基于神经网络学习的公共汽车驾驶安全识别

文章针对目前公交车驾驶员身体突发疾病、乘客抢夺方向盘以及现阶段L2级别的智能驾驶中驾驶权转移的空白等行车安全问题,设计了表情识别和危险动作识别两款程序。其中表情识别程序是利用基于Python语言的Opencv计算机视觉库,以Qt5作上位机设计的一款在视频中实时采集的人脸表情识别程序。首先通过输入图像的处理提高有关信息的可监测性,进而提高监测质量,其次进行表情模型训练和数据采集等,最终实现识别功能。同时还介绍了基于LabVIEW的危险动作识别程序。通过摄像头传入的视频信息,采用帧间差分法以及背景学习等算法监测出运动物体,实现监测范围内可能对驾驶安全构成威胁的外来物体的实时捕捉。实验数据表明,两款程序能够准确、快速地捕捉相应表情和危险动作,在解决上述问题的同时还大大提高了公共汽车的行车安全性。

基于卷积神经网络的驾驶员不安全行为识别

提出了一种基于卷积神经网络的驾驶员违规行为识别方法。首先,利用特定卷积神经网络对驾驶员的实时图像提取特征,然后并行对多种行为分别进行二分类。建立了一个真实场景下的驾驶员违规数据集,在此数据集上的测试说明了该方法的高效和良好的泛化能力。实验结果表明,该方法在约10万张图像的数据集中对打电话、吸烟、不系安全带3种行为分别达到了99.85%、99.62%、98.68%的识别率,同时使用当前较先进的Inception-v3和Xception模型测试,也获得了类似的识别效果。

基于稀疏时空特征描述的驾驶者多种非安全驾驶行为识别

驾驶者非安全驾驶行为是引发恶性交通事故的重要原因,本文通过对于构成视频的图像序列提取时空兴趣点,扩展成Cuboid并进行向量化特征描述,得到驾驶员的动作行为的向量表示,然后使用PCA算法对于得到的特征向量进行降维,并使用K-means算法对其进行聚类,所得到的聚类中心作为Cuboid原型字典中心,最后,使用KNN算法对不同驾驶者的非安全驾驶行为进行有效识别分类。实验结果表明这种方法能够对于不同个体的体貌差异具有一定的容忍性,对于不同驾驶者的相似的非安全的驾驶行为具有较好的识别能力。