摘 要

随着我国经济社会和汽车行业的持续高速发展，我国的机动车保有量呈现出稳定快速增长态势。据我国公安部统计，截至交通安全日（12月2日）以前，我国机动车保有量达3.25亿辆，与2017年底相比，增加了约1556万辆。与之相呼应的是交通事故率居高不下，人、车、路的矛盾日益严重。人工智能技术的飞速发展给上述问题带来了解决方案——自动驾驶。特斯拉公司的实车测试表明，自动驾驶汽车的事故率远低于人类驾驶汽车的事故率。SAE国际汽车工程师协会将自动驾驶分为六个阶段（L0-L5），其中人机共驾阶段（L3）是当前学术界和工业界研究的热点问题。在人机共驾阶段，主要驾驶任务由自动驾驶系统自动完成，而当遇到复杂工况时，就需要人类手动驾驶。因此在人机共驾阶段就存在驾驶权交接问题，而驾驶权的能否进行交接主要取决于驾驶人的状态。因此本次毕业设计将针对驾驶人状态监测这一问题进行研究，主要从以下几个方面展开：

首先阐明了人机共驾阶段驾驶人状态监测问题的研究背景及意义，了解本研究的研究目的，深入研究国内外相关研究的发展状况，通过对众多论文的深入研究，明确了国内外关于驾驶人状态监测问题的研究，比较分析之后选择卷积神经网络作为本次毕业设计课题的解决方案。

然后对深度学习的发展过程以及基础知识做了简要介绍，介绍了卷积神经网络的基本结构，各种激活函数以及学习范式，为后文迁移学习模型的介绍打下基础。

接下来又介绍了背景减除算法的基本内容，对GMM算法、GMG算法、KNN算法的原理做了简要介绍，并使用了本次毕业设计采集到的数据进行效果展示，通过比较选择了KNN算法作为本次毕业设计的背景减除算法。然后又介绍几个备选的卷积神经网络模型的结构及功能，对他们的发展过程以及具体结构做了简要介绍，最终通过对比不同模型的测试效果，选择了VGG16模型。

最后介绍了本次毕业设计数据采集的过程以及对数据进行预处理的方法，并控制变量做了对照实验。对比分析了使用背景减除算法的数据集和不使用背景减除算法的数据集在VGG16模型上，运行相同轮次的效果，对比分析了使用背景减除算法的数据集在VGG16模型上跑不同轮次的效果。

关键词：驾驶人状态监测；卷积神经网络；深度学习；VGG16模型；KNN算法

Abstract

With the sustained and rapid development of China's economy, society and the automobile industry, China's vehicle ownership has shown a steady and rapid growth. According to statistics from the Ministry of Public Security of China, before the date of Traffic Safety Day (December 2), the number of motor vehicles in China reached 325 million, an increase of 15.56 million compared with the end of 2017. Correspondingly, the traffic accident rate is high, and the contradiction among people, vehicles and roads is getting worse. The rapid development of artificial intelligence technology has brought solutions to the above problems - automatic driving. Tesla's tests show that the accident rate of self-driving cars is much lower than that of human-powered cars. SAE International Automobile Engineers Association divides automatic driving into six stages (L0-L5), in which the human-machine driving phase (L3) is a hot issue in current academic and industrial research. In the man-machine driving phase, the main driving tasks are automatically completed by the automatic driving system, and human manual driving is required in complex working conditions. Therefore, there is a problem of the transfer of driving rights in the stage of man-machine driving, and whether the driving right can be handed over depends mainly on the state of the driver. Therefore, this graduation project will study the issue of driver status monitoring, mainly from the following aspects:

Firstly, it expounds the research background and significance of the status monitoring of drivers in the human-machine driving phase, specifies the research purpose of this research, and deeply studies the development of related research at home and abroad. After comparison of studies at home and abroad, convolutional neural networks is chosen as a solution to this graduation project.

Then it introduces the development process and basic knowledge of deep learning, introduces the basic structure of convolutional neural networks, various activation functions and learning paradigms, and lays a foundation for the introduction of the later migration learning model.

Next, the basic content of the background subtraction algorithm is introduced. The principles of GMM algorithm, GMG algorithm and KNN algorithm are briefly introduced, and the data collected by this graduation design is used to show the effect. The KNN algorithm is selected by comparison.. Then introduces the structure and function of several alternative convolutional neural network models, and briefly introduces their development process and specific structure. Finally, by comparing the test results of different models, the VGG16 model is selected.

