駕駛是一項需要注意力高度集中的復(fù)雜任務(wù),它包含信息感知、決策和執(zhí)行等多個環(huán)節(jié)。在由駕駛員、車輛和道路環(huán)境構(gòu)成的交通系統(tǒng)中,駕駛員是系統(tǒng)中最薄弱的環(huán)節(jié)。分心駕駛是由于執(zhí)行與駕駛?cè)蝿?wù)無關(guān)的事（如調(diào)節(jié)收音機、接打電話、發(fā)短信等）所引起的注意力不集中。駕駛員在分心狀態(tài)下,駕駛安全意識的下降,注意力的轉(zhuǎn)移降低了駕駛員對周圍環(huán)境的感知、判斷和決策能力,影響對車輛的安全操控,易引發(fā)交通沖突。為此,我們設(shè)計并實現(xiàn)了一種基于Movidius神經(jīng)計算棒的分心駕駛實時監(jiān)測系統(tǒng),它可以對駕駛員的分心狀態(tài)快速識別,當(dāng)發(fā)現(xiàn)駕駛員長期（2-3秒）處于危險駕駛行為狀態(tài)時,系統(tǒng)將對駕駛員進行提醒。同時,如果有需要,可以將監(jiān)測結(jié)果傳輸?shù)皆破脚_,使得交通控制中心的人員可以遠(yuǎn)程掌握駕駛員狀態(tài)。Movidius神經(jīng)計算棒是基于USB模式的深度學(xué)習(xí)推理工具和獨立的人工智能加速器,為嵌入式設(shè)備提供專用深度神經(jīng)網(wǎng)絡(luò)運算加速功能,使得邊緣設(shè)備也能部署準(zhǔn)確度極高的神經(jīng)網(wǎng)絡(luò)模型。首先,通過改進現(xiàn)有的GoogLeNet網(wǎng)絡(luò)模型,使之經(jīng)過訓(xùn)練后能夠?qū)ξｋU駕駛行為進行識別;然后,將危險駕駛行為監(jiān)測模型結(jié)合我們提出的基于駕駛員行為的分心駕駛檢測方... 

【文章來源】：浙江工業(yè)大學(xué)浙江省

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

0種駕駛員行為圖片詳情

浙江工業(yè)大學(xué)碩士學(xué)位論文182.3網(wǎng)絡(luò)微調(diào)本文的網(wǎng)絡(luò)微調(diào)是將ImageNet比賽中表現(xiàn)優(yōu)異的網(wǎng)絡(luò)遷移到駕駛員行為樣本數(shù)據(jù)集，以提高圖像分類效果。在我們的研究中，我們對經(jīng)典的深度卷積神經(jīng)網(wǎng)絡(luò)如Alexnet、VGG16、GoogLenet和ResNet網(wǎng)絡(luò)進行遷移學(xué)習(xí)，使其能夠?qū)︸{駛員行為進行準(zhǔn)確識別。我們使用遷移學(xué)習(xí)的目的是利用各經(jīng)典網(wǎng)絡(luò)提取有效的特征，從而解決駕駛員行為識別的問題，其根本出發(fā)點在于駕駛員行為數(shù)據(jù)的稀缺性以及計算力的有限。我們這里使用的是基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)，即復(fù)用在源域中預(yù)先訓(xùn)練的經(jīng)典網(wǎng)絡(luò)的部分結(jié)構(gòu)和參數(shù)，將其遷移到駕駛員行為識別網(wǎng)絡(luò)中，使得在數(shù)據(jù)少和計算力匱乏的情況下較快的得到有效的模型。網(wǎng)絡(luò)微調(diào)是避免從頭開始訓(xùn)練CNN，由于CNN的前幾層“卷積-池化”操作，處于不斷提取圖像特征的過程，對源域和目標(biāo)域具有一定的通用性，因此，通過反向傳播來調(diào)整CNN網(wǎng)絡(luò)模型參數(shù)，將網(wǎng)絡(luò)微調(diào)用于解決駕駛員行為識別問題。在網(wǎng)絡(luò)微調(diào)過程中模型不需要從頭開始訓(xùn)練，從而提高了模型訓(xùn)練的效率，另一方面，模型避免了因缺乏訓(xùn)練數(shù)據(jù)樣本而導(dǎo)致的過擬合問題。圖2-4基于遷移學(xué)習(xí)駕駛員行為識別原理圖Figure2-4．Schematicdiagramofdriverbehaviorrecognitionbasedontransferlearning為了解決訓(xùn)練神經(jīng)網(wǎng)絡(luò)所需要算力和數(shù)據(jù)量小的難題，本章通過對經(jīng)典神經(jīng)網(wǎng)絡(luò)模型（如AlexNet、VGG、GoogleNet和ResNet）的重構(gòu)，利用遷移學(xué)習(xí)來

