原文传递
基于深度学习的驾驶员分心驾驶行为识别
| 论文题名： | 基于深度学习的驾驶员分心驾驶行为识别 |
| 关键词： | 驾驶员行为识别;深度学习;照明估计;OPENPOSE算法;图卷积 |
| 摘要： | 随着全球汽车保有量的增加，道路交通事故频繁发生，严重危害了人们的生命财产安全。而疲劳驾驶、操作电子产品、抽烟、进食等分心驾驶行为是引发交通事故的常见且重要的原因。为规范司机驾驶行为，各地交通管理部门、货运企业、打车软件平台等都开展司机驾驶行为监测、疲劳驾驶预警和分心行为识别措施，以此预防和减小交通事故发生的风险，保障行驶安全。当前，对驾驶员分心驾驶行为的分析和识别大都是针对抓拍的图像进行，而对驾驶视频中的研究，由于受视频质量、视频角度与高度、摄像机参数等影响，导致特征抽取难度大，识别精度低，特别是曝光不足环境下分心驾驶行为的识别效果更差。为此，本文考虑了曝光不足环境因素的影响，提出了一种驾驶员分心驾驶行为识别模型GCN-DO，主要研究内容包括如下三个方面： (1)视频帧预处理与曝光不足环境下的图像增强。以车载摄像头拍摄到的视频数据集为研究对象，将视频样本切割成等长的连续的视频帧，并利用基于深度学习的照明估计算法来增强曝光不足的图像，以此提高图像的亮度、清晰度以及对比度，解决晚间、隧道等曝光不足环境中驾驶员行为识别难度大的问题；并将图像增强前后效果进行比较，分析深度学习方法在严重曝光不足环境中进行行为识别的性能。 (2)基于OPENPOSE算法的驾驶员骨骼特征提取。利用OPENPOSE算法提取驾驶员的脸部及上半身的12个关节信息特征关键点，并将脸部的信息及身体行为进行融合，生成表征驾驶员行为的动态骨骼序列，以一组视频帧的形式存储为特征图，缓解驾驶环境、光照、背景等因素对驾驶员特征提取的干扰。 (3)基于双流网络的驾驶员分心行为识别。对双流自适应图卷积网络的网络层数和参数进行重新设计，并在网络中引入用于注意力机制的压缩和激励网络SE，以此提高分类模型的性能。将人体关键点的关节信息和骨骼信息分别输入到改进的双流网络，同时考虑一阶信息和二阶信息的分类结果并进行融合，以此提高驾驶员分心行为识别的准确性。同时，为了验证模型的鲁棒性，将本文所提模型与现有文献中的多个模型进行对比，结果表明本文所提模型在驾驶员分心驾驶行为识别中具有较好的效果。 |
| 作者： | 王岩 |
| 专业： | 管理科学与工程 |
| 导师： | 李桃迎 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连海事大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
