24小时论文定制热线

热门毕设:土木工程工程造价桥梁工程计算机javaasp机械机械手夹具单片机工厂供电采矿工程
您当前的位置:论文定制 > 毕业设计论文 >
快速导航
毕业论文定制
关于我们
我们是一家专业提供高质量代做毕业设计的网站。2002年成立至今为众多客户提供大量毕业设计、论文定制等服务,赢得众多客户好评,因为专注,所以专业。写作老师大部分由全国211/958等高校的博士及硕士生设计,执笔,目前已为5000余位客户解决了论文写作的难题。 秉承以用户为中心,为用户创造价值的理念,我站拥有无缝对接的售后服务体系,代做毕业设计完成后有专业的老师进行一对一修改与完善,对有答辩需求的同学进行一对一的辅导,为你顺利毕业保驾护航
代做毕业设计
常见问题

一套车载机平台运行的驾驶员行为实时分析系统的设计

添加时间:2020/05/29 来源:青岛大学 作者:许华胜
本文介绍了国内外计算机视觉技术在驾驶员行为分析领域的发展和应用。利用摄像头获取驾驶员座椅区域的图像数据,通过计算机视觉技术,对驾驶员是否存在危险驾驶行为进行实时检测。
以下为本篇论文正文:

摘 要

  交通事故中有相当一部分原因是由于驾驶员的危险驾驶行为引起的,主要包括开车时驾驶员存在疲劳驾驶、驾车打电话、驾车抽烟和视线长时间偏离行车路线等危险驾驶行为。本文利用计算机视觉技术设计实现了一套可在通用车载机平台运行的驾驶员行为实时分析系统,用以监督该类危险驾驶行为。

  本文介绍了国内外计算机视觉技术在驾驶员行为分析领域的发展和应用。利用摄像头获取驾驶员座椅区域的图像数据,通过计算机视觉技术,对驾驶员是否存在危险驾驶行为进行实时检测。主要做了以下工作:

  (1)利用基于深度学习的 MTCNN(Multi-task Cascaded Convolutional Networks)算法实现对司机的人脸检测和面部特征点定位,训练了针对驾驶室环境的人脸检测模型,提高了人脸检测对环境的鲁棒性,获取驾驶员面部在图像中的准确位置。在车载机平台上使用NCNN库调用该检测算法的检测模型,并达到了良好的检测效果。

  (2)对定位到特征点的人脸图像进行分割,得到眼睛、嘴和耳朵周围等区域的待分类图像。采用 HOG(Histogram of Oriented Gradient)特征与 SVM(Support VectorMachine)相结合的方法对驾驶员的危险驾驶行为进行模型训练和分类,实现了对上 述多种危险驾驶行为的检测分析。设计了对镜头遮挡进行判断的检测算法。

  (3)对驾驶员行为分析系统进行实际环境下测试。最终实现了具有较高检测率、较低误检率、运行速度快、对硬件资源占用较少的分析检测系统,满足项目需求。

  综上所述,本文采用基于深度学习的 MTCNN 人脸检测和特征点定位算法,实现了对驾驶员面部的检测;采用 HOG 特征与 SVM 相结合的方法驾驶员的行为进行分析。最终在车载机平台上实现了满足实际项目需求的驾驶员行为分析检测系统。

  关键字:计算机视觉技术;行为分析;卷积神经网络;机器学习;车载机平台

计算机视觉技术

Abstract

  A large part of traffic accidents are caused by the driver's dangerous driving behavior, including fatigue, phone calls, smoking and long-term deviation from the line of sight. This paper uses computer vision technology to design a real-time analysis system of driver behavior that can be operated on the general vehicle-mounted platform to supervise such dangerous driving behavior.

  This paper introduces the development and application of computer vision technology in the field of driver behavior analysis. The image data of the driver's seat area is acquired by the camera, and the driver's dangerous driving behavior is detected in real time through digital image processing technology.The main research contents of this paper are as follows:

  (1) We have used the MTCNN(Multi-task Cascaded Convolutional Networks)algorithm based on deep learning to achieve driver face detection and facial feature point location. By training the face detection model for the cab, the robustness of face detection to the environment is improved, so that we can obtain the exact position of the driver's face in the image. The NCNN library is used to call the detection model of the detection algorithm on the vehicle platform, and good detection results are achieved.

