为实现无线调车机车信号监控系统对调车车列前方停留车的全部自动识别,提出1种基于卷积神经网络的调车机车前方车列图像识别算法。首先,基于视觉几何群网络(Visual Geometry Group Network, VGGNet)架构和目标分类网络GoogLeNet里的Ince...为实现无线调车机车信号监控系统对调车车列前方停留车的全部自动识别,提出1种基于卷积神经网络的调车机车前方车列图像识别算法。首先,基于视觉几何群网络(Visual Geometry Group Network, VGGNet)架构和目标分类网络GoogLeNet里的Inception层建立调车机车前方车列图像识别模型;其次,利用高清相机采集调车机车前方图像,对有效图像进行预处理并存入数据库,根据数据库已有的新图像数量判断是否需要更新模型,将图像输入模型,判断前方进路是否有停留车列;最后,通过红外线测距仪测出调车机车车列到前方车列的距离,在显示屏显示距离,并据此判断是否报警。研究结果表明:模型验证精度为98.5%,训练精度为99.9%;每张图的平均测试时间为0.4 ms,相较于主流分类网络VGGNet-16和GoogLeNet分别减小了43%和38%,同时测试精度达到98%。图像识别的准确率与实时性均满足工程实际应用。展开更多
针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检...针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检测器,来检测驾驶员的脸部区域。其次,使用级联回归(ensemble of regression trees,ERT)算法实现脸部68个关键点标定及眼睛和嘴巴的定位。最后,为了优化softmax损失在深度卷积网络分类中出现的类内间距大的问题,加入中心损失函数,提高类间差异性、类内紧密性以及驾驶员脸部疲劳状态识别准确率。在自建测试集和YawDD哈欠数据集中的实验结果显示,该方法能够准确地识别检测驾驶员疲劳表情,平均识别准确率达到98.81%。与传统的疲劳驾驶检测识别方法相比,该方法可以自动进行疲劳特征提取,并且训练准确率、检测识别率及鲁棒性得到提高;与未改进的深度卷积网络相比,检测识别的概率平均提高了约5.09%。展开更多
文摘针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检测器,来检测驾驶员的脸部区域。其次,使用级联回归(ensemble of regression trees,ERT)算法实现脸部68个关键点标定及眼睛和嘴巴的定位。最后,为了优化softmax损失在深度卷积网络分类中出现的类内间距大的问题,加入中心损失函数,提高类间差异性、类内紧密性以及驾驶员脸部疲劳状态识别准确率。在自建测试集和YawDD哈欠数据集中的实验结果显示,该方法能够准确地识别检测驾驶员疲劳表情,平均识别准确率达到98.81%。与传统的疲劳驾驶检测识别方法相比,该方法可以自动进行疲劳特征提取,并且训练准确率、检测识别率及鲁棒性得到提高;与未改进的深度卷积网络相比,检测识别的概率平均提高了约5.09%。