基于卷积神经网络的驾驶员行为检测方法的研究.pdfVIP

摘要

基于卷积神经网络的驾驶员行为检测方法的研究

随着国民物质生活水平的提高，我国交通运输基础和公共服务设施的建立日

益健全，国内汽车的保有量随之飞速地增长，这极大地增加了交通事故发生的概

率。据统计，80%的交通事故主要是由于司机在驾驶过程中不专心导致的。为了

确保驾驶员的安全驾驶行为，对行驶车辆实行安全智能监控是至关重要的。

基于这样的背景，经过分析对比了国内外针对危险驾驶行为监测的现有方

法，本文以卷积神经网络为基础，研究了基于驾驶员头部及手部区域的驾驶行为

检测的方法。具体工作如下：(1)研究了基于CBAM的YOLOv3驾驶员行为检

测方法：YOLOv3通过YOLO层融合Darknet53框架提取的特征图进行检测，

YOLO层极大地影响检测结果。CBAM模块是一个简单高效的前向卷积神经网

络注意力模块，可以提升关键区域的特征表达。因此，尝试在YOLO层中引入

融合注意力模块CBAM，得到改进后的C-YOLOv3结构，使算法在检测过程中

重点关注“正确驾驶、右手手持通话、左手手持通话、喝水、注意力不集中驾驶”5

种常见驾驶行为目标的特征。(2)研究了基于特征融合的YOLOv3手持通话行为

检测方法：进一步研究驾驶员的手持通话行为，针对手机目标检测尺寸较小、分

辨率低、特征不明显的问题，提出一种改进的YOLOv3网络模型。本文通过

K-Means++聚类重新对锚框进行计算，以得到合适尺度的锚框，达到加快算法收

敛速度的效果；通过对原YOLO网络中的FPN结构进行改进，选择对特征融合

后的特征图在相反方向下采样的方式，重新融合特征，实现提升检测精度的目的。

(3)针对StateFarm提供的驾驶员数据集不存在标注信息的问题，本文通过标注

工具Label-Image对从该数据集上选择的图片进行了目标区域的人工标注，并将

训练数据集中的目标区域按照适用于YOLO的格式标注，生成新的标注文件。

本文在标注的数据集上进行了相应的实验，结果表明，本文研究的两种改进

后的YOLOv3网络模型能更有效地提升检测的准确率。其中，基于CBAM的

YOLOv3驾驶员行为检测方法降低了无关背景因素的干扰，使检测准确率有显著

的提升。此外，基于特征融合的YOLOv3手持通话行为检测方法完成了对驾驶

I

Íò·½Êý¾Ý

员手持通话的检测，在不影响检测速度的同时提高了检测的精度，证明了该方法

的有效性。

关键词：

驾驶员行为检测，YOLOv3，卷积神经网络，注意力机制，多尺度特征融合

II

Íò·½Êý¾Ý

Abstract

ResearchonDriverBehaviorDetectionMethodBasedonConvolutional

NeuralNetwork

Withtheimprovementofpeoplesmateriallivingstandards,thefundamentalsof

transportationandtheestablishmentofpublicservicefacilitiesinChinais

increasinglysound,andthenumberofdomesticcarshasi