基于多任務(wù)協(xié)同深度學(xué)習(xí)的疲勞檢測(cè)系統(tǒng)研究.pdf

1、疲勞駕駛是導(dǎo)致道路交通事故的主要原因之一，如何有效對(duì)駕駛員疲勞狀態(tài)進(jìn)行檢測(cè)和預(yù)警已成為世界各國(guó)科學(xué)家的研究熱點(diǎn)。與基于生理參數(shù)的疲勞檢測(cè)方法相比，基于機(jī)器視覺的非接觸式檢測(cè)方法交互方便且自然，日益受到廣泛關(guān)注，但在光照變化、部分遮擋、振動(dòng)等復(fù)雜環(huán)境下如何有效地提高疲勞檢測(cè)的準(zhǔn)確率和穩(wěn)定性，仍然需要深入探索。本文基于深度學(xué)習(xí)與多任務(wù)協(xié)同方法開展研究，首先設(shè)計(jì)一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）模型檢測(cè)人臉特征點(diǎn)，其次采用輔助訓(xùn)練方法提高模型的

2、特征學(xué)習(xí)能力，然后研究基于人臉特征點(diǎn)定位和頭部姿態(tài)估計(jì)的多任務(wù)協(xié)同學(xué)習(xí)方法，進(jìn)而采用空間幾何約束方法對(duì) DCNN網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，最后應(yīng)用多特征融合的決策方法評(píng)估疲勞狀態(tài)。在公開數(shù)據(jù)集“300W”和實(shí)際測(cè)試數(shù)據(jù)上進(jìn)行實(shí)驗(yàn)來驗(yàn)證本文方法的有效性。
　　本研究主要內(nèi)容包括：⑴針對(duì)級(jí)聯(lián)DCNN方法存在網(wǎng)絡(luò)層數(shù)過深、模型參數(shù)繁多，DCNN底層參數(shù)訓(xùn)練不充分等問題，提出一種基于輔助訓(xùn)練的DCNN人臉特征點(diǎn)檢測(cè)方法。該方法首先用單個(gè)網(wǎng)絡(luò)回歸估計(jì)

3、人臉特征點(diǎn)，具有比級(jí)聯(lián)網(wǎng)絡(luò)更低的模型復(fù)雜度，且提高了算法的運(yùn)行效率，然后采用輔助訓(xùn)練策略有效提升了模型的特征學(xué)習(xí)能力。與同類方法的實(shí)驗(yàn)比較表明，所提方法具有很好的檢測(cè)精度和實(shí)時(shí)性。⑵針對(duì)單任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)中對(duì)單類數(shù)據(jù)源的特征學(xué)習(xí)能力有限，DCNN中網(wǎng)絡(luò)初始化難等問題，提出一種基于多任務(wù)協(xié)同與幾何約束初始化的學(xué)習(xí)方法。該方法首先利用人臉特征點(diǎn)定位和頭部姿態(tài)估計(jì)兩個(gè)任務(wù)的相關(guān)性，將二者聯(lián)合優(yōu)化，同時(shí)得到特征點(diǎn)坐標(biāo)和姿態(tài)角度值，具有更好的特征

4、學(xué)習(xí)能力；然后，采用空間幾何約束方法對(duì) DCNN網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，不僅提取出具有姿態(tài)變化不變性的特征，而且可以加快網(wǎng)絡(luò)的訓(xùn)練時(shí)間。實(shí)驗(yàn)結(jié)果表明，所提方法有效改善了異常姿態(tài)變化條件下的檢測(cè)精度。⑶針對(duì)現(xiàn)有的疲勞檢測(cè)系統(tǒng)常采用單一的疲勞狀態(tài)特征，對(duì)疲勞程度的表征不全面且對(duì)復(fù)雜環(huán)境的適應(yīng)性不強(qiáng)等問題，提出了一種多特征融合的決策方法。該方法利用多任務(wù)協(xié)同回歸得到的人臉特征點(diǎn)坐標(biāo)和頭部姿態(tài)數(shù)據(jù)提取眼部狀態(tài)、嘴巴形狀、頭部姿態(tài)等多個(gè)特征去評(píng)估駕駛員的