1Abstract 2一、引言 3（一）课题背景 3（二）课题意义 3二、系统概述 3（一）相关技术 31.深度学习 32.卷积神经网络 33.OpenCV 44.Dlib 4（二）相关算法 41.神经网络传播算法 42.激励函数 83.优化器 10（三）环境简介 101.开发平台 102.开发工具 11三、需求分析 11（一）功能需求 11（二）性能需求 11四、基于Dlib和OpenCV的人脸检测 11（一）技术分析 11（二）实现过程 12五、基于卷积神经网络的驾驶行为判断 15（一）电话行为检测 151.神经网络构建 152.训练 193. 检测 21（二）抽烟行为检测 221.神经网络构建 222.训练 243.检测 26六、实验 27（一）电话行为分析实验 271. Web系统集成 272. 效果展示 29（二）抽烟行为分析实验 321. Web系统集成 322. 效果展示 33七、总结 35致谢 36参考文献 37驾驶行为分析系统首先需要构建神经网络模型，然后需要收集用于训练和测试的图片来作为训练集和测试集，再结合反向传播算法、损失函数、优化器等对构建好的模型进行训练并保存模型，然后就是利用dlib库和opencv库处理图片，将图片数据传入模型，通过模型层层计算后，再根据模型的返回值来判断图片相关信息及内容。本系统的功能时在Web前台上传一张图片然后传入的图片是否存在打电话或抽烟行为，并在前台显示出来系统分析后的结果和对图片预测的概率。
目录
Abstract
The driving behavior analysis system first needs to construct a neural network model, then needs to collect pictures for training and testing as training set and test set, and then combines back propagation algorithm, loss function and optimizer to train and save the model. Then, it uses Dlib and opencv libraries to process pict *景先生毕设|www.jxszl.com +Q: ^351916072^ 
ures and transfer the pictures data to the model through the model layer. After layer calculation, the relevant information and content of the picture are judged according to the return value of the model. The function of this system is to upload a picture on the Web front desk, and then to show whether the incoming picture has the behavior of calling or smoking, and to show the results of the system analysis and the probability of picture prediction in the front desk.
Key words: Tensorflow; Convolutional Neural Network; Opencv.一、引言
（一）课题背景
每当看新闻，热点的时候，多少都会看到关于车祸的信息，为什么在人们身边总会看到交通事故的发生呢？驾驶员应该在行车的过程中，做到不打电话、不吸烟、注意力集中、不疲劳驾驶、不超速、行车前不饮酒等违规行为。
尽管现在道路上都有摄像头、交管、警察监督，但是这依然不能大幅度地降低交通事故的发生率。想要解决问题还是需要从根本上解决，可以利用深度学习等相关技术，分析驾驶行为，当车内的摄像头检测到驾驶员有打电话、抽烟等违规操作时，会根据相关设备提醒驾驶员。驾驶员听到设备提醒后，可以去改正驾驶行为，有很大几率可以避免由于本身驾驶行为不当而引起的交通事故。
（二）课题意义
随着交通的不断发展，汽车数量日渐剧增。这时就需要一个可以提醒驾驶员的设备，可以让驾驶员在行为不当的时候，听到设备提醒，而去改正驾驶行为。久而久之，驾驶员的驾驶观念也会提高，当社会上的驾驶员的驾驶观念都普遍提高时，驾驶行为都基本合格时，行车的风险也会降低。
当行车过程中车内的摄像头会实时地拍摄驾驶员的行为，当驾驶员在行车过程中出现打电话、抽烟等其他违规行为时，相关设备会自动的去作出提醒。驾驶员便可以及时地更正自己的驾驶行为，便可以降低行车过程中的风险。
二、系统概述
（一）相关技术
1.深度学习
深度学习[1]的概念源于人工神经网络。人工神经网络可以将人脑神经元抽象成计算机能够计算和信息处理的某种简单的模型。
深度学习技术大大提高了人们的生活水平，深度学习技术和计算机技术的相互结合解决了许多难题，在医学界里的许多精密仪器可以辅助医生诊断患者。随着当代科技的发展，深度学习也会越来越被人们完善。
2.卷积神经网络
卷积神经网络[2]是一种生物物理模型，深度学习的代表算法之一。卷积神经网络可用于大规模图像识别、语音处理等领域。卷积神经网络在物理学研究中也有着重要应用，比如夸克、胶子分类等，在天文学中，可以利用卷积神经网络去分析星系形态。在计算机设备和神经网络理论不断改善下，使得卷积神经网络不断地发展，也使之成为最常用的神经网络。其具体结构图如图21所示。


图21 卷积神经网络结构图
3.OpenCV
OpenCV是一套免费开源的的图形库，可以跨平台，可以运行在各大操作系统上，如Windows，linux等系统上。OpenCV库基本上是由C++设计实现的接口，集成了工程师编写的大量函数库。
4.Dlib
Dlib是一个通用跨平台软件库。Dlib广泛用于机器学习领域中，在图像识别过程中，Dlib库可以和Opencv库结合使用，完成图像的分析与处理。
（二）相关算法
1.神经网络传播算法
（1）前向传播算法
输入层>隐含层
计算h1的过程为隐藏层神经元节点h1的特征值是输入i1乘以权重w1再加上偏置b。以此类推，即可求出o1,o2的值。过程如图22所示。

原文链接：http://www.jxszl.com/jsj/rjgc/65446.html