论文部分内容阅读
大部分交通事故是由分心驾驶造成的,分心驾驶监测已成为智能交通系统中一个非常活跃的领域。分心驾驶监测包括分心驾驶识别和减少分心驾驶,如何准确地动态识别驾驶员的驾驶状态,并合理地提醒驾驶员,避免分心驾驶造成的交通事故是分心驾驶研究领域亟需解决的问题。分心驾驶识别常采用神经网络方法,然而这种方法存在很多问题。第一,现有的基于CNN(卷积神经网络)的方法都是独立地处理单帧图片,因此不能捕捉到驾驶员的动态信息;第二,尽管ResNet-50可以用于分心识别,但在某些应用领域该方法不能提取到用于分心识别的必要特征;第三,在分心驾驶静态识别中,神经网络无法区分正常驾驶状态和发呆状态。针对以上问题,本文提出了一种基于神经网络的分心驾驶动态识别系统。第一,将CNN和RNN(循环神经网络)结合应用于分心驾驶动态识别,通过RNN融合相间隔帧的信息来连接驾驶员动态信息;第二,本文在ResNet-50基础上提出了一种新的ResNet-50_v2,ResNet-50_v2可以通过充分利用图像信息来解决ResNet-50中所需特征提取的不足;第三,分心驾驶动态识别系统能够分析驾驶员的连续变化特征,从而能区分正常驾驶状态和发呆状态。最终测试的结果显示:ResNet-50_v2在分心驾驶静态识别中的性能优于ResNet-50,ResNet-50_v2的分心驾驶识别的准确率为96.2667%,比ResNet-50的分心驾驶识别准确率91.9333%高4.3334%。而在分心驾驶动态识别的中,因为分心驾驶动态识别系统能够区分正常驾驶状态和发呆状态,因此,分心驾驶动态识别系统优于ResNet-50_v2,分心驾驶识别的准确率为98.3%。