驾驶员行为检测的MASK R-CNN模型实现
2021-04-09上海中安电子信息科技有限公司
电子世界 2021年6期
上海中安电子信息科技有限公司 高 文
驾驶员的行为不仅会对自身安全产生影响,也会对整体交通安全产生影响。通过实时检测驾驶员的不良行为,对驾驶员进行有效的监督和警示,可以减少恶性交通事故发生的概率,提高交通的整体安全性。本文研究基于深度神经网络的驾驶员行为检测方法,通过构建用于目标检测的深度神经网络Mask R-CNN,并在样本图像库上对该神经网络进行精调,使之能够识别出驾驶员的头部、手、方向盘、手机、香烟、座椅等多个目标,定位边框位置和大小,从而检测出驾驶员双手不握方向盘、单手握方向盘、吸烟、打手机、脱岗等多种危险驾驶行为。
1 基于深度学习的目标检测算法
目标检测是计算机视觉领域的一个非常具有挑战的研究课题,它的任务是找出图像当中所有感兴趣的目标,确定其位置和大小。
传统的目标检测方法,大致分为三个步骤:首先是区域选择,一般采用滑动窗口的策略对整幅图像进行遍历,通过不同尺寸,不同长宽比的滑动窗口能选出不同大小的目标所在的区域。然后是特征提取,通常采用Haar特征、盖伯特征、LBP特征、HOG特征、SIFT特征等对行人和普通目标进行检测。最后,通过之前的特征,使用已经训练好的分类器如SVM,Adaboost等进行分类。
传统的目标检测方法有如下几个问题:光线变化较快时,算法效果不好;缓慢运动和背景颜色一致时,不能提取特征像素点;时间复杂度高;抗噪性能差。近年来,随着深度学习的发展,基于卷积神经网络的目标检测算法逐渐成为主流。……
登录APP查看全文
