驾驶行为规范性不仅是行车安全的保障,也是解决交通高峰期道路畅通的前提,对驾驶行为识别的研究是道路交通安全的研究热点之一。论文基于深度学习算法对视觉图像进行驾驶行为识别,其研究具有重要的理论意义和应用价值。论文主要内容如下:首先从基本的图像处理算法出发,通过理论分析和实验验证,测试了一系列图像增强、图像滤波和降采样算法的效果,研究了基于直方图均衡算法、中值滤波算法和高斯金字塔算法的基本预处理方法。同时研究了基于高斯混合模型的特征预提取算法,降低了背景因素对识别结果的影响,加快了网络模型的收敛速度。研究了一种基于改进长效循环神经网络(LRCN)网络模型的驾驶员上身姿态分类方法,将卷积神经网络与门控递归单元(GRU)递归网络相结合,同时加入一些图像预处理算法和优化策略,建立了一个完整的驾驶员上身姿态分类识别模型。该模型对于白天和夜间的驾驶员上身姿态样本都具有较高的识别精度。研究了一种基于多损失值融合网络模型的驾驶员头部姿态估计方法,用预训练好的深度卷积网络模型做骨干网络,将分类损失与回归损失融合,对每个角度单独计算损失值,采用迁移学习的方法训练该模型。该模型可以准确地估计人脸的欧拉角,为上身姿态分类算法提供分割样本子序列的依据,并可以对上身姿态分类的结果进行特征融合校正,进一步提高驾驶行为识别的精度。最后,针对图像预处理算法和几种网络模型,设计相关实验检验其性能。并且对驾驶行为识别系统的整体设计方案进行研究和阐述。以计算机视觉技术和深度学习算法为基础,根据对驾驶行为识别的需求分析,对系统的各功能模块进行了定义和设计,确定了驾驶行为识别系统的总体框架。结果显示与记录模块的软件程序是利用Python语言下的PyQT5框架编写的,该程序将论文中多种算法和网络模型进行综合,可以对输入的驾驶行为图像进行识别并将识别结果进行记录和显示。