基于图卷积网络的多信息融合驾驶员分心行为检测

为减少由驾驶员分心造成的交通事故,并检测驾驶员在自动驾驶情况下的分心状态以判断驾驶员是否有接管车辆的能力,提出了一种基于图卷积的多信息融合驾驶员分心行为检测方法。通过分析驾驶员分心行为和姿态特征,设计了驾驶员姿态估计图,基于图卷积网络对驾驶员姿态估计图进行特征提取,使用全连接层对所提取特征进行行为分类,同时融合手机等关键物体信息对驾驶员分心行为进行再判断。实验结果表明,本文提出的方法在SrateFarm数据集和自制数据集上分别达到了90%和93%的准确率,检测速度约为20帧/s,准确性和实时性均达到检测要求。

驾驶员分心对人因失误的影响

分析了驾驶员分心的类型及外部表现，指出驾驶员分心会诱发观察失误、信息编码和检索失误、动作失误、认知和决策失误等行为。

基于深度学习的驾驶员分心行为识别模型

针对VGG16网络识别驾驶员分心时参数量多、分类准确率低的问题,提出了一种基于多尺度通道的分类模块MCAM。分类模块MCAM包括MCM模块和MSE模块。MCM模块将卷积特征图分离为4个子特征图,使用不同的卷积核对4个子特征图进行空间信息提取,以期提高分类准确率;MSE模块为改进的通道注意力,其使用一维卷积来改进原始通道注意力中的全连接层,降低了全连接层大量参数问题。将MCAM嵌入VGG16中,并使用非对称卷积辅助降低参数量。实验结果表明,使用MCAM模块在State Farm Distracted Driver分心数据集上达到了97.50%的识别准确率,并降低了VGG16网络的参数量。