基于双路时空网络的驾驶员行为识别

驾驶员危险驾驶行为是恶性交通事故发生的主要原因之一,因此识别驾驶员行为具有工程应用上的重要意义。目前,主流基于视觉的检测方法是对驾驶员行为的局部时空特征进行研究,针对全局空间特征及长时序相关性特征研究较少,这在一定程度上无法结合场景上下文信息对危险驾驶行为进行识别。为了解决上述问题,提出一种基于双路时空网络的驾驶员行为识别方法,整合不同时空通路的优点以提高行为特征丰富度。首先,使用一种改进的双流卷积神经网络(TSN)对时空信息进行表征学习,同时降低提取特征的稀疏性;其次,构建一种基于Transformer的串行时空网络补充长时序相关性信息;最后,联合双路时空网络进行融合决策,增强模型的鲁棒性。实验结果表明,所提方法在驾驶员疲劳检测数据集YawDD、驾驶员分心检测数据集SF-DDDD和最新驾驶员行为识别数据集SynDD1这3个公开数据集上分别取得99.85%、99.94%和98.77%的识别准确率,特别是在SynDD1上,与使用动作识别的网络MoviNet-A0相比识别准确率提升了1.64个百分点;消融实验结果也验证了该方法对驾驶员行为有较高的识别精度。     

基于改进DenseNet的驾驶行为识别

为提高道路交通安全，解决司机分心驾驶问题，对基于卷积神经网络的驾驶员行为识别模型进行了改进。首先对基于DenseNet的驾驶行为识别模型进行研究，在其基础上引入注意力机制对其进行改进；将注意力机制模块化后设计了三种改进模型；最后将实验结果进行对比分析，确定性能较优的改进模型为SE-PRE模型。实验结果显示，提出的改进模型在相关数据集上达到了94.21%的准确率，上述模型能够准确且高效的识别驾驶行为，为后续的车辆智能化研究奠定了基础。     

基于EfficientDet网络的细粒度吸烟行为识别

在实际场景中，因香烟目标过于微小且特征不明显，现有的目标检测算法难以区分类烟物与香烟，导致吸烟行为识别效果差。提出一种基于弱监督细粒度结构与EfficientDet网络的吸烟行为识别算法。采用Edge Boxes算法检测图像块的特征边缘，通过非极大值抑制对边缘进行筛选，形成候选区域块。构建包含物体级筛选器和局部级筛选器的细粒度两级注意力模型，其中物体级筛选器使用改进的EfficientDet网络滤除候选区域的背景噪声，以分类前景物体及特征较强的候选区域，并在局部级筛选器中使用通道注意力卷积块对候选区域进行聚类，筛选出得分最高的像素块。通过融合物体级筛选器与局部级筛选器得到的结果，以准确识别吸烟行为。在BUU-Smoke数据集上的实验结果表明，该算法的吸烟行为识别准确率为93.10%，误检率为3.6%，并且具有较优的鲁棒性和泛化能力。     

司机分心驾驶检测研究进展

随着车辆工业和世界经济的快速发展,私家汽车数量不断增加,导致交通事故越来越多,且交通安全问题已经成为全球关注的焦点问题。司机分心驾驶检测的研究主要分为传统计算机视觉（CV）算法和深度学习算法两种。基于传统CV算法的司机分心检测通过尺度不变特征转换（SIFT）、方向梯度直方图（HOG）等特征算子提取图像特征,然后结合支持向量机（SVM）建立模型并对图像进行分类。然而传统CV算法具有对环境的要求高、运用范围较窄、参数多、计算量大的缺点。近年来深度学习在提取数据特征方面表现出速度快、精度高等优异的性能,因此研究人员开始将深度学习引入到司机分心驾驶检测中。基于深度学习的方法可以实现端到端的司机分心驾驶检测网络,而且取得了很高的准确度。介绍了传统CV算法和深度学习算法在司机分心驾驶检测的研究现状,首先,阐释了传统CV算法用于图像领域和司机分心驾驶检测研究的情况;接着,介绍了基于深度学习的司机分心驾驶研究;而后,从准确度、模型参数量等方面对不同司机分心驾驶检测方法进行比较分析;最后,对现有的研究进行了总结并提出了未来司机分心驾驶检测需要解决的三个问题：驾驶过程中司机分心状态以及分心程度划分规范需进一步完善,需要综合考虑人－车－路三者以及如何才能更有效地减少神经网络参数。     

