基于對(duì)比學(xué)習(xí)的駕駛員異常駕駛行為檢測(cè)算法

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A DOI： 10.20104/j.cnki.1674-6546.20240304

【Abstract】In the processof driving a vehicle，the complex and changing environment inside the vehicle，the change of lightingconditionsandthediversityofdrivers’behavioralposturesaffectthedetectionandrecognitionofabnormaldriver behavior.Toaddressthisisue，thispaper proposesadriverabnormaldriving behaviordetectionalgorithmbasedoncontrast learning.Thepaperfirstlyconsiders driver’sdriving behaviordetectionasabinaryclassficationtask，andutilizesacontrast learningapproach tocompare driver’snormaldriving withabnormal driving samplesandto improve the performanceof the modelbycontrastinglossfunctions.Secondlythedepthimagesrightaheadandabovethedriverservesasinputstosolvethe problemsofcomplex in-vehicleenvironmenttochangethelight intensityand blindspots inviewpointbyproviding thedepth informationofthedriver.Finaly3DconvolutionisintroducedinthelightweightnetworkMobileNetV2，andeoratioof channel blending isaddedtotheconvolutionlayerofeachbotleneck structuretoimprovetheauracyofrecognition.Test results show that accuracy of the proposed algorithm reaches 94.18% in the Driver’s Abnormality Detection （DAD） dataset and ROC AUC reaches O.962，which shows theefectivenessof the algorithm indriver’sabnormal behaviordetection.

Keywords：Abnormal driving behavior detection，Contrast learning，Second classification，3D Convolution Neural Networks（CNN）

【引用格式】李仲倫，于光達(dá)，楊帥，等.基于對(duì)比學(xué)習(xí)的駕駛員異常駕駛行為檢測(cè)算法[J].汽車工程師，2025（8）：29-36. LI ZL，YUGD，YANG S，etal.Driver Abnormal Driving Behavior Detection Algorithm Basedon Contrast Learning[J]. Automotive Engineer， 2025（8）： 29-36.

1前言

HighwayTraffic SafetyAdministration，NHTSA）的數(shù)據(jù)， 80% 的交通事故和 16% 的公路死亡是由駕駛員分心駕駛引起的。駕駛員異常駕駛行為（如疲勞、根據(jù)美國(guó)國(guó)家公路交通安全管理局（National注意力分散等）易導(dǎo)致道路事故的發(fā)生，造成生命及財(cái)產(chǎn)損失。因此，對(duì)駕駛員的駕駛行為進(jìn)行實(shí)時(shí)監(jiān)測(cè)及提醒，可有效減少交通事故的發(fā)生。

駕駛員異常駕駛行為檢測(cè)的傳統(tǒng)方法主要有3種：基于生理信號(hào)的檢測(cè)算法，駕駛員需佩戴生理信號(hào)采集裝置以便將生理信號(hào)與疲勞狀態(tài)相關(guān)聯(lián)，該方法會(huì)令駕駛員產(chǎn)生不適；基于圖像處理的檢測(cè)算法，通過對(duì)圖像特征的提取和分析實(shí)現(xiàn)檢測(cè)，該方法會(huì)受到圖像質(zhì)量、角度、遮擋等因素影響，導(dǎo)致檢測(cè)精度降低；基于駕駛操作行為的檢測(cè)算法，該方法可能受到駕駛員個(gè)人習(xí)慣和行為的影響，無法檢測(cè)某些類型的異常駕駛行為。

近年來，基于深度學(xué)習(xí)的行為檢測(cè)方法被提出。陳軍等設(shè)計(jì)了一種級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)結(jié)構(gòu)，并采用超分辨率測(cè)試序列模型對(duì)駕駛員分心駕駛行為進(jìn)行檢測(cè)。Tawari等提出了一種分布式相機(jī)框架，用于收集頭部姿勢(shì)的動(dòng)態(tài)信息以估計(jì)駕駛員的視線方向。上述檢測(cè)方法具有實(shí)時(shí)性強(qiáng)、準(zhǔn)確率高、無需接觸身體等優(yōu)點(diǎn)，但仍有許多問題需要解決，如易受光照強(qiáng)度變化的影響、對(duì)新情況的適應(yīng)能力差等。

本文針對(duì)現(xiàn)有研究存在的問題，通過對(duì)比學(xué)習(xí)的方法區(qū)分駕駛員正常駕駛和異常駕駛行為，實(shí)現(xiàn)駕駛員異常駕駛行為檢測(cè)。

