基于卷積神經網絡的駕駛行為識別算法與實現

謝豆，彭長超，劉文軍，胡霞

摘要：汽車產業的蓬勃發展極大促進經濟的繁榮，面對交通事故頻發的現狀，探索如何利用前沿技術提高安全駕駛成為行業關注的焦點。傳統的車輛視頻監控無法實現駕駛行為的智能識別與實時告警，并且行業對車輛及駕駛員的監管存在不足。針對這一情況，利用機器視覺、卷積神經網絡分類算法，基于邊緣計算模型實現駕駛行為的實時監測與報警，消除駕駛隱患，提升監管效率，從而實現降低交通事故發生的目的。算法具有較高的精度和較為廣泛的適用性，具有較好的應用前景。

關鍵詞：機器視覺;深度學習;卷積神經網絡;駕駛行為監測

中圖分類號：TP393? ? ?文獻標識碼：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增長，道路事故頻發，生命財產安全面臨嚴重威脅。傳統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行預防與判斷交通事故發生的原因。這樣的方式不僅效率低下而且需要耗費大量的人力物力，且無法實時地對駕駛員進行精準有效地監督。新一代信息技術與汽車產業相融合，汽車呈現電動化、網聯化、智能化，利用新一代信息技術賦能汽車產業成為一種趨勢。通過機器視覺、深度學習等先進的技術手段，對駕駛員狀態監控可以有效地發現駕駛員的各種分心狀態，比如疲勞瞌睡、抽煙、打電話、視線長時間偏離等異常狀態。基于深度學習等前沿技術，引導駕駛員駕駛過程的規范性，實現降低交通安全隱患，提高車隊運行效率成為一種有效途徑。相關研究受到行業企業的關注[1-5]。西安邦威電子科技有限公司提出一種適用于多姿態下的駕駛人員接打電話行為檢測方法，使用深度學習圖像分析的方法，該項目相比于接觸式檢測方法受干擾因素小，使用方便，價格便宜，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全局和上下文信息進行判斷。

本文將深度學習算法與邊緣計算模型相結合，將車內設備端的數據保存在本地進行處理與分析，及時地對駕駛員的違規行預警提醒;該模式較好地解決了將數據直接傳至云端所造成的低延遲、高傳輸代價、高費用等問題。運用邊云協同的原理將有效的數據上傳至云端備份，提升監管效率。從而實現降低因駕駛員的不當駕駛行為而造成的交通事故的發生，同時為交通監管部門提供施政依據。

2 預備知識

2.1 OpenCV/圖像預處理

為了實現圖像取理想的檢測精度，對圖像進行預處理是必不可少的一步。實踐中通常使用一種跨平臺的機器視覺庫OpenCV來對圖片進行處理。OpenCV是一個使用廣泛的開源機器視覺庫，它不僅擁有多種語言接口還兼容各種系統。

如圖1所示，給出了圖像預處理的一般流程。首先，使用OpenCV庫根據視頻流地址從文件中讀取視頻并加載圖像。然后，將獲取到的圖片轉換為灰度圖，轉換為灰度圖的意義不僅是因為大多數計算機視覺庫的函數只支持灰度圖，還大大提高了運算速度。接下來，在定位出人臉以后使用OpenCV對感興趣的區域如打電話、抽煙區域進行切割。對圖像的切割不僅可以減少不必要的運算還能提高識別的精度。切割后的圖片還應做到尺寸統一。注意，為了保證識別的圖片不失真，將按比例調節圖片的尺寸。最后，使用計算機視覺庫的相關函數將檢測結果繪制在圖片上，進行有效標識。