分心驾驶监测系统的设计与实现
发布时间：2021-03-09 16:43
驾驶是一项需要注意力高度集中的复杂任务,它包含信息感知、决策和执行等多个环节。在由驾驶员、车辆和道路环境构成的交通系统中,驾驶员是系统中最薄弱的环节。分心驾驶是由于执行与驾驶任务无关的事（如调节收音机、接打电话、发短信等）所引起的注意力不集中。驾驶员在分心状态下,驾驶安全意识的下降,注意力的转移降低了驾驶员对周围环境的感知、判断和决策能力,影响对车辆的安全操控,易引发交通冲突。为此,我们设计并实现了一种基于Movidius神经计算棒的分心驾驶实时监测系统,它可以对驾驶员的分心状态快速识别,当发现驾驶员长期（2-3秒）处于危险驾驶行为状态时,系统将对驾驶员进行提醒。同时,如果有需要,可以将监测结果传输到云平台,使得交通控制中心的人员可以远程掌握驾驶员状态。Movidius神经计算棒是基于USB模式的深度学习推理工具和独立的人工智能加速器,为嵌入式设备提供专用深度神经网络运算加速功能,使得边缘设备也能部署准确度极高的神经网络模型。首先,通过改进现有的GoogLeNet网络模型,使之经过训练后能够对危险驾驶行为进行识别;然后,将危险驾驶行为监测模型结合我们提出的基于驾驶员行为的分心驾驶检测方...
【文章来源】：浙江工业大学浙江省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
0种驾驶员行为图片详情
浙江工业大学硕士学位论文182.3网络微调本文的网络微调是将ImageNet比赛中表现优异的网络迁移到驾驶员行为样本数据集，以提高图像分类效果。在我们的研究中，我们对经典的深度卷积神经网络如Alexnet、VGG16、GoogLenet和ResNet网络进行迁移学习，使其能够对驾驶员行为进行准确识别。我们使用迁移学习的目的是利用各经典网络提取有效的特征，从而解决驾驶员行为识别的问题，其根本出发点在于驾驶员行为数据的稀缺性以及计算力的有限。我们这里使用的是基于网络的深度迁移学习，即复用在源域中预先训练的经典网络的部分结构和参数，将其迁移到驾驶员行为识别网络中，使得在数据少和计算力匮乏的情况下较快的得到有效的模型。网络微调是避免从头开始训练CNN，由于CNN的前几层“卷积-池化”操作，处于不断提取图像特征的过程，对源域和目标域具有一定的通用性，因此，通过反向传播来调整CNN网络模型参数，将网络微调用于解决驾驶员行为识别问题。在网络微调过程中模型不需要从头开始训练，从而提高了模型训练的效率，另一方面，模型避免了因缺乏训练数据样本而导致的过拟合问题。图2-4基于迁移学习驾驶员行为识别原理图Figure2-4．Schematicdiagramofdriverbehaviorrecognitionbasedontransferlearning为了解决训练神经网络所需要算力和数据量小的难题，本章通过对经典神经网络模型（如AlexNet、VGG、GoogleNet和ResNet）的重构，利用迁移学习来
浙江工业大学硕士学位论文22为了使提升深度模型的准确度，我们使用裁剪对驾驶员图片进行扩充。（1）图像裁剪如下图所示，原始图片的大小为480*640*3，我们将其下采样至250*250*3，然后分别以四个角为顶点，裁剪出227*227*3的图片(其他网络需要的图片尺寸请查看3.1.1节的图片处理)，这样就可以使图片增加4倍。图2-8图片的裁剪扩充Figure2-8．Cropexpansionoftheimage（2）增加噪声在神经网络的输入层注入噪声是数据增强的一种方式。对于一些分类任务的神经网络，即使加入很小的随机噪声，神经网络的准确度也会急剧下降，为了增强神经网络健壮性，常用的方法是在神经网络训练时将随机噪声添加的输入层。高斯噪声是指它的概率密度函数服从正态分布的统计噪声，在数字图像中的高斯噪声的主要来源出现在采集期间。在大多数情况下，由于不良照明或高温引起的传感器噪声,图像采集系统产生的最常见噪声可以被建模为高斯随机噪声，下图2-9(A)为一张驾驶员打电话时的原图片，(B)为添加均值为0.1高斯噪声后的图片。(A)(B)图2-9原图与添加高斯噪声后的图Figure2-9．OriginalimageandgraphafteraddingGaussiannoise原始图像480*640*3250*250*3下采样下采样裁剪图像227*227*3227*227*3