2基于對(duì)比學(xué)習(xí)的檢測(cè)算法

2.1 開集識(shí)別

深度神經(jīng)網(wǎng)絡(luò)在模型訓(xùn)練過程中需大量標(biāo)記樣本作為支撐，但真實(shí)駕駛場(chǎng)景復(fù)雜多變，獲得所有類別的標(biāo)記樣本并不現(xiàn)實(shí)。開集識(shí)別（OpenSetRecognition，OSR）將已知類的數(shù)據(jù)識(shí)別為具體類別，將不屬于已知類的數(shù)據(jù)識(shí)別為未知類別。開集識(shí)別與閉集識(shí)別的對(duì)比如圖1所示，在閉集識(shí)別中，算法根據(jù)訓(xùn)練集中已有的樣本，為每個(gè)類劃分相應(yīng)的空間，未知的類別會(huì)被錯(cuò)誤地分到一個(gè)類別；在開集識(shí)別中，算法為每個(gè)類確定一個(gè)與之關(guān)聯(lián)的有限區(qū)域，可以產(chǎn)生新的類，并檢測(cè)出異常。

圖1閉集識(shí)別與開集識(shí)別

圖2基于對(duì)比學(xué)習(xí)算法識(shí)別正常駕駛、異常駕駛行為

在傳統(tǒng)的分類任務(wù)中，模型只需對(duì)已知的類別進(jìn)行分類。在開集識(shí)別中，模型還需對(duì)未知類別進(jìn)行分類，這對(duì)模型的泛化能力提出了更高的要求。

對(duì)比學(xué)習(xí)是一種基于比較的算法，通過將相似的樣本歸為同一類別、將不相似的樣本歸為不同類別進(jìn)行分類，可應(yīng)用于開集識(shí)別。本文中所有與正常樣本不相似的樣本均被定義為異常樣本。

2.2 對(duì)比學(xué)習(xí)算法

2.2.1 算法結(jié)構(gòu)

對(duì)比學(xué)習(xí)屬于表征學(xué)習(xí)，目的是學(xué)習(xí)一種數(shù)據(jù)變換方式，它通過比較數(shù)據(jù)的不同視圖或變化來學(xué)習(xí)數(shù)據(jù)的特征表示。對(duì)比學(xué)習(xí)的基礎(chǔ)是包含正樣本和負(fù)樣本的成對(duì)樣本，其中，正樣本屬于同一類別或具有相似特征，負(fù)樣本屬于不同類別或具有不同特征。本文的目的是在訓(xùn)練期間學(xué)習(xí)正常駕駛模板向量 v_n ，測(cè)試時(shí)，任何超過閾值γ的行為均被認(rèn)為是異常駕駛行為，如圖2所示。

27正常駕駛 N國(guó) 色

基于對(duì)比學(xué)習(xí)的模型，如SimCLR（SimpleframeworkforContrastiveLearningofvisualRepresentations）[8]、BYOL（BootstrapYourOwnLatent）9]、SwAV （Swapping Assignments betweenmultipleViews）[o等，在行為識(shí)別領(lǐng)域取得了不錯(cuò)的效果?；趯?duì)比學(xué)習(xí)的數(shù)據(jù)增強(qiáng)方法，如Mixup[、CutMix[2等，可以提高行為識(shí)別模型的性能。本文使用的對(duì)比學(xué)習(xí)框架[3如圖3所示。

框架主要由3個(gè)部分組成：

a.編碼器。神經(jīng)網(wǎng)絡(luò)編碼器f（將數(shù)據(jù)視圖映射到特征空間，得到特征向量，并且該特征向量能夠很好地表示輸入數(shù)據(jù)的語(yǔ)義信息。在訓(xùn)練過程中，使用對(duì)比損失函數(shù)訓(xùn)練編碼器，使同一輸入、不同增強(qiáng)版本的特征向量更加相似，不同輸入的特征向量區(qū)別更加明顯。因此，編碼器學(xué)習(xí)到的特征表示更具判別性，從而提高模型在分類任務(wù)中的性能。本文 f_θ（ ）采用具有參數(shù) θ 的3D卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN）結(jié)構(gòu)，通過3DCNN用 h_i=f_θ（x_i） 將輸入 x_i 轉(zhuǎn)化為

圖3駕駛員異常駕駛行為檢測(cè)的對(duì)比學(xué)習(xí)框架

b.投影頭。投影頭是具有一個(gè)由線性整流函數(shù)（RectifiedLinearUnit，ReLU）激活的隱藏層的多層感知機(jī)（MultilayerPerceptron，MLP），投影頭 g_β（ ）用于將 h_i 映射到另一個(gè)潛在空間 v_i ，并且具有參數(shù) β 以實(shí)現(xiàn) v_i=g_β（h_i） 的變換，其中 v_i∈R¹²⁸ 。本文MLP由2個(gè)全連接（FullyConnected，F(xiàn)C）層組成，對(duì)輸入圖像的高維特征進(jìn)行非線性變換，將其映射到一個(gè)低維特征空間，從而提取圖像中的有用信息。然后對(duì)嵌人維度 v_i 進(jìn)行歸一化，L2范數(shù)歸一化可使不同的特征維度具有同等重要性，以避免某些特征維度對(duì)損失函數(shù)的影響過大，使模型更加穩(wěn)定。

