基于深度图像的驾驶人姿态识别
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-20页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-17页 |
| 1.2.1 驾驶人姿态识别现状 | 第9-10页 |
| 1.2.2 深度学习技术 | 第10-12页 |
| 1.2.3 深度图像理论 | 第12-13页 |
| 1.2.4 基于深度图像的人体姿态识别 | 第13-16页 |
| 1.2.5 人体姿态识别研究机构 | 第16-17页 |
| 1.3 本文的主要研究内容及主要工作 | 第17-18页 |
| 1.4 本文的组织结构 | 第18-20页 |
| 2 基于深度卷积神经网络的驾驶人关节点识别 | 第20-33页 |
| 2.1 卷积神经网络结构 | 第20-24页 |
| 2.1.1 卷积层 | 第21页 |
| 2.1.2 池化层 | 第21-22页 |
| 2.1.3 全连接层 | 第22-23页 |
| 2.1.4 训练过程 | 第23-24页 |
| 2.2 驾驶人姿态数据集 | 第24-26页 |
| 2.2.1 驾驶人姿态表示 | 第24页 |
| 2.2.2 基于ToF的驾驶人姿态数据集获取 | 第24-26页 |
| 2.3 实验 | 第26-32页 |
| 2.3.1 实验模型网络 | 第26-28页 |
| 2.3.2 实验数据集与评测方法 | 第28-29页 |
| 2.3.3 实验结果与分析 | 第29-32页 |
| 2.4 本章小结 | 第32-33页 |
| 3 虚拟驾驶人数据集的构建 | 第33-45页 |
| 3.1 采用虚拟数据集的原因 | 第33-34页 |
| 3.2 构建工具及模块介绍 | 第34-35页 |
| 3.3 构建思路 | 第35-43页 |
| 3.3.1 建模 | 第36-38页 |
| 3.3.2 动画 | 第38页 |
| 3.3.3 渲染 | 第38-39页 |
| 3.3.4 Maxscript脚本 | 第39-40页 |
| 3.3.5 构建结果 | 第40-43页 |
| 3.4 本章小结 | 第43-45页 |
| 4 基于深度迁移学习的驾驶人头部姿态分析 | 第45-56页 |
| 4.1 基于深度迁移学习的驾驶人头部分析框架 | 第45-47页 |
| 4.2 深度迁移学习网络 | 第47-49页 |
| 4.3 实验 | 第49-55页 |
| 4.2.1 实验数据集与评测方法 | 第49-50页 |
| 4.2.2 实验结果与分析 | 第50-55页 |
| 4.4 本章小结 | 第55-56页 |
| 5 基于深度图像的驾驶人姿态识别系统 | 第56-62页 |
| 5.1 系统总体框架 | 第56-60页 |
| 5.1.1 驾驶人图像导入模块 | 第57页 |
| 5.1.2 人体与头部检测模块 | 第57-58页 |
| 5.1.3 姿态识别模块 | 第58-60页 |
| 5.1.4 识别结果图像保存模块 | 第60页 |
| 5.2 软件运行环境 | 第60-61页 |
| 5.3 本章小结 | 第61-62页 |
| 6 总结和展望 | 第62-64页 |
| 6.1 总结 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 附录 | 第70页 |