【参考文献】：
期刊论文
[1]树莓派接入OneNET实现物联网系统的设计[J]. 王春梅,杨文龙. 电子设计工程. 2019(07)
[2]高速跟车状态下驾驶人最低视觉注意力需求[J]. 刘卓凡,付锐,马勇,袁伟,程文冬. 中国公路学报. 2018(04)
[3]分心对驾驶人交通冲突反应时间的影响[J]. 李鹏辉,胡孟夏,张文会,李一兵. 中国公路学报. 2018(04)
[4]驾驶人分心状态判别支持向量机模型优化算法[J]. 张辉,钱大琳,邵春福,钱振伟,菅美英. 交通运输系统工程与信息. 2018(01)
[5]基于驾驶绩效的车载信息系统操作分心判定模型[J]. 马艳丽,顾高峰,高月娥,马勇. 中国公路学报. 2016(04)
[6]驾驶人视觉特性与行车安全研究进展[J]. 马勇,付锐. 中国公路学报. 2015(06)
[7]次任务驾驶对行车安全性影响研究综述[J]. 金立生,李科勇,咸化彩,高琳琳. 交通信息与安全. 2014(05)
[8]驾驶人分心时长对车道偏离影响的实车试验[J]. 马勇,石涌泉,付锐,郭应时. 吉林大学学报(工学版). 2015(04)
[9]驾驶人视觉分心时转向操作和车道偏离特性研究[J]. 石涌泉,郭应时,杨婉莹,张名芳. 中国安全科学学报. 2014(09)
[10]视觉分心时驾驶人注视行为特性分析[J]. 马勇,付锐,王畅,郭应时,袁伟,宋殿明. 中国安全科学学报. 2013(05)
博士论文
[1]分心驾驶行为对交通安全影响机理与建模研究[D]. 张辉.北京交通大学 2018
[2]机动车闯红灯事故发生规律及其车载预警技术研究[D]. 张玉婷.北京交通大学 2018
[3]次任务驾驶安全性评价指标及评价模型研究[D]. 咸化彩.吉林大学 2014
硕士论文
[1]基于CNNs和LSTM的驾驶员疲劳和分心状态识别研究[D]. 李力.湖南大学 2018
[2]基于视觉特征的驾驶员分心驾驶行为甄别方法研究[D]. 姚莹.北京工业大学 2017
[3]基于多源信息融合的驾驶员分心监测研究[D]. 廖源.清华大学 2015
[4]车载信息系统分神对驾驶绩效的影响研究[D]. 顾高峰.哈尔滨工业大学 2014
[5]基于车载信息服务的驾驶人视觉特性研究[D]. 谢陈江.长安大学 2014
本文编号：3073143
【文章来源】：浙江工业大学浙江省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
0种驾驶员行为图片详情
浙江工业大学硕士学位论文182.3网络微调本文的网络微调是将ImageNet比赛中表现优异的网络迁移到驾驶员行为样本数据集，以提高图像分类效果。在我们的研究中，我们对经典的深度卷积神经网络如Alexnet、VGG16、GoogLenet和ResNet网络进行迁移学习，使其能够对驾驶员行为进行准确识别。我们使用迁移学习的目的是利用各经典网络提取有效的特征，从而解决驾驶员行为识别的问题，其根本出发点在于驾驶员行为数据的稀缺性以及计算力的有限。我们这里使用的是基于网络的深度迁移学习，即复用在源域中预先训练的经典网络的部分结构和参数，将其迁移到驾驶员行为识别网络中，使得在数据少和计算力匮乏的情况下较快的得到有效的模型。网络微调是避免从头开始训练CNN，由于CNN的前几层“卷积-池化”操作，处于不断提取图像特征的过程，对源域和目标域具有一定的通用性，因此，通过反向传播来调整CNN网络模型参数，将网络微调用于解决驾驶员行为识别问题。在网络微调过程中模型不需要从头开始训练，从而提高了模型训练的效率，另一方面，模型避免了因缺乏训练数据样本而导致的过拟合问题。图2-4基于迁移学习驾驶员行为识别原理图Figure2-4．Schematicdiagramofdriverbehaviorrecognitionbasedontransferlearning为了解决训练神经网络所需要算力和数据量小的难题，本章通过对经典神经网络模型（如AlexNet、VGG、GoogleNet和ResNet）的重构，利用迁移学习来
