原文传递
基于深度卷积神经网络的驾驶员分心行为识别研究
| 论文题名： | 基于深度卷积神经网络的驾驶员分心行为识别研究 |
| 关键词： | 智能交通系统;驾驶员;分心行为识别;深度学习;卷积神经网络;双线性融合模型 |
| 摘要： | 车辆行驶过程中，驾驶员的分心行为造成其驾驶注意力下降，容易引发交通事故。对于驾驶员分心行为的有效识别有助于驾驶辅助系统采取安全措施，减少驾驶员分心带来的行车安全隐患，提升道路安全水平。本文针对驾驶员分心行为识别过程中不相关背景干扰导致识别准确率受限的问题，提出了一种将FCOS目标检测算法和双线性融合网络相结合的两阶段驾驶员分心行为图像识别方法，可以准确、快速地识别正常驾驶与9种分心驾驶行为。具体内容如下： 第一阶段，为消除背景中其他人或物等无关信息的干扰，设计了基于FCOS算法的驾驶员区域定位卷积神经网络，对原始图像进行局部信息提取，将识别出的驾驶员位置区域作为下一步行为精细识别的候选区域。 第二阶段，在选定驾驶员区域的基础上，分别改进MobileNetV2和GhostNet两种轻量级卷积神经网络模型，对驾驶员分心行为进行识别与分类。为了进一步提高模型识别准确率，提出了一种基于改进MobileNetV2和改进GhostNet的双线性融合网络，对驾驶员分心行为进行更为准确的识别与分类。 在分心驾驶行为视觉数据集StateFarm上的实验结果表明，改进后的MobileNetV2模型识别准确率达到89.2%，改进后的GhostNet模型识别准确率为88.6%，构建的双线性融合网络识别准确率达到91.9%，设计的两阶段识别方法的准确率进一步提高至95.8%。本文所提出的方法不仅提高了驾驶员分心行为的识别准确率，还能有效识别多种分心行为，同时满足车载嵌入式场景的实时性要求。 |
| 作者： | 何丽雯 |
| 专业： | 交通运输工程 |
| 导师： | 赵祥模 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
