基于车载手机数据深度特征的驾驶行为识别

针对驾驶行为识别问题,利用智能手机传感器采集相应车辆的加速度、角速度信息,并用手机角度信息对原始数据进行矫正处理。传统的驾驶行为识别方法须事先对原始数据单元人为进行特征提取。为改善繁琐的人工特征提取方法,提出一种驾驶行为识别领域基于改进的卷积神经网络的特征提取方法。原始数据经过组合后,作为卷积神经网络的输入。通过改变卷积神经网络的损失函数,提高类内样本特征的相似度,再将提取的特征作为核极限学习机的输入。实验结果表明,该方法可有效识别车辆的静止、急加速、急减速、正常行驶、左转弯、右转弯等驾驶行为。     

孪生神经网络交通标志编码识别算法

交通标志识别技术正在被逐步应用到汽车辅助驾驶领域。但是，遮挡、污损、天气环境变化等因素会严重影响交通标志识别的准确性和稳定性。针对该问题，提出了一种基于孪生神经网络的交通标志编码识别模型。该模型将交通标志的识别问题视为交通标志的卷积特征编码识别问题。通过卷积神经网络对交通标志训练样本和基准样本进行特征提取与编码。再利用孪生神经网络进行编码对比，结合对比损失函数对编码器训练调整。通过全连接层对输入通路的标志卷积编码进行重新组合与分类，从而实现交通标识的识别。实验结果表明，所提的基于改进孪生神经网络的编码器模型对存在运动模糊与遮挡的标志图像能生成有效、鲁棒的特征编码，相较于其他先进算法，具有更高的识别准确率。     

基于多核学习卷积神经网络的稀疏数据推荐

针对当前稀疏数据推荐准确率低的问题,提出一种基于多核学习卷积神经网络的稀疏数据推荐算法.将项目的辅助信息送入卷积神经网络学习特征,将向量在可再生核希尔伯特空间组合,利用多核学习技术增强卷积神经网络的特征学习能力;基于学习的卷积特征集初始化非负矩阵模型,通过非负矩阵模型实现对缺失评分的预测.实验结果表明,该算法有效提高了稀疏数据集的推荐性能,验证了多核学习卷积神经网络的有效性.     

基于高斯混合隐马尔科夫模型的自由换道识别

驾驶辅助系统被认为是解决交通安全问题的有效手段, 开发驾驶辅助系统的基础是对车辆的行为进行准确的识别, 以应用于车辆安全预警, 路径规划, 智能导航等方面. 目前存在的基于支持向量机模型, 隐马尔科夫模型, 卷积神经网络等行为识别方法还存在计算量与精度平衡的问题. 本文结合了隐马尔科夫模型与高斯混合模型, 提出了高斯混合隐马尔科夫模型, 利用美国联邦公路管理局NGSIM数据集对此方法进行了实验验证, 结果表明该方法对自由换道行为识别具有较高的精度. 本文还对高斯混合隐马尔科夫模型的实验参数进行了优化, 以期达到最好的识别效果, 为未来智能驾驶的车辆行为识别提供了参考.     

一种改进的GRU-InFCN人体行为识别模型

为了克服传统机器学习方法在采用传感器数据进行人体行为识别领域上识别效果对人工特征选取依赖严重、识别准确率不高等问题,提出一种改进的全卷积神经网络和多层循环神经网络并联的深度学习模型(GRU-InFCN),并对传感器数据特征进行自动提取,实现人体动作的识别。该模型通过多尺度卷积神经网络和双层GRU网络(Gated Recurrent Unit,GRU)分别对传感器数据进行特征提取,将特征矩阵在矩阵维度上进行特征拼接再通过Softmax完成特征分类。实验结果表明,在开源人体行为识别(HAR)数据集上采用该方法进行人体行为识别,准确率达到了97.76%。该模型在取得高准确率的同时,避免了复杂的信号预处理和特征工程。     

基于卷积专家神经网络的疲劳驾驶检测

针对疲劳驾驶引发众多交通事故的问题,提出一种结合核相关滤波器与卷积专家局部约束模型的多特征融合疲劳驾驶检测算法。为多任务级联卷积神经网络检测到的人脸建立自适应核相关滤波器,获取每帧图像人脸位置,利用卷积专家局部约束模型检测人脸68个关键特征点;分别运用基于角度的检测算法、基于相对位置的检测算法和PnP (perspectiven-point)算法检测眼睛闭合度、嘴巴张开度和低头行为;通过支持向量机进行多特征融合疲劳状态分类。实验结果表明,该方法准确率达到95.5%,能有效识别疲劳状态。     

