYNQ-7000平台中的关键模块进行了详细说明。(2)本文使用Vivado HLS高层次综合工具,自定义图像处理的硬件IP核,其中包括:肤色识别IP核、Otsu二值化IP核等。然后我们配置了ZYNQ-7000的硬件结构、存储设备和外部设备,并利用OV7670摄像头实现图像采集、VGA接口实现图像显示。(3)实现图像处理代码移植到ZYNQ开发板,同时移植和配置ZYNQ开发板运行环境,其中包含U-boot、Opencv图像库、Qt函数库、Linaro操作系统。最后对搭建的整个系统进行疲劳检测测试。本文通过合理的软硬件协同划分,在实验室环境下模拟实际的疲劳检测,具有较高实时性、便捷性,又能减少硬件逻辑资源的使用,节约开发成本的特点。(本文来源于《青岛科技大学》期刊2019-04-10）
叶建芳,刘强,李雪莹[6]（2018）在《基于随机森林的疲劳驾驶检测识别模型的优化研究》一文中研究指出与传统基于驾驶员行为的疲劳检测手段相比,基于驾驶员生理指标的驾驶疲劳检测是一种更加客观准确的检测方法,但由于生理信息复杂度高,传统生理指标疲劳检测模型效果不佳且实时性差。随机森林是一种收敛速度快,可处理复杂特征向量样本,高效精准的分类算法。文章在驾驶员生理指标检测基础上,提出一种应用随机森林模型进行疲劳驾驶检测识别的方法,并通过粒子群优化算法和设置阈值修剪错误决策树方式对随机森林模型进行优化,以提高精度和效率。仿真实验结果表明,优化后检测精准确度高达98%,运行效率提高50%。(本文来源于《汽车实用技术》期刊2018年13期）
刘强[7]（2018）在《基于机器学习的疲劳驾驶监测识别系统设计与开发》一文中研究指出随着经济的高速发展,机动车已成为现代社会的主要交通和运输工具,交通事故的发生频率也随之居高不下。研究表明,疲劳驾驶是诱发交通事故的主要原因之一,特别是在危险品运输、长途运输等特殊车辆运输行业,极易发生疲劳驾驶现象,严重威胁驾驶员及人民生命财产安全。因此,研究和开发疲劳驾驶实时检测预警系统,对改善交通状况,保障道路交通安全具有重要意义。当前对疲劳驾驶识别的研究工作,主要从驾驶员行为信息、生理信息及车辆信息叁个方面入手:其中,基于行为信息的识别具有直观、准确的特点,但实对时性要求较高;基于生理信息的识别可靠、实时、精度最高,但信息采集需借助专业设备或接触式传感器,不利于车载;基于车辆信息的识别则较为复杂,识别效果也有待提高。本文结合驾驶员行为眼动信息和生理信息,进行疲劳驾驶的综合识别,克服单一信息识别方法的局限性,实现优势互补,采用机器学习算法构建疲识别模型,并借助高性能嵌入处理器、红外摄像头、智能手环等设备作为支撑平台,设计开发了一款基于机器学习的疲劳驾驶监测识别系统,可用于对疲劳驾驶进行实时、精确、高效、分“疲劳”等级的识别预警。论文主要研究工作和创新点如下:(1)疲劳驾驶监测识别系统设计。根据系统设计目标,制定系统设计方案,将系统划分为数据采集、数据处理、识别模型、预警反馈及系统评价五个主要模块,并在阐述模块功能的基础上,确立系统实现的技术路线。(2)系统支撑平台开发。以高性能ARM嵌入式处理器、红外摄像头、智能手环、LED灯、mico扬声器等作为硬件设施,以Buildroot、Open CV2.4.4、U-boot等作为控制程序开发工具,进行系统支撑平台的开发,为系统的实现提供技术支持与保障。(3)检测数据优化处理。采用中值滤波器、Canny算法、边缘特征法、离散法及差异显着分析等方法对用于疲劳识别的检测数据进行优化处理,剔除冗余、错误数据,补全遗失数据,精简数据规模,节省存储空间,提高系统识别精度和处理效率。(4)系统识别模型构建。采用随机森林RF算法构建多分类识别模型,并提出一种“阶梯状”设定样本标签的方法,按照生理器官疲劳程度对驾驶员进行由“轻度疲劳”到“严重疲劳”的7个等级疲劳状态的划分,实现了疲劳驾驶的智能识别预警,为了提高系统模型识别精度及检测效率,采用PSO粒子群算法对模型进行优化,并运用UCI数据集对模型的性能指标进行仿真验证。仿真结果表明,模型的识别精度、效率、特异度及灵敏度都得到很大提升。(5)系统功能测试。构建系统测试环境,对系统支撑平台、系统识别效果进行测试,并对测试结果进行了分析与总结。测试结果表明,论文提出的基于机器学习的疲劳驾驶监测识别系统,检测精度可达96.3%,检测效率提升近40%,与传统方法相比,识别精度,实时性,稳定性,可靠性均有良好提升,论文的研究开发具有工程应用价值。(本文来源于《东华大学》期刊2018-05-23）
