论文部分内容阅读
驾驶事故是当今社会最严峻的问题之一，约九成驾驶事故是由于驾驶员行为不规范引起，利用准确高效的监管系统可有效降低事故发生概率。但现有系统面临诸多问题：使用机器学习方法提取特征，计算速度较慢，时效性较差；异常驾驶行为样本过少，难以训练有效分类模型；现有模型结构单一，分类精度差强人意。因此，设计精度高，速度快的驾驶员行为分类算法尤为重要。
针对以上问题，本文提出基于深度学习的驾驶员行为分类算法，利用目标检测算法分割驾驶员图像，然后设计目标分类算法对驾驶员行为分类，主要工作如下：
设计轻量一体的目标检测算法提取驾驶员图像，解决图像中乘客或其他杂物干扰分类结果问题。采用一体化的网络检测图像中驾驶员位置，结合数据集特点，进一步优化网络结构，调整网络可接受输入尺寸，使用轻量化网络结构减少参数，降低模型体积，为克服随之而来的检测速度下降困难，在模型生成阶段合并部分网络层，既保证驾驶员图像提取精度又维持了原有检测速度。
提出基于关键点的驾驶员行为分类方法，使用多层串联网络提取驾驶员躯体关键点，结合局部区域与各点的二维向量特征修正识别结果，通过提取的关键点坐标获得驾驶员姿态特征，利用不同的上采样算法在样本空间对少数类数据集扩充，使用欠采样算法抽取部分多数类样本与扩充后的少数类样本组合训练，采用数据清洗算法进一步划分不同类别间的边界。实验结果表明，基于关键点分类方法能够在一定程度上克服样本不均衡问题。
设计基于联合特征的驾驶员行为分类方法，使用对分类贡献较大的四个子区域特征与全局特征联合，通过类激活图分析原始分类结果，选择在各类别中均具有较大贡献的子区域图像提取特征，采用不同方法生成联合特征，在原有特征联合方法的基础上，利用注意力机制设计自适应权重学习网络，自主学习不同区域权重，融合局部与全局特征对驾驶员行为分类。经实验证明，联合特征模型分类精度为94.5%，取得良好效果。
针对以上问题，本文提出基于深度学习的驾驶员行为分类算法，利用目标检测算法分割驾驶员图像，然后设计目标分类算法对驾驶员行为分类，主要工作如下：
设计轻量一体的目标检测算法提取驾驶员图像，解决图像中乘客或其他杂物干扰分类结果问题。采用一体化的网络检测图像中驾驶员位置，结合数据集特点，进一步优化网络结构，调整网络可接受输入尺寸，使用轻量化网络结构减少参数，降低模型体积，为克服随之而来的检测速度下降困难，在模型生成阶段合并部分网络层，既保证驾驶员图像提取精度又维持了原有检测速度。
提出基于关键点的驾驶员行为分类方法，使用多层串联网络提取驾驶员躯体关键点，结合局部区域与各点的二维向量特征修正识别结果，通过提取的关键点坐标获得驾驶员姿态特征，利用不同的上采样算法在样本空间对少数类数据集扩充，使用欠采样算法抽取部分多数类样本与扩充后的少数类样本组合训练，采用数据清洗算法进一步划分不同类别间的边界。实验结果表明，基于关键点分类方法能够在一定程度上克服样本不均衡问题。
设计基于联合特征的驾驶员行为分类方法，使用对分类贡献较大的四个子区域特征与全局特征联合，通过类激活图分析原始分类结果，选择在各类别中均具有较大贡献的子区域图像提取特征，采用不同方法生成联合特征，在原有特征联合方法的基础上，利用注意力机制设计自适应权重学习网络，自主学习不同区域权重，融合局部与全局特征对驾驶员行为分类。经实验证明，联合特征模型分类精度为94.5%，取得良好效果。