浙江工業(yè)大學(xué)碩士學(xué)位論文22為了使提升深度模型的準(zhǔn)確度，我們使用裁剪對駕駛員圖片進行擴充。（1）圖像裁剪如下圖所示，原始圖片的大小為480*640*3，我們將其下采樣至250*250*3，然后分別以四個角為頂點，裁剪出227*227*3的圖片(其他網(wǎng)絡(luò)需要的圖片尺寸請查看3.1.1節(jié)的圖片處理)，這樣就可以使圖片增加4倍。圖2-8圖片的裁剪擴充Figure2-8．Cropexpansionoftheimage（2）增加噪聲在神經(jīng)網(wǎng)絡(luò)的輸入層注入噪聲是數(shù)據(jù)增強的一種方式。對于一些分類任務(wù)的神經(jīng)網(wǎng)絡(luò)，即使加入很小的隨機噪聲，神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確度也會急劇下降，為了增強神經(jīng)網(wǎng)絡(luò)健壯性，常用的方法是在神經(jīng)網(wǎng)絡(luò)訓(xùn)練時將隨機噪聲添加的輸入層。高斯噪聲是指它的概率密度函數(shù)服從正態(tài)分布的統(tǒng)計噪聲，在數(shù)字圖像中的高斯噪聲的主要來源出現(xiàn)在采集期間。在大多數(shù)情況下，由于不良照明或高溫引起的傳感器噪聲,圖像采集系統(tǒng)產(chǎn)生的最常見噪聲可以被建模為高斯隨機噪聲，下圖2-9(A)為一張駕駛員打電話時的原圖片，(B)為添加均值為0.1高斯噪聲后的圖片。(A)(B)圖2-9原圖與添加高斯噪聲后的圖Figure2-9．OriginalimageandgraphafteraddingGaussiannoise原始圖像480*640*3250*250*3下采樣下采樣裁剪圖像227*227*3227*227*3

【參考文獻】：
期刊論文
[1]樹莓派接入OneNET實現(xiàn)物聯(lián)網(wǎng)系統(tǒng)的設(shè)計[J]. 王春梅,楊文龍.  電子設(shè)計工程. 2019(07)
[2]高速跟車狀態(tài)下駕駛?cè)俗畹鸵曈X注意力需求[J]. 劉卓凡,付銳,馬勇,袁偉,程文冬.  中國公路學(xué)報. 2018(04)
[3]分心對駕駛?cè)私煌_突反應(yīng)時間的影響[J]. 李鵬輝,胡孟夏,張文會,李一兵.  中國公路學(xué)報. 2018(04)
[4]駕駛?cè)朔中臓顟B(tài)判別支持向量機模型優(yōu)化算法[J]. 張輝,錢大琳,邵春福,錢振偉,菅美英.  交通運輸系統(tǒng)工程與信息. 2018(01)
[5]基于駕駛績效的車載信息系統(tǒng)操作分心判定模型[J]. 馬艷麗,顧高峰,高月娥,馬勇.  中國公路學(xué)報. 2016(04)
[6]駕駛?cè)艘曈X特性與行車安全研究進展[J]. 馬勇,付銳.  中國公路學(xué)報. 2015(06)
[7]次任務(wù)駕駛對行車安全性影響研究綜述[J]. 金立生,李科勇,咸化彩,高琳琳.  交通信息與安全. 2014(05)
[8]駕駛?cè)朔中臅r長對車道偏離影響的實車試驗[J]. 馬勇,石涌泉,付銳,郭應(yīng)時.  吉林大學(xué)學(xué)報(工學(xué)版). 2015(04)
[9]駕駛?cè)艘曈X分心時轉(zhuǎn)向操作和車道偏離特性研究[J]. 石涌泉,郭應(yīng)時,楊婉瑩,張名芳.  中國安全科學(xué)學(xué)報. 2014(09)
[10]視覺分心時駕駛?cè)俗⒁曅袨樘匦苑治鯷J]. 馬勇,付銳,王暢,郭應(yīng)時,袁偉,宋殿明.  中國安全科學(xué)學(xué)報. 2013(05)

博士論文
[1]分心駕駛行為對交通安全影響機理與建模研究[D]. 張輝.北京交通大學(xué) 2018
[2]機動車闖紅燈事故發(fā)生規(guī)律及其車載預(yù)警技術(shù)研究[D]. 張玉婷.北京交通大學(xué) 2018
[3]次任務(wù)駕駛安全性評價指標(biāo)及評價模型研究[D]. 咸化彩.吉林大學(xué) 2014

碩士論文
[1]基于CNNs和LSTM的駕駛員疲勞和分心狀態(tài)識別研究[D]. 李力.湖南大學(xué) 2018
[2]基于視覺特征的駕駛員分心駕駛行為甄別方法研究[D]. 姚瑩.北京工業(yè)大學(xué) 2017
[3]基于多源信息融合的駕駛員分心監(jiān)測研究[D]. 廖源.清華大學(xué) 2015
[4]車載信息系統(tǒng)分神對駕駛績效的影響研究[D]. 顧高峰.哈爾濱工業(yè)大學(xué) 2014
[5]基于車載信息服務(wù)的駕駛?cè)艘曈X特性研究[D]. 謝陳江.長安大學(xué) 2014



本文編號：3073143