  (2) By segmenting the detected face images with feature points, the region images such as eyes, mouth and ears are obtained. We use the combination of HOG(Histogram ofOriented Gradient) features and SVM(Support Vector Machine) to model and classify the driver's dangerous driving behavior, and then realize the detection and analysis of the above various dangerous driving behaviors. At the same time, a detection algorithm for judging the lens occlusion is designed.

  (3) We test the driver behavior analysis system in the actual environment. Finally, an analysis and detection system with high detection rate, low false detection rate, fast running speed and less occupation of hardware resources is realized to meet the project requirements.

  In summary, this paper uses the MTCNN face detection and feature point localization algorithm based on deep learning to realize the detection of the driver's face. Then the HOG feature and SVM are combined to analyze the driver's behavior. In the end, we realized a high-performance driver behavior analysis system that meets the needs of practical applications.

  Key Words: Computer vision technology; Behavior analysis; Convolutional neural network; Machine learning; Vehicle-mounted platform

目 录

  第一章 绪论

  1.1 本课题的研究目的和意义

  随着生活水平和经济条件的提高,汽车已成为人们日常出行必不可少的交通工具,其数量也在最近几年呈爆炸式的增长。截至 2018 年底,我国机动车保有量达3.19 亿辆,私家车保有量达 1.8 亿辆[1].伴随着汽车数量的增长,交通安全问题也越来越受到人们的关注。传统的被动防护的安全措施已不能满足目前交通安全领域的需求。基于大量交通安全事故的研究发现,驾驶员不规范的驾驶行为甚至是违规驾驶的行为是导致交通事故发生的主要原因。对从事公共交通和汽车货运行业的驾驶员来说,行车时间长易出现疲劳驾驶、注意力不集中等不良驾驶行为,有的甚至会在行车过程中出现抽烟、打电话等危险驾驶行为。目前无人驾驶技术[2][3]得到了很大程度的发展,但距全面普及仍有较大的差距。针对驾驶员驾驶行为的主动检测和辅助驾驶仍然是当下交通安全领域研究的热点。如何有效检测驾驶员的驾驶行为,有效评估驾驶员的精神状态,对危险和违章驾驶的行为做出有效的检测和报警,是减少交通事故发生的重要途径。

  目前,研究者针对造成交通安全事故的原因,提出了多种驾驶员行为分析方法,主要是对疲劳驾驶和违规驾驶等行为进行检测。当前法律已对疲劳驾驶和行车过程中使用手机等违规驾驶行为做出了相应的规范约束。但在实际实施中存在较多的困难,如对疲劳驾驶等行为的判断一般采用问询和查看行车记录仪等人工手段,而驾驶员间个体差异无法对驾驶员的实际驾驶状态做出有效客观的评估。尤其是驾驶员在驾驶过程中出现的注意力不集中等情况更难通过传统手段进行检测。

  随着计算机硬件和软件技术、图像处理技术[4]、计算机视觉技术、机器学习和深度学习等技术的发展,通过计算机视觉技术来解决交通监测中的一些难题,成为当今科学研究的重点。在公共交通领域,大部分公交车的车载机都已经实现了远程调度、GPS 定位、车载监控视频录制保存等功能,通过车载终端采集驾驶员图像并利用计算机视觉技术进行驾驶员行为分析即可以充分利用现有资源,又是一种无侵入、对驾驶员正常驾驶影响最小的解决方案。

  由此可见,设计一套针对驾驶员的具有智能预警功能的主动安全辅助驾驶系统是目前研究的热点,也是目前公共交通行业和货运行业车载机上亟需具备的一项功能。本文所选课题在理论研究和工程实际中都具有重要的研究价值,市场前景广阔, 有助于减少交通事故的发生及其所造成的经济损失,增强交通运输管理部门对驾驶员的管理,对保障交通运输安全和驾乘人员的人身安全具有重要的意义。