融合人眼特征与深度学习的疲劳驾驶检测模型

针对现有疲劳驾驶检测技术不能有效平衡准确性和实时性的问题,通过融合人眼特征与深度学习,构建一种新的疲劳驾驶检测模型。设计GP-VGG16网络进行眼部状态识别,通过将人工先验信息集成到轻量级深度网络中,提高眼部状态识别的准确性、稳定性和实时性。在此基础上,利用眼部特征-疲劳等级模型将疲劳状态划分为9个等级,定量估计驾驶员状态,同时基于少样本学习建立高效的自动标签生成网络,减少对大量无标签驾驶数据的语义标注。实验结果表明,该模型的准确率达到97.1%,运行速度达到39.96 frame/s,能够有效提高驾驶员疲劳状态识别的准确性与时效性。     

基于长短期记忆的车辆行为动态识别网络

高级辅助驾驶装置采用机器视觉技术实时处理摄录的行车前方车辆视频，动态识别并预估其姿态和行为。针对该类识别算法精度低、延迟大的问题，提出一种基于长短期记忆（LSTM）的车辆行为动态识别深度学习算法。首先，提取车辆行为视频中的关键帧；其次，引入双卷积网络并行对关键帧的特征信息进行分析，再利用LSTM网络对提取出的特性信息进行序列建模；最后，通过输出的预测得分判断出车辆行为类别。实验结果表明，所提算法识别准确率可达95.6%，对于单个视频的识别时间只要1.72 s；基于自建数据集，改进的双卷积算法相比普通卷积网络在准确率上提高8.02%，与传统车辆行为识别算法相比准确率提高6.36%。     

基于图像增强与深度学习的安全带目标检测

为通过交通视频自动化检测驾驶员是否佩戴安全带，设计一种基于YOLO v3和Faster R-CNN的安全带单类别目标检测方法。基于YOLO v3网络训练车窗检测模型与车窗-驾驶员检测模型，得到驾驶员的精确位置；利用直方图均衡化、高斯滤波等方法对驾驶员图片进行图像增强操作，提高安全带区域的对比度；基于Faster R-CNN网络设计安全带单类别目标检测模型，将传统的分类问题转变为单类别目标检测问题。实验结果表明，模型检测准确率可达96.0%。相对于其它方法，适应性更强，鲁棒性更高，准确率相应提高。     

基于深度学习的车辆驾驶行为识别系统设计

传统系统的计算能力较弱,在车辆驾驶行为识别实际应用中经常出现错误识别,准确率较低,为此提出基于深度学习的车辆驾驶行为识别系统。系统硬件方面设计了主控制器、惯性传感器和报警器3个硬件设备,软件方面设计了数据清洗和基于深度学习识别驾驶行为两个功能模块,利用数据清洗模块对原始数据进行无效值处理、标准化处理,将处理后的数据利用深度学习网络模型进行分析,输出识别结果。实验结果表明,该系统的准确率高于传统系统,能够准确识别出车辆驾驶行为。     

基于深度学习的疲劳驾驶检测算法

针对现有疲劳驾驶检测算法实用性差或准确率低的问题,本文提出了一种基于深度学习的疲劳驾驶检测算法.首先,使用HOG （Histogram of Oriented Gradient）特征算子检测人脸的存在;其次,利用特征点模型实现人脸的对齐,同时实现眼睛、嘴巴区域的分割;最后通过深度卷积神经网络提取驾驶员的眼部疲劳特征,并融合驾驶员嘴部的疲劳特征进行疲劳预警.大量的实验表明,该方法在疲劳驾驶检测的准确率、实时性等方面都取得明显的性能提升.     

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%。     

视觉协同的违规驾驶行为分析方法

本文针对危险驾驶识别中主流行为检测算法可靠性差的问题,提出了一种快速、可靠的视觉协同分析方法。对手机、水杯、香烟等敏感物体进行目标检测,提出的LW(low weight)-Yolov4(You only look once v4)通过去除CSPDarknet53(cross stage partial Darknet53)卷积层中不重要的要素通道提升了检测速度,并L₁正则化产生稀疏权值矩阵,添加到BN(batch normalization)层的梯度中,实现优化网络模型的目的;提出姿态检测算法对驾驶员指关节关键点进行检测,经过仿射逆变换得到原始帧中的坐标;通过视觉协同分析对比敏感物品的检测框位置与驾驶员手部坐标是否重合,判定驾驶员是否出现违规驾驶行为及类别。实验结果表明,该方法在识别精度与检测速度方面均优于主流的算法,能够满足实时性和可靠性的检测要求。     

