基于迁移学习的驾驶分心行为识别及模型解释

为了提高驾驶分心识别的应用性及识别模型的可解释性,利用迁移学习方法研究构建驾驶人驾驶分心行为识别模型并采用神经网络可视化技术研究对模型进行解释.以VGG-16模型为基础,对原模型全连接层进行修改以适应驾驶分心行为识别任务,将原数据集中的10类驾驶行为按照所包含的分心类型合并为6类,采用合并后的数据集进行模型训练和验证.利用Grad-Cam方法提取了模型在识别不同驾驶行为时的重点关注区域并进行可视化,对照各分心行为的特点及模型分类时的重点关注区域对模型进行了解释.结果表明:所构建模型在测试集中的平均识别准确率达98.89％,经过训练的模型已具备了定位各驾驶行为的关键特征并据此判别行为类别的能力.     

基于图像分割的驾驶员分心行为识别研究

针对驾驶员分心行为对交通安全产生隐患的问题,提出一种结合图像分割与卷积神经网络的驾驶员分心行为检测方法。该方法通过使用图像分割处理后的驾驶员不同分心行为的图像对卷积网络结构模型进行训练,来减轻背景噪声的影响,以提高模型的识别性能。试验中使用未经分割的图像与经过前景分割后图像分别训练卷积神经网络模型,用分割后图像训练的模型识别的准确率达到了93.84%,高于使用原图像训练的模型。试验结果表明,结合图像分割和深度学习的驾驶员分心行为检测方法对驾驶员的分心行为有较好的检测效果。     

基于级联卷积神经网络的服饰关键点定位算法

随着深度学习的发展,使用深度卷积神经网络进行关键点定位受到了广泛关注.虽然在人体姿态、人脸识别等多个方面的关键点定位技术已经获得了长足的发展,但是应用于服饰的关键点定位由于其图像背景以及姿态等的多变性依然面临很大的挑战.服饰关键点定位技术在电商以及时尚搭配等方面有很大应用价值,本文将关键点定位应用于时尚领域,提出一种基于级联卷积神经网络的服饰关键点定位算法.该算法的目的是通过级联的两级卷积神经网络,实现对服饰关键点的初步定位以及对困难关键点的定位调整.算法的第1级以深度残差网络作为特征提取网络,在特征金字塔结构中引入空洞卷积,解决高层特征图感受野大但是空间分辨率低的问题,从而保留更多图像底层细节信息,实现对关键点的初步定位;第2级将第1级网络得到的定位结果作为关键点之间的结构先验,结合沙漏网络提取多尺度特征,对困难关键点进行精细调整,进一步提高定位精度.实验选用2018Fashion AI服饰关键点定位数据集进行训练和测试,将该数据集中对服饰关键点定位的平均归一化误差结果降低到3.56%,充分验证了算法的有效性.与几种常见关键点定位算法进行对比,本文算法在服饰关键点定位任务中取得最好效...     

基于反向双目识别的驾驶员分心检测

为检测分心驾驶状态,研究了基于反向双目的驾驶状态检测方法。首先,根据Hough算法进行车道线检测和识别,计算车辆偏航率;同时采用多点透视算法对驾驶员头部姿态进行估计;然后建立基于高斯隶属度函数模糊判断规则,根据车辆偏航率与驾驶员头部姿态对驾驶员驾驶状态进行识别。最后,采用所建立的驾驶员驾驶状态识别模型,对车道保持、换道行驶及分心行驶三种不同驾驶状态进行测试。结果表明,建立的驾驶员驾驶状态识别模型对上述三种状态检测准确率分别为99.0%、86.7%、80.8%。     

