英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
翻译文献题目：Driver behavior detection and classification using deep convolutional neural networks
简介：
作为智能交通系统(ITS)的驾驶员行为监控系统已被广泛用于降低交通事故风险，以前大多数监控驾驶员行为的方法都是依靠计算机视觉技术，这种方法存在侵犯隐私和欺骗的可能性。本文提出了一种新颖而有效的深度学习方法来分析驾驶员行为，我们使用了包括加速度、重力、油门、速度和每分钟转数(RPM)在内的驾驶信号来识别五种驾驶风格，包括正常驾驶、攻击性驾驶、分心驾驶、困倦驾驶和酒后驾驶。为了利用图像上成功的深层神经网络的优点，我们在基于递归图技术从驱动信号构建的图像上学习了2D卷积神经网络。实验结果表明，该方法能够有效检测驾驶员行为。
1.介绍
如今，人们越来越多地使用车辆会带来负面后果，如交通事故、伤害、死亡和经济损失。交通部的死亡分析报告系统(FARS，2017)宣布，2016年发生了34439起死亡事故，37461人死亡。司机的失误，以及受疲劳、酒精、鲁莽或粗心影响的人为因素是大多数事故的主要因素。在道路上发生异常情况时，联系驾驶员、环境和车辆的信息可以提高导出的安全性，智能交通系统和车载自组织网络通过分析这些信息来降低事故风险。
驾驶员行为是影响道路安全的最重要因素之一，因此最近驾驶员行为的监控和检测系统已经成为一个活跃的研究领域。一些系统单独监控驾驶员行为(Galarza，Egas，Silva，Ve-lasco，Galarza，2018；Jo，Lee，Park，Kim和Kim，2014)，而其他人通过结合驾驶员行为、车辆状态和环境来监控驾驶员的状态(Al-Sultan，Al-Bayatti和Zedan，2013；Daza等人，2011年)。几乎大多数驾驶员行为监控系统只检测到一种异常行为(Carmona，相应的作者。加西亚、马丁、埃斯卡洛拉和阿明戈尔，2015年；戴、滕、白、沈、宣，2010；冈萨雷斯、威尔比、迪亚斯和Aacute;维拉，2014年；Lee amp; Chung，2012年)，而他们中很少有人检测到一个以上的异常行为(Al-Sultan等人，2013年)。然而，仍然没有有效的监控系统来准确地检测驾驶员的所有异常行为。到目前为止，已经有许多关于驾驶员行为的研究，这些研究监控驾驶员的身体，并使用深度学习技术对他们的活动进行分类(Danisman，Bilasco，Djeraba，Ihad-daden，2010；Galarza等人，2018年；Jo等人，2014年；Sabet，Zoroofi，Sadeghniiat-哈吉吉amp; Sabbaghian，2012)。由于在基于摄像头的系统中存在侵犯隐私和欺骗的可能性，一些研究希望使用非视觉驾驶信号和传统学习技术，例如支持向量机(SVM)和k-最近邻居(KNN) (Al-Sultan等人，2013；Carmona等人，2015年；戴等，2010；探戈和博塔，2013；于等，2017)。
深度学习技术，尤其是CNNs，已经成功地发展为图像应用。图像分类有许多成功的深层网络，如AlexNet(Rusakovsky等人，2015)、ResNet(泽勒和弗格斯，2013)、VGGNet(西蒙扬和齐塞尔曼，2014)，而深层学习技术在信号处理方面进展缓慢。因此，为了利用这种神经网络(即基于图像的神经网络)来分析驾驶员行为，我们建议将驾驶信号表示为若干图像。为此，我们使用了递归图技术(Spiegel，2015；Spiegel，Jain和阿尔拜拉克，2014)是一种将信号转换成图像的有效方法。在这种新趋势下，图像的空间依赖性替代了驱动信号的时间依赖性，我们从中受启发并找到了一种高效率的方法。
本文提出了一种新颖有效的驾驶员行为分类方法。我们将驾驶员行为分为五类：
(1)安全或正常型
(2)攻击性型
(3)注意力分散型
(4)困倦驾驶型