  1.2 国内外研究背景及现状

  (1)国外研究现状国外的研究人员的一些研究表明,身体的某些生理指标会在疲劳状态时表现出不同于正常状态的波动,如心率、肌电、脑电波(Electroencephalogram,EEG)等指标都会出现异常变化。其中 EEG 被研究人员称为疲劳检测的"金标准"[5].K.L Saroj和 Craing Ashley 等[6]通过对驾驶员进行多组实验,统计出不同精神状态下不同阶段的脑电图的变化规律。Yeo 等[7]分析实验建立基于 SVM(Support Vector Machines)疲劳检测模型,通过 SVM 疲劳模型对 EEG 信号进行分类研究,间接完成驾驶员疲劳检测任务;Katsis 等[8]通过对肌肉疲劳程度的监测来判断驾驶员的身体状态。以上这些都是早期对驾驶员疲劳状态的研究。2012 年的 ImageNet[9]竞赛上卷积神经网络AlexNet[10]的出色表现使卷积神经网络重新回归研究人员的研究重点。卷积神经网络(Convolutional Neural Networks,CNN)[11]开始在计算机视觉任务上开始展现出巨大的优势。除了在传统的人脸识别任务之外,细粒度人脸识别侧重于对人脸上表现出来的信息的理解,如 Ping Liu 等[12]人提出的基于级联深信度网络的面部表情识别;Zhiding Yu 等[13]使用级联卷积神经网络来对静态的面部表情进行识别;Joanna 等[14]提出了一种可适应光线变化的眼睛注视检测方法。在驾驶环境中,Lex Fridma 等[15]

  使用大量真实的路况数据来分析驾驶员在行车过程中通过眼前 6 秒钟内的信息会做出什么样的预测;Vicente 等[16]通过建立人 3-D 模型来估计头部姿态和眼睛注视角度来精确检测视线偏离道路(Eyes Off the Road,EOR)的情况。用面部表情来检测驾驶安全和驾驶体验的情绪压力[17][18].计算机视觉技术的发展也推动了人体姿势的研究。Jamie 等[19]通过使用深度图像实现对人体姿态的实时检测;Alexander 等[20]通过深度神经网络实现对人体姿态的精确估计。特别是对于驾驶员行为的研究,D.Sadigh等[21]使用驾驶员姿势数据来模拟人类驾驶行为,该姿势由骨骼数据表示,包括手腕、肘部和肩关节的位置等信息。

  (2)国内研究现状在驾驶员行为分析方面的研究国内虽然起步较晚,但研究也取得了一定的成果,主要有一下几个方面: 一是针对固定驾驶人群的心理和生理特性进行的。而且研究对象主要针对国内驾驶员。由于国内外驾驶员在个体和社会环境上存在的差异性,一些国外的研究和评价机制在应用到国内时需进行相应的调整。另一部分研究是针对驾驶员面部表情信息和头部运动信息等来进行的。针对心理和生理特征的研究一般需要就行接触式的信息采集,这种接触有可能会对驾驶员产生一些影响。而基于面部特征的分析可采用计算机视觉技术,通过监控视频来进行分析,无需与驾驶员产生接触,不会影响驾驶员的正常驾驶。随着计算机视觉技术的发展,基于计算机视觉的驾驶员疲劳分析方式也以成为研究的重点。国内已有多家公司在研发基于计算机视觉的驾驶员行为分析仪。径卫视觉科技研发的 RDT401 型疲劳检测设备具有分神提醒、行车过程中打电话报警、行车过程中抽烟检测、脱岗检测、打哈欠提醒、左顾右盼提醒和遮挡报警等功能。浙江大华科技也在研制具有疲劳报警、危险驾驶行为检测等功能的车载驾驶员行为分析设备。百度、阿里巴巴、腾讯等公司在自动驾驶方面的研究也已取得了很大的进展。

  1.3 研究内容及结构安排

  本文在深入理解目前国内外驾驶员行为分析研究现状的基础上,针对现有的车载机系统设计一套基于计算机视觉的驾驶员行为分析方案。对人脸检测算法、分类算法的对比研究,采集大量人脸样本数据采集及驾驶员危险行为数据,同时对开源人脸数据库进行数据清洗。在训练人脸检测、特征点定位模型和行为检测模型的基础上,进一步设计检测镜头遮挡的检测算法。并对各检测算法进行程序实现,最终在车载终端上实现对驾驶员行为的实时分析、违规报警和违规图片保存。

