基于卷积神经网络的驾驶行为识别算法与实现

谢豆，彭长超，刘文军，胡霞

摘要：汽车产业的蓬勃发展极大促进经济的繁荣，面对交通事故频发的现状，探索如何利用前沿技术提高安全驾驶成为行业关注的焦点。传统的车辆视频监控无法实现驾驶行为的智能识别与实时告警，并且行业对车辆及驾驶员的监管存在不足。针对这一情况，利用机器视觉、卷积神经网络分类算法，基于边缘计算模型实现驾驶行为的实时监测与报警，消除驾驶隐患，提升监管效率，从而实现降低交通事故发生的目的。算法具有较高的精度和较为广泛的适用性，具有较好的应用前景。

关键词：机器视觉;深度学习;卷积神经网络;驾驶行为监测

中图分类号：TP393     文献标识码：A

文章编号：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

近年來随着汽车保有量持续增长，道路事故频发，生命财产安全面临严重威胁。传统的交通管理通过在道路上安装的摄像头和行车记录仪的配合下来对交通事故进行预防与判断交通事故发生的原因。这样的方式不仅效率低下而且需要耗费大量的人力物力，且无法实时地对驾驶员进行精准有效地监督。新一代信息技术与汽车产业相融合，汽车呈现电动化、网联化、智能化，利用新一代信息技术赋能汽车产业成为一种趋势。通过机器视觉、深度学习等先进的技术手段，对驾驶员状态监控可以有效地发现驾驶员的各种分心状态，比如疲劳瞌睡、抽烟、打电话、视线长时间偏离等异常状态。基于深度学习等前沿技术，引导驾驶员驾驶过程的规范性，实现降低交通安全隐患，提高车队运行效率成为一种有效途径。相关研究受到行业企业的关注[1-5]。西安邦威电子科技有限公司提出一种适用于多姿态下的驾驶人员接打电话行为检测方法，使用深度学习图像分析的方法，该项目相比于接触式检测方法受干扰因素小，使用方便，价格便宜，但检测效果易受光线、驾驶员体貌的影响，并且图像分析需要根据全局和上下文信息进行判断。

本文将深度学习算法与边缘计算模型相结合，将车内设备端的数据保存在本地进行处理与分析，及时地对驾驶员的违规行预警提醒;该模式较好地解决了将数据直接传至云端所造成的低延迟、高传输代价、高费用等问题。运用边云协同的原理将有效的数据上传至云端备份，提升监管效率。从而实现降低因驾驶员的不当驾驶行为而造成的交通事故的发生，同时为交通监管部门提供施政依据。

2 预备知识

2.1 OpenCV/图像预处理

为了实现图像取理想的检测精度，对图像进行预处理是必不可少的一步。实践中通常使用一种跨平台的机器视觉库OpenCV来对图片进行处理。OpenCV是一个使用广泛的开源机器视觉库，它不仅拥有多种语言接口还兼容各种系统。

如图1所示，给出了图像预处理的一般流程。首先，使用OpenCV库根据视频流地址从文件中读取视频并加载图像。然后，将获取到的图片转换为灰度图，转换为灰度图的意义不仅是因为大多数计算机视觉库的函数只支持灰度图，还大大提高了运算速度。接下来，在定位出人脸以后使用OpenCV对感兴趣的区域如打电话、抽烟区域进行切割。对图像的切割不仅可以减少不必要的运算还能提高识别的精度。切割后的图片还应做到尺寸统一。注意，为了保证识别的图片不失真，将按比例调节图片的尺寸。最后，使用计算机视觉库的相关函数将检测结果绘制在图片上，进行有效标识。