田保書 彭月麗 羅婧 劉俊 韋光洋

摘要：隨著時代的發(fā)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(shù)都是由于駕駛不規(guī)范而造成的。本項目組研究的基于深度學習的不規(guī)范駕駛行為智能識別系統(tǒng)，可以智能的檢測到駕駛員的不規(guī)范行為，極大的提高了駕駛的安全性。

關(guān)鍵詞：深度學習;卷積神經(jīng)網(wǎng)絡(luò);不規(guī)范駕駛行為

1 引言

近幾年，隨著科技和技術(shù)的不斷發(fā)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(xiàn)出我國的經(jīng)濟發(fā)展的速度，但這也為人們的安全埋下了隱患。根據(jù)交通安全大數(shù)據(jù)所了解，在容易導致事故發(fā)生的十大不規(guī)范駕駛行為中，未按操作規(guī)范安全駕駛、文明駕駛的占49.6%。可以看出不規(guī)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(lǐng)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(jīng)網(wǎng)絡(luò)[1]。當前，深度學習的研究逐漸從監(jiān)督學習轉(zhuǎn)移到強化學習、半監(jiān)督學習以及無監(jiān)督學習鄰域，視頻檢測，因其可以利用海量無標記的自然數(shù)據(jù)去學習視頻的內(nèi)在特征。

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

2 系統(tǒng)設(shè)計

2.1 系統(tǒng)構(gòu)成

該系統(tǒng)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(guī)范行為時，通過語音提示器提示駕駛員規(guī)范駕駛。通過這三個模塊的協(xié)同配合，最終實現(xiàn)全套的完整功能。系統(tǒng)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(tài)，通過車內(nèi)攝像頭采集司機的圖像會產(chǎn)生運動模糊，所以需要處理模糊。這不禁讓人聯(lián)想起生成對抗網(wǎng)絡(luò)（GAN），因為它能夠保存高紋理細節(jié)，創(chuàng)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(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)是多層感知機（MLP）的變種。卷積神經(jīng)網(wǎng)絡(luò)是一種深度的監(jiān)督學習下的機器學習模型，具有極強的適應(yīng)性，善于挖掘數(shù)據(jù)局部特征，提取全局訓練特征和分類，它的權(quán)值共享結(jié)構(gòu)網(wǎng)絡(luò)使之更類似于生物神經(jīng)網(wǎng)絡(luò)，在模式識別各個領(lǐng)域都取得了很好的成果[3]。利用卷積神經(jīng)網(wǎng)路模型對采集的司機圖像通過卷積神經(jīng)網(wǎng)絡(luò)進行識別和處理。

3 系統(tǒng)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(guī)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(xù)的行為分析提供數(shù)據(jù)支撐。本系統(tǒng)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(xù)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(shù)據(jù)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(tǒng)基于TensorFlow深度學習框架完成模型建立，TensorFlow提供很多的函數(shù)模塊，在搭建模型過程中，用戶可以調(diào)用這些函數(shù)。且利用SSD算法獲取圖像中駕駛員的圖像信息，根據(jù)駕駛員圖像信息裁剪駕駛員圖像。然后根據(jù)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(quán)值（參數(shù)），來回不斷地迭代，直到損失函數(shù)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(shù)據(jù)進行預測，如表1所示是系統(tǒng)的測試結(jié)果，當司機在開車中有不規(guī)范駕駛動作行為時，對司機進行語音提示。

4 結(jié)語

本系統(tǒng)通過將攝像頭安裝在車內(nèi)，并實時采集司機行為特征圖像，控制器與服務(wù)器遠程連接，服務(wù)器通過網(wǎng)絡(luò)通信接收司機圖像，并通過深度學習技術(shù)對采集的司機行為圖像進行識別并處理，再把處理的結(jié)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(fā)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(wǎng)絡(luò)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?；究蒲袠I(yè)務(wù)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(shù)學與計算機科學學院本科生，研究方向：軟件工程