- 1、本文档共57页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
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
文档评论(0)