赵旭阳,王宇豪[8]（2018）在《基于极限学习机面部识别的疲劳驾驶监测方法的研究》一文中研究指出随着汽车保有量的增长,交通事故的数量也不断上升。其中,疲劳驾驶是造成交通事故的一个重要原因。为快速且有效地通过被测对象的面部特征判断被测对象的疲劳状态,本文提出了一种眼部特征的疲劳状态判定的检测算法,并构建了基于极限学习机的模式识别系统实现监测。在本文处理面部特征信号时,首先采用对图像进行灰度及二值处理,之后采用KLT算法实现图像的人脸检测与人眼定位,最后采用极限学习机对疲劳状况进行识别。验证实验结果表明,本系统识别率高、处理速度快、敏捷度优良。(本文来源于《中国设备工程》期刊2018年09期）
章经宇[9]（2018）在《基于面部特征跟踪识别的夜间疲劳驾驶检测方法研究》一文中研究指出交通事故数多年来持续不下,造成了社会生产与人民生活的巨大损失。驾驶人疲劳驾驶行为是引起该情况的重要原因之一。人体疲劳产生的原因复杂,产生的时间不确定,难以通过政策法规对该行为进行规避。因此寻找一种基于主动安全技术的疲劳检测方法具有重要的意义。目前,主动安全技术是智能交通中一项前沿研究内容。本文研究针对疲劳驾驶检测的主动安全技术,采用机器视觉感知的方式,对夜间疲劳多发时间段的驾驶人面部特征进行分析,进而实现夜间驾驶人疲劳检测。基于机器视觉感知的夜间疲劳驾驶检测首先需要对人脸进行识别,然后在已识别的人脸中提取相关的面部特征,并持续跟踪,最后根据这些特征对驾驶人的疲劳状态进行判别。论文主要研究内容如下:(1)基于Gentle AdaBoost算法与标准化像素差(Normalized Pixel Difference,NPD)特征的改进Viola-Jones人脸识别方法。在Viola-Jones人脸识别框架的基础上结合多姿态人脸识别的要求,将AdaBoost算法与Haar-like矩形特征替换,引入了Gentle AdaBoost算法与NPD特征,形成新的Viola-Jones人脸识别方法。改进方法中Gentle AdaBoost泛化能力更强,NPD特征更适合描述多姿态人脸,能提高人脸检测的鲁棒性;随后运用近红外人脸图像样本对分类器进行训练与效果检验。实验结果表明该改进的人脸识别方法具有较高的人脸检测率、较低的误检率和较低的漏检率。(2)基于分布特征与纹理特征的眼睛定位方法,基于尺度自适应Mean-Shift算法与Tracking-Learning-Detection算法融合(Mean-Shift TLD)的眼睛跟踪方法。根据眼睛在面部的分布特征结合图像形态学处理对其进行粗略定位,随后提出基于眉、眼与皮肤纹理特征的眼睛精确定位方法;分析原始TLD算法跟踪模块、学习模块和检测模块的机制,原跟踪模块光流算法具有运算量大、抗形变弱、抗光照变化弱的特点,针对该问题融合尺度自适应的Mean-Shift算法对其进行改进;设计对比实验对夜间近红外人脸视频中眼睛进行跟踪,Mean-Shift TLD取得了较好的效果。(3)基于眼睛与嘴巴特征的疲劳判别方法。提出基于椭圆拟合的眼睑开度计算方法,统计眼睑开度变化,采用PERCLOS疲劳判别法检测疲劳;通过分析嘴巴在面部的分布特征结合图像形态学处理对其轮廓与面积进行提取,随后提出基于圆形度的哈欠判别方法,从而判别疲劳。(4)设计、实现并测试原型系统。使用C++语言结合开源机器视觉库OpenCV开发出夜间驾驶人疲劳检测原型系统。通过采集的近红外视频进行效果测试,验证了系统夜间疲劳检测的可行性、实时性与夜间适用性。本文的研究工作得到科学技术部、公安部、交通部联合制定的“国家道路交通安全科技行动计划(二期)”课题叁(编号:2014BAG01B03)之专题二“重点驾驶人交通行为分析技术及系统开发”的资助。驾驶人驾驶行为谱是该专题在交通安全领域提出的一个全新概念。驾驶人疲劳驾驶行为状态是驾驶人驾驶行为谱的特征指标之一。本研究成果为定量分析驾驶人驾驶行为谱的该特征指标提供理论方法。(本文来源于《武汉理工大学》期刊2018-03-01）
