基于深度学习的驾驶行为识别方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究目的及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于浅层决策的驾驶行为识别方法 | 第11-12页 |
| 1.2.2 基于深度学习的驾驶行为识别方法 | 第12-14页 |
| 1.3 研究内容及章节安排 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第二章 图像预处理算法与标准化数据集 | 第16-28页 |
| 2.1 基本图像处理算法 | 第16-23页 |
| 2.1.1 图像增强算法 | 第16-18页 |
| 2.1.2 图像滤波算法 | 第18-20页 |
| 2.1.3 图像降采样算法 | 第20-23页 |
| 2.2 特征预提取算法 | 第23-25页 |
| 2.2.1 分水岭算法 | 第23-24页 |
| 2.2.2 高斯混合模型 | 第24页 |
| 2.2.3 基于GMM的背景减除算法 | 第24-25页 |
| 2.3 标准化数据集 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 深度学习算法概述 | 第28-48页 |
| 3.1 线性分类器 | 第28-31页 |
| 3.1.1 评分函数 | 第28-29页 |
| 3.1.2 损失函数 | 第29-31页 |
| 3.2 最优化过程 | 第31-33页 |
| 3.2.1 梯度下降 | 第31-32页 |
| 3.2.2 梯度下降的改进算法 | 第32-33页 |
| 3.3 神经网络 | 第33-39页 |
| 3.3.1 激活函数 | 第33-35页 |
| 3.3.2 网络结构与前向传播 | 第35-37页 |
| 3.3.3 反向传播算法 | 第37-39页 |
| 3.3.4 模型构建及训练流程 | 第39页 |
| 3.4 卷积神经网络 | 第39-42页 |
| 3.4.1 卷积层 | 第39-41页 |
| 3.4.2 池化层 | 第41-42页 |
| 3.4.3 层次结构 | 第42页 |
| 3.5 循环神经网络 | 第42-46页 |
| 3.5.1 基本循环神经网络 | 第43-44页 |
| 3.5.2 长短期记忆网络 | 第44-45页 |
| 3.5.3 门控递归单元 | 第45-46页 |
| 3.6 本章小结 | 第46-48页 |
| 第四章 驾驶员上身姿态分类算法 | 第48-60页 |
| 4.1 模型架构 | 第48-51页 |
| 4.2 实验设计与分析 | 第51-58页 |
| 4.2.1 实验环境 | 第51页 |
| 4.2.2 环境适应性实验 | 第51-55页 |
| 4.2.3 图像预处理算法验证实验 | 第55-57页 |
| 4.2.4 模型对比实验 | 第57-58页 |
| 4.2.5 实验总结 | 第58页 |
| 4.3 本章小结 | 第58-60页 |
| 第五章 驾驶员头部姿态估计算法 | 第60-76页 |
| 5.1 模型架构 | 第60-65页 |
| 5.1.1 骨干网络 | 第61-65页 |
| 5.1.2 损失值融合 | 第65页 |
| 5.2 实验设计与分析 | 第65-73页 |
| 5.2.1 模型对比与损失系数优化实验 | 第66-70页 |
| 5.2.2 极端姿态与遮挡测试实验 | 第70-73页 |
| 5.3 子序列分割依据与特征融合校正 | 第73-75页 |
| 5.4 本章小结 | 第75-76页 |
| 第六章 驾驶行为识别系统总体方案设计 | 第76-84页 |
| 6.1 系统需求分析 | 第76-78页 |
| 6.1.1 驾驶行为图像分析 | 第76-77页 |
| 6.1.2 驾驶环境分析 | 第77-78页 |
| 6.1.3 系统性能要求 | 第78页 |
| 6.2 系统整体架构与功能模块 | 第78-82页 |
| 6.2.1 图像预处理模块 | 第78-79页 |
| 6.2.2 网络模型训练模块 | 第79-80页 |
| 6.2.3 驾驶行为识别模块 | 第80-81页 |
| 6.2.4 结果记录显示模块 | 第81-82页 |
| 6.3 本章小结 | 第82-84页 |
| 第七章 总结与展望 | 第84-86页 |
| 7.1 课题总结 | 第84-85页 |
| 7.2 展望 | 第85-86页 |
| 致谢 | 第86-88页 |
| 攻读硕士期间发表的学术论文 | 第88-90页 |
| 参考文献 | 第90-94页 |
