原文传递
基于深度学习的驾驶员行为分析算法的研究与应用
| 论文题名： | 基于深度学习的驾驶员行为分析算法的研究与应用 |
| 关键词： | 驾驶员行为;深度学习;数据处理;空间金字塔池化 |
| 摘要： | 近年来，由于驾驶员危险驾驶行为所导致的交通事故频发，同时该现象在缺乏管制的煤矿场景下尤为严重。目前驾驶员行为分析方法主要分为三个研究方向:基于车辆行驶状态的分析法、基于生理信息的分析法以及基于行为特征的分析法。其中前两类分析法依赖传感器所收集的数据精度，且很难找到各类行为的统一规律，故在大范围场景并不适用。而随着深度学习的发展，基于行为特征的分析法成为主流，主要包括图像分类、目标检测、姿态估计以及视频分类这四大类算法。其中基于目标检测的行为分析法在工业应用中最为广泛，但其受数据集质量、数据增强策略以及模型结构影响较大且普遍存在小尺度目标难检测的问题。目前市场上缺乏针对煤矿场景的行为分析模型，故矿区企业急需一套检测准确的驾驶员行为分析系统。 关于上述问题，本文基于目标检测的行为分析法在数据处理、模型选择、模型改进以及系统实现四个方面展开工作，具体内容如下: (1)针对煤矿场景下驾驶员行为数据集缺失的问题，本文自建了CoalMineDriversBehaviorDetection数据集v1和v2两个版本，并通过分析目前主流行为标注方式存在的问题，提出了更优的标注方式。在数据增强方面，本文提出了一种融合色调变化、随机旋转以及混合拼接的数据增强策略。 (2)鉴于目前单阶段目标检测算法的多样性，本文对主流的目标检测器进行选型，分析了YOLOX-S模型在驾驶员行为分析任务上的可行性与优越性，同时就YOLOX-S模型在精度和工业部署方面的优势以及本文提出的标注方式和数据增强策略的有效性进行了相关实验验证与分析。 (3)针对YOLOX-S模型存在小目标行为漏检与误检的现象，本文提出了一个新模型YOLOX-Better。通过分析原模型中SPP结构和上采样结构存在的问题，分别提出了序列化空洞空间金字塔池化结构(S-ASPP)和基于转置卷积的特征重组模块(TC-CARAFE)。实验验证了改进结构可以在整体行为上，特别是小目标行为上取得更高的检测精度。 (4)为了验证模型的有效性，通过深入调研矿区企业的管理需求，本文基于YOLOX-Better模型开发了一套智能安全驾驶预警系统。该系统由车载设备、智能通信服务、后台管理系统以及驾驶员行为分析服务组成，主要实现了语音预警、用户管理、设备管理以及驾驶员行为分析结果管理和展示等功能。 实验结果表明，本文提出的YOLOX-Better模型在验证集上的mAP@0.5∶0.95达到64.2％,相较YOLOX-S模型提升了0.8％,能够准确地完成矿区驾驶员行为分析任务;针对闭眼行为的检测，该模型的AP@0.5∶0.95为53.38％,相较原模型提升了4.21％,有效减少了小目标行为的误检与漏检现象。 |
| 作者： | 郭旭 |
| 专业： | 软件工程 |
| 导师： | 马明 |
| 授予学位： | 硕士 |
| 授予学位单位： | 内蒙古大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