c.對(duì)比損失。對(duì)比損失強(qiáng)制要求來自正常駕駛類別的歸一化在嵌入彼此之間時(shí)比來自異常行為類別的嵌入更加接近。因此，對(duì)比損失中的正樣本對(duì)總是從正常驅(qū)動(dòng)剪輯中選擇，而異常驅(qū)動(dòng)剪輯僅用作負(fù)樣本。具體來說，對(duì)比損失函數(shù)將兩個(gè)樣本的特征表示作為輸入，計(jì)算它們的相似性得分，并與預(yù)先定義的閾值進(jìn)行比較。得分高于閾值，表示兩個(gè)樣本在特征空間中相似，低于閾值則表示不相似。

2.2.2 編碼器結(jié)構(gòu)

2D卷積雖然能夠提取圖像的空間特征，但由于缺少時(shí)序信息，很難用于視頻識(shí)別。3D卷積引入了時(shí)序的上下文信息，可以更好地提取時(shí)空特征，捕捉視頻的運(yùn)動(dòng)信息和場(chǎng)景變化。2D卷積與3D卷積的區(qū)別如圖4所示。

圖42D卷積與3D卷積的區(qū)別

在駕駛員行為識(shí)別任務(wù)中，為將算法更好地適配到資源有限的車載設(shè)備，需對(duì)網(wǎng)絡(luò)進(jìn)行輕量化處理。SqueezeNet4使用Fire卷積模塊減少參數(shù)量，從而實(shí)現(xiàn)輕量化。ShuffleNet[使用逐點(diǎn)卷積和通道混洗降低計(jì)算量、提高準(zhǔn)確率。EfficientNet通過同時(shí)對(duì)網(wǎng)絡(luò)深度、寬度和圖像分辨率進(jìn)行縮放，實(shí)現(xiàn)在降低模型體積和計(jì)算成本的同時(shí)，提高模型的準(zhǔn)確性。此外，還有NASNet、FBNet8等輕量化網(wǎng)絡(luò)。

本文選用輕量化網(wǎng)絡(luò)MobileNetV2[9，它以MobileNetV1為基礎(chǔ)，使用可分離卷積代替?zhèn)鹘y(tǒng)卷積，分別對(duì)空間特征、通道特征進(jìn)行卷積處理，大幅減少了參數(shù)數(shù)量和計(jì)算量，且在識(shí)別檢測(cè)中應(yīng)用廣泛[20]。本文對(duì)其進(jìn)行3D轉(zhuǎn)換，使其能夠利用3D卷積捕捉連續(xù)幀之間的運(yùn)動(dòng)狀態(tài)，從而提高狀態(tài)預(yù)測(cè)能力。3D-MobileNetV2從卷積層1開始，然后通過7個(gè)MobileNetV2模塊及卷積層2，最后進(jìn)入池化層和全連接層。模型結(jié)構(gòu)如圖5所示，模塊1～模塊7的結(jié)構(gòu)如圖6所示，模型體系架構(gòu)如表1所示。其中， F，F(xiàn)^′ 為圖像的通道數(shù)， D，W，H 分別為圖像的深度、寬度、高度， Conv 表示卷積，DwConv表示深度可分離卷積，BN表示歸一化，ReLU6為激活函數(shù)，是線性修正單元（RectifiedLinearUnit，ReLU）的變體，Add表示將多個(gè)特征圖或張量相加，Stride表示步幅。

圖53D-MobileNetV2模型結(jié)構(gòu)

圖6不同步長(zhǎng)的MobileNetV2模塊結(jié)構(gòu)

為提高預(yù)測(cè)的準(zhǔn)確性，本文對(duì)3D-MobileNetV2進(jìn)行改進(jìn)，在原網(wǎng)絡(luò)基礎(chǔ)上，在每個(gè)瓶頸（Bottleneck）的中間卷積層加入通道混洗，以減少模型參數(shù)和計(jì)算量，同時(shí)提高模型的精度。通道混洗是一種新型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過將輸入特征圖分組并對(duì)每個(gè)組內(nèi)的通道進(jìn)行混洗，實(shí)現(xiàn)通道之間的信息交流。該方法可在不增加計(jì)算量的前提下，提高模型的精度和泛化能力。同時(shí)，在Bottleneck輸出后接入批量規(guī)范化（BatchNorm）層和

