驾驶人姿态识别是车辆辅助驾驶领域中的一个热门研究内容,是人体姿态识别的一个重要实际应用,研究人体姿态识别方法可以对该实际问题提供借鉴。传统的人体姿态识别是以可见光图像或视频序列为研究对象,提取传统人工特征,训练姿态分类器或者回归器。然而,可见光图像易受人体外貌差异、环境光照变化的影响,人工设置特征费时费力,难以在如驾驶室环境的实际场景中得到很好的应用。本文主要研究基于深度图像的驾驶人姿态识别,充分利用深度图像的颜色无关特性和包含的深度信息,研究卷积神经网络自动学习层次性特征的特点,实现基于深度图像和深度卷积网络的驾驶人姿态识别方法。本文具体研究内容如下:(l)提出了一种基于深度图像和深度卷积神经网络的驾驶人关节点识别方法。卷积神经网络由于局部连接和权值共享的特性,对于复杂的人体外貌姿态、环境光照变化具有不变性,深度图像具有颜色无关性且能提供场景目标深度信息。因此本文利用ToF相机获取驾驶人姿态深度图像,设计了一种基于LeNet网络的深度卷积神经网络,提取图像层次结构的特征,实现驾驶人关节点识别。通过实验证明该网络能够有效地定位驾驶人关节点,较其它网络有更高的精确度。(2)设计了一种利用计算机动画软件3DSMAX构建虚拟驾驶人姿态深度图像数据集的方法,用于解决缺少大量的附有人体关键点标注的驾驶人姿态深度图像的问题。本文利用3DSMAX仿真驾驶室环境,批量渲染虚拟驾驶人姿态图像,构建虚拟驾驶人姿态深度图像数据集、彩色图像数据集以及相应的标签信息。此数据集构建方式不仅节省了人力,同时降低了由于人的主观因素而带来的误差。本文构建的数据集可用于驾驶人部位检测、姿态识别、头部分析等多种视觉任务。(3)实现了一种基于深度迁移学习的驾驶人头部分析框架,用于解决大量虚拟驾驶人图像数据的特性与真实场景存在较大差异的问题。利用深度网络的自学习特性,寻找源域与目标域的公共特征子空间,最小化源域和目标域在网络最高层输出的分布差异,根据少量目标域样本迭代更新深度迁移网络,所得模型用于目标域具有很好的迁移效果。(4)设计了一款基于深度图像的驾驶人姿态识别系统,以驾驶人姿态深度图像为输入,能够自动批量地识别驾驶人关节点、头部姿态以及面部特征点。