  本文的结构安排如下。

  第一章,绪论,主要介绍本文的研究背景、研究意义以及国内外对驾驶员行为分析的研究现状。

  第二章,对项目需求进行分析,得出检测系统的总体设计流程。

  第三章,分析介绍本文所使用的人脸检测和人脸对齐算法,主要包括基于传统机器学习的人脸检测算法、基于深度学习的人脸检测以及特征点定位算法。训练人脸检测模型,并对在车载机上实现的人脸检测效果进行分析。

  第四章,介绍本文使用驾驶员行为分析方法,头部姿态估计算法和遮挡检测算法。训练行为分类模型、设计判断逻辑,并对在车载机上实现的效果进行分析。

  第五章,对驾驶员行为检测分析系统进行实际场景下的测试,对测试结果进行分析并对系统进行优化。 第六章,总结本文的主要内容,并且说明本文方法的不足之处以及下一步改进的方法。







  第二章 需求分析与总体设计
  2.1 需求分析
  2.2 总体设计

  第三章 针对驾驶员的人脸检测和特征点定位
  3.1 传统的人脸检测算法
  3.1.1 Haar-like 特征
  3.1.2 积分图
  3.1.3 Adaboost 方法
  3.2 人脸关键点检测算法
  3.2.1 主动形状模型
  3.2.2 CLM 人脸关键点定位算法

  3.3 基于卷积神经网络的人脸检测和特征点定位算法
  3.3.1 卷积神经网络
  3.3.2 多任务级联卷积神经网络
  3.4 实际场景下人脸检测效果
  3.5 本章小结

  第四章 驾驶员行为分类方法研究
  4.1 HOG 特征原理介绍
  4.2 基于 SVM 的驾驶员行为分类
  4.3 基于 HOG 与 SVM 的行为分析

  4.4 头部姿态估计
  4.5 遮挡检测
  4.6 本章小结

  第五章 驾驶员行为检测系统实际环境下测试结果
  5.1 驾驶员行为分析系统功能指标
  5.2 实际场景下测试结果
  5.3 本章小结

第六章 结论与展望

  本文讨论了目前计算机视觉技术在驾驶员行为分析领域的应用,阐述了因驾驶员的危险驾驶行为所导致的交通事故给社会带来的损失和危害性。运用计算机视觉技术,设计无接触式的驾驶员行为分析系统,实时检测驾驶员是否存在疲劳、打电话、抽烟和注意力不集中的危险驾驶的情况,同时对司机进行及时的提醒和警告,并保存违规图片。本文所设计的驾驶员行为分析系统,可直接移植到目前已有的车载机终端上使用,减少设备成本。同时,该系统将有助于增强交通运输管理部门对驾驶员的管理,对于减少交通事故的发生、保障人民生命财产安全有重要意义。经过实际测试,结果表明本系统具有检测率高、误检率低、运行速度快、对硬件资源占用较少的优良性能,满足项目需求。

  本系统使用 C/C++作为主要开发语言,基于 VS2015 上进行前期开发测试,在Ubuntu14.04 上开展后期的交叉编译和移植工作。同时借助 OpenCV 算法库和 NCNN算法库在嵌入式平台上实现实时人脸检测、特征点定位和行为分类等目标。主要做了以下几个方面的工作:

  (1)介绍了检测和分析驾驶员行为的目的和意义,计算机视觉技术在驾驶员行为分析方向的发展现状以及本文所设计系统的应用前景。

  (2)研究了传统人脸检测和特征点定位算法及其在车载设备上使用时的局限性。采用基于卷积神经网络的 MTCNN 算法,训练了人脸检测和特征点定位模型。

  使用 NCNN 前向计算算法库在嵌入式设备上调用该模型,实现该检测算法。经过实际场景测试该检测算法能在实际场景下准确定位人脸。

  (3)采用基于 HOG+SVM 算法的驾驶员行为分类算法,采集驾驶员行为分析所需样本,使用 OpenCV 训练并调用该分类模型,对驾驶员疲劳、打哈欠、打电话、抽烟和左顾右盼等行为进行有效检测。并设计基于统计直方图的遮挡检测算法,能实现对镜头遮挡情况的有效检测。