Mish激活函數(shù)。BatchNorm通過規(guī)范化的手段減少內(nèi)部協(xié)變量偏移，使激活函數(shù)的輸入值位于激活函數(shù)對(duì)輸入較為敏感的區(qū)域，從而使梯度變大，提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度和泛化能力，防止過擬合。Mish激活函數(shù)沒有上限和飽和區(qū)域，在訓(xùn)練過程中不會(huì)出現(xiàn)梯度消失的問題。3D-MobileNetV2的Bottleneck結(jié)構(gòu)如表2所示。

表13D-MobileNetV2體系架構(gòu)

表23D-MobileNetV2的Bottleneck結(jié)構(gòu)

2.2.3 對(duì)比損失函數(shù)

在訓(xùn)練的迭代中，每個(gè)批量包括 K 個(gè)正常視頻剪輯和 M 個(gè)異常視頻剪輯。編碼層和投影層創(chuàng)建的視覺序列為 v_ni 和 v_ai，i∈{1，…，K+M} ，分別來自正常和異常訓(xùn)練剪輯。每個(gè)批量包括 K（K-1） 個(gè)正常樣本對(duì)和 KM 個(gè)異常樣本對(duì)，將其輸入到對(duì)比損失函數(shù)中。 L_ij 通過計(jì)算由溫度參數(shù) τ 和指數(shù)函數(shù)縮放的潛在表示之間的點(diǎn)積來計(jì)算正常樣本對(duì)與異常樣本對(duì)之間的相似性：

每個(gè)批量的損失函數(shù)為：

其中：

式中： τ∈（0，∞） 為溫度參數(shù)，可以影響模型的輸出概率分布，提高泛化能力和魯棒性。

數(shù)據(jù)本身、錯(cuò)誤標(biāo)注或噪聲導(dǎo)致異常樣本與正常樣本可能相似，以致負(fù)樣本對(duì)的求和較大，造成優(yōu)化困難。為解決該問題，對(duì)異常樣本對(duì)的總和進(jìn)行縮放，使聚合的異常樣本對(duì)的整體相似度保持較小，并增加正常樣本對(duì)的權(quán)重，以平衡公式中各項(xiàng)的影響力。

在使用對(duì)比損失訓(xùn)練后，投影層通常在測(cè)試階段被丟棄[12，17]。在自監(jiān)督對(duì)比學(xué)習(xí)的背景下，編碼階段學(xué)習(xí)的潛在表示 h_i 將更加通用，并進(jìn)一步作為分類任務(wù)的預(yù)訓(xùn)練模型]。對(duì)于監(jiān)督學(xué)習(xí)任務(wù)，投影層 （v_i） 學(xué)習(xí)到的表示可能更有價(jià)值，因?yàn)樗鼈兝猛队皩由蠈W(xué)習(xí)到的對(duì)比損失與監(jiān)督學(xué)習(xí)任務(wù)保持正常和異常類的距離一致。通過計(jì)算式（2），在同一批量中，編碼器被更新，以最大化正常驅(qū)動(dòng)特征向量之間的相似性、最小化正常驅(qū)動(dòng)向量及所有其他異常驅(qū)動(dòng)向量之間的相似性。

3試驗(yàn)驗(yàn)證

3.1 數(shù)據(jù)集及試驗(yàn)環(huán)境

目前，大多數(shù)駕駛員行為檢測(cè)方法采用可見光攝像頭作為圖像采集的傳感器?？梢姽鈧鞲衅饕资墉h(huán)境光照強(qiáng)度影響，光照條件較差可能會(huì)影響駕駛員行為檢測(cè)的準(zhǔn)確率，造成一定的安全隱患。為解決上述問題，本文在乘員艙的前方和正上方放置2個(gè)深度相機(jī)，可以獲取場(chǎng)景的深度信息，并可在低光照環(huán)境下工作。深度圖像是將采集器采集到的場(chǎng)景中各點(diǎn)的距離作為像素值的圖像，直接反映景物可見表面的幾何形狀，可以更好地完成駕駛員行為檢測(cè)任務(wù)。前置攝像頭記錄駕駛員頭部、身體的動(dòng)作，頂部攝像頭記錄駕駛員雙手的動(dòng)作。2個(gè)相機(jī)能更好地反映駕駛員的駕駛狀態(tài)，解決視野盲區(qū)的問題。

本文使用駕駛員異常檢測(cè)（DriverAnomalyDetection，DAD）數(shù)據(jù)集[17]。DAD數(shù)據(jù)集的分辨率為224像素 ×171 像素，幀率為45幀/s。該數(shù)據(jù)集包含550min 的正常駕駛記錄和 100min 的異常駕駛記錄，其中異常駕駛行為包括頭部和身體的運(yùn)動(dòng)（伸手到后面、與乘員交談）及手部交互（手機(jī)通話、發(fā)消息，喝水）等。

