原文传递
基于深度学习的列车驾驶员疲劳监测研究
| 论文题名： | 基于深度学习的列车驾驶员疲劳监测研究 |
| 关键词： | 疲劳驾驶;深度学习;注意力增强网络;多特征疲劳检测;模糊推理;铁路运输 |
| 摘要： | 随着我国铁路运输高速快速的发展，列车驾驶员作业从传统的列车操控型向对列车实时运行信息的长时间监控。单调行车作业以及长时间驾驶作业，均会显著增加列车驾驶员的疲劳和嗜睡程度。列车事故原因中占比最大的是列车驾驶员的疲劳驾驶。因此，对减少疲劳驾驶造成的列车事故，提高列车驾驶员的驾驶安全变的尤为重要。 首先，分析列车驾驶员产生疲劳所带来的影响和危害，明确在列车运行过程中疲劳检测的重要性。对前人研究成果进行总结，确定本文以列车驾驶员面部特征为对象进行研究，提取面部疲劳参数，分析判断列车驾驶员是否存在疲劳驾驶情况。 其次，提出一种注意力双增强算法。针对光照对图像造成的影响，在低光环境下，对采集到的视频图像直接进行检测，容易降低图像的检测率。使用注意力双增强网络，其注意力子网、噪声子网、增强子网和加强子网，这四个子网络能够同时提高图像的亮度和完成去噪效果。实验结果表明，通过对图像提前处理可以提高图像的可识别性，增强系统对光照变化的适应性，提高检测的准确性。 再次，对低光增强处理后的图像进行人脸检测和人脸关键点定位，本文将基于多任务级联卷积神经网络的人脸检测算法与基于回归树的人脸关键点检测算法相结合，精确定位人脸的68个关键点位置。对驾驶员的眼部、嘴部和头部姿态这三种特征进行分析。对于眼部特征提取，采用眼部特征纵横比算法计算眼部参数，以此来获取单位时间内眼睛闭合百分比的值并作为判断疲劳的依据；对于嘴部特征提取，利用嘴巴纵横比算法计算嘴部参数，由于嘴唇厚度的影响，选取嘴部内轮廓关键点计算嘴巴纵横比的值，并将打哈欠作为判断疲劳的依据；对于头部特征的提取，选用三维空间欧拉角中的俯仰角Pitch偏移量为20%作为判断疲劳依据。 最后，采用多特征疲劳检测判断驾驶员的驾驶状态。现有的单一疲劳特征提取的准确率低，本文设计了多特征疲劳检测。将眼睛和嘴巴疲劳特征与模糊推理相融合的疲劳检测算法，得到分级的疲劳状态，疲劳检测总耗时44.3ms，满足实时性要求。若检测驾驶员处于不同级别的疲劳时，给予相应的提示报警。 |
| 作者： | 刘维丽 |
| 专业： | 控制工程 |
| 导师： | 汤旻安;刘兵 |
| 授予学位： | 硕士 |
| 授予学位单位： | 兰州交通大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