  (4)在公交车上完成了对检测算法实际场景下的测试工作。

  本文完成了对驾驶员行为检测系统的设计并且实现了系统在车载机上的移植。

  系统在实际测试中有良好的实验效果,满足项目的需求。但本系统仍有一些不足之处:

  (1)在强光照射下,眼镜或者墨镜出现强反光的情况下,红外相机无法穿透镜片,无法获取眼睛区域的真实图像,在这种情况下可能会出现误判或漏判。 (2)受限于硬件平台的限制,目前流行的基于深度学习的目标检测算法还不能在车载机平台上实现实时检测,提升目标检测算法速度、优化压缩模型是后续研究的方向。

  (3)本文实现的驾驶员行为分析方法主要是利用图像来进行分析,对单帧图像进行处理和检测,没有充分利用视频中时间域的信息。后续的研究中利用卷积神经网络来进行驾驶员的行为分析,如何有效融合时空问题也是要研究的重点。

  参考文献
  [1]郝多。我国机动车保有量达 3.19 亿辆[N].新华社,2018-7-16.
  [2]Lee U, Jung J, Jung S, et al. Development of a self-driving car that can handle the adverseweather[J]. International Journal of Automotive Technology, 2018, 19(1):191-197.
  [3]Konig M, Neumayr L. Users' resistance towards radical innovations: the case of the self-drivingcar[J]. Transportation Research Part F Traffic Psychology & Behaviour, 2017, 44:42-52.
  [4](美)冈萨雷斯,(美)伍兹著。阮秋琦等译。数字图像处理:第三版[M].北京:电子工业出版社,2011: 2-10.
  [5]LIN, ChinTeng, CHEN, et al. Development of Wireless Brain Computer Interface With EmbeddedMultitask Scheduling and its Application on Real-Time Driver's Drowsiness Detection andWarning[J]. IEEE Transactions on Biomedical Engineering, 2008, 55(5):1582-1591.
  [6]Lal S K L, Craig A. Reproducibility of the spectral components of the electroencephalogram duringdriver fatigue[J]. International Journal of Psychophysiology, 2005, 55(2):0-143.
  [7]Yeo M V M, Li X, Shen K, et al. Can SVM be used for automatic EEG detection of drowsinessduring car driving?[J]. Safety Science, 2009, 47(1):115-124.
  [8]Katsis C D, Ntouvas N E, Bafas C, et al. Assessment of muscle fatigue driving using surfaceEMG[C]. Proceedings of the IASTED International Conference on BiomedicalEngineering,2004:259-262.
  [9]Russakovsky O , Deng J , Su H , et al. ImageNet Large Scale Visual Recognition Challenge[J].International Journal of Computer Vision, 2014, 115(3):211-252.
  [10]Alex K, Ilya S, Geoffrey E. ImageNet Classification with Deep Convolutional NeuralNetworks[J].Communications of the ACM,2017,60(6):84-90.
  [11]Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553):436.
  [12]Liu P, Han S, Meng Z, et al. Facial Expression Recognition via a Boosted Deep Belief Network[C].2014 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)。 IEEE ComputerSociety, 2014.
  [13]Yu Z. Image based Static Facial Expression Recognition with Multiple Deep Network Learning[C].Acm on International Conference on Multimodal Interaction. ACM, 2015.
  [14]Hoffman E A. Distinct representations of eye gaze and identity in the distributed human neuralsystem for face perception[J]. Nature Neuroscience, 2000, 3.
  [15]Joanna Wi?niewska, Rezaei M, Klette R. Robust Eye Gaze Estimation[C]. InternationalConference on Computer Vision and Graphics. 2014.
  [16]Fridman L, Toyoda H, Seaman S, et al. What Can Be Predicted from Six Seconds of DriverGlances?[J]. 2016.
  [17]Vicente F, Huang Z, Xiong X, et al. Driver Gaze Tracking and Eyes Off the Road DetectionSystem[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(4):2014-2027.
  [18]Gao H, Yuce A, Thiran J P. Detecting emotional stress from facial expressions for drivingsafety[C]. IEEE International Conference on Image Processing. IEEE, 2014.
  [19]Irman Abdic?, Fridman L, Mcduff D, et al. Driver Frustration Detection From Audio and Video inthe Wild[C]. International Joint Conference on Artificial Intelligence. AAAI Press, 2016.
  [20]Toshev A, Szegedy C. DeepPose: Human Pose Estimation via Deep Neural Networks[J]. 2013.
  [21]Dorsa S, Katherine D, Alberto P, Wenchao L, Datadriven probabilistic modeling and verificationof human driver behavior[C]. Sponsored by the Association for the Advancement of ArtificialIntelligence .AAAI Spring Symposium , 2014.
  [22]Pulli K, Baksheev A, Kornyakov K, et al. Real-Time Computer Vision with OpenCV[J].Communications of the ACM, 2012, 55(6):61-69.
  [23]Viola P, Jones M J. Robust Real-Time Face Detection[J]. International Journal of Computer Vision,2004, 57(2):137-154.
  [24]Yoav F, Robert E.S. A Decision-Theoretic Generalization of On-Line Learning and an Applicationto Boosting[J]. Journal of Computer and System Sciences, 1997, 55(1): 119-139. [25]Viola P, Jones M. Rapid Object Detection using a Boosted Cascade of Simple Features[C]. IEEEComputer Society, 2001:511-518.
