论文部分内容阅读
摘要：随着时代的发展，驾车出行是更多人的选择方式，但是越来越多的交通事故严重影响了人们的安全，这些交通事故的背后大多数都是由于驾驶不规范而造成的。本项目组研究的基于深度学习的不规范驾驶行为智能识别系统，可以智能的检测到驾驶员的不规范行为，极大的提高了驾驶的安全性。
关键词：深度学习;卷积神经网络;不规范驾驶行为
1 引言
近几年，随着科技和技术的不断发展，公交车和出租车以及私家车都不断的增多，这不僅给我们的出行带来了便利，而且还充分的体现出我国的经济发展的速度，但这也为人们的安全埋下了隐患。根据交通安全大数据所了解，在容易导致事故发生的十大不规范驾驶行为中，未按操作规范安全驾驶、文明驾驶的占49.6%。可以看出不规范驾驶行为所导致的交通事故接近占总比的一半。
深度学习是机器学习研究中的一个新领域，其目的在于训练计算机完成自主学习、判断、决策等人类行为并建立、模拟人脑进行分析学习的神经网络[1]。当前，深度学习的研究逐渐从监督学习转移到强化学习、半监督学习以及无监督学习邻域，视频检测，因其可以利用海量无标记的自然数据去学习视频的内在特征。
对此，基于之前的各种传统的监控系统在不同领域中，所暴露出来的局限性和狭义性。使新一代智能监控系统的得以飞速发展，基于深度学习的不规范驾驶行为智能识别系统与传统的行车记录仪相比他的优点在于能够全面的解决司机的不规范驾驶行为，以避免造成不必要的交通事故发生。
2 系统设计
2.1 系统构成
该系统使用普通摄像头采集视频信息，然后进行处理，实时传递给视频分析模块。当检测到不规范行为时，通过语音提示器提示驾驶员规范驾驶。通过这三个模块的协同配合，最终实现全套的完整功能。系统功能模块图如图2-1。
2.2 去运动模糊模型
由于车在行驶过程中，司机一直是运动状态，通过车内摄像头采集司机的图像会产生运动模糊，所以需要处理模糊。这不禁让人联想起生成对抗网络（GAN），因为它能够保存高纹理细节，创建的图案接近真实图像，所以是图像超分辨率和图像修复中的主力军[2]。
2.3 卷积神经网络模型
卷积神经网络是多层感知机（MLP）的变种。卷积神经网络是一种深度的监督学习下的机器学习模型，具有极强的适应性，善于挖掘数据局部特征，提取全局训练特征和分类，它的权值共享结构网络使之更类似于生物神经网络，在模式识别各个领域都取得了很好的成果[3]。利用卷积神经网路模型对采集的司机图像通过卷积神经网络进行识别和处理。
3 系统流程
前期准备，通过模拟驾驶场景，针对4种典型的驾驶行为进行识别，分别为：规范驾驶、疲劳驾驶、打电话、单手驾驶。对这些典型行为进行识别，可为后续的行为分析提供数据支撑。本系统以10名驾驶员为研究对象。每个驾驶员单独拍摄5-6分钟视频，在驾驶位分别做出疲劳驾驶、打电话、单手驾驶的动作，每个动作持续20秒左右。在每个行为模式下选取多张帧图，组成6500张图片，对数据进行标注，然后组成训练集。同理可得到验证集和测试集。
系统基于TensorFlow深度学习框架完成模型建立，TensorFlow提供很多的函数模块，在搭建模型过程中，用户可以调用这些函数。且利用SSD算法获取图像中驾驶员的图像信息，根据驾驶员图像信息裁剪驾驶员图像。然后根据前向传播得到预测试，跟真实样本比较，得到损失值，接着采用反向传播算法，更新权值（参数），来回不断地迭代，直到损失函数很小，然后在测试集或者验证集上对准确率进行评估。
模型训练完毕，使用真实数据进行预测，如表1所示是系统的测试结果，当司机在开车中有不规范驾驶动作行为时，对司机进行语音提示。
4 结语
本系统通过将摄像头安装在车内，并实时采集司机行为特征图像，控制器与服务器远程连接，服务器通过网络通信接收司机图像，并通过深度学习技术对采集的司机行为图像进行识别并处理，再把处理的结果传给控制器。有助于提高司机安全意识，减少交通事故的发生。
参考文献：
[1]https：//blog.csdn.net/weixin_37647148/article/details/105932009
[2]安祺， 姜丽芬， 孙华志，等. 基于生成对抗网络去除车辆图像运动模糊模型[J]. 天津师范大学学报（自然科学版）， 2020， v.40（01）：79-83.
