摘要
驾驶员行车过程中的分心驾驶行为是交通安全的一大隐患，如果能在行车过程中及时识别并纠正驾驶员的分心驾驶行为，将有效降低交通事故发生频率。近年来，基于卷积神经网络的驾驶行为识别方法成为了国内外研究者研究的重点并在理论和应用方面取得了很好的效果。但目前有关驾驶行为识别的大多数研究所用的AlexNet,VGGNet,ResNet等经典神经网络模型相较于近年新提出的InceptionV3,DenseNet,MobileNetV2等新型神经网络模型存在识别准确率较低，模型体积较大的问题。本文以“基于新型预训练网络的分心驾驶行为识别”为研究核心，提出了基于新型预训练网络的分心驾驶行为识别方法和网络结构改进思路，主要内容如下： 首先，本文将AlexNet,VGGNet,ResNet,InceptionV3,DenseNet,MobileNetV2等经典预训练网络模型和新型预训练网络模型进行对比实验，探究在分心驾驶行为识别任务上，新型网络模型在识别准确率，模型大小等方面是否优于经典网络模型。实验结果表明新型网络模型应用于驾驶行为识别任务的识别准确率普遍高于经典网络模型，模型体积普遍小于经典网络模型。其中，将DenseNet121通过迁移学习应用于驾驶行为识别任务时，在StateFarm数据集的测试集上的识别准确率为94.83%，模型大小仅30.8MB。 然后，仿照InceptionV3网络的设计思想，采用非对称卷积改进了原DenseNet121网络结构，原网络四个DenseBlock层中的3×3卷积层被1×3和3×1的两个卷积层替代，改进后的DenseNet121网络在StateFarm驾驶行为数据集的测试集上的识别准确率达到了96.07%。 最后，基于改进的DenseNet121网络训练模型并完成分心驾驶行为识别系统的开发，实现分心驾驶行为的识别和预警功能。系统测试结果表明，系统能够对驾驶室环境中的真人驾驶行为和StateFarm分心驾驶行为数据集中的图片进行识别，并在StateFarm数据集上达到了96.07%的识别准确率和30.80帧/S的识别速率，体现了该系统有效性和实用性。
NETL