论文部分内容阅读
随着人们出行需求的不断增加,出租车以其方便、舒适、快捷的优势在人们的出行中扮演着至关重要的角色。但司机在驾驶过程中使用手机和吸烟严重威胁乘客的人身安全,同时也影响了乘车体验。目前,违规行为的检测主要是通过人工筛查的方式,但是由于疲劳或者走神等原因,无法保证筛查的持续性和可靠性,同时还耗费了大量的人力。本文利用图像处理技术实现出租车司机违规行为的实时自动检测,对于公众和监管部门都有着重要的意义。本文在详细分析和比较了当前深度学习目标检测算法基础上,构建了一种基于SSD(Single Shot Multibox Detector)目标检测算法的出租车司机违规行为的实时自动检测方法。首先,收集出租车场景下司机违规行为样本,经过筛选和预处理之后按照VOC2007数据集的格式进行标注,数据集包含手机和烟两类目标,共计10981张图片,标注工作完成后对数据集中目标的尺度和长宽比进行统计,为后续模型的搭建和训练奠定基础;然后,选用VGG16作为SSD算法的基础网络,根据自建数据集尺度分布特点以及特有的长宽比选用卷积层作为预测层并设置其中的参数,同时由于数据集中易分负样本较多的特点将损失函数替换成focal loss,之后采用迁移学习的方法训练自建数据集,模型最终的测试准确率为94.22%,这相较于原始的SSD算法提升了2.42%,同时能够保证在单NVIDIA 1080Ti GPU(Graphic Processing Unit)服务器上处理速度为每秒33帧;最后,针对模型的处理速度改进,选用结构更加简单的SqueezeNet作为SSD算法的基础网络,模型在保证准确率在89%的前提下处理速度达到每秒55帧,这意味着服务器在同一时间内可以处理更多的数据,针对模型准确率改进,Rainbow-SSD算法通过增加预测层中输出特征图的个数将准确率提升为95.37%,RefineDet算法通过结合two-stage和one-stage方法的思想并增加先验框的过滤操作将准确率提升为96.16%,以上两个算法在已有基础上准确率分别提升了1.15%和1.94%。本文的成果在西宁市出租车管理系统中进行了实际应用,并取得了良好的效果。应用表明实现出租车司机违规行为的自动检测可以节省大量人力,提高监管部门的工作效率,为乘客出行提供保障。