蔡伽[10]（2017）在《基于人眼状态检测的疲劳驾驶识别研究》一文中研究指出随着人类生活水平的提高,机动车使用量逐年增加,伴随而来的是各类交通事故的发生,安全驾驶已成为社会关注的问题之一,其中,因疲劳驾驶而导致的交通事故占很大比例,因此,研究出一套使用方便、实时高效、检测准确的疲劳驾驶识别算法成为减少事故的重点。在所有的外在特征中,人眼状态是最能够反应疲劳状态的,所以本文通过对人眼状态的检测来实现疲劳驾驶的判定。本文对疲劳驾驶识别的研究做了以下四部分工作:1)图像预处理,首先对图像进行自动白平衡处理,使得图像色彩跟物体真实的色彩保持一致,便于计算机识别;再通过基于拉普拉斯算子的图像增强,使得物体的轮廓更加明显,人脸更便于识别。2)人脸检测,在前人研究较成熟的基于Gentle-Adaboost算法的人脸检测基础上进行改进,Gentle-Adaboost算法与haar特征识别相结合,以保证识别率,然后引入均值哈希算法的概念,将人脸信息转换为哈希指纹信息,用哈希指纹信息的对比代替人脸检测,再利用缓存数据库来存储相似图片的哈希指纹,这样不仅能够得到脸部的精确定位而且平均识别时间也减少了原检测时间的80%。3)人眼识别,分为人眼定位和人眼状态识别,该部分提出一种基于寻找最小阈值的改进方案来确定人眼状态,使用模板匹配的方法寻找疲劳状态时的人眼位置,进而缩短人眼识别时间。4)疲劳判定,采用PERCLOS疲劳判定准则。根据此准则判断驾驶员是否处于疲劳状态,如果是,及时对疲劳状态进行预警,减少行车事故。通过多次实验证明,改进后的疲劳检测平均用时33.29ms,同部分文献中的改进算法相比,用时最少。实验证明,改进后的算法能够高效检测出驾驶员的疲劳状态,平均识别时间大幅度减少,达到了预期实验目标。(本文来源于《河北科技大学》期刊2017-12-01）
疲劳驾驶识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
汽车在方便我们生活的同时,也引发了一系列交通安全问题。在众多的交通事故中,驾驶员疲劳驾驶是主要原因之一。目前对驾驶员在行车过程中疲劳状态的监测,已经成为一个重要的研究课题,它不单是有效降低交通事故发生率的一项重要预防手段,亦是实现汽车设备智能化的重要内容,具有极高的社会价值。本文以面部表情为研究对象,设计了疲劳驾驶识别方案。利用卷积神经网络(Convolutional Neural Network,CNN)搭建合适的网络模型训练学习疲劳表情特征。通过以下叁种途径获取疲劳表情图片:其一,编写爬虫代码,在网页上搜索下载人脸疲劳表情图片;其二,在不同的人脸表情数据集中选取部分图片;其叁,拍摄疲劳表情照片。对获取到的图片进行归一化处理,自建数据库。为提高识别的准确性和实时性,对图像进行灰度化和直方图均衡化的预处理操作,结合haar-like特征和Adaboost算法将人脸区域从复杂背景中提取出来,进行图片信息的人脸检测。对卷积神经网络模型进行设计,将检测出的人脸图片输入到模型中,并进行参数调整,实现对驾驶员疲劳表情的识别。实验结果表明,本文设计的卷积神经网络模型可以完成疲劳表情特征的训练学习,对于驾驶员疲劳表情有较高的识别准确率和实时性,有助于降低交通事故发生率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
疲劳驾驶识别论文参考文献
[1].李军,幸坚炬,黄超生,谢伟彬,钟菊萍.人脸识别在疲劳驾驶检测中的应用研究[J].广东技术师范学院学报.2019
[2].王怡.基于面部表情的疲劳驾驶识别方法研究[D].西安科技大学.2019
[3].罗颢文.基于最短路径树的功能性脑网络在疲劳驾驶状态识别中的应用研究[D].南昌大学.2019
[4].叶贝鸽.基于KPCA的疲劳驾驶状态识别方法的研究[D].南昌大学.2019
[5].王程龙.基于人脸识别的疲劳驾驶软硬件协同检测方法研究[D].青岛科技大学.2019
[6].叶建芳,刘强,李雪莹.基于随机森林的疲劳驾驶检测识别模型的优化研究[J].汽车实用技术.2018
[7].刘强.基于机器学习的疲劳驾驶监测识别系统设计与开发[D].东华大学.2018
[8].赵旭阳,王宇豪.基于极限学习机面部识别的疲劳驾驶监测方法的研究[J].中国设备工程.2018
[9].章经宇.基于面部特征跟踪识别的夜间疲劳驾驶检测方法研究[D].武汉理工大学.2018
[10].蔡伽.基于人眼状态检测的疲劳驾驶识别研究[D].河北科技大学.2017