论文部分内容阅读
近年来，不断提高的交通技术改变了人们出行方式，然而频繁发生的交通事故不仅严重危害了公众的生命而且往往造成较大的经济损失。据分析，多数交通事故是由驾驶员疲劳驾驶或分心驾驶导致对车辆操控能力下降造成的。为了降低人为导致的交通事故率，在驾驶员处于疲劳或分心状态时，对驾驶员的状态和行为进行检测并给予相应警告，能有效提高驾驶员的安全意识从而规范驾驶行为。基于此，本论文旨在提出高效准确的驾驶员行为识别算法来实现对驾驶行为的实时监测。
在调研了国内外相关研究的基础上，本论文分别采用两种技术实现了对驾驶行为的有效识别，第一种是基于面部分析的从整体到局部的动作识别方案，第二种是基于深度学习的端到端的动作识别方案。
针对基于面部分析的驾驶行为识别算法，首先通过人脸跟踪模块和人脸二次判别模块辅助人脸检测模块，实现了高效准确的驾驶员面部定位；接下来通过划分检测敏感区域并构建相应的事件检测器，最终实现了真实场景下的驾驶员疲劳检测、接打电话检测和吸烟检测。该算法达到了实时可用的效果。
针对基于深度学习的驾驶行为识别算法，从驾驶动作具有差异性和驾驶动作具有局部性这两点考虑，提出了三种准确率较高的识别模型：
(1)多支路注意力卷积神经网络模型是基于多尺度特征提出的，并通过引入空间注意力机制来强化不同尺度特征的表达。实验证明所提算法具有明显的提升效果。
(2)密集通道-空间注意力转换网络从驾驶动作具有局部的这一特点考虑设计的，通过通道注意力模型校正深层的通道特征，而后将校正好的通道特征图编码到空间掩模，最后用空间掩模修饰浅层特征图以强化局部动作的细节信息。实验证明这种方法具有逐步聚焦关键动作区域的能力。
(3)在上述模型的基础上，将动作定位和动作分类两个任务从一个网络中解耦出来，通过构建一种指导-学习模式的导师-学生网络来实现两个任务的相互配合，导师网络去提供动作区域位置，学生网络去根据动作位置学习动作特征以获得知识。经实验证明，该模型能显著地提高动作识别准确率。
在调研了国内外相关研究的基础上，本论文分别采用两种技术实现了对驾驶行为的有效识别，第一种是基于面部分析的从整体到局部的动作识别方案，第二种是基于深度学习的端到端的动作识别方案。
针对基于面部分析的驾驶行为识别算法，首先通过人脸跟踪模块和人脸二次判别模块辅助人脸检测模块，实现了高效准确的驾驶员面部定位；接下来通过划分检测敏感区域并构建相应的事件检测器，最终实现了真实场景下的驾驶员疲劳检测、接打电话检测和吸烟检测。该算法达到了实时可用的效果。
针对基于深度学习的驾驶行为识别算法，从驾驶动作具有差异性和驾驶动作具有局部性这两点考虑，提出了三种准确率较高的识别模型：
(1)多支路注意力卷积神经网络模型是基于多尺度特征提出的，并通过引入空间注意力机制来强化不同尺度特征的表达。实验证明所提算法具有明显的提升效果。
(2)密集通道-空间注意力转换网络从驾驶动作具有局部的这一特点考虑设计的，通过通道注意力模型校正深层的通道特征，而后将校正好的通道特征图编码到空间掩模，最后用空间掩模修饰浅层特征图以强化局部动作的细节信息。实验证明这种方法具有逐步聚焦关键动作区域的能力。
(3)在上述模型的基础上，将动作定位和动作分类两个任务从一个网络中解耦出来，通过构建一种指导-学习模式的导师-学生网络来实现两个任务的相互配合，导师网络去提供动作区域位置，学生网络去根据动作位置学习动作特征以获得知识。经实验证明，该模型能显著地提高动作识别准确率。