论文部分内容阅读
机动车产业的快速发展在给人们提供生活便利的同时,也带来了巨大的交通隐患,频繁发生的交通事故严重危及人们的财产安全和生命安全。异常驾驶行为是造成交通事故的主要原因之一,因此,为了保障行车安全,避免交通事故的发生,本文研发了一套精准度高、实时性强的基于计算机视觉的驾驶员异常行为识别与预警系统,它能够智能地监控和评估驾驶员行车状态,对异常行为及时预警。该系统识别的异常驾驶行为包括基于眨眼频率和哈欠行为的疲劳驾驶行为、抽烟行为、喝水行为,系统的功能模块主要包含目标检测模块、目标分类模块、异常行为识别与预警模块,主要的研究内容如下:(1)目标检测模块详细介绍了 MobileNet-SSD相关的网络模型理论和网络结构,通过分析网络特征图定位到MobileNet-SSD模型中冗余的网络层,对MobileNet-SSD模型采用剪枝和量化的策略实现压缩和优化,得到SU-MobileNet-SSD模型。通过实验,从精度、速度两个方面证明SU-MobileNet-SSD算法的优越性,完成了人脸、水杯、眼睛等目标的检测。(2)目标分类模块结合卷积神经网络模型相关的理论知识,本文搭建了眼睛状态分类网络模型。为了增强网络的特征提取能力,提高网络的鲁棒性,采用了数据增广、ReLU激活函数、局部响应归一化、Dropout等优化策略,并使用“紧急中止”的训练策略加快网络的收敛速度,有效地避免过拟合。通过实验,从网络模型的收敛速度、精度、速度三个方面证明了本文设计的眼睛状态分类模型的优势。(3)异常行为识别与预警模块异常行为识别与预警模块的实现是建立在精度高、速度快的目标检测算法和目标分类算法基础上,其中,基于眼动特征的疲劳驾驶行为的识别采用变种PERCLOS算法、一次眨眼帧数来实现;通过分析嘴部、香烟、水杯的动作特点以及与人脸的位置关系,设计行为决策方法实现哈欠、抽烟、喝水行为的识别。最后,根据驾驶员异常行为的轻重缓急程度建立了异常行为等级模型,通过实验证明系统有效性和实用性。