基于卷积神经网络的不良驾驶行为辨识

为量化描述驾驶员驾驶行为的动态变化过程与不良程度,研究了不良驾驶行为谱的构建与分析方法,用于不良驾驶行为的实时辨识。首先,基于拉格朗日插值法对轨迹数据清洗处理后提取特征指标参数构建驾驶行为谱,采用风险度量法对急转向、急加速、急减速、超速4种不良驾驶行为进行量化表达。其次,使用大样本统计分布的IQR与客观赋权的CRITIC方法确定不良驾驶行为特征指标参数阈值与权重,结合隶属度函数构造模糊综合评价模型对不良驾驶行为谱特征值进行确定以标定不良行驶车辆。最后,将不良驾驶行为谱特征值作为输入,基于人工智能卷积神经网络(CNN)算法对不良驾驶行为进行辨识,并与SVM、RF、BP等传统机器学习算法在辨识误差上进行比较。结果表明:CNN算法对不良驾驶行为辨识的理论误差值MAE为0.059、RMSE为0.084、R2高达0.911。可见,不良驾驶行为谱作为一种客观量化不良驾驶行为的方法与CNN算法相结合,能依据车辆运行轨迹对不良驾驶行为进行自动辨识,具有客观性、可靠性与适应性。     

基于卷积神经网络的入侵检测算法

作为深度学习的一种有效算法,深度卷积网络已成功应用在处理图像、视频和音频等领域.通过建立一卷积神经网络模型并应用于网络入侵检测,选取的卷积核与数据进行卷积操作提取特征的局部相关性从而提高特征提取的准确度.采集到的网络数据通过多层"卷积层-下采样层"的处理对网络中正常行为和异常行为的特征进行深度刻画,最后通过多层感知机进行正确分类.KDD 99数据集上的实验表明,文中提出的卷积神经网络模型与经典BP神经网络、SVM算法等相比,有效提高了入侵检测识别的分类准确性.      

基于自然驾驶数据的分心状态特征分析与跟驰行为建模

基于行为特征对分心跟驰行为进行分类和建模,根据模型标定的方法探究不同状态下跟驰模型的适应性。首先从持续开展3年有余的上海自然驾驶数据中提取了大量分心跟驰样本,基于驾驶行为刺激反应框架对分心状态特征进行了初步分类,得到了5类分心跟驰行为;其次分析了现有4类经典跟驰模型（GHR、GIPPS、IDM和Wiedemann）对分心跟驰行为的适应性,同时根据五折交叉验证适应性结果对分心跟驰行为分类进一步优化,最终得到3类分心跟驰行为（麻木反应、过激反应和延迟反应）;最后探讨了分心状态下的2种跟驰行为建模策略（AIDM和TDIDM）。结果表明,对IDM模型进行合理标定即可较准确地描述不同类型的分心跟驰行为。     

基于眼睛状态识别的疲劳驾驶检测

由于光照变化、头部姿态等因素的影响,现有的疲劳驾驶检测精度仍有待提高。针对该问题,提出一种基于迁移学习的眼睛状态识别网络(Gabor and LBP-convolutional neural networks,GL-CNN),该网络是由Gabor特征和LBP特征通过迁移学习加入卷积神经网络(convolutional neural networks, CNN)调制组成的。首先用多任务级联卷积神经网络(multi-task CNN,MTCNN)检测驾驶员的人脸和双眼,然后经过眼睛筛选机制获取待检测的单只眼睛,通过GL-CNN识别眼睛的睁闭状态,最后根据PERCLOSE准则判断驾驶员的疲劳状态。实验结果表明,该算法具有较高的准确率,可以检测多种姿态眼睛的状态,同时满足实时性的要求。     

