1．目的及意义
自动驾驶是当前学术界和工业界关注的热点问题，2017年上半年,自动驾驶产业相关公司获得巨额融资,全球自动驾驶领域公开融资及并购共32起, 涉及金额超过79亿元人民币, 其中我国的蔚来汽车和小鹏汽车分别以23亿元、22亿元分列第一位和第二位^[1]。SAE国际汽车工程师协会将自动驾驶分为L0~L5共六个级别^[2]，而驾驶人状态检测是解决人机共驾阶段（L3阶段）驾驶控制权转接的关键问题，只有正确评估驾驶人的驾驶状态，才能确保驾驶权的安全转接，保证汽车自动驾驶的安全性。驾驶人的精力是否集中是决定驾驶权交接的关键因素之一。与传统的机器学习手段相比，,卷积神经网络会在训练的过程中自行选择特征,不依赖于人工参与,能有效对抗户外恶劣环境的干扰,克服传统检测方法在光照剧烈变化的实车环境下遇到的困难^[3]。本次毕业设计的目的就是通过车载影像设备采集车内驾驶人的影像，通过一个训练好的卷积神经网络判断出驾驶人精力是否集中，从而判断驾驶人是否有能力接管驾驶权。

目前国内对这方面的研究较少，游峰，梁昭德提出一个基于卷积神经网络的驾驶人疲劳检测系统,由预处理模块和疲劳检测模块组成。预处理模块应用方向梯度直方图(HOG)从待处理图像中定位人脸区域，再运用特征点检测算法和旋转变换校正人脸姿态。疲劳检测模块使用卷积神经网络对驾驶人的面部特征进行提取，再经由网络最后一层进行疲劳判别^[4]。国内大部分研究都集中于驾驶人的疲劳状态检测，驾驶人状态检测这方面做的比较少。

而国外在这方面有一定的研究，如T. Hoang Ngan Le ，Yutong Zheng等人提出一种多层Faster-RCNN卷积神经网络来检测驾驶人是否在使用手机，以及驾驶人的手是否在方向盘上。在这个网络中，他们首先用MS-FRCNN来检测手，手机，方向盘的位置，然后提取到的浅层几何信息可以得知驾驶人是否在使用手机，以及几只手在方向盘上的信息，与传统的手机监测方法相比，这种方法有更高的准确度以及更高的效率^[11]-[15]。

{title}

2. 研究的基本内容与方案

{title} 1.基本内容

(1)采集充足的数据，保证数据量足够模型进行训练。

(2)对图像进行处理，打好标签，使图像成为可以直接输入模型的格式，在保证图片质量的前提下使图像足够小，降低训练时间。

(3)搭建起一个卷积神经网络，使该网络可以提取图像中的特征并对图像进行分类。

(4)对模型进行训练，使模型有较高的准确性。

2.目标

(1)利用GMM算法和VGG16模型搭建一套可以对图像进行预测的卷积神经网络模型。

(2)该模型应具有较高的准确性以及鲁棒性。