基于深度学习的司机不安全行为识别模型研究与系统实现

发布时间：2021-10-11 20:32

　　随着现代交通发展进程的推进,公路上行驶的机动车越来越多,民众出行愈发便利,与此同时,也带来了一系列道路安全问题。这些安全问题主要集中在驾驶员的疏忽大意与过于自信上,其诱因往往是驾驶员的不安全驾驶行为。交通运输部与四川省交通运输厅分别在2018年与2019年出台了较为详细的道路视频监控规范,其中交通运输部的规范强调了道路视频监控系统应当包含对驾驶员驾驶行为的监测;四川省交通运输厅的规范则更侧重于主动安全方面终端设备与通讯协议的具体测试指标。全国各省出台符合当地情况的详细规范已是大势所趋,本文参考了已出台了两个权威规范,从主动安全的角度出发,通过研究对驾驶员不安全行为的自动识别与报警,规范驾驶员的行为,并降低其出行风险。本文设计了一个实际应用场景下的识别系统,其系统实现包含算法分析模块、结果反馈模块与数据管理模块三个部分。其中算法分析模块负责自动识别与报警;结果反馈模块用于对自动识别的结果进行人工校正与反馈,并用于算法分析模块的迭代增量学习,推进产品更新;数据管理模块用于对所有数据进行管理,并生成统计表格。最终初步实现了一个可供使用的系统demo版本,以展示相关功能。本文根据工程需求确认了... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：92 页

【学位级别】：硕士

【部分图文】：

bottleneck的网络结构

第三章模型研究与设计33力有限。我们暂时没有能力标注所有的图像，只能通过两种方法解决，一是实时系统中使用的更高效率提取特征的网络；另一种出现在系统的非实时版本中，利用了循环神经网络，将更多未能完全标注的数据利用上了。图3-4bottleneck的网络结构为了找到更可靠且轻量的网络，本项目对视频帧进行了重新随机抽样，独立于训练集数据的抽样。这种随机抽样进行两次，一次用于对网络的验证，一次用于最终的测试评估，且此时的抽样数量远小于最初构造数据集的抽样数量，是实际可行的。图3-5model_efficiency的网络结构本项目尝试了多种网络，最优的网络如图3-5，它是mobilenet-v3的精简版，在small版本的基础上减少了层数和构成，但设计思想基本相似。对输入层进行带批归一化的二维卷积（图3-5中的cbk结构，即convblock）后，再经过6个bottleneck

第三章模型研究与设计35行Xavier初始化；从低到高冻结部分层，在本数据集上做fine-tune调优训练。图3-6model_performance的网络结构从业务逻辑来讲，无须使用过于复杂的attention结构，长短时记忆网络的性能已经足够。此处有两种设计方案，第一种是在每个时间步都执行model_efficiency的主体部分，抽取特征后再对其使用LSTM汇集时间域上的信息；第二种是对每个时间步使用卷积形式的LSTM，即ConvLSTM进行处理，汇集特征后再使用model_efficiency。从计算量的层面考虑，第二种要优于第一种，尤其是在LSTM的时间跨度较大时。最终，使用的结构如图3-6所示。3.5特征融合的方式常见的特征融合大致可以划分为三个大类。第一类是所谓的高低层特征融合，将同一个网络不同层次的特征进行充分利用，由于能够将底层的细节位置信息与卷积后高层的语义信息进行融合，通常能够被很好地应用于检测与分割任务。这种方法可以表现为跳跃连接，直接拼接或加和不同层次的网络计算结果，再对这


本文编号：3431195