深度学习的双人交互行为识别与预测算法研究

基于卷积神经网络的双人交互行为识别算法存在提取的深度特征无法有效表征交互行为序列特性的问题,本文将长短期记忆网络与卷积神经网络模型相结合,提出了一种基于深度学习的双人交互行为识别与预测一体化方法。该方法在训练过程中,完成对卷积神经网络和长短期记忆网络模型的参数训练。在识别与预测过程中,将不同时间比例长度的未知动作类别的视频图像分别送入已经训练好的卷积神经网络模型提取深度特征,再将卷积神经网络提取的深度特征送入长短期记忆网络模型完成对双人交互行为的识别与预测。在国际公开的UT-interaction双人交互行为数据库进行测试的结果表明,该方法在保证计算量适当的同时对交互行为的正确识别率达到了92.31%,并且也可完成对未知动作的初步预测。     

基于级联卷积神经网络的视频行为识别技术

为从海量视频中提取出有用的信息,研究基于级联卷积神经网络的视频行为识别技术。文章利用健壮主成分分析方法提取视频中的低秩行为信息,并将其作为级联卷积神经网络的输入,通过两阶段卷积神经网络模型识别视频行为特征,从而识别视频行为。经实验验证,该方法具有较快的行为识别速度,且识别效果精准。     

基于信息融合的多列卷积神经网络异常驾驶研究

针对传统卷积神经网络（CNN）在异常驾驶检测方面识别率低、处理能力差的问题。对异常驾驶状态进行研究，提出了一种基于信息融合的多列卷积神经网络用来检测异常驾驶状态。首先建立三个卷积局部感受野核大小不同的CNN，然后将三列卷积神经网络卷积特征图进行融合，最后，融合的卷积特征图通过全连接层进行降维，输出不同的驾驶行为。实验结果表明，该方法相对于传统的卷积神经网络取得了更高的准确性、鲁棒性。在state farm distracted driver detection数据集上识别率达到了89.8%。     

基于集成深度学习的玻璃缺陷识别方法

针对玻璃缺陷形态复杂多变,难以准确识别其所属类型的特点,文章提出了一种集成深度学习模型对玻璃缺陷进行识别,该模型本质上是一种稀疏编码分类器与深度卷积神经网络的结合。该模型在自编码器的基础上引进了KL距离和L1范数作为稀疏项,构成新的稀疏自编码器。并在次通过稀疏自编码器学习输入样本特征,将训练好的权值作为卷积神经网络的卷积核从而提高了识别速度。在稀疏编码阶段用L<sub>1</sub>-L<sub>2</sub>范数代替L<sub>0</sub>范数,并在KSVD上添加了判别分类能力使其更好的进行分类运算,以此提高识别准确率。实验结果表明,该方法识别准确率达到了95%,满足了工程上的应用,并有很好的鲁棒性。     

基于双向长短记忆网络的异常驾驶行为检测

异常驾驶行为的识别对交通安全起着至关重要的作用,准确识别异常驾驶行为能够显著提高驾驶安全。目前,针对车辆行驶过程中的异常驾驶行为,如急加速、急减速、突然左转或右转等的检测识别,主要采用视频监控或聚类的方法完成。在这两种方法中,前者的实际效果受到应用场景的制约,而后者则不能针对具体的单个车辆进行驾驶行为识别。针对以上问题,使用一种基于双向长短记忆网络(Bi-LSTM)及全连接神经网络(FC)的拓展神经网络检测模型,该模型能有效利用行车数据在时间序列上发生突变时的特征,提高异常驾驶行识别准确率。将车辆行车数据处理后制作数据集并对模型进行训练,训练完成后的神经网络模型能够有效利用行车数据的时间序列特征,准确识别车辆的异常驾驶行为,准确率可达到98.08%。     

基于小波包神经网络的制动系统安全监测

针对液压电磁式驱动制动系统中卡缸故障的非平稳时变信号特征,提出了用小波包能量法提取故障特征向量,采用神经网络进行安全监测的方法.通过在某一提升机盘式制动器中的应用表明:该方法能准确地监测制动系统是否发生卡缸故障,有效地避免了事故的发生.     

基于分治法的神经网络修复方法

神经网络作为一种求解复杂问题的有效方法已经广泛应用于医学影像,自动驾驶等领域。然而,神经网络十分脆弱,对一个样本添加一点肉眼难以察觉的微小扰动就可能导致神经网络做出错误的判断。当神经网络出现了错误的行为,常用的修复方法是对神经网络进行重训练或者微调,然而这些方式需要较高的代价而且无法保证完全修复错误行为。在本文中,我们关注神经网络的完备修复问题,给定一个待修复的神经网络和一个目标样本集合,该问题要求修复后的神经网络在目标样本集合上表现出100%的正确率。在本文中,我们基于分治法的思想提出了一种神经网络修复方法。在该方法中,我们将目标样本集合不断划分为更小的集合,直到样本集合达到可接受的规模,之后对于划分得到的每一个集合逐个进行修复得到一个局部补丁,最后所有的局部补丁进行整合得到对于整个特征空间的补丁。在两个公开数据集上的实验表明我们的方法优于当前最先进的神经网络修复算法。针对对抗攻击和后门攻击生成的目标样本集合,我们的方法不仅完全修复了神经网络在目标样本集合上的行为,而且将网络在相同攻击方式生成的测试集上的准确率分别提高了55.79%和60.59%。同时,我们的方法可以避免修复后网络在标准测试集上的准确率大幅度降低。     

基于深度学习的驾驶员换道行为预测

车道变换在交通安全中起着至关重要的作用,准确预测驾驶员的车道变换行为可以显著提高驾驶安全性.本文提出了一种基于全连接神经网络和循环神经网络的混合神经网络,用于精准预测车道变换行为.并且提出动态时间窗口,提取包括驾驶员生理数据和车辆运动学数据的车道变换特征.最后,通过真实交通场景下的数据验证了所提出模型的有效性.此外,将所提出的模型与五种其他预测模型进行了比较,结果表明,与其他模型相比,本文所提出的预测模型具有更高的精确率和前瞻时间.     

