基于深度学习的疲劳驾驶检测算法研究与设计

作     者：徐壮壮 

作者单位：中国矿业大学 

学位级别：硕士

导师姓名：霍羽

授予年度：2023年

学科分类：12[管理学] 08[工学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 082304[工学-载运工具运用工程] 081104[工学-模式识别与智能系统] 082303[工学-交通运输规划与管理] 080203[工学-机械设计及理论] 080204[工学-车辆工程] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：疲劳检测 RetinaNet 自注意力机制 轻量化 

摘      要：随着经济的逐步发展及人们消费需求的日益增长,汽车作为消费品也逐渐成为不可替代的通行工具。然而家庭汽车持有量的高速增长,也导致了交通事故、交通拥堵等问题的攀升。据统计,疲劳驾驶及由此导致的不当驾驶行为是造成高速公路、城市公路交通事故的重要原因之一。智能化设备及技术在监测、分析和预防驾驶员疲劳驾驶行为方面具有极大潜力。目前疲劳驾驶检测存在实时性不够、灵敏度和可靠性差等问题。本文基于深度学习方法研究并设计了驾驶员疲劳检测系统,采用单阶段的Retina Net算法作为基准模型,通过融入自注意力机制和轻量化及损失函数的改进,算法的精确度和计算效率得到提高,为实时监测驾驶员的疲劳状态提供了有效帮助。本文的研究内容和主要贡献如下:(1)针对传统单阶段算法检测精度较低的问题,本文提出了基于Retina Net模型的疲劳驾驶状态检测改进算法。所提算法舍弃了常用的Res Net主干网络,设计了融入自注意力机制的混合神经网络,通过对全局信息的有效利用,建立了长程依赖关系。其次,根据应用领域及对数据集的分析,舍弃了部分预测大目标的高层输出特征图,并采用较小的锚框尺寸获取面部人眼、嘴部状态信息,减少模型运算量。实验表明,相比于原Retina Net模型,本文的改进检测算法在疲劳驾驶检测数据集上的精确度提高了约2.6%,召回率提高了约3.3%左右。(2)针对传统注意力模型中线性层参数量较大,检测实时性差的问题,本文基于所提的Retina Net改进模型,进行了轻量化设计,优化了损失函数。首先,在主干网络的设计中引入深度可分离卷积和倒残差结构,对改进的注意力模型进行轻量化设计。其次,结合目标框的几何信息,对边界框坐标的损失函数进行改进优化。实验表明,改进的轻量化模型,不仅具备较高的精确度,还将DW深度可分离卷积层模型的参数量减少至原来的1/9,提高了模型的计算效率。在引入改进的损失函数后,改进模型的收敛速度及边界框坐标预测的准确性也得到了验证。基于上述研究,本文设计了一套疲劳驾驶检测系统。该系统对单位时间内人眼状态、嘴部状态的变换进行了监测,并根据疲劳判定指标对驾驶人员的疲劳状态进行定性分析。本文包括图40幅,表6个,参考文献82篇。