本文試驗(yàn)設(shè)置的批量大小是32，最大迭代次數(shù)為100。網(wǎng)絡(luò)使用隨機(jī)梯度下降（Stochastic

GradientDescent，SGD）優(yōu)化器進(jìn)行參數(shù)更新。初始學(xué)習(xí)率設(shè)置為0.01，以0.9的速率進(jìn)行指數(shù)衰減。試驗(yàn)使用的圖形處理器為NVIDIAGeForceRTX3060、中央處理器為 2.7GHz Intel Core i7-12700H。

3.2 評(píng)價(jià)指標(biāo)

本文采用準(zhǔn)確率（Accuracy）、受試者操作特征（ReceiverOperatingCharacteristic，ROC）曲線、ROC曲線下面積（AreaUnderCurve，AUC）作為模型分類性能的指標(biāo)。

準(zhǔn)確率能夠評(píng)價(jià)模型對(duì)全部樣本的判斷能力：

式中： N_rpΩ_rN，N_rp，N_FN 分別為真正例、真負(fù)例、假正例、假負(fù)例的數(shù)量。

ROC是一種二分類模型的性能度量，是以假正率（FalsePositiveRate，F(xiàn)PR）為橫坐標(biāo)、真正率（TruePositiveRate，TPR）為縱坐標(biāo)繪制的曲線。假正率R_FP 真正率 R_TP 的計(jì)算公式分別為：

AUC用于二分類模型的評(píng)價(jià)，其取值范圍為0.5～1.0 ，越接近1.0，說明檢測(cè)方法真實(shí)性越強(qiáng)，等于0.5時(shí)真實(shí)性最低、無應(yīng)用價(jià)值。

3.3試驗(yàn)結(jié)果及分析

CNN通常指用于圖像分類的二維CNN，3DCNN增加了時(shí)間維度，可以從時(shí)間和空間維度上提取特征。為驗(yàn)證三維卷積模型的有效性，本文分別進(jìn)行2D、3D卷積網(wǎng)絡(luò)試驗(yàn)，試驗(yàn)結(jié)果如表3所示。

表3不同CNN的參數(shù)量、準(zhǔn)確率、AUC比較

3DCNN模型用于將每個(gè)正常駕駛訓(xùn)練剪輯 x_i， i∈{1，…，N} 編碼為一組歸一化的512維特征表示。然后，可計(jì)算正常駕駛模板向量 v_n

為對(duì)測(cè)試視頻片段 x_i 進(jìn)行分類，再次將其編碼為歸一化的512維向量，并計(jì)算編碼片段與 v_n 之間的余弦相似度 K_i

最后，將相似度得分低于閾值 γ 的片段歸類為異常駕駛行為。同時(shí)， K_i 表征了異常行為的嚴(yán)重程度。

為更加直觀地分析本文方法的性能，部分測(cè)試可視化結(jié)果如圖7、圖8所示，表明本文方法能夠準(zhǔn)確檢測(cè)出駕駛員是否具有異常駕駛行為。

圖7正常駕駛的可視化結(jié)果

圖8異常駕駛的可視化結(jié)果

3.4消融試驗(yàn)結(jié)果及分析

為驗(yàn)證本文提出的雙視角和損失函數(shù)的有效性，保持試驗(yàn)原有的設(shè)置條件，對(duì)網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練。

雙視角使用決策級(jí)融合的方法將兩個(gè)視角的信息融合在一起，通過特征提取、特征融合、決策模型、融合策略等多個(gè)環(huán)節(jié)實(shí)現(xiàn)信息的融合與決策：

式中： K_（add）?K_（top）?K_（front） 分別為相加的融合相似度、頂部視角融合相似度、前部視角融合相似度。

雙視角有效性驗(yàn)證方面，本文對(duì)前置視角、頂部視角及前置和頂部雙視角3種不同視角的有效性進(jìn)行說明。3種視角的準(zhǔn)確率、AUC對(duì)比如表4所示，本文提出的雙視角方案的2項(xiàng)指標(biāo)明顯優(yōu)于另外2種視角方案。

損失函數(shù)有效性驗(yàn)證方面，分別使用交叉熵?fù)p失（Cross-EntropyLoss）函數(shù)、加權(quán)交叉熵?fù)p失函數(shù)及本文提出的對(duì)比損失函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練，并根據(jù)評(píng)價(jià)指標(biāo)進(jìn)行比較。

表4不同視角的試驗(yàn)結(jié)果

交叉熵?fù)p失通常用于解決分類問題，衡量模型的預(yù)測(cè)結(jié)果與真實(shí)標(biāo)簽之間的差距。在二分類的情況下，其計(jì)算公式為：

式中： L_cEL 為交叉熵?fù)p失， N 為樣本總數(shù)， y_i 為樣本 i 的標(biāo)簽（正類為1，負(fù)類為0）， p_i 為樣本 i 預(yù)測(cè)為正類的概率。

