一种用于分心驾驶监测的人工智能算法的研究与实现

发布时间：2024-12-07 01:34

　　大部分交通事故是由分心驾驶造成的,分心驾驶监测已成为智能交通系统中一个非常活跃的领域。分心驾驶监测包括分心驾驶识别和减少分心驾驶,如何准确地动态识别驾驶员的驾驶状态,并合理地提醒驾驶员,避免分心驾驶造成的交通事故是分心驾驶研究领域亟需解决的问题。分心驾驶识别常采用神经网络方法,然而这种方法存在很多问题。第一,现有的基于CNN（卷积神经网络）的方法都是独立地处理单帧图片,因此不能捕捉到驾驶员的动态信息;第二,尽管ResNet-50可以用于分心识别,但在某些应用领域该方法不能提取到用于分心识别的必要特征;第三,在分心驾驶静态识别中,神经网络无法区分正常驾驶状态和发呆状态。针对以上问题,本文提出了一种基于神经网络的分心驾驶动态识别系统。第一,将CNN和RNN（循环神经网络）结合应用于分心驾驶动态识别,通过RNN融合相间隔帧的信息来连接驾驶员动态信息;第二,本文在ResNet-50基础上提出了一种新的ResNet-50_v2,ResNet-50_v2可以通过充分利用图像信息来解决ResNet-50中所需特征提取的不足;第三,分心驾驶动态识别系统能够分析驾驶...

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

图1-1两层人工神经网络

第一章绪论1第一章绪论1.1研究背景及意义1.1.1研究背景根据交通管理局统计的数据显示，每年大约有200万起的交通事故发生，其中超过80%是由分心驾驶造成的，而注意力不集中、疲劳和白天过度嗜睡导致的警觉下降、反应迟钝，是引发事故的主要原因，分心成安全驾驶的最大“杀手”[1]。有....

图2-2神经网络训练过程示意图

第二章神经网络原理9LA[2]=F(Y,Y)Y（2-10）LZ[2]=LA[2]g"(Z[2])（2-11）LW[2]=LZ[2](A[1])T（2-12）LB[2]=LZ[2]（2-13）LA[1]=(W[2])TLZ[2]（2-14）LZ[1]=LA[1]g"(Z[1])（2....

图2-14LSTM细胞状态

第二章神经网络原理19at=tanh(Waaat-1+Waxxt+ba)（2-29）将at传递给下一个时间步，并通过softmax层输出yt；yt=softmax(Wyaat+by)（2-30）最后是反向传播，接收后一时间步的梯度dat做反向传播。atwax=dat*(1-tan....

图2-16遗忘门T

电子科技大学硕士学位论文20层和一个点乘操作的组合，如图2-15所示：σx图2-15门结构因为sigmoid层的输出是（0，1）的值，这个值代表信息以多大的概率流过sigmoid层。0表示全部遗忘，1表示全部通过。LSTM的第一步是遗忘门通过分析ht-1和xt的信息来输出一个向量....

本文编号：4014581