基于CNN和多尺度融合的驾驶员打电话行为检测

由于传统的驾驶员违规接听电话行为检测方法缺乏一套严谨的评判模型,难以满足现实中驾驶员违规接听电话的识别需要,因此如何建立一套合理有效的评判模型成为亟待解决的问题。针对目前评判模型的局限性,采用计算机视觉技术和深度学习模型相结合的方式对驾驶员违规接听电话行为进行科学评判。主要是通过提取的Haar-Like特征训练级联分类器捕获脸部特征,采用CNN模型和ROI技术提取手部特征,并利用YoloV3目标检测算法识别手机,依据特征间的空间位置关系来判断驾驶员是否存在违章接听电话行为。通过大量数据的实验测试,结果证明了该评判模型不仅能将精确度提高至96.28%,而且能实时检测到行车时违规接听电话行为并进行提醒,进而降低因违规接听电话发生交通事故的概率。     

基于驾驶员面部时序数据的疲劳驾驶检测算法

针对传统疲劳驾驶检测方法识别准确率低、泛化能力差的问题,提出了一种基于CNNs和LSTM的端到端可训练网络,检测驾驶员的疲劳状态。根据驾驶员面部特征点提取ROI,将在其他计算机视觉任务上表现较好的深度网络迁移到疲劳检测任务中,并结合LSTM处理时序数据的能力,提出一种新的疲劳检测网络,该网络能够读入视频流中的时序数据并检测出驾驶员的疲劳状态。实验证明所提方法和模型在公开数据集中具有较高的识别准确率,并且在不同的数据集间具有很好的泛化能力,对于减少路面车祸、保障人身安全具有很重要的意义。     

基于通道注意力YOLOV5s的驾驶行为识别研究

设计了一种集成通道注意力机制的YOLOV5s检测网络的驾驶行为识别方法，用以实时检测并识别驾驶员在驾驶室内的驾驶行为，从而有利于纠正驾驶员的不良驾驶行为，减少交通事故发生的概率。建立了驾驶室内驾驶员手部动作的图像数据集；在YOLOv5s网络结构中引入通道注意力机制，通过对比实验、消融实验研究了通道注意力模块嵌入YOLOv5s中的较佳作用位置、配置数量的影响及其检测识别性能效果；论证了带通道注意力的改进YOLOV5s可保留信息量大的特征、抑制不相关的特征，模型参数量和复杂度降低，从而加快检测速度。测试结果显示，较原YOLOV5s网络，改进的YOLOV5s在平均精确度和召回率上相当，而检测速度提升了26.08%，该方法能够较好地满足驾驶员手部动作的实时监控需求。     

一种基于卷积神经网络的疲劳驾驶检测方法

疲劳驾驶检测具有重要的警示作用,对检测方法的准确性和实时性均有较高要求。为此,提出了一种基于卷积神经网络的疲劳驾驶检测方法。首先,针对车内特定使用环境,对MTCNN算法进行了加速优化,在保证高准确率的同时检测速度提升高达27倍。其次,在实现人脸特征点精确定位基础上,提出了一种基于稀少特征点快速准确提取目标区域图像的ERFP（extracting images based on rare feature points）方法。再次,利用构建的眼、嘴数据集EMSD（eye and mouth state date sets）完成了眼、嘴部状态分类模型的训练。最终,利用训练得到的模型,结合相应的判定算法,实现了疲劳驾驶的检测判定。实验结果表明,该方法在实车环境下对瞌睡和哈欠行为的判定准确率均达到了96%以上,且每秒可完成约50帧图像的检测,具备良好的实时性。     

基于车辆行驶数据的驾驶人行为谱分析方法

针对我国驾驶人行为谱的研究尚不完善，专业领域内没有相应的行为谱分析工具的问题，提出了一套针对营运客车的完整的驾驶人驾驶行为谱体系并设计了一套分析工具。首先，设计并定义了驾驶人行为谱的特征指标和评价指标；其次，给出了驾驶人行为谱的特征指标分析、计算方法，采用基于马尔可夫链蒙特卡洛采样和离群点剔除的K-means算法对驾驶人的驾驶风格进行分析，采用回归学习对驾驶人的驾驶技能进行分析；然后，设计了基于车联网、大数据的驾驶人行为谱的基础数据采集和预处理方法；最后，采用Java语言、Spring MVC架构开发出驾驶人行为谱分析工具。将机器学习中的数据挖掘、数据分析算法与交通安全领域相结合，对完善我国驾驶人行为谱框架体系具有理论意义，为我国驾驶人行为谱的研究提供了一个科学、定量化分析的工具，对交管部门规范驾驶人驾驶行为、提高道路安全指数、制定合理的交通安全管理策略具有指导意义。