原文传递
基于一维卷积神经网络的驾驶人身份识别方法
| 题名： | 基于一维卷积神经网络的驾驶人身份识别方法 |
| 正文语种： | 中文 |
| 作者： | 胡宏宇;刘家瑞;高菲;高振海;梅兴泰;杨光 |
| 作者单位： | 吉林大学;华北电力大学;广州汽车集团股份有限公司广汽研究院 |
| 关键词： | 汽车工程;智能网联汽车;一维卷积神经网络;驾驶人身份识别;行车数据;深度学习 |
| 摘要： | 近年来,智能网联汽车（ICV）已成为智能工业时代最有前景的发展方向。作为现代移动的重要模式，1CV的设计和开发越来越强调个性化需求。提出一种仅使用车载CAN总线行车状态数据,基于深度学习的驾驶人身份识别通用框架。首先采集20名驾驶人在固定试验路线下，包括不同道路类型、不同交通条件下的自然驾驶行车状态数据集;其次对9种类型的CAN信号行车数据进行数据清洗与重采样,构建数据样本集。搭建了由卷积层、池化层、全连接层、SoftMax层构成的一维卷积神经网络（1-DCNN）驾驶人身份识别模型,并且使用Adam算法、L2正则化、Dropout、小批量梯度下降等方法对模型性能进行优化。算法验证过程中,探讨了模型卷积核占比、卷积核数量、卷积层层数、全连接层节点规模对模型识别准确率的影响,进而对模型结构参数进行优选。进一步地,将该算法与K近邻（KNN）、支持向量机（SVM）、多层感知器（MLP）等传统机器学习方法及深度学习算法长短时记忆网络（LSTM）进行对比分析.同时探究样本时间窗口大小、样本数据重叠度、驾驶人数量对模型识别结果的影响。在数据时间窗口为1s、数据重合度80%的条件下,对20名驾驶人进行识别,评价指标宏观F1:分数可达99.1%,表明该模型表现明显优于其他对比模型算法,其对驾驶人身份识别表现稳定,鲁棒性强。 |
| 期刊名称： | 中国公路学报 |
| 出版年： | 2020 |
| 期： | 08 |
| 页码： | 195-203 |
检索历史
应用推荐
