基于深度信念网络的疲劳驾驶检测方法研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-15页 |
| 1.1 研究背景和意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.2.1 基于主观评定的检测方法 | 第9页 |
| 1.2.2 基于生理特征的检测方法 | 第9-10页 |
| 1.2.3 基于面部特征的检测方法 | 第10-11页 |
| 1.2.4 基于驾驶行为的检测方法 | 第11-12页 |
| 1.2.5 基于信息融合的检测方法 | 第12页 |
| 1.3 本文的研究内容 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-15页 |
| 2 相关技术分析 | 第15-20页 |
| 2.1 Sigmoid函数 | 第15页 |
| 2.2 正则分布 | 第15-16页 |
| 2.3 MCMC方法 | 第16-18页 |
| 2.4 采样方法 | 第18-19页 |
| 2.5 本章小结 | 第19-20页 |
| 3 面向驾驶视频的疲劳驾驶特征抽取 | 第20-28页 |
| 3.1 人脸特征点初始化 | 第20-24页 |
| 3.1.1 积分图像 | 第21-23页 |
| 3.1.2 Adaboost学习算法 | 第23-24页 |
| 3.2 面部特征点的跟踪 | 第24-26页 |
| 3.3 特征提取的相关细节 | 第26-27页 |
| 3.4 本章小结 | 第27-28页 |
| 4 基于深度信念网络的疲劳驾驶算法 | 第28-38页 |
| 4.1 算法概述 | 第28-29页 |
| 4.2 基于DBN的疲劳检测算法 | 第29-36页 |
| 4.2.1 RBM的网络结构 | 第30-31页 |
| 4.2.2 RBM的训练算法 | 第31-36页 |
| 4.3 本章小结 | 第36-38页 |
| 5 实验与结果分析 | 第38-46页 |
| 5.1 数据集 | 第38-40页 |
| 5.2 网络构架与验证策略 | 第40页 |
| 5.3 不同参数对实验的影响 | 第40-42页 |
| 5.3.1 面部子区域 | 第40-41页 |
| 5.3.2 隐藏层数和隐藏单元数 | 第41-42页 |
| 5.3.3 时间分辨率 | 第42页 |
| 5.4 实验比较 | 第42-45页 |
| 5.4.1 单一信息与融合信息的比较 | 第42-43页 |
| 5.4.2 基于视频的方法与基于图像的方法比较 | 第43-44页 |
| 5.4.3 与其他分类器的比较 | 第44-45页 |
| 5.5 本章小结 | 第45-46页 |
| 6 总结与展望 | 第46-48页 |
| 6.1 工作总结 | 第46页 |
| 6.2 未来展望 | 第46-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-52页 |
