摘要
安全驾驶一直以来是交通研究中的热门话题，在公共安全和经济应用方面具有极高的研究意义。近些年，随着芯片制造技术的不断升级，推动了复杂高效的驾驶辅助算法在车载平台的应用，使得车辆辅助驾驶系统的功能更加完备、更加智能化。由于造成交通事故发生的关键所在是驾驶者的分心行为，为了应对更加复杂的道路交通环境，减少交通事故产生概率，保护乘车人士的安全，因此规范驾驶行为是辅助系统的重中之重。 本文旨在研究辅助约束驾驶行为规范的技术，以分心驾驶行为展开研究，主要的理论贡献和开创新工作归纳如下: 一、针对卷积神经网络特征缺乏远距离联系性，及视觉Transformer网络缺乏特征提取能力问题，提出了残差模型与视觉Transform模型融合的RViT网络，提升整体特征提取能力和远距离特征关联性。融合模型RViT继承了残差网络的特征表达能力与Transform网络的自注意力机制，由三部分组成:第一部分，提出了模型融合的残差视觉Transformer网络RViT，综合了残差网络ResNet优秀的特征提取效率与视觉Transform网络的远距离特征之间的关联性。第二部分，采用了序列化图像过滤处理，即序列块局部平均池化方法，解决了由于模型参数量过多而导致的过拟合与准确率下降问题。第三部分，使用Transform视觉网络结构进行局部特征远距离关联。RViT相比较于卷积网络和视觉Transformer网络，准确率与稳定性得以提升。 二、针对训练样本数量不平衡问题，提出了一种孤立中心损失函数ICL监督方法，以提高传统Softmax损失SL监督下各类样本之间的区分度。基于类间离散度尽量大、类内离散度尽量小的原则，提出方法由三部分组成:第一部分采用等角分布固定权值，使得全部类间夹角余弦值之和最小，确保不同类别在角度空间的距离最大化;第二部分是中心聚类思想，使得同类样本在欧氏空间尽可能地聚拢;第三部分最大化不同类之间的欧氏距离，使得不同类样本在欧氏空间尽量分开。相比于SL损失函数，提出方法不仅提高了准确率，同时也更加稳定（相同配置下多次实验结果的变化程度更小）。ICL损失函数运行速度只比SL损失方法略微慢一点，仍然比一些其它方法快。 三、本文提出的融合模型RViT网络与孤立中心损失方法ICL，使用分心驾驶行为仿真系统进行算法验证。首先进行图像质量预处理，其次使用RViT网络进行分心驾驶行为的特征提取，最后使用孤立中心损失方法ICL进行分心驾驶行为分类。基于模型融合的分心驾驶行为检测算法创新符合检测的目的，提高了检测算法的准确率S与稳定性。
NETL