详情

原文传递基于机器学习的危险驾驶行为检测算法研究

论文题名：	基于机器学习的危险驾驶行为检测算法研究
关键词：	危险驾驶;行为分析;卷积神经网络;人体骨架检测;SVM模型
摘要：	随着社会经济水平的提升，人们对物质生活的追求越来越高。近几年，我国居民汽车拥有量增长迅速，但同时也增加了交通事故发生的概率，研究结果表明驾驶员的危险驾驶行为是产生交通事故的主要原因。因此，本文根据采集到的真实驾驶行为图像结合驾驶员身体关节部位的特点，通过CNN(ConvolutionalNeuralNetwork)骨架检测算法对驾驶员关节部位点进行识别，并计算驾驶员的静态行为特征和动态行为特征，实现危险驾驶行为的有效检测，确保驾驶员的安全行驶。本文主要研究内容如下：　　（1）基于静态行为特征的危险驾驶行为检测算法；基于CNN算法能够自动获取驾驶员各种行为的关节部位间距离和角度特征，并在此基础上构建Quadratic核函数的SVM(SupportVectorMachines)全随机训练集危险驾驶行为检测模型。仿真结果表明，与构造的决策树模型、KNN(KNearestNeighbor)模型、基于Gaussian核函数的SVM分类器模型相比，平均分类准确率达到94.78%，具有较好的检测效果，经过十次十折交叉验证，平均分类准确率为94.73%，模型泛化能力强，具有较好的鲁棒性。　　（2）基于遗传算法的静态行为特征危险驾驶行为检测算法；基于静态行为特征的危险驾驶行为检测算法使用的特征数量较多，计算量较大。为了有效提高危险驾驶行为检测效率，本文基于遗传算法对危险驾驶行为特征进行优化选择，在确保模型准确率的前提下从30个特征向量中选择较少的特征信息构造SVM模型。实验结果表明，与未经过遗传算法优化的两种不同训练集选择方式的危险驾驶行为检测模型相比，在保证全随机训练集和部分随机训练集危险驾驶行为模型分类准确率的前提下，模型分类时间分别减少了40.92%、41.99%，模型计算效率得到有效提高。　　（3）基于动态行为特征的危险驾驶行为检测算法；上述部分随机训练集的危险驾驶行为检测算法，对正常驾驶行为、与后排乘客交流和交叉握方向盘驾驶行为类别的检测精确度较高。在此基础上，本文提出基于动态行为特征的危险驾驶行为检测算法对其他驾驶行为（擦嘴、扶眼镜、挠耳朵、打电话、吸烟）进行进一步分类，该算法基于提取的驾驶行为片段持续时间、驾驶行为片段间隔数以及驾驶员关节部位间横纵坐标距离的最大最小值等8个特征，构建SVM的“一对一”多分类模型。仿真实验结果表明，与构造的决策树模型、KNN模型、基于Gaussian核函数的SVM分类器模型相比，具有更高的分类准确率，模型的平均分类准确率达到了96.8%，能够更好地准确识别各种危险驾驶行为，保障驾乘人员的生命安全。同时，将采集到的所有驾驶行为图像分别使用上述构建的危险驾驶行为检测模型进行驾驶行为分类。分类结果显示，基于动态行为特征的危险驾驶行为检测模型具有更高的分类准确率、精确度和召回率，模型性能稳定。
作者：	张博琦
专业：	控制工程
导师：	王新良;李卫国
授予学位：	硕士
授予学位单位：	河南理工大学
学位年度：	2021