基于改进LRCN模型的驾驶行为图像序列识别方法-江苏大学.PDFVIP

２０１８年５月 第３９卷　第３期 Ｍａｙ２０１８ Ｖｏｌ．３９　Ｎｏ．３ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７１－７７７５．２０１８．０３．０１０ 基于改进 ＬＲＣＮ模型的驾驶行为图像序列识别方法 吴　昊，平　鹏，孙立博，秦文虎 （东南大学 仪器科学与工程学院，江苏 南京２１００９６） 摘要：针对汽车安全辅助驾驶技术中驾驶行为识别精度低、收敛速度慢等问题，提出了一种基于改 进ＬＲＣＮ模型的驾驶行为图像序列识别方法．采用自建驾驶行为数据集作为输入样本，经过金字塔 降采样和高斯混合模型特征提取等预处理算法，得到标准视频图像序列，此序列传入以卷积神经网 络和门控递归单元为基础搭建的网络模型做最优化处理，最终完成结果收敛．该模型使用Ｋｅｒａｓ框 架在ＧＰＵ上计算，分别进行了环境适应性试验、预处理算法试验和模型对比试验．结果表明：预处 理算法保证了模型的收敛，提高了模型对不同场景、不同测试对象识别的鲁棒性；在自建数据集上 该模型的平均识别精度达９４．３％，比传统ＬＲＣＮ模型高４．７％，且模型收敛的速度更快，泛化能力 更强． 关键词：驾驶行为识别；高斯混合模型；深度学习；卷积神经网络；ＧＲＵ递归网络 中图分类号：ＴＰ３９１．４　　文献标志码：Ａ　　文章编号：１６７１－７７７５（２０１８）０３－０３０３－０６ 引文格式：吴　昊，平　鹏，孙立博，等．基于改进 ＬＲＣＮ模型的驾驶行为图像序列识别方法［Ｊ］．江苏大学学报（自然科学版）， ２０１８，３９（３）：３０３－３０８，３２９． Ｉｍａｇｅｓｅｑｕｅｎｃｅｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｆｏｒｄｒｉｖｉｎｇｂｅｈａｖｉｏｒ ｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＬＲＣＮｍｏｄｅｌ ＷＵＨａｏ，ＰＩＮＧＰｅｎｇ，ＳＵＮＬｉｂｏ，ＱＩＮＷｅｎｈｕ （ＳｃｈｏｏｌｏｆＩｎｓｔｒｕｍｅｎｔＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ，Ｊｉａｎｇｓｕ２１００９６，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｓｏｆｌｏｗｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙａｎｄｓｌｏｗｃｏｎｖｅｒｇｅｎｃｅｓｐｅｅｄｆｏｒｄｒｉｖｉｎｇ ｂｅｈａｖｉｏｒｉｎｄｒｉｖｉｎｇａｓｓｉｓｔａｎｔｔｅｃｈｎｏｌｏｇｙ，ａｎｅｗｄｒｉｖｉｎｇｂｅｈａｖｉｏｒｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｗａｓｐｒｏｐｏｓｅｄｂａｓｅｄ ｏｎｉｍｐｒｏｖｅｄＬＲＣＮｍｏｄｅｌ．Ｔｈｅｓｅｌｆｄｒｉｖｉｎｇｂｅｈａｖｉｏｒｄａｔａｓｅｔｓｗｅｒｅａｄｏｐｔｅｄａｓｉｎｐｕｔｓａｍｐｌｅｓａｎｄｗｅｒｅ ｐｒｏｃｅｓｓｅｄｂｙＰｙｒａｍｉｄｄｏｗｎｓａｍｐｌｉｎｇａｎｄＧａｕｓｓｍｉｘｔｕｒｅｍｏｄｅｌｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｐｒｅｐｒｏｃｅｓｓｉｎｇａｌｇｏｒｉｔｈｍ， ａｎｄｔｈｅｓｔａｎｄａｒｄｖｉｄｅｏｉｍａｇｅｓｅｑｕｅｎｃｅｗａｓｏｂｔａｉｎｅｄ．Ｔｈｅｉｍａｇｅｓｅｑｕｅｎｃｅｗａｓｉｎｔｒｏｄｕｃｅｄｉｎｔｏｔｈｅｍｏｄｅｌ ｂａｓｅｄｏｎｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｇａｔｉｎｇｕｎｉｔｒｅｃｕｒｓｉｖｅｎｅｔｗｏｒｋ，ａｎｄｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｗａｓ ｃｏｎｄｕｃｔｅｄｔｏｇｅｔｔｈｅｆｉｎａｌｒｅｓｕｌｔｏｆｃｏｎｖｅｒｇｅｎｃｅ．ＴｈｅｍｏｄｅｌｗａｓｃａｌｃｕｌａｔｅｄｏｎｔｈｅＧＰＵｗｉｔｈＫｅｒａｓ ｆｒａｍｅｗｏｒｋ，ａｎｄｅｎｖｉｒｏｎｍｅｎｔａｄａｐｔａｂｉｌｉｔｙ，ｐｒｅｐｒｏｃｅｓｓｉｎｇａｌｇｏｒｉｔｈｍａｎｄｍｏｄｅｌｃｏｍｐａｒｉｓｏｎｅｘｐｅｒｉｍｅｎｔｓ ｗｅｒｅｃａｒｒｉｅｄｏｕｔｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｅｔｒｅａｔｍｅｎｔａｌｇｏｒｉｔｈｍ ｃａｎｇｕａｒａｎｔｅｅｔｈｅ ｃｏｎｖｅｒｇｅｎｃｅｏｆｔｈｅｐｒ