  [26]Crow F. Summed-area tables for texture mapping[J]. Proc Siggraph, 1984, 18(3):207-212.
  [27]Howard A G, Zhu M, Chen B, et al. MobileNets: Efficient Convolutional Neural Networks forMobile Vision Applications[J]. 2017.
  [28]Liu W, Anguelov D, Erhan D, et al. SSD: Single Shot MultiBox Detector[J]. 2015.
  [29]Zhang K, Zhang Z, Li Z, et al. Joint Face Detection and Alignment Using Multitask CascadedConvolutional Networks[J]. IEEE Signal Processing Letters, 2016, 23(10):1499-1503.
  [30]Friedman J, Hastie T, Tibshirani R. Additive logistic regression: a statistical view of boosting(With discussion and a rejoinder by the authors)[J]. The Annals of Statistics, 2000, 28(2):337-407.
  [31]Cootes T F, Taylor C J, Cooper D H, et al. Active Shape Models-Their Training and Application[J].Computer Vision and Image Understanding, 1995, 61(1):38-59.
  [32]李月龙,靳彦,汪剑鸣等。人脸特征点提取方法综述[J].计算机学报,2016,39(7):1356-1374.
  [33]Cristinacce D, Cootes T F. Feature Detection and Tracking with Constrained Local Models[C].British Machine Vision Conference 2006, Edinburgh, Uk, September. DBLP, 2006:929-938.
  [34]Baltru?aitis T, Robinson P, Morency L P. 3D Constrained Local Model for rigid and non-rigidfacial tracking[C]. IEEE Conference on Computer Vision and Pattern Recognition. IEEE,2012:2610-2617.
  [35]黄超。基于 CLM 模型的人脸特征点定位系统的设计与实现[D].华中科技大学,2015.
  [36]Lindeberg T. Time-causal and time-recursive spatio-temporal receptive fields[J].Journal ofMathematical Imaging and Vision, 55(1):50-88, 2016.
  [37]Zeiler M D, Fergus R. Stochastic Pooling for Regularization of Deep Convolutional NeuralNetworks[J]. Eprint Arxiv, 2013.
  [38]He K, Zhang X, Ren S, et al. Spatial Pyramid Pooling in Deep Convolutional Networks for VisualRecognition[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2014,37(9):1904-16.
  [39]Li H, Lin Z, Shen X, et al. A convolutional neural network cascade for face detection[C]. 2015IEEE Conference on Computer Vision and Pattern Recognition (CVPR)。 IEEE Computer Society,2015:5325-5334.
  [40]Girshick R, Donahue J, Darrelland T, et al. Rich feature hierarchies for object detection andsemantic segmentation[C]. 2014 IEEE Conference on Computer Vision and Pattern Recognition.IEEE, 2014: 580-587. [41]Neubeck A, Gool L V. Efficient Non-Maximum Suppression[C]. International Conference onPattern Recognition. 2006: 20-24.
  [42]Szegedy C , Vanhoucke V , Ioffe S , et al. Rethinking the Inception Architecture for ComputerVision[J]. 2016 IEEE Conference on Computer Vision and Pattern Recognition(CVPR)2016:2818-2826.
  [43]He K, Zhang X, Ren S, et al. Delving Deep into Rectifiers: Surpassing Human-Level Performanceon ImageNet Classification[J]. 2015 IEEE International Conference on Computer Vision (ICCV)。2015:1026-1034. [44]Jia Y, Shelhamer E, Donahue J, et al. Caffe:Convolutional Architecture for Fast FeatureEmbedding[J]. eprint arXiv.2014.
  [45]许华胜, 丁军航, 任秀娟, et al. 基于 CLM 的驾驶员违章打电话检测系统设计[J]. 青岛大学学报(工程技术版), 2018, v.33;No.128(02):41-45.
  [56]Navneet D, Bill T. Histograms of Oriented Gradients for Human Detection[C]. 2005 IEEEComputer Society Conference on Computer Vision and Pattern Recognition. IEEE. 2005.
  [47]Lee D U, Cheung R C C, Villasenor J D. A Flexible Architecture for Precise Gamma Correction[J].IEEE Transactions on Very Large Scale Integration Systems, 2007, 15(4):474-478.
  [48]G.Xu, J.Su, D.Pan. An image enchancement method based on Gamma correction[J].Computational Intelligence and Design,2009:60-63.
  [49]Huang J, Shao X, Wechsler H. Face pose discrimination using support vector machines (SVM)[C]International Conference on Pattern Recognition. IEEE, 1998, 154-156.
  [50]Yildiz O T. Model selection in omnivariate decision trees using Structural Risk Minimization[J].Information Sciences, 2011, 181(23):5214-5226.
  [51]Bradski G R, Kaehler A. Learning opencv, 1st edition[M]. 2008.
  [52]贺飞翔, 赵启军。 基于深度学习的头部姿态估计[J]. 计算机技术与发展, 2016, 26(11):1-4.
  [53]阮志强, 方向忠。 基于深度学习的驾驶员头部姿态参数估计[J]. 信息技术,