基于多尺度卷积的船舶行为识别方法

针对复杂海洋环境下人工监管船舶行为效率低的问题,提出了一种基于多尺度卷积神经网络的船舶行为识别方法。首先,从船舶自动识别系统（AIS）中获取海量船舶行驶数据,并提取出具有判别力的船舶行为轨迹;然后,根据轨迹数据的特性,利用多尺度卷积设计并实现了针对船舶轨迹数据的行为识别网络,并且使用特征通道加权以及长短时记忆网络（LSTM）来提高算法的准确率。在船舶行为数据集上的实验结果表明,对于指定长度的船舶轨迹,所提识别网络能够达到92.1%的识别准确率,相较于传统的卷积神经网络提高了5.9个百分点,并且在稳定性以及收敛速度上都有明显提升。该方法能够有效地提高船舶行为的识别精度,为海洋监管部门提供高效的技术支持。     

关于道路交通行车安全距离预测仿真

为了提高道路交通安全,针对行车安全距离的非线性带来的难以准确预测的问题,提出了一种临界行车安全距离的预测方法。以驾驶员驾驶风格类型、前车速度、后车速度、前车减速度为系统输入,以临界行车安全距离为系统的输出,应用最小二乘支持向量机(LS-SVM)建立预测模型。结合仿真软件采集到的样本数据进行训练,得到行车安全距离的预测结果,并与目前普遍采用的BP (Back Propagation)神经网络模型的预测结果进行了对比。实验结果表明,所提出的预测模型能准确地预测临界行车安全距离,且预测准确度明显优于BP神经网络。     

A smartphone based technique to monitor driving behavior using DTW and crowdsensing

Safety issues while driving in smart cities are considered to be top-notch priority in contrast to traveling. Today’s fast paced society, often leads to accidents. In order to reduce the road accidents, one key area of research is monitoring the driving behavior of drivers. Understanding the driver behavior is an essential component in Intelligent Driver Assistance Systems. One of potential cause of traffic fatalities is aggressive driving behavior. However, drivers are not fully aware of their aggressive actions. So, in order to increase awareness and to promote driver safety, a novel system has been proposed. In this work, we focus on DTW based event detection technique, which have not been researched in motion sensors based time series data to a great extent. Our motivation is to improve the classification accuracy to detect sudden braking and aggressive driving behaviors using sensory data collected from smartphone. A very significant feature of DTW is to be able to automatically cope with time deformations and different speeds associated with time-dependent data which makes it suitable for our chosen application where data might get affected due to factors such as: high variability in road and vehicle conditions, heterogeneous smartphone sensors, etc. Our technique is novel as it uses fusion of sensors to enhance detection accuracy. The experimental results show that proposed algorithm outperforms the existing machine learning and threshold-based techniques with 100% detection rate of braking events and 97% & 86.67% detection rate of normal left & right turns and aggressive left & right turns respectively.     

基于优化卷积神经网络结构的人体行为识别

为了提高卷积神经网络对非线性特征以及复杂图像隐含的抽象特征提取能力,提出优化卷积神经网络结构的人体行为识别方法.通过优化卷积神经网络模型,构建嵌套Maxout多层感知器层的网络结构,增强卷积神经网络的卷积层对前景目标特征提取能力.通过嵌套Maxout多层感知器层网络结构可以线性地组合特征图并选择最有效特征信息,获取的特...     

结合卷积神经网络和三支决策的入侵检测算法

随着网络入侵行为的多样化和智能化,传统的入侵检测算法在面对高维特征、非线性的海量数据时,存在特征提取不充分、模型分类不够精确等问题,为此,提出了一种结合卷积神经网络（convolutional neural networks,CNN）和三支决策（three-way decision,TWD）的入侵检测算法。卷积神经网络具有优越的特征提取能力;同时,三支决策可以规避因信息不足而盲目分类造成的风险,且减少分类所耗费的时间。该方法通过卷积神经网络对高维数据进行特征提取,构建多粒度特征空间,然后基于三支决策理论对网络行为做出即时决策,对于无法即时决策的网络行为进行延迟决策,即对该部分网络行为再次特征提取以构建不同的粒度特征空间,最后输出分类结果。该方法建立的模型在NSL-KDD、CIC-IDS2017数据集上的实验结果表明,提出的算法可以提升入侵检测系统的性能。