加權(quán)交叉熵?fù)p失函數(shù)是對(duì)交叉熵?fù)p失函數(shù)的改進(jìn)，在計(jì)算損失時(shí)對(duì)不同類別的樣本賦予不同的權(quán)重。在二分類問題中，其計(jì)算公式為：

式中 ：L（w） 為加權(quán)交叉熵?fù)p失函數(shù)。

不同損失函數(shù)的試驗(yàn)結(jié)果如表5所示，本文提出的對(duì)比損失函數(shù)的2項(xiàng)指標(biāo)明顯優(yōu)于另外2種函數(shù)。

表5不同損失函數(shù)的試驗(yàn)結(jié)果

3.5 模型泛化性討論及分析

現(xiàn)有的深度學(xué)習(xí)模型均基于歷史數(shù)據(jù)進(jìn)行訓(xùn)練，對(duì)于新情況的適應(yīng)能力較差。在實(shí)際駕駛過程中，駕駛行為的多樣性給識(shí)別任務(wù)帶來了困難。為驗(yàn)證模型的泛化性，選用訓(xùn)練集中未出現(xiàn)的駕駛類別進(jìn)行驗(yàn)證。本文提出的算法對(duì)摘/戴眼鏡、調(diào)整后視鏡、吃東西等新出現(xiàn)的異常行為仍能夠準(zhǔn)確分類，部分可視化結(jié)果如圖9所示。

圖9新增異常駕駛行為的可視化結(jié)果

4結(jié)束語(yǔ)

本文針對(duì)駕駛員行為檢測(cè)中光照強(qiáng)度變化、視角盲區(qū)以及姿態(tài)多樣性的問題，提出了一種對(duì)比學(xué)習(xí)的檢測(cè)方法，通過學(xué)習(xí)正常駕駛行為的嵌入，檢測(cè)異常駕駛行為。本文方法在駕駛員異常檢測(cè)數(shù)據(jù)集上取得了優(yōu)異的效果，在后續(xù)研究中，可在網(wǎng)絡(luò)中加入注意力機(jī)制，使網(wǎng)絡(luò)更加關(guān)注駕駛員的頭部和手部，提升駕駛員異常行為識(shí)別的準(zhǔn)確率。

參考文獻(xiàn)

[1]YANG YB，ZHOULJ，LENG MJ， et al. Early Warning of Traffic Accident in Shanghai Based on Large Data Set Mining[C]// 2O16 International Conference on Intelligent Transportation，Big Data amp; Smart City （ICITBS）. Changsha， China：IEEE，2016.

[2]DINGUS TA，GUO F，LEE S，et al.Driver Crash Risk Factors and Prevalence Evaluation Using Naturalistic Driving Data[J].Proceedings of the National Academy of Sciences of the United States of America，2016，113（10）： 2636-2641.

[3] 陳軍，張黎，周博，等.基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的駕駛員 分心駕駛行為檢測(cè)[J].科學(xué)技術(shù)與工程，2020，20（14）： 5702-5708. CHEN J，ZHANG L，ZHOU B，et al.Driver Distracted DrivingBehaviorDetectionBasedonCascaded Convolutional Neural Networks[J]. Science Technology and Engineering，2020，20（14）： 5702-5708.

[4]TAWARI A，TRIVEDI M M. Robust and Continuous Estimation of Driver Gaze Zone by Dynamic Analysis of Multiple Face Videos[C]//2014 IEEE Intelligent Vehicles Symposium Proceedings.Dearborn， Michigan， USA： IEEE， 2014： 344-349.

[5]高菲，楊柳，李暉.開放集識(shí)別研究綜述[J].南京大學(xué)學(xué) 報(bào)（自然科學(xué)），2022，58（1）：115-134. GAO F，YANG L，LI H.A Review of Open Set Identification Research[J]. Journal of Nanjing University （Natural Science），2022，58（1）： 115-134.

[6]CHEN JM，WANG GJ，LU JC，et al.Open-Set Classification for Signal Diagnosis of Machinery Sensor in Industrial Environment[J]. IEEE Transactions on Industrial Informatics，2023，19（3）： 2574-2584.

[7] 王一豐，郭淵博，陳慶禮，等.基于對(duì)比學(xué)習(xí)的細(xì)粒度未 知惡意流量分類方法[J].通信學(xué)報(bào)，2022，43（10）：12-25. WANGYF，GUOYB，CHENQL，et al.AFine-Grained Approach to Classify Unknown Malicious Traffic Based on Comparative Learning[J]. Journal on Communications，

[8] CHEN T， KORNBLITH S， NOROUZI M，et al.A Simple FrameworkforContrastiveLearningofVisual Representations[C]// Proceedings of the 37th International Conference on Machine Learning. Vienna， Austria： PMLR， 2020： 1597-1607.

