基于CNNs和LSTM的驾驶员疲劳和分心状态识别研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第12-23页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外研究现状以及发展动态 | 第13-21页 |
| 1.2.1 研究趋势 | 第13-14页 |
| 1.2.2 国内外驾驶疲劳监测研究现状 | 第14-19页 |
| 1.2.3 国内外驾驶分心监测研究现状 | 第19-21页 |
| 1.3 本文主要研究目的和结构 | 第21-22页 |
| 1.4 本章小结 | 第22-23页 |
| 第2章 深度学习算法CNNs和LSTM | 第23-36页 |
| 2.1 卷积神经网络原理 | 第23-29页 |
| 2.1.1 卷积神经网络的连接方式 | 第24页 |
| 2.1.2 卷积运算 | 第24-26页 |
| 2.1.3 卷积神经网络的池化 | 第26页 |
| 2.1.4 卷积神经网络的反向传播 | 第26-29页 |
| 2.2 长短时记忆网络原理 | 第29-35页 |
| 2.2.1 LSTM的结构 | 第30-32页 |
| 2.2.2 LSTM的反向传播算法 | 第32-35页 |
| 2.3 深度学习框架Tensorflow | 第35页 |
| 2.4 本章小结 | 第35-36页 |
| 第3章 驾驶员疲劳驾驶和分心驾驶实验 | 第36-53页 |
| 3.1 实验软硬件模拟系统 | 第36-41页 |
| 3.1.1 驾驶模拟系统 | 第36-37页 |
| 3.1.2 模拟环境实验搭建 | 第37-39页 |
| 3.1.3 实验数据采集设备 | 第39-41页 |
| 3.2 疲劳和分心驾驶实验设计 | 第41-47页 |
| 3.2.1 被实验人员要求 | 第41-42页 |
| 3.2.2 实验环境要求 | 第42页 |
| 3.2.3 实验评价方法 | 第42-46页 |
| 3.2.4 实验流程 | 第46-47页 |
| 3.3 实验过程和结果处理 | 第47-52页 |
| 3.3.1 实验过程 | 第47-49页 |
| 3.3.2 数据结果处理 | 第49-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第4章 模型搭建优化和结果对比分析 | 第53-64页 |
| 4.1 基于CNNs的驾驶员疲劳和分心识别模型 | 第53-60页 |
| 4.1.1 网络结构 | 第54页 |
| 4.1.2 网络训练及模型优化 | 第54-60页 |
| 4.2 基于LSTM的驾驶员疲劳和分心识别模型 | 第60-61页 |
| 4.2.1 网络结构 | 第60页 |
| 4.2.2 LSTM网络的训练及模型优化 | 第60-61页 |
| 4.3 结果对比分析 | 第61-63页 |
| 4.4 本章小结 | 第63-64页 |
| 总结与展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 附录A 攻读硕士学位期间所发表的学术论文 | 第71页 |