基于注视行为特性的驾驶人分心负荷评估

为了评估驾驶人操作手机的各种行为对行车安全的影响,组织19名驾驶人佩戴眼动仪开展室内模拟驾驶试验,分别采集城市快速路自由流和拥挤流2种典型交通状况下驾驶人进行正常驾驶、免提通话、语音短信3种操作时的注视数据。采用层次聚类法结合机械划分的方式,将驾驶人的视野平面划分为6个视觉兴趣区域;利用描述统计和方差分析法建立了衡量注视行为特性的敏感性指标集(注视区域信息熵、注视持续时间、垂直方向注视偏差、瞳孔面积变异系数);最后采用熵权法构建4项指标的权重体系,提出了分心负荷指数的概念,并引入TOPSIS法验证了分心负荷指数对分心程度的评估效果。结果表明:进行免提通话操作时驾驶人多处于认知分心状态,语音短信操作时多处于视觉分心状态;相较于正常驾驶,除了自由流场景中进行免提通话操作时分心负荷差异甚微以外,其余手机操作均对驾驶人注视行为产生显著影响,致使分心负荷指数普遍升高,且在拥挤流场景中,执行语音短信操作时分心负荷激增,驾驶风险远高于免提通话。     

基于车辆横向运行数据的遗传-支持向量机算法的分心驾驶状态判别模型

分心状态是造成交通事故的重要原因。当前侵入式与半侵入式检测多被应用于分心驾驶识别,此方法会对驾驶任务产生一定干扰,且成本相对较高。对此提出一种低成本的基于车辆横向运行数据的分心驾驶状态判别方法：实验选取手机通话作为分心影响因素,设计了正常驾驶、免提通话、手提通话三个维度。首先,基于驾驶模拟器采集的数据,对正常与分心状态下的车辆运行指标进行Man Whitney U检验,从时域及频域中提取出与分心驾驶显著相关的车辆横向控制指标;其次,构建支持向量机（support vector machine,SVM）分心状态判别模型,将径向基函数作为SVM的核函数,使用网格搜索算法（grid search algorithm,GSA）、粒子群算法（particle swarm optimization,PSO）及遗传算法（genetic algorithm,GA）对SVM模型参数进行优化;最后,对比GSA-SVM、PSO-SVM与GA-SVM分心判别模型的分类效果,并运用ROC曲线对模型性能进行评估。研究结果表明：GA-SVM分心判别模型的最优交叉验证率、准确率及F_1值分别为87.9%、91.9%、94.05%,高于GSA-SVM（86.2%、87.2%、90.35%）与PSO-SVM（87.9%、91.2%、93.46%）;GA-SVM判别模型ROC曲线接近于（0,1）坐标,其AUC值为93.53%。所提出的GA-SVM分心判别模型获得了较好的分类效果,故认为此模型适合作为低成本条件下基于车辆横向控制的分心驾驶状态判别模型。     

基于卷积神经网络的钳剪工具痕迹识别

钳剪工具痕迹识别对法庭审判和侦查破案有着重要的参考价值,是物证分析识别的重要组成部分。针对该类工具种类繁多,现场痕迹复杂多样的特点,本文提出了一种基于卷积神经网络识别的钳剪痕迹分析方法。使用断线钳、线缆钳等10类常用钳剪工具,采集制作了300枚钳剪样本,在此基础上对特征区域进行录制,共200余段视频,提取钳剪痕迹特征图像共120 000张。提出TpsNet,以钳剪断头的侧面图片为识别分类对象,通过图片的分类实现对钳剪痕迹的分析识别。结果表明,TpsNet模型在钳剪痕迹数据集上的分类精度达到97.56 %,可作为钳剪痕迹分析与识别的重要依据。     

基于卷积神经网络的脚部关键参数计算方法

针对传统制鞋业定制化程度低,无法适应足部多样性、舒适性,提出了一种基于卷积神经网络的脚型关键参数计算方法。首先对图像进行透视变换等预处理,然后使用fine-tune的迁移学习方法,通过修改VGG神经网络源模型全连接分类层,将高层卷积权重进行微调,优化网络模型并提取特征值进行特征分类,从图像中识别出脚的轮廓。最后通过设计的算法把脚型特征值计算出,并与实际测量的脚长、腰窝宽度、脚宽等做对比。实验表明,改进后的模型对脚部识别的准确率达到96.8%,输出结果与测量的真实数据相比误差不超过3%,可作为鞋底制作的重要依据。     