[9] GRILL JB， STRUB F，ALTCHE F，et al. Bootstrap Your Own Latent： A New Approach to Self-Supervised Learning [C]// Conference on Neural Information Processing Systems （Neur IPS 2020）. Online： Neur IPS，2020： 21271-21284.

[10] CARON M，MISRA I，MAIRAL J，et al. Unsupervised Learning ofVisual Features by Contrasting Cluster Asignments[Cl//ConferenceonNeural Information Processing Systems （Neur IPS 202O）.Online： Neur IPS， 2020：9912-9924.

[11] ZHANG H Y，CISSE M， DAUPHIN Y N，et al. Mixup： BeyondEmpirical Risk Minimization[C]// International Conference on Learning Representations. Vancouver， Canada： ICLR， 2018.

[12]YUN S D， HAN D Y，CHUN S H，et al. CutMix： Regularization Strategy to Train Strong Classfiers with Localizable Features[C]// International Conferenceon Computer Vision （ICCV 2019）. Seoul，Korea： IEEE/CVF， 2019：6022-6031.

[13] KOPUKLU O， ZHENG JP，XU H， et al. Driver Anomaly Detection：A Dataset and Contrastive Learning Approach [C]//2021 IEEE Winter Conference on Applications of Computer Vision.Waikoloa，HI， USA： IEEE，2021： 91-100.

[14] IANDOLA F N， HAN S， MOSKEWICZ M W， et al. SqueezeNet： AlexNet-Level Accuracywith 5Ox Fewer Parameters and

[15] ZHANG X Y， ZHOU X Y，LIN M X， et al. ShuffleNet： An Extremely Efficient Convolutional Neural Networkfor Mobile Devices[C]//2018 IEEE/CVF Conferenceon Computer Vision and Pattern Recognition （CVPR 2018）. Salt Lake City， Utah，USA： IEEE/CVF，2018：6848-6856.

[16] TAN M X，LE Q V. EficientNet： Rethinking Model Scaling forConvolutionalNeuralNetworks[C]//International Conference on Machine Learning. Long Beach， California， USA： PMLR，2019： 6105-6114.

[17] ZOPH B， VASUDEVAN V， SHLENS J， et al. Learning Transferable Architectures for Scalable Image Recognition [C]// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR 2O18）. Salt Lake City，Utah， USA： IEEE/CVF，2018： 8697-8710.

[18]WUBC，DAI XL，ZHANGPZ，etal.FBNet：HardwareAwareEfficientConvNet Designvia Differentiable Neural Architecture Search[C]// 2019 IEEE/CVP Conference on Computer Vision and Pattern Recognition（CVPR 2019）. LongBeach，California，USA：IEEE/CVP，2019：10734- 10742.

[19]SANDLERM，HOWARDA，ZHUM，etal.MobileNetV2： Inverted ResidualsandLinearBottlenecks[C]//2O18IEEE/ CVF Conference on ComputerVisionand Pattern

Recognition （CVPR 2018）.Salt Lake City，Utah，USA：IEEE/CVF，2018：4510-4520.[20]張東，高丙朋.基于改進(jìn)MobileNet網(wǎng)絡(luò)的人臉識(shí)別方法[J].山西大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，46（1）：147-153.ZHANGD，GAOBP.FacialRecognitionMethodBasedonImprovedMobileNetNetwork[J].JournalofShanxiUniversity（Natural ScienceEdition），2023，46（1）：147-153.（責(zé)任編輯斛畔）修改稿收到日期為2024年7月5日。

2025年《汽車技術(shù)》專項(xiàng)征稿啟事

尊敬的汽車及相關(guān)技術(shù)領(lǐng)域?qū)＜覍W(xué)者、研發(fā)工程師、高校師生：

隨著汽車技術(shù)的飛速發(fā)展，2025年將見證多項(xiàng)關(guān)鍵技術(shù)的突破與應(yīng)用?！镀嚰夹g(shù)》雜志作為中國(guó)汽車行業(yè)的核心學(xué)術(shù)期刊，特此發(fā)布2025年專項(xiàng)征稿啟事，聚焦以下十大技術(shù)征稿方向，以期推動(dòng)汽車技術(shù)的創(chuàng)新與進(jìn)步。

