7篇关于疲劳驾驶检测的计算机毕业论文

今天分享的是关于疲劳驾驶检测的7篇计算机毕业论文范文, 如果你的论文涉及到疲劳驾驶检测等主题,本文能够帮助到你

基于面部多特征融合的疲劳驾驶检测系统设计与实现

这是一篇关于疲劳驾驶检测,YOLOv5s,SimAM,PFLD,Orange Pi 5的论文, 主要内容为随着我国汽车保有量和驾驶员数量的不断增长,因交通事故引起的人员伤亡及财产损失也在逐年上升,而疲劳驾驶已经成为导致交通事故的主要原因之一。因此,研究一种安全可靠的疲劳驾驶检测系统具有重要的理论和实际意义。目前常用的疲劳驾驶检测方法中,基于驾驶员生理特征的检测方法和基于车辆行驶特征的检测方法存在着设备昂贵、易受环境影响、检测指标单一等问题。鉴于以上问题,本文提出了一种基于面部多特征融合的疲劳驾驶检测方法,并结合Orange Pi 5嵌入式开发板构建了一个疲劳驾驶检测及监管系统,该系统能够准确分析驾驶员的疲劳状态,提高驾驶安全性。具体研究内容如下:(1)设计了一种基于SimAM无参注意力机制的轻量化YOLOv5s人脸检测网络。为了让模型能够将更多的注意力聚焦于有效信息区域,进而提高模型的检测精度,在YOLOv5s主干网络尾部添加SimAM无参注意力机制。改进后的网络在Wider Face数据集上的实验结果表明,相较于原始YOLOv5s,在参数量不变的情况下,检测精度提高了2.1%,能够较好的完成人脸检测任务。(2)改进了一种带有辅助子网络的PFLD人脸关键点检测模型。首先,构建了多尺度特征融合模块,以进一步加强模型对大目标及小目标的检测能力。其次,使用Ghost Bottleneck优化了模型主干网络,进一步降低模型参数量,提高检测速度。在WFLW数据集上的实验结果表明,改进后的模型检测速度更快、精度更高,能够满足实际使用需求。(3)研究了一种基于面部多特征融合的疲劳判定方法。首先,通过人脸关键点计算EAR、MAR值,进而提取驾驶员眼部和嘴部特征。同时,采用PFLD辅助子网络获取头部特征。然后,根据上述提取的3类面部特征对眨眼、打哈欠、瞌睡点头等状态进行疲劳阈值设定。最后,得出一种基于面部多特征融合的疲劳判定方法。在YawDD数据集上的实验结果表明,该方法的检测准确率达到了95.3%。(4)设计并实现了疲劳驾驶检测及监管系统。搭建了基于Orange Pi 5嵌入式开发板的疲劳驾驶检测系统,并使用Spring Boot开发了后台监管系统。经过测试实验,本文所设计的疲劳驾驶检测及监管系统能够相对准确地判定疲劳驾驶行为。

基于面部特征与深度学习的疲劳检测算法的研究

这是一篇关于疲劳驾驶检测,深度学习,卷积神经网络,面部关键点,Yolov5模型的论文, 主要内容为近年来,我国由疲劳驾驶所导致的汽车交通事故高发,预判驾驶员的疲劳状态并预警,能从根本上控制交通事故的发生。目前已有的疲劳驾驶检测技术中,基于生理特征和车辆行驶信息的方法因接触性强和检测精度低等问题限制了其大规模应用。因此,本文选择采用基于驾驶员面部特征的疲劳驾驶检测技术,并结合深度学习技术在目标检测方面的优势,设计出一套有效的疲劳驾驶检测算法,在此基础上研发一套完整的疲劳检测系统的软硬件平台。研究内容包括以下几个方面:(1)面部检测定位的研究。首先探讨了使用深度卷积神经网络(CNN)进行驾驶员面部检测的工作原理,并比较了目标检测领域内几种常见的算法,如R-CNN、FRCNN、SSD和Yolo等模型之间的特点和优劣,选定了实时性好且准确性较高的Yolo模型来实现驾驶员面部特征的自动检测。针对Yolo V5模型较大、计算成本高等缺点,本文提出了一种基于Mobilenet V3-Yolov5模型的解决方案。该模型采用轻量型网络Mobilenet V3作为主干网络,代替原来较为复杂的Darknet53网络,Mobilenet V3-Yolov5模型具有36MB的体积尺寸和80帧/s的传输速度,准确率接近于原始的Yolov5模型。通过实验验证,该模型更适合在移动设备等计算资源有限的场景中应用。(2)疲劳驾驶测算法的研究。本论文采用了Dlib人脸关键点检测算法和人脸定位技术对驾驶员面部特征进行提取,进而进行疲劳判别参数的选择。通过眼部PERCLOS参数和眨眼次数来进行眼部疲劳的判别,计算嘴巴的疲劳特征点坐标,并结合头部姿态角的检测,以此来进行驾驶员的疲劳判断。本文通过提取和识别驾驶员面部特征,利用加权平均值来进行疲劳判断,同时考虑了头部姿态角和面部特征的影响,运用多维度融合的方法,提高了检测的准确性。本论文所设计的基于面部多特征疲劳检测算法,眨眼频率识别的准确率可达92.00%,打哈欠的识别准确率可以达到93.2%,整体测试的识别准确率可以达到95.5%。(3)系统的软硬件设计与试验的研究。本论文详细描述了疲劳驾驶检测系统的功能组成,包括视频采集、面部特征定位提取、疲劳状态检测、数据存储和管理、实时监控和报警功能等。同时,本论文设计了简单易用的交互界面,并设计开发了后台数据观测程序,可以实现检测端和web端之间的实时交互通信,从而更好地监视驾驶员的实时状态。测试结果表明,疲劳检测模型具有良好的识别精度,系统各个检测模块能够实时准确运作。

