基于深度學習的不規范駕駛行為智能識別系統

田保書 彭月麗 羅婧 劉俊 韋光洋

摘要：隨著時代的發展，駕車出行是更多人的選擇方式，但是越來越多的交通事故嚴重影響了人們的安全，這些交通事故的背后大多數都是由于駕駛不規范而造成的。本項目組研究的基于深度學習的不規范駕駛行為智能識別系統，可以智能的檢測到駕駛員的不規范行為，極大的提高了駕駛的安全性。

關鍵詞：深度學習;卷積神經網絡;不規范駕駛行為

1 引言

近幾年，隨著科技和技術的不斷發展，公交車和出租車以及私家車都不斷的增多，這不僅給我們的出行帶來了便利，而且還充分的體現出我國的經濟發展的速度，但這也為人們的安全埋下了隱患。根據交通安全大數據所了解，在容易導致事故發生的十大不規范駕駛行為中，未按操作規范安全駕駛、文明駕駛的占49.6%。可以看出不規范駕駛行為所導致的交通事故接近占總比的一半。

深度學習是機器學習研究中的一個新領域，其目的在于訓練計算機完成自主學習、判斷、決策等人類行為并建立、模擬人腦進行分析學習的神經網絡[1]。當前，深度學習的研究逐漸從監督學習轉移到強化學習、半監督學習以及無監督學習鄰域，視頻檢測，因其可以利用海量無標記的自然數據去學習視頻的內在特征。

對此，基于之前的各種傳統的監控系統在不同領域中，所暴露出來的局限性和狹義性。使新一代智能監控系統的得以飛速發展，基于深度學習的不規范駕駛行為智能識別系統與傳統的行車記錄儀相比他的優點在于能夠全面的解決司機的不規范駕駛行為，以避免造成不必要的交通事故發生。

2 系統設計

2.1 系統構成

該系統使用普通攝像頭采集視頻信息，然后進行處理，實時傳遞給視頻分析模塊。當檢測到不規范行為時，通過語音提示器提示駕駛員規范駕駛。通過這三個模塊的協同配合，最終實現全套的完整功能。系統功能模塊圖如圖2-1。

2.2 去運動模糊模型

由于車在行駛過程中，司機一直是運動狀態，通過車內攝像頭采集司機的圖像會產生運動模糊，所以需要處理模糊。這不禁讓人聯想起生成對抗網絡（GAN），因為它能夠保存高紋理細節，創建的圖案接近真實圖像，所以是圖像超分辨率和圖像修復中的主力軍[2]。

2.3 卷積神經網絡模型

卷積神經網絡是多層感知機（MLP）的變種。卷積神經網絡是一種深度的監督學習下的機器學習模型，具有極強的適應性，善于挖掘數據局部特征，提取全局訓練特征和分類，它的權值共享結構網絡使之更類似于生物神經網絡，在模式識別各個領域都取得了很好的成果[3]。利用卷積神經網路模型對采集的司機圖像通過卷積神經網絡進行識別和處理。

3 系統流程

前期準備，通過模擬駕駛場景，針對4種典型的駕駛行為進行識別，分別為：規范駕駛、疲勞駕駛、打電話、單手駕駛。對這些典型行為進行識別，可為后續的行為分析提供數據支撐。本系統以10名駕駛員為研究對象。每個駕駛員單獨拍攝5-6分鐘視頻，在駕駛位分別做出疲勞駕駛、打電話、單手駕駛的動作，每個動作持續20秒左右。在每個行為模式下選取多張幀圖，組成6500張圖片，對數據進行標注，然后組成訓練集。同理可得到驗證集和測試集。

系統基于TensorFlow深度學習框架完成模型建立，TensorFlow提供很多的函數模塊，在搭建模型過程中，用戶可以調用這些函數。且利用SSD算法獲取圖像中駕駛員的圖像信息，根據駕駛員圖像信息裁剪駕駛員圖像。然后根據前向傳播得到預測試，跟真實樣本比較，得到損失值，接著采用反向傳播算法，更新權值（參數），來回不斷地迭代，直到損失函數很小，然后在測試集或者驗證集上對準確率進行評估。

模型訓練完畢，使用真實數據進行預測，如表1所示是系統的測試結果，當司機在開車中有不規范駕駛動作行為時，對司機進行語音提示。

4 結語

本系統通過將攝像頭安裝在車內，并實時采集司機行為特征圖像，控制器與服務器遠程連接，服務器通過網絡通信接收司機圖像，并通過深度學習技術對采集的司機行為圖像進行識別并處理，再把處理的結果傳給控制器。有助于提高司機安全意識，減少交通事故的發生。

參考文獻：

[1]https：//blog.csdn.net/weixin_37647148/article/details/105932009

[2]安祺， 姜麗芬， 孫華志，等. 基于生成對抗網絡去除車輛圖像運動模糊模型[J]. 天津師范大學學報（自然科學版）， 2020， v.40（01）：79-83.

[3]https：//blog.csdn.net/sazass/article/details/87794071

基金項目：西北民族大學中央高校基本科研業務費資助本科生科研能力項目訓練項目（項目編號：XBMU21188）

第一作者：田保書（1998—），男，西北民族大學數學與計算機科學學院本科生，研究方向：軟件工程