基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛行為識別算法與實(shí)現(xiàn)

謝豆，彭長超，劉文軍，胡霞

摘要：汽車產(chǎn)業(yè)的蓬勃發(fā)展極大促進(jìn)經(jīng)濟(jì)的繁榮，面對交通事故頻發(fā)的現(xiàn)狀，探索如何利用前沿技術(shù)提高安全駕駛成為行業(yè)關(guān)注的焦點(diǎn)。傳統(tǒng)的車輛視頻監(jiān)控?zé)o法實(shí)現(xiàn)駕駛行為的智能識別與實(shí)時(shí)告警，并且行業(yè)對車輛及駕駛員的監(jiān)管存在不足。針對這一情況，利用機(jī)器視覺、卷積神經(jīng)網(wǎng)絡(luò)分類算法，基于邊緣計(jì)算模型實(shí)現(xiàn)駕駛行為的實(shí)時(shí)監(jiān)測與報(bào)警，消除駕駛隱患，提升監(jiān)管效率，從而實(shí)現(xiàn)降低交通事故發(fā)生的目的。算法具有較高的精度和較為廣泛的適用性，具有較好的應(yīng)用前景。

關(guān)鍵詞：機(jī)器視覺;深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);駕駛行為監(jiān)測

中圖分類號：TP393? ? ?文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2021）20-0112-03

Algorithm and Implementation of Driving Behavior Recognition Based on Convolutional Neural Networks

XIE Dou， PENG Chang-chao， LIU Wen-jun， HU Xia

（Suzhou Vocational Institute of Industrial Technology， Suzhou 215104， China）

Abstract： The booming development of the automobile industry has greatly promoted the prosperity of the economy. Faced with the current situation of frequent traffic accidents， exploring how to use cutting-edge technologies to improve safe driving has become the focus of the industry. Traditional vehicle video surveillance cannot realize intelligent identification and real-time warning of driving behavior， and the industry has insufficient supervision of vehicles and drivers. In response to this situation， machine vision and convolutional neural network classification algorithms are used to implement real-time monitoring and alarming of driving behavior based on edge computing models， eliminating driving hazards and improving supervision efficiency， thereby achieving the goal of reducing traffic accidents. The algorithm has higher accuracy and wider applicability， and has better application prospects.

Key words： machine vision; deep learning; CNNs; driving behavior monitoring

1 引言

近年來隨著汽車保有量持續(xù)增長，道路事故頻發(fā)，生命財(cái)產(chǎn)安全面臨嚴(yán)重威脅。傳統(tǒng)的交通管理通過在道路上安裝的攝像頭和行車記錄儀的配合下來對交通事故進(jìn)行預(yù)防與判斷交通事故發(fā)生的原因。這樣的方式不僅效率低下而且需要耗費(fèi)大量的人力物力，且無法實(shí)時(shí)地對駕駛員進(jìn)行精準(zhǔn)有效地監(jiān)督。新一代信息技術(shù)與汽車產(chǎn)業(yè)相融合，汽車呈現(xiàn)電動(dòng)化、網(wǎng)聯(lián)化、智能化，利用新一代信息技術(shù)賦能汽車產(chǎn)業(yè)成為一種趨勢。通過機(jī)器視覺、深度學(xué)習(xí)等先進(jìn)的技術(shù)手段，對駕駛員狀態(tài)監(jiān)控可以有效地發(fā)現(xiàn)駕駛員的各種分心狀態(tài)，比如疲勞瞌睡、抽煙、打電話、視線長時(shí)間偏離等異常狀態(tài)。基于深度學(xué)習(xí)等前沿技術(shù)，引導(dǎo)駕駛員駕駛過程的規(guī)范性，實(shí)現(xiàn)降低交通安全隱患，提高車隊(duì)運(yùn)行效率成為一種有效途徑。相關(guān)研究受到行業(yè)企業(yè)的關(guān)注[1-5]。西安邦威電子科技有限公司提出一種適用于多姿態(tài)下的駕駛?cè)藛T接打電話行為檢測方法，使用深度學(xué)習(xí)圖像分析的方法，該項(xiàng)目相比于接觸式檢測方法受干擾因素小，使用方便，價(jià)格便宜，但檢測效果易受光線、駕駛員體貌的影響，并且圖像分析需要根據(jù)全局和上下文信息進(jìn)行判斷。

本文將深度學(xué)習(xí)算法與邊緣計(jì)算模型相結(jié)合，將車內(nèi)設(shè)備端的數(shù)據(jù)保存在本地進(jìn)行處理與分析，及時(shí)地對駕駛員的違規(guī)行預(yù)警提醒;該模式較好地解決了將數(shù)據(jù)直接傳至云端所造成的低延遲、高傳輸代價(jià)、高費(fèi)用等問題。運(yùn)用邊云協(xié)同的原理將有效的數(shù)據(jù)上傳至云端備份，提升監(jiān)管效率。從而實(shí)現(xiàn)降低因駕駛員的不當(dāng)駕駛行為而造成的交通事故的發(fā)生，同時(shí)為交通監(jiān)管部門提供施政依據(jù)。

2 預(yù)備知識

2.1 OpenCV/圖像預(yù)處理

為了實(shí)現(xiàn)圖像取理想的檢測精度，對圖像進(jìn)行預(yù)處理是必不可少的一步。實(shí)踐中通常使用一種跨平臺的機(jī)器視覺庫OpenCV來對圖片進(jìn)行處理。OpenCV是一個(gè)使用廣泛的開源機(jī)器視覺庫，它不僅擁有多種語言接口還兼容各種系統(tǒng)。

如圖1所示，給出了圖像預(yù)處理的一般流程。首先，使用OpenCV庫根據(jù)視頻流地址從文件中讀取視頻并加載圖像。然后，將獲取到的圖片轉(zhuǎn)換為灰度圖，轉(zhuǎn)換為灰度圖的意義不僅是因?yàn)榇蠖鄶?shù)計(jì)算機(jī)視覺庫的函數(shù)只支持灰度圖，還大大提高了運(yùn)算速度。接下來，在定位出人臉以后使用OpenCV對感興趣的區(qū)域如打電話、抽煙區(qū)域進(jìn)行切割。對圖像的切割不僅可以減少不必要的運(yùn)算還能提高識別的精度。切割后的圖片還應(yīng)做到尺寸統(tǒng)一。注意，為了保證識別的圖片不失真，將按比例調(diào)節(jié)圖片的尺寸。最后，使用計(jì)算機(jī)視覺庫的相關(guān)函數(shù)將檢測結(jié)果繪制在圖片上，進(jìn)行有效標(biāo)識。