基于深度学习的疲劳驾驶检测方法研究

基于深度学习的疲劳驾驶检测方法研究(任务书,开题报告,论文12000字)
摘要
随着公路交通的不断发展以及车辆持有量的日益提高，交通事故也日益频繁发生，交通事故不仅会造成财产的损失，更会造成人员的伤亡，给社会上的许多家庭带来不幸与痛苦。由我国交通委调查得知，由于疲劳驾驶导致的交通事故已渐渐成为交通事故的第二大诱因。因此对于我国驾驶员疲劳驾驶检测具有重要意义。
本文首先着重讨论适用于疲劳驾驶检测技术的多种算法并选取其中的KNN算法和HOG+SVM算法进行深入研究，比较两种算法的难易程度以及正确率与实现方法。随后本文借助python开发环境pycharm软件，采用py-opencv库处理人脸图像，采用KNN算法进行图片的对比与分类，实现对于驾驶员状态的检测与分类，并随后对测试集进行正确率检测，匹配输出结果与原分类的重合率，从而对结果进行分析。并在opencv上完成了HOG+SVM的实现。实验结果表明，训练出的SVM模型具有较高的准确率，在我们选用的测试集中，正确率达到83%。
关键词：深度学习；KNN；HOG；SVM；疲劳驾驶检测
 
Abstract
    With the continuous development of highway traffic and the increasing vehicle ownership, traffic accidents also occur more and more frequently. Traffic accidents not only cause the loss of property, but also cause casualties and bring misfortune and pain to many families in the society.According to the investigation of China's transportation commission, traffic accidents caused by fatigue driving have gradually become the second leading cause of traffic accidents.Therefore, it is of great significance for driver fatigue test in China.
This paper first focuses on the discussion of various algorithms applicable to fatigue driving detection technoHOGy and selects KNN algorithm and HOG+SVM algorithm among them for in-depth understanding and learning, and compares the difficulty, accuracy and implementation methods of the two algorithms.Subsequently, this paper USES the python development environment, pycharm software, py-opencv library to process face images, and KNN algorithm to compare and classify images to realize the detection and classification of driver state. Then, the test set is detected for accuracy, and the coincidence rate of matching output results with the original classification is matched, so as to analyze the results.HOG+SVM is implemented on opencv.
Keywords: deep learning;KNN.TheHOG.TheSVM;Fatigue driving test
 
目录
第1章绪论    1
1.1研究背景及意义    1
1.2国内外研究现状    2
1.3论文内容和结构    3
第2章深度学习算法的检测与研究    4
2.1邻近算法 KNN    4
2.1.1KNN算法的简单介绍    4
2.1.2算法计算步骤    4
2.1.3 空间内距离计算方法    5
2.1.4 KNN算法中的常见问题    5
2.1.5 KNN算法的优缺点    6
2.1.6 KNN 算法的改进方法    7
2.2 HOG特征    7
2.2.1 HOG特征整体流程    8
2.2.2 分割图像    8
2.2.3 计算每个区块的方向梯度直方图    9
2.2.4 组成特征    9
2.3 SVM支持向量机    9
2.3.1支持向量与超平面    9
2.3.2最大间隔    10
2.4 本章小结    11
第3章 KNN与HOG+SVM实验设计    12
3.1数据集与训练环境的简单叙述    12
3.2 KNN的具体实现    12
3.2.1 KNN分类器的初步实现    13
3.2.2 KNN分类器的最终实现    13
3.3 HOG+SVM的具体实现    13
3.4 本章小结    14
第4章实验结果分析    15
4.1 KNN实验结果分析    15
4.1.1 KNN初步实验结果    15
4.1.2 KNN最终实验结果    17
4.1.3 KNN实验结果分析    19
4.2 HOG+SVM实验结果分析    19
4.2.1 HOG特征可视化结果    19
4.2.2 SVM实验结果    20
4.2.3 SVM实验结果分析    20
4.3 KNN实验结果与HOG+SVM实验结果对比    20
4.4 本章小结    21
第5章总结与展望    22
5.1本文总结    22
5.2工作展望    22
参考文献    23
附录A  pycharm下的KNN分类器代码    24
附录B opencv下的HOG+SVM分类器代码    30
致谢    36