基于卷积神经网络的猪脸特征点检测方法

针对牲畜面部识别在养殖行业广泛需求的问题, 提出一种基于卷积神经网络的猪脸特征点检测方法, 解决了猪脸特征点难检测的问题. 首先, 采集猪面部数据并进行特征点标注, 使用新的采集方法以解决猪口部通常不可见的问题; 其次, 对猪脸数据和人脸数据进行结构计算, 匹配相似度较高的猪脸和人脸, 构建猪脸人脸匹配数据集; 再次, 利用匹配数据集训练TPS(thin plate spline)形变卷积神经网络, 得到形变后的猪脸数据集以适配人脸特征点检测模型; 最后, 使用形变猪脸数据集对人脸特征点检测神经网络模型进行微调, 得到猪脸特征点检测模型. 实验结果表明, 用该方法进行猪脸特征点检测, 错误率仅为5.60%.     

基于深度卷积神经网络的DOA估计

针对现有均匀线阵远场窄带非相干多目标估计算法对低信噪比、少快拍情况适应性差、运算复杂度高，以及现有深度学习方法难以有效提取数据复值特征的问题，提出基于深度卷积神经网络的波达方向估计方法。该方法将波达方向估计问题转换为阵列输出协方差矩阵到目标到达角度的逆映射问题，利用阵列输出协方差矩阵的Hermitian特性，提取其上三角阵的实部、虚部及相位特征，构造网络的输入数据，搭建包含三维卷积层的深度卷积神经网络用来提取数据特征，网络的标签对应目标的到达角度，从而实现多个信源的波达方向估计。试验仿真表明:该方法可以充分提取空间特征，提高波达方向估计精度并降低算法复杂度。所提方法在低信噪比、少快拍数的情况下，其估计精度明显优于MUSIC、ESPRIT以及ML算法。     

基于改进的深度卷积神经网络的人脸疲劳检测

针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检测器,来检测驾驶员的脸部区域。其次,使用级联回归(ensemble of regression trees,ERT)算法实现脸部68个关键点标定及眼睛和嘴巴的定位。最后,为了优化softmax损失在深度卷积网络分类中出现的类内间距大的问题,加入中心损失函数,提高类间差异性、类内紧密性以及驾驶员脸部疲劳状态识别准确率。在自建测试集和YawDD哈欠数据集中的实验结果显示,该方法能够准确地识别检测驾驶员疲劳表情,平均识别准确率达到98.81%。与传统的疲劳驾驶检测识别方法相比,该方法可以自动进行疲劳特征提取,并且训练准确率、检测识别率及鲁棒性得到提高;与未改进的深度卷积网络相比,检测识别的概率平均提高了约5.09%。     

基于迁移学习和AlexNet的驾驶员行为状态识别方法

为了解决传统基于神经网络算法的驾驶员行为状态识别系统精度过于依赖大量训练样本的问题,本文提出将迁移学习理论和AlexNet引入到驾驶员行为状态的识别研究中。首先对驾驶员行为特征及状态进行深入分析,对驾驶员7种驾驶状态进行了定义,构建了驾驶员状态信息采集系统;然后对基于卷积神经网络的驾驶员状态识别方法研究,建立了驾驶员状态数据集,构建了基于AlexNet卷积神经网络的状态监测系统,通过迁移学习完成了卷积神经网络识别模型。最后通过实验验证了本文提出的驾驶员状态识别算法对7种驾驶员状态识别的有效性。实验表明：该系统准确率达到97.8%,且在实验设备中运行速度达到70帧/分钟,满足较高的准确率要求与实时性要求。     

基于神经网络的非侵入式电机故障检测方法

为了克服传统电机故障检测方法的准确率低、测量过程为侵入式、严重依赖先验知识的缺点,提出了一种基于卷积神经网络的非侵入式电机故障检测方法.通过将电机与其他设备共同工作时的总电源信号作为检测样本,实现检测过程的非侵入式,并基于残差优化卷积网络结构进行神经网络训练,最终实现电机超载、单相短路及相间短路故障的非侵入式检测与分类...