浙江工业大学硕士学位论文22为了使提升深度模型的准确度，我们使用裁剪对驾驶员图片进行扩充。（1）图像裁剪如下图所示，原始图片的大小为480*640*3，我们将其下采样至250*250*3，然后分别以四个角为顶点，裁剪出227*227*3的图片(其他网络需要的图片尺寸请查看3.1.1节的图片处理)，这样就可以使图片增加4倍。图2-8图片的裁剪扩充Figure2-8．Cropexpansionoftheimage（2）增加噪声在神经网络的输入层注入噪声是数据增强的一种方式。对于一些分类任务的神经网络，即使加入很小的随机噪声，神经网络的准确度也会急剧下降，为了增强神经网络健壮性，常用的方法是在神经网络训练时将随机噪声添加的输入层。高斯噪声是指它的概率密度函数服从正态分布的统计噪声，在数字图像中的高斯噪声的主要来源出现在采集期间。在大多数情况下，由于不良照明或高温引起的传感器噪声,图像采集系统产生的最常见噪声可以被建模为高斯随机噪声，下图2-9(A)为一张驾驶员打电话时的原图片，(B)为添加均值为0.1高斯噪声后的图片。(A)(B)图2-9原图与添加高斯噪声后的图Figure2-9．OriginalimageandgraphafteraddingGaussiannoise原始图像480*640*3250*250*3下采样下采样裁剪图像227*227*3227*227*3
【参考文献】：
期刊论文
[1]树莓派接入OneNET实现物联网系统的设计[J]. 王春梅,杨文龙. 电子设计工程. 2019(07)
[2]高速跟车状态下驾驶人最低视觉注意力需求[J]. 刘卓凡,付锐,马勇,袁伟,程文冬. 中国公路学报. 2018(04)
[3]分心对驾驶人交通冲突反应时间的影响[J]. 李鹏辉,胡孟夏,张文会,李一兵. 中国公路学报. 2018(04)
[4]驾驶人分心状态判别支持向量机模型优化算法[J]. 张辉,钱大琳,邵春福,钱振伟,菅美英. 交通运输系统工程与信息. 2018(01)
[5]基于驾驶绩效的车载信息系统操作分心判定模型[J]. 马艳丽,顾高峰,高月娥,马勇. 中国公路学报. 2016(04)
[6]驾驶人视觉特性与行车安全研究进展[J]. 马勇,付锐. 中国公路学报. 2015(06)
[7]次任务驾驶对行车安全性影响研究综述[J]. 金立生,李科勇,咸化彩,高琳琳. 交通信息与安全. 2014(05)
[8]驾驶人分心时长对车道偏离影响的实车试验[J]. 马勇,石涌泉,付锐,郭应时. 吉林大学学报(工学版). 2015(04)
[9]驾驶人视觉分心时转向操作和车道偏离特性研究[J]. 石涌泉,郭应时,杨婉莹,张名芳. 中国安全科学学报. 2014(09)
[10]视觉分心时驾驶人注视行为特性分析[J]. 马勇,付锐,王畅,郭应时,袁伟,宋殿明. 中国安全科学学报. 2013(05)
博士论文
[1]分心驾驶行为对交通安全影响机理与建模研究[D]. 张辉.北京交通大学 2018
[2]机动车闯红灯事故发生规律及其车载预警技术研究[D]. 张玉婷.北京交通大学 2018
[3]次任务驾驶安全性评价指标及评价模型研究[D]. 咸化彩.吉林大学 2014
硕士论文
[1]基于CNNs和LSTM的驾驶员疲劳和分心状态识别研究[D]. 李力.湖南大学 2018
[2]基于视觉特征的驾驶员分心驾驶行为甄别方法研究[D]. 姚莹.北京工业大学 2017
[3]基于多源信息融合的驾驶员分心监测研究[D]. 廖源.清华大学 2015
[4]车载信息系统分神对驾驶绩效的影响研究[D]. 顾高峰.哈尔滨工业大学 2014
[5]基于车载信息服务的驾驶人视觉特性研究[D]. 谢陈江.长安大学 2014
本文编号：3073143
本文链接：https://www.wllwen.com/kejilunwen/qiche/3073143.html