Finally, the process of data collection of this graduation design and the method of preprocessing the data are introduced.Controlling the variables, the datasets using the background subtraction algorithm and the datasets without the background subtraction algorithm are compared . The datasets using the background subtraction algorithm are compared and run different epoches on the VGG16 model.

Key Words：Driver status monitoring; convolutional neural network; deep learning; VGG16 model; KNN algorithm

目录

第1章 绪论 1

1.1 课题背景及意义 1

1.2 国内外研究现状 4

1.3 本文章节安排 5

第2章 卷积神经网络基础 6

2.1 卷积神经网络的结构 6

2.1.1 输入层 7

2.1.2 卷积层 7

2.1.3 池化层 9

2.1.4 全连接层 10

2.1.5 Inception模块 11

2.1.6输出层 12

2.2 卷积神经网络的学习范式 12

2.2.1 监督学习 12

2.2.2 非监督学习 13

2.3 卷积神经网络的激活函数 14

2.3.1 Sigmoid函数 15

2.3.2 Tanh函数 16

2.3.3 ReLU函数 17

2.4 本章小结 17

第3章 模型选择 18

3.1 背景减除算法 18

3.1.1 GMM算法 18

3.1.2 KNN算法 20

3.1.3 GMG算法 21

3.2 迁移学习 22

3.2.1 LeNet-5模型 23

3.2.2 AlexNet模型 27

3.2.3 VGG16模型 33

3.2.4 GoogLeNet 35

3.3 本次毕设选取的背景减除算法与迁移学习模型 38

3.4 本章小结 40

第4章 数据采集 41

4.1 原始数据采集 41

4.2 数据预处理 41

4.2.1 二值化阈值处理 41

4.2.2 形态学腐蚀与膨胀 43

4.3 本章小结 44

第5章 模型实现与训练 45

5.1 开发环境 45

5.1.1 Python简介 45

5.1.2 keras简介 45

5.2模型实现 46

5.3 训练中常见的问题以及对应的解决办法 48

5.3.1欠拟合 48

5.3.2过拟合 49

5.4 结果分析 50

5.4.1 使用KNN算法与不使用KNN算法的结果比较 50

5.4.2 训练不同轮次的VGG16结果比较 52

5.5 本章小结 53

第6章 总结与展望 53

6.1 本文工作总结 53

6.2后续工作展望 54

致谢 57

第1章 绪论

1.1 课题背景及意义

随着我国经济社会和汽车行业的持续高速发展^[1]，我国的机动车保有量呈现出稳定快速增长态势。据我国公安部统计，截至交通安全日（12月2日）以前，我国机动车保有量达3.25亿辆，与2017年底相比，增加了约1556万辆；合法机动车驾驶人达4.07亿人，与2017年底相比，增加了约2236万人。从全球范围来看，汽车保有量仍然保持上升趋势，驾驶汽车就目前看来仍然是出行的第一选择。与之相呼应的是交通事故率居高不下，人、车、路的矛盾日益严重。世界卫生组织的全球道路交通安全报告也指出，交通事故是造成5-44年龄段死亡原因的前三位^[2]。表1.1是我国国家统计局发布的权威数据，从表中可以看出交通事故造成了巨大的生命威胁和财产损失，对国家经济社会发展带来了极为不利的影响，因此减少交通事故的解决方案一直是我国学术界和工业界关注的重点问题。

表1.1 国家统计局发布的过去十年交通事故相关的统计数据

当下，人工智能技术的飞速发展（Artificial Intelligence,AI）给上述问题带来了解决方案——自动驾驶。自动驾驶是当前学术界和工业界关注的热点问题，2017年上半年,自动驾驶产业相关公司获得巨额融资,在全球范围内，自动驾驶领域的相关公司公开并购及融资共计32起, 涉及到的金额超过12亿美元, 其中我国的小鹏汽车和蔚来汽车分别以3.33亿美元、3.18亿美元分列第一位和第二位^[3]。2018年3月，政府颁发第一批牌照给上汽集团和蔚来汽车。在可以预见的未来中，自动驾驶将直接影响到交通事故发生率，影响到交通相关法律法规的制定，影响到我们生活中的方方面面。但是距离完全的无人驾驶我们还有很长的路要走，就目前来说，我们已经可以把无人驾驶的相关技术应用到实际的驾驶之中去了。

图1.1 Tesla无人驾驶汽车

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：