1.多模態(tài)大模型在自動(dòng)駕駛感知決策中的應(yīng)用：研究多模態(tài)大模型技術(shù)推動(dòng)自動(dòng)駕駛感知決策能力的創(chuàng)新突破。2.跨域融合智能芯片技術(shù)：研究跨域融合智能芯片在汽車智能化控制系統(tǒng)中的應(yīng)用，以及其對(duì)性能協(xié)同的影響。3.AI賦能的合成數(shù)據(jù)在自動(dòng)駕駛研發(fā)中的應(yīng)用：研究利用AI技術(shù)生成合成數(shù)據(jù)，解決自動(dòng)駕駛數(shù)據(jù)短缺問題。4.AI大模型在智能座艙中的多模態(tài)交互技術(shù)：研究AI大模型如何整合視覺、聽覺、觸覺等多種感官信息，實(shí)現(xiàn)更加自然和直觀的人機(jī)交互體驗(yàn)。5.C-V2X技術(shù)在車路云一體化中的應(yīng)用：研究C-V2X技術(shù)如何支持車路云一體化，包括車車通信（V2V）、車路通信（V2I）、車云通信（V2N）等關(guān)鍵技術(shù)的發(fā)展和應(yīng)用。6.智能底盤新構(gòu)型及集成控制技術(shù)：研究智能底盤線控化、分布式驅(qū)動(dòng)、動(dòng)底融合控制、智能底盤與自動(dòng)駕駛?cè)诤峡刂频汝P(guān)鍵技術(shù)。7.新能源乘用車百公里行駛電耗降低技術(shù)：研究如何通過硬件創(chuàng)新和軟件優(yōu)化降低電耗，提升整車?yán)m(xù)航里程。8.固態(tài)電池電解質(zhì)材料創(chuàng)新與界面工程優(yōu)化：研究氧化物、硫化物、聚合物等固態(tài)電解質(zhì)材料的最新研究進(jìn)展，以及固態(tài)電池中電極與電解質(zhì)之間的界面問題，提高電池的充放電效率和循環(huán)穩(wěn)定性。

9.電池系統(tǒng)安全技術(shù)：研究主被動(dòng)一體化的熱安全防護(hù)、熱失控早期火災(zāi)探測(cè)預(yù)警、滅火裝置等

10.高效高密度電驅(qū)動(dòng)總成技術(shù)：研究具有更高轉(zhuǎn)速、更高效率和更小型化的電驅(qū)動(dòng)系統(tǒng)技術(shù)。

征稿要求：

1.投稿請(qǐng)注明“*****\"技術(shù)方向?qū)ｍ?xiàng)征稿字樣，本刊對(duì)符合征稿方向的稿件將優(yōu)先審核，一經(jīng)錄用優(yōu)先發(fā)表；2.文章字?jǐn)?shù)控制在6000～8000字范圍之內(nèi)；3.請(qǐng)按科技論文要求撰寫文章摘要，摘要中文字?jǐn)?shù)控制在180字左右；4.文章必須附有公開發(fā)表的、體現(xiàn)本領(lǐng)域最新研究成果的參考文獻(xiàn)，并在文中標(biāo)注文獻(xiàn)引用處；5.文章主要作者應(yīng)提供其簡(jiǎn)介，包括出生年、性別、職稱、學(xué)歷、研究方向及技術(shù)成果等;6.來稿的保密審查工作由作者單位負(fù)責(zé)，確保署名無爭(zhēng)議，文責(zé)自負(fù)；7.請(qǐng)勿一稿多投；8.本刊使用網(wǎng)站投稿，詳細(xì)投稿要求見本刊網(wǎng)站中\(zhòng)"下載中心\"欄的\"作者指南”，網(wǎng)址：http：//cjs.cbpt.cnki.net。這些技術(shù)方向反映了汽車技術(shù)領(lǐng)域的最新研究熱點(diǎn)，《汽車技術(shù)》雜志誠(chéng)邀廣大科研人員圍繞這些方向投稿，我們期待您的佳作，共同推動(dòng)汽車技術(shù)的發(fā)展與創(chuàng)新。感謝您對(duì)《汽車技術(shù)》雜志的支持與貢獻(xiàn)！《汽車技術(shù)》雜志是中國(guó)第一汽車集團(tuán)有限公司主辦的國(guó)內(nèi)外公開發(fā)行的汽車前瞻與應(yīng)用技術(shù)類月刊，為我國(guó)高質(zhì)量科技期刊分級(jí)目錄人選期刊、中國(guó)科學(xué)引文數(shù)據(jù)庫(kù)（CSCD）來源期刊、中文核心期刊、中國(guó)科技核心期刊、RCCSE中國(guó)核心學(xué)術(shù)期刊（A）、Scopus數(shù)據(jù)庫(kù)收錄期刊、俄羅斯《文摘雜志》（AJ）收錄期刊、日本科學(xué)技術(shù)振興機(jī)構(gòu)數(shù)據(jù)庫(kù)人選期刊、EBSCO學(xué)術(shù)數(shù)據(jù)庫(kù)收錄期刊、歐洲學(xué)術(shù)出版中心（EuroPub）數(shù)據(jù)庫(kù)收錄期刊。