[3]https：//blog.csdn.net/sazass/article/details/87794071
基金项目：西北民族大学中央高校基本科研业务费资助本科生科研能力项目训练项目（项目编号：XBMU21188）
第一作者：田保书（1998—），男，西北民族大学数学与计算机科学学院本科生，研究方向：软件工程
关键词：深度学习;卷积神经网络;不规范驾驶行为
1 引言
近几年，随着科技和技术的不断发展，公交车和出租车以及私家车都不断的增多，这不僅给我们的出行带来了便利，而且还充分的体现出我国的经济发展的速度，但这也为人们的安全埋下了隐患。根据交通安全大数据所了解，在容易导致事故发生的十大不规范驾驶行为中，未按操作规范安全驾驶、文明驾驶的占49.6%。可以看出不规范驾驶行为所导致的交通事故接近占总比的一半。
深度学习是机器学习研究中的一个新领域，其目的在于训练计算机完成自主学习、判断、决策等人类行为并建立、模拟人脑进行分析学习的神经网络[1]。当前，深度学习的研究逐渐从监督学习转移到强化学习、半监督学习以及无监督学习邻域，视频检测，因其可以利用海量无标记的自然数据去学习视频的内在特征。
对此，基于之前的各种传统的监控系统在不同领域中，所暴露出来的局限性和狭义性。使新一代智能监控系统的得以飞速发展，基于深度学习的不规范驾驶行为智能识别系统与传统的行车记录仪相比他的优点在于能够全面的解决司机的不规范驾驶行为，以避免造成不必要的交通事故发生。
2 系统设计
2.1 系统构成
该系统使用普通摄像头采集视频信息，然后进行处理，实时传递给视频分析模块。当检测到不规范行为时，通过语音提示器提示驾驶员规范驾驶。通过这三个模块的协同配合，最终实现全套的完整功能。系统功能模块图如图2-1。
2.2 去运动模糊模型
由于车在行驶过程中，司机一直是运动状态，通过车内摄像头采集司机的图像会产生运动模糊，所以需要处理模糊。这不禁让人联想起生成对抗网络（GAN），因为它能够保存高纹理细节，创建的图案接近真实图像，所以是图像超分辨率和图像修复中的主力军[2]。
2.3 卷积神经网络模型
卷积神经网络是多层感知机（MLP）的变种。卷积神经网络是一种深度的监督学习下的机器学习模型，具有极强的适应性，善于挖掘数据局部特征，提取全局训练特征和分类，它的权值共享结构网络使之更类似于生物神经网络，在模式识别各个领域都取得了很好的成果[3]。利用卷积神经网路模型对采集的司机图像通过卷积神经网络进行识别和处理。
3 系统流程
前期准备，通过模拟驾驶场景，针对4种典型的驾驶行为进行识别，分别为：规范驾驶、疲劳驾驶、打电话、单手驾驶。对这些典型行为进行识别，可为后续的行为分析提供数据支撑。本系统以10名驾驶员为研究对象。每个驾驶员单独拍摄5-6分钟视频，在驾驶位分别做出疲劳驾驶、打电话、单手驾驶的动作，每个动作持续20秒左右。在每个行为模式下选取多张帧图，组成6500张图片，对数据进行标注，然后组成训练集。同理可得到验证集和测试集。
系统基于TensorFlow深度学习框架完成模型建立，TensorFlow提供很多的函数模块，在搭建模型过程中，用户可以调用这些函数。且利用SSD算法获取图像中驾驶员的图像信息，根据驾驶员图像信息裁剪驾驶员图像。然后根据前向传播得到预测试，跟真实样本比较，得到损失值，接着采用反向传播算法，更新权值（参数），来回不断地迭代，直到损失函数很小，然后在测试集或者验证集上对准确率进行评估。
模型训练完毕，使用真实数据进行预测，如表1所示是系统的测试结果，当司机在开车中有不规范驾驶动作行为时，对司机进行语音提示。
4 结语
本系统通过将摄像头安装在车内，并实时采集司机行为特征图像，控制器与服务器远程连接，服务器通过网络通信接收司机图像，并通过深度学习技术对采集的司机行为图像进行识别并处理，再把处理的结果传给控制器。有助于提高司机安全意识，减少交通事故的发生。
参考文献：
[1]https：//blog.csdn.net/weixin_37647148/article/details/105932009
[2]安祺， 姜丽芬， 孙华志，等. 基于生成对抗网络去除车辆图像运动模糊模型[J]. 天津师范大学学报（自然科学版）， 2020， v.40（01）：79-83.
[3]https：//blog.csdn.net/sazass/article/details/87794071
基金项目：西北民族大学中央高校基本科研业务费资助本科生科研能力项目训练项目（项目编号：XBMU21188）
第一作者：田保书（1998—），男，西北民族大学数学与计算机科学学院本科生，研究方向：软件工程