致 谢

  时光飞逝,三年的研究生时光即将画上句号。三年间经历了很多,也成长了很多。在此要诚挚的感谢在这三年间遇到的一位位令人尊敬的老师和亲爱的同学。

  首先,要感谢我的导师丁军航副教授,丁老师渊博的知识、严谨的治学态度和高尚的人格魅力对我三年的研究生时光产生了深远的影响。在进行项目期间,丁老师的信任也给了我足够的信心去克服遇到的困难。丁老师如一座灯塔,为我以后的工作和生活都指明了道路。在此,真心感谢丁老师这三年来对我的谆谆教导和悉心鼓励。

  同时,感谢姜安宝、闫海涛、石磊等老师,在我生活和学习中遇到困难时,总是耐心的给予解答。还要感谢实验室的师哥、师姐、师弟、师妹们,在平时学习和生活上给予我的关心和帮助。

  最后,感谢我的父母和家人。感谢他们在背后默默的付出和支持,是他们的付出和关怀成就了现在的我。

(如您需要查看本篇毕业设计全文,可点击全文下载进行查看)

相关内容
相关标签:
好优论文定制中心主要为您提供代做毕业设计及各专业毕业论文写作辅导服务。 网站地图
所有论文、资料均源于网上的共享资源以及一些期刊杂志,所有论文仅免费供网友间相互学习交流之用,请特别注意勿做其他非法用途。
如有侵犯您的版权或其他有损您利益的行为,请联系指出,论文定制中心会立即进行改正或删除有关内容!