基于蚁群算法的车辆状态疲劳特征优化研究

针对疲劳驾驶引起的道路交通安全问题,提出一种改进蚁群优化(IACO)算法对车辆状态疲劳特征进行优化。将特征选择问题转化为全连接的无向图,引入Fisher分数与最大信息系数来提高搜索效率、降低特征冗余度。从车辆状态参数中提取疲劳特征,利用IACO算法对疲劳特征进行优化,得到最优疲劳特征子集。实验结果表明,IACO算法的SVM分类准确率为85.6%、KNN分类准确率为83.2%,均高于其他常用特征优化算法的分类结果,说明IACO算法对疲劳特征的优化性能高于其他常用特征优化算法。

一种改进RetinaNet深度学习网络的城乡结合部违章建筑检测方法

针对城乡结合部违章建筑类型多样化、小目标待检物较多且检测精度较低等问题,提出了一种改进RetinaNet深度学习网络的城乡结合部违章建筑检测方法。首先,在主干特征提取网络ResNet50中嵌入CA注意力机制,以增强网络对小目标的感知能力;其次,在ResNet50中引入并行空洞卷积(DCB)模块,以实现多尺度特征融合,降低算法的漏检率;最后,将ResNet50网络的ReLU激活函数替换为GeLU激活函数,以加快模型收敛,提升模型稳定性。实验结果表明,改进后模型的平均准确率达到93.28%,参数量为3.920×107,可为城乡结合部违章建筑实时监测及拆除工作提供部分理论依据。

改进的轻量级GBC-YOLOv5疲劳驾驶检测方法

针对现有的YOLO疲劳驾驶检测算法参数多、计算量大、实车推广困难等问题,提出一种改进的轻量级GBC-YOLOv5疲劳驾驶检测方法。首先,利用Ghost卷积模块实现特征提取;其次,采用Ghost Bottleneck模块来降低计算瓶颈,减少模型参数量和不必要的卷积计算;然后,引入CA注意力机制来增强网络的特征提取能力;最后,通过BiFPN结构来实现多尺度特征的高效融合。对YawDD疲劳驾驶数据集的检测结果表明,GBC-YOLOv5模型的平均精度均值达到了98.6%,实现了模型轻量化和实时性的平衡。

基于鲸鱼优化的疲劳驾驶识别方法研究

以实车工况下驾驶员操作行为为研究对象,设计双时间窗截取时间序列长度,给出驾驶操作行为统计特征提取方法。利用单因素方差分析疲劳特征的P值和F值,获取操作行为最优疲劳特征指标,提出基于鲸鱼优化的决策树方法,进行疲劳驾驶识别。实车数据试验表明,所提出的三级疲劳驾驶检测正确率达84.25%,漏报率为15.69%。