摘 要

近年来，疲劳驾驶等危险驾驶行为导致的交通事故频频发生。针对这一现象，本文通过对深度学习在视频图像识别方面的研究进行一项疲劳驾驶实时检测系统的设计研究。设计主要通过深度学习中的卷积神经网络模型完成对于视频帧图片中的特征提取，再基于PERCLOS算法标准进行疲劳状态的判别。本文在tensorflow环境中搭建了基于深度学习的卷积神经网络模型和基于传统机器学习的初级的机器学习网络模型，并分别应用在了两组不同的数据集上。对两种情况进行了对比分析，所得结果对于疲劳驾驶检测方面具有重要的参考意义。论文主要研究了卷积神经网络在图像识别方面的实际应用。实验中设置了对照组，进行差异对比，结论直观明显。

实验结果表明，深度学习的卷积神经网络较之传统机器学习在图像识别方面有明显优势，利用深度学习进行驾驶行为检测能有效减少交通事故的发生。

关键词：深度学习；卷积神经网络；图像识别；疲劳驾驶

Abstract

Times new roman, traffic accidents caused by fatigue driving and other dangerous driving behaviors occur frequently. In view of this phenomenon, this thesis studies the design of a real-time fatigue driving detection system through the research of deep learning in video image recognition. In the design, the convolution neural network model in deep learning is used to extract the feature of the video frame image, and then to distinguish the fatigue state based on PERCLOS algorithm standard. In the research, CNN model based on deep learning and elementary machine learning network model based on traditional machine learning are built in tensorflow environment, and they are applied to two different data sets. The results are significant for fatigue driving detection.This thesis mainly studies the practical application of convolutional neural network in image recognition. In the experiment, the control group was set up to compare the differences, and the conclusion was obvious.

The results show that the convolutional neural network of deep learning has obvious advantages over the traditional machine learning in image recognition, and using deep learning to detect driving behavior can effectively reduce the occurrence of traffic accidents.

Key Words：deep learning；convolutional neural network；image recognition；fatigue driving

目 录

第1章 绪论 1

1.1 课题研究目的和意义 1

1.2 国内外研究现状 1

1.3论文结构 2

第2章 卷积神经网络知识基础 3

2.1 卷积神经网络构成 3

2.2卷积神经网络训练要点 5

2.3卷积神经网络经典模型 6

第3章 人眼定位与状态特征提取 8

3.1人眼定位 8

3.2 人眼状态判断 8

3.2.1 人眼数据集 9

3.2.2 搭建分类网络模型 9

3.2.3模型训练过程及其结果 11

第4章 疲劳检测 15

4.1 PERCLOS疲劳检测标准 15

4.2疲劳检测系统的设计 16

4.2.1 疲劳检测功能流程 16

4.2.2 系统功能展示 17

4.2.3训练模型的性能比较 18

第5章 总结与展望 20

参考文献 21

附 录 23

致 谢 27

第1章 绪论

1.1 课题研究目的和意义

近年来我国国民生活水平不断提高,私家车的数量日益攀升。随之而来的是交通安全事故数量的不断增加。其中由于危险驾驶行为导致的交通事故占到了交通安全事故总量的很大一部分。合理利用深度学习和图像识别技术设计智能检测软件可以有效降低由危险驾驶行为引发的交通事故发生的概率。通过对于驾驶者的驾驶行为进行检测，可以判断驾驶者驾驶行为是否规范，驾驶者是否处于疲劳驾驶等危险驾驶状态。如果驾驶者存在危险驾驶行为，系统能够及时对驾驶者存在的危险行为发出预警，从而使得驾驶者纠正自己的行为，以此使得这类交通安全事故的发生概率大幅下降，不仅能挽回大量因此产生的经济损失，更重要的是能拯救驾驶者珍贵的生命。

1.2 国内外研究现状

深度学习作为机器学习领域中的一个研究方向，于2006年由加拿大多伦多大学教授Geoffery Hinton和其学生Ruslan Salakhutdinov在《Science》上发表的一篇论文被首次提出^[1]。深度学习由于含有多个隐层的人工神经网络，其强大的特征学习能力有利于解决特征可视化或分类问题^[1]。深度学习的网络模型之一的卷积神经网络作为一类包含卷积计算且具有深度结构的前馈式神经网络，于1979年第一次被日本科学家Fukushima提出。此后不断被发展完善。主要的特点有（1）局部感知性，降低了参数的数目。（2）网络训练方式使用误差反向重传算法。（3）卷积操作提取特征与位置无关，降低了算法复杂度。

其主要关键性技术包括：(1)卷积：实现神经网络的权值参数的共享和图形局部特征的提取。(2)池化：去除卷积得到的特征映射的次要部分，(3)扁平化：将高维特征向量压缩成一维向量而作为数据源进入全连接前馈神经网络三个方面。总的来说其核心思想就是：利用稀疏连接，权重共享，减少网络参数个数，并获得图形的特征位移，尺度不变性。

基于这一思想与目的，当前卷积神经网络发展方向主要有：(1)增加卷积神经网络的层数，如2014年的VGG-Net模型，GoogleNet等等。(2)增加卷积模块功能。例如2014年GoogleNet的Inception结构，采用不同尺度的卷积核并联的方式提高性能。(3)增加新的网络模块，例如将循环神经网络等结构加入到卷积神经网络系统当中^[2]。