驾驶是一项需要注意力高度集中的复杂任务,它包含信息感知、决策和执行等多个环节。在由驾驶员、车辆和道路环境构成的交通系统中,驾驶员是系统中最薄弱的环节。分心驾驶是由于执行与驾驶任务无关的事(如调节收音机、接打电话、发短信等)所引起的注意力不集中。驾驶员在分心状态下,驾驶安全意识的下降,注意力的转移降低了驾驶员对周围环境的感知、判断和决策能力,影响对车辆的安全操控,易引发交通冲突。为此,我们设计并实现了一种基于Movidius神经计算棒的分心驾驶实时监测系统,它可以对驾驶员的分心状态快速识别,当发现驾驶员长期(2-3秒)处于危险驾驶行为状态时,系统将对驾驶员进行提醒。同时,如果有需要,可以将监测结果传输到云平台,使得交通控制中心的人员可以远程掌握驾驶员状态。Movidius神经计算棒是基于USB模式的深度学习推理工具和独立的人工智能加速器,为嵌入式设备提供专用深度神经网络运算加速功能,使得边缘设备也能部署准确度极高的神经网络模型。首先,通过改进现有的GoogLeNet网络模型,使之经过训练后能够对危险驾驶行为进行识别;然后,将危险驾驶行为监测模型结合我们提出的基于驾驶员行为的分心驾驶检测方法,部署到搭载Movidius神经计算棒的树莓派上;最后,为了加强交通控制中心人员的管理能力,我们将检测结果上传到OneNet云平台,并实时显示,使得管理中心的人员可以实时查看驾驶员状态。实验结果表明,搭载Movidius神经计算棒的树莓派,对驾驶员图片的处理时间在90毫秒左右,整个系统的处理速度在每秒5-8帧,基本上实现了实时监测分心驾驶的任务。