原文传递
基于关键点的驾驶员异常状态识别与预警方法研究
| 论文题名： | 基于关键点的驾驶员异常状态识别与预警方法研究 |
| 关键词： | 驾驶员监测;异常行为预警;MediaPipe关键点;决策融合;图像处理;特征提取 |
| 摘要： | 随着汽车网联化的快速发展，汽车作为现代社会主要的交通工具，给人们生活带来更多便利的同时也带来了更多安全隐患。驾驶员作为汽车驾驶的主体，其不规范驾驶行为增加了交通事故发生的概率，是造成交通事故的主要原因。因此，在行车过程中监测驾驶行为并预警约束异常行为以保证安全行驶显得尤为重要。 论文研究以驾驶员异常行为为主体，针对驾驶员异常驾驶行为设计了不同检测方法，并融合不同检测结果输出异常等级，根据异常等级设计预警系统。论文具体研究工作主要包括以下几个方面： 1.由于异常驾驶种类纷繁复杂，论文分析统计了现有研究中较为典型的驾驶异常行为作为论文研究的对象，并根据典型异常行为自行采集视频数据集为研究奠定基础。分析异常行为表现特征并设计检测系统框架。 2.由于通过图像提取异常特征的计算量较大，论文将图片信息转化为关键点信息，提高系统计算效率。以关键点为基础针对典型的异常驾驶行为表现特征设计相应的检测方法。将驾驶状态分为眼嘴疲劳状态检测、头部视线偏移检测、身体姿势匹配检测三个部分，并通过YawDD数据集进行疲劳测试，其准确率最好可达到92%，利用Point-04数据集进行头部偏转测试，检测均值误差约为25°，这些研究为后续的数据融合研究以及预警设计奠定基础。 3.为解决多种异常状态同时存在时预警消息的冲突问题，以及简化预警系统为驾驶员带来更好的使用体验，论文将疲劳特征、头部状态特征以及身体动作特征的异常检测结果融合。根据危险程度划分异常等级，并通过D-S证据理论计算当前特征对异常程度的隶属程度，估计当前状态的异常等级，并据此设置预警信息。 最后针对以上设计的异常监测系统进行测试，包括系统功能测试以及准确性、实时性测试，并与公开数据集Kaggle以及百度AI平台进行对比测试。结果表示系统控制中心测试准确率达到97.14%，帧率为30fps，移动端测试时确率达到93.97%，检测帧率最低25fps。论文研究在一定程度上增大了系统检测准确率，提升了检测性能。 |
| 作者： | 李春艳 |
| 专业： | 控制科学与工程 |
| 导师： | 蒋建春 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆邮电大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
