-
题名基于双路时空网络的驾驶员行为识别
被引量：1
- 1
-
-
作者
席治远
唐超
童安炀
王文剑
-
机构
合肥学院人工智能与大数据学院
山西大学计算机与信息技术学院
-
出处
《计算机应用》
CSCD
北大核心
2024年第5期1511-1519,共9页
-
基金
国家自然科学基金资助项目(62076154,U21A20513)
安徽省自然科学基金资助项目(2008085MF202)
+1 种基金
安徽省研究生学术创新项目(2022xscx145)
安徽省大学生创新创业训练计划项目(1602307783011602432)。
-
文摘
驾驶员危险驾驶行为是恶性交通事故发生的主要原因之一,因此识别驾驶员行为具有工程应用上的重要意义。目前,主流基于视觉的检测方法是对驾驶员行为的局部时空特征进行研究,针对全局空间特征及长时序相关性特征研究较少,这在一定程度上无法结合场景上下文信息对危险驾驶行为进行识别。为了解决上述问题,提出一种基于双路时空网络的驾驶员行为识别方法,整合不同时空通路的优点以提高行为特征丰富度。首先,使用一种改进的双流卷积神经网络(TSN)对时空信息进行表征学习,同时降低提取特征的稀疏性;其次,构建一种基于Transformer的串行时空网络补充长时序相关性信息;最后,联合双路时空网络进行融合决策,增强模型的鲁棒性。实验结果表明,所提方法在驾驶员疲劳检测数据集YawDD、驾驶员分心检测数据集SF-DDDD和最新驾驶员行为识别数据集SynDD1这3个公开数据集上分别取得99.85%、99.94%和98.77%的识别准确率,特别是在SynDD1上,与使用动作识别的网络MoviNet-A0相比识别准确率提升了1.64个百分点;消融实验结果也验证了该方法对驾驶员行为有较高的识别精度。
-
关键词
驾驶员行为识别
双路时空网络
双流卷积神经网络
TRANSFORMER
-
Keywords
driver behavior recognition
dual-path spatiotemporal network
two-stream convolutional network(tsn)
Transformer
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