汽车安全监控系统研究

这是一篇关于疲劳驾驶检测,轻量级,人脸检测,人脸关键点检测,车辆参数监测的论文, 主要内容为随着交通事故频发导致人员伤亡数量逐年上升,社会对汽车安全和道路交通安全的关注日益提高。据统计数据显示,由驾驶员和设备因素造成的交通事故高达72%。为提高驾驶安全性、保证汽车安全并减少交通事故的发生,研发一款具有实际应用价值的嵌入式车载汽车安全监控系统尤为重要。本课题旨在有效减少驾驶员与设备因素引起的交通事故,以Jetson TX2作为系统核心,采用Jetson TX2+MCU架构,通过软硬件协同的设计方式,设计并实现一个将驾驶员疲劳检测和整车参数监测集成于一体的嵌入式系统。本文通过对比分析国内外现有的常用疲劳检测方法,采用基于驾驶员面部特征的疲劳驾驶检测方法来进行疲劳预警。在此基础上,本文提出了一种仅获取驾驶员面部特征提升运算速度的优化方法,利用多任务卷积神经网络模型简单高效的优势,通过改变最小检测人脸尺寸来减少运行时间,排除其他人脸干扰;同时删除P-Net、R-Net和O-Net三级网络的人脸特征点提取部分,提高算法运行速率,实现不同光照遮挡下的人脸检测,最终优化后的模型检测精度可达98%。其次,为满足嵌入式平台精确、高效定位面部特征点的需求,本文提出一种用于标记人脸68个关键点位置坐标的超轻量人脸关键点检测算法(AULFLD),设置可调的模型宽度因子,用于平衡检测精度和模型大小。在宽度因子为0.25X的情况下,算法模型大小仅为420 Kb,推理时间仅为5.8 ms。最后,通过实验选取不同的特征阈值,实现对驾驶员眼睛和嘴巴状态的准确识别,并利用连续闭眼时间、打哈欠频率、PERCLOS值等多个参数来判断驾驶员的疲劳状态并给出预警信号。本文完成了Jetson TX2和MCU嵌入式环境的软硬件设计和实验平台搭建。通过器件选型,设计并制作实现了驾驶员疲劳检测和汽车参数监测的硬件部分。在软件设计部分,实现接收和解析CAN数据帧,采集压力、油位等模拟信号和驾驶员疲劳检测的功能。采用Py Side2进行界面设计,实现多个功能同时显示,并通过预警模块实时提醒驾驶员安全驾驶。本文通过对整个汽车安全监控系统进行联合测试,验证了本系统的可行性、鲁棒性和实时性,从而证明其满足实际车载系统的使用需求。

基于面部特征与深度学习的疲劳检测算法的研究

移动边缘端疲劳驾驶检测方法研究

这是一篇关于疲劳驾驶检测,面部特征,移动边缘端,知识蒸馏,模型剪枝的论文, 主要内容为随着人们生活水平的不断提高,越来越多的人选择机动车出行,导致交通安全事故频繁发生,其中,疲劳驾驶是诱发交通事故的主要原因之一。大多数情况下驾驶员很难意识到自己处于疲劳驾驶状态,因此,实时监测驾驶员的疲劳情况,并在其处于疲劳状态时及时发出告警,对降低交通事故的发生率、保障人们的安全出行有着重要的意义。现有的疲劳驾驶检测方法大多都未考虑移动边缘端计算资源有限的问题,为了能在低算力的车载嵌入式设备上独立地完成疲劳检测任务,本文提出移动边缘端疲劳驾驶检测方法。主要研究内容如下:(1)驾驶员人脸检测及面部特征区域状态分类方法研究。多任务级联卷积神经网络(Multi-Task Cascaded Convolutional Networks,MTCNN)在人脸检测任务及人脸关键点定位任务上具有较高的精度,但其在低算力的移动边缘端设备上的检测耗时过长。针对此问题,提出一种参数自微调的MTCNN提速方法,使其能准确且高效地检测出驾驶员的人脸区域。采用高速的核相关滤波器(Kernel Correlation Filter,KCF)跟踪面部特征区域,针对KCF在目标丢失后继续跟踪错误目标的问题,提出基于交并比(Intersection over Union,IOU)的目标自更新的KCF跟踪方法。最后采用在图像分类任务上表现出优越性能的Res Net18网络对驾驶员面部特征区域的状态进行分类,为后续的疲劳检测做准备。(2)面向移动边缘端的面部特征区域状态分类模型轻量化方法研究。基于Res Net18的面部特征区域状态分类模型结构较复杂、参数量多、计算量大,在低算力的移动边缘端设备上推理速度较慢,无法满足疲劳检测任务的实时性需求。针对该问题,提出基于语义相似性知识蒸馏和基于线性可替换滤波器(Linearly Replaceable Filters,LRF)剪枝的组合模型轻量化方法对面部特征区域状态分类模型进行轻量化,使其保障高分类准确率的同时具有更小的体量,实现推理速度和精度的平衡。(3)基于面部多特征融合的疲劳驾驶检测方法研究。针对单一疲劳特征判别不准确的问题,提出眼睑闭合度(Percentage of Eyelid Closure over the Pupil over Time,PERCLOS)、张嘴时长比例(Percentage of Mouth Opening Time,PMOT)及点头频次疲劳评价指标来表征多种面部疲劳特征,利用层次分析法获得各评价指标相对于疲劳状态所占的权重,并提出依据权重将三种指标融合的联合评价指标F,最后根据联合评价指标F对驾驶员的疲劳状态进行检测,满足在计算及存储资源有限的移动边缘端设备上进行实时检测的前提下,提高疲劳检测方法的准确率及鲁棒性。