论文部分内容阅读
疲劳驾驶是引发道路交通事故的主要原因之一。驾驶员疲劳监测系统通过监测驾驶员在驾驶过程中的行为变化,判断驾驶员是否进入此类危险驾驶状态,并在驾驶员疲劳时进行预警,从而有效降低此类事故发生的概率,减少由此带来的生命财产损失。在汽车主动安全领域,驾驶员疲劳监测算法研究是热门研究方向之一。而卷积神经网络的发展,使得各类视觉检测任务的精度大幅提升,在计算机视觉领域同样为热门研究方向之一。本文针对目前驾驶员疲劳监测算法在车载工况下检测精度与鲁棒性不足的问题,通过学科交叉提出一种专门用于监测驾驶员疲劳状态的优化多任务级联卷积神经网络与一种全新的驾驶员疲劳状态判定方法,从而精确的提取多个驾驶员疲劳特征并进行判断。本文主要研究内容如下:1)前馈卷积网络结构优化设计。为使前馈卷积网络更适用于驾驶员疲劳监测,本文对VGG16、VGG19、Resnet50与Resnet101四种经典网络构型进行优化。通过调整输入图片尺寸与卷积层数量,从而在不降低网络性能的前提下大幅提升实时性能。通过优化激活函数、增加Batch Normalization操作等方法,加快前馈卷积网络在训练过程中的收敛速度。2)多任务级联卷积神经网络结构设计。为进一步提升前馈卷积神经网络的预测精度,创新性的提出了任务简化器、热点图生成器与特征图生成器三种全新结构,并与优化后的前馈卷积神经网络共同构成多任务级联卷积网络。该网络可以同时实现驾驶员面部追踪、头部姿态估算与人脸关键点定位任务。通过此网络,可同时准确提取多个驾驶员疲劳特征。3)驾驶员疲劳状态判定算法设计。本文基于长短记忆器（LSTM）,提出了一种用于判定当前驾驶员疲劳状态的算法。该方法可同时利用整个视频序列中的多个驾驶员疲劳特征对当前驾驶员状态进行分析并判定,从而大幅提升判定精度。4)驾驶员疲劳驾驶监测算法性能验证。本文验证四种优化前馈网络在相关任务中的性能,并选择综合性能最优的前馈卷积神经网络构成多任务级联卷积神经网络。然后,对本文所提出的三种创新性结构有效性进行验证,并采用多个标准数据集与车载工况数据集对多任务级联网络性能进行量化分析。最后,利用在虚拟驾驶平台构建的数据集对驾驶员疲劳状态判定算法性能进行分析比较。本文所提出的多任务级联卷积神经网络人脸关键点定位误差、头部姿态估算误差与驾驶员脸部验证精度分别为6.2%、1.4°与98.3%,驾驶员疲劳状态判定精度达到93.7%。相较于其他最新方法,本文方法展现出了优异的性能与良好的实时性,可准确监测驾驶员疲劳状态。