基于目标检测的驾驶人分神驾驶行为检测方法研究

驾驶人的分神驾驶行为具有频发性和短暂性,极易引发道路交通安全事故,实时监测驾驶行为并对驾驶员的分神驾驶行为及时预警可有效降低车辆碰撞风险。针对该问题提出了一种基于深度学习和图像处理算法的驾驶人分神驾驶行为实时检测方法,对几种常见分神驾驶行为进行分类和检测。利用图像处理手段,分析分神驾驶行为检测的特点,在YOLOv5模型框架上进行了针对性的改进。首先,在网络中输入模块,采用动态优化方法设定了锚框信息,并在检测器头部之前添加特征选择操作,动态调整了特征点。针对主干网络,将BottlenckCSP网络的输入特征映射与输出特征直接连接,删除了模块的分支卷积,保留了更丰富的浅层特征信息。另一方面,在主干网络增加了注意力机制,提高网络模型提取关键特征的能力,从而提升模型的分类精度及鲁棒性。从总体上解决了特征信息丢失的问题,使模型易于完整的获取驾驶人的所有分神驾驶动作信息,从而减少深度学习网络参数,有效降低模型计算量。对Kaggle危险驾驶行为数据进行再标注,作为训练数据集,对模型进行了优化训练。结果表明:模型在测试集的平均检测精度为95.30%,平均召回率为95.13%,在试验环境下的检测速度达到48.3 FPS,满足分神驾驶实时监测的需求。

基于改进Faster RCNN的驾驶员手持通话检测

针对现有驾驶员通话行为识别误判率较高的问题,提出一种基于改进Faster RCNN的驾驶员行为检测方法,对驾驶员的违规手持通话进行检测.介绍了针对区域建议网络(RPN)及其损失函数的优化策略,并在原始Faster RCNN上运用多尺度训练、增加锚点数量以及引入残差扩张网络的方法增强网络检测不同尺寸目标的鲁棒性.基于车载平台上采集的驾驶员行为图像,对文中提出的方法进行仿真试验.结果表明:RPN和Faster RCNN通过交替优化共享特征提取网络部分,实现高效的目标检测,相较于原始Faster RCNN,检测精确度提高了3.8%,对环境的适应性更强.

考虑驾驶任务需求的车内次任务分神干预策略

为使分配给驾驶任务的注意水平与其任务需求相匹配,从而满足安全驾驶要求,探究车内次任务分神干预策略.基于车辆和驾驶环境数据及前方道路场景视频资料,构建基于实时道路交通数据的驾驶任务需求预测模型,采用驾驶任务需求评估法,验证所建预测模型的有效性,给出不同驾驶任务需求下的次任务分神预防策略.结果表明:驾驶任务需求评估与预测等级一致性达到83%,没有出现预测需求高,评估需求低的情况.当驾驶任务需求较高时,除收音机及CD播放外,其他车载信息任务分神均应予以警告或禁止,次任务分神可以通过制定预防策略避免,研究结果可为驾驶分神预警管理提供方案及技术支持.

危化品公路运输过程中的违规和高危驾驶行为分析

基于某大型石化企业危化品运输车队2年的驾驶舱监控数据,利用面板向量自回归模型,分析了4类危险驾驶行为之间的因果关系。结果表明,分神驾驶是导致违规驾驶的直接原因,而疲劳驾驶只是导致违规驾驶的间接原因;疲劳驾驶和分神驾驶之间存在显著的双向因果关系;对抗驾驶和分神驾驶这2种危害路径具有一定的互斥性。