(5)酒后驾驶型。
我们收集车辆数据，包括加速度、重力、转速、速度和油门(加速踏板被踩下的量)。然后，我们考虑重叠时间窗，并使用递归图技术将数据转换成图像。最后，我们使用CNN将驾驶员行为分为五种类型，并通过车载无线通信技术向驾驶员或其他车辆发出警报。
本文的主要贡献有：
(1)提出了一种基于神经网络的从车辆运动模式中检测驾驶员行为的方法，代替了对驾驶员面部的监控。
(2)将驾驶行为分为五种类型：正常驾驶、渐进性驾驶、分心驾驶、困倦驾驶和酒后驾驶。
(3)将驱动信号的时间依赖性转化为空间依赖性。实验结果表明，这种转换得到了一种低计算功率的高效率方法。
本文的其余部分组织如下：我们在第二节中简要介绍了驾驶员行为检测和机器学习技术领域的前期工作，在第3节中解释了检测和分类驾驶员行为的方法，实验结果和讨论在第4节中介绍，最后我们在第5节给出了结论和未来的工作。
2.相关研究
2.1 驾驶员行为概述
在文献中，驾驶行为被定义为驾驶员在驾驶时的不同习惯、方式和行为，分为五种类型:正常或安全驾驶、攻击性驾驶、分心驾驶、困倦驾驶和酒后驾驶(Meiring amp; Myburgh，2015)。一些研究人员(苏丹等人，2013年；Ima-mura，Yamashita，Zhang，bin OTHMAN amp; Miyake，2008)，将安全驾驶行为定义为特定驾驶员常见的日常行为，而异常驾驶行为定义为特定驾驶员在受到身体或精神因素影响时的罕见行为。他们认为这个问题是一种分类问题(Sabokrou，Khalooei，Fathy和Adeli，2018；Sabokrou等人，2018年)。这种对驾驶员行为的定义是不精确的，因为驾驶员可能对异常驾驶行为上瘾，并且他的大多数驾驶行为包括异常行为。我们研究了驾驶员行为的特性，以区分不同的驾驶员行为类型，结果总结如下：
2.1.1激进的驾驶类型
司机在试图缩短行驶时间时的不耐烦行为。包括追尾、车速异常和立即改变、车辆横向位置保持不当、危险车道改变、快速加速和减速起飞或制动(Hong，Margines amp; Dey，2014；Meiring amp; Myburgh，2015)。
2.1.2分心驾驶类型
驾驶员对驾驶任务及其必要活动的短暂疏忽可能会形成一种分心驾驶模式，这种模式通常伴随着驾驶员对纠正车辆位置的快速反应。激进的驾驶类型有一个周期性的错误行为模式，而分心的驾驶类型有一个瞬时的和不规则的本质(梅灵amp;米堡，2015)。
安全驾驶所必需的活动被定义为分心驾驶。司机扣押的资源包括车内或车外的物品、人员或事件，饮食，以及在车内使用手机或其他技术(Meiring amp; Myburgh，2015)。
2.1.3困倦的驾驶类型
这与司机筋疲力尽并试图抗拒睡眠时的行为有关。疲劳驾驶的客观迹象包括反复打哈欠、眼睛睁不开、反应和反应较慢、转向迟缓、车辆在道路上摇晃、很少使用刹车、加速度或档位变化缓慢以及行驶速度低于限速(Meiring amp; Myburgh，2015)。
2.1.4酒后驾驶类型
当司机受到酒精影响时的行为。酗酒会降低注意力，导致危险行为。酒后驾驶类型的一些可衡量的特征包括车辆横向位置保持不当、突然加速和不安全的换道。与攻击性驾驶风格不同，在酒后驾驶风格中，由于酒精的影响，驾驶员的表现和驾驶员的危险意识显著降低(Al-Sultan等人，2013；Meiring amp; Myburgh，2015)。
2.1.5安全驾驶类型
当司机避免危险的反应和活动时，它也被称为正常驾驶或典型驾驶，并与司机的行为有关(Imamura等人，2008；Meiring amp; Myburgh，2015)。无危险活动的驾驶，以及上文中的粗心驾驶、攻击性驾驶、困倦驾驶和酒后驾驶的特征被归类为安全驾驶类型(Meiring amp; Myburgh，2015)。在宫崎、丹诺和奥古里(2008)文中，作者定义了安全驾驶方式，即司机适当地集中精力驾驶。一个安全的司机应该避免追尾，速度或加速度的快速变化，不适当的保持车辆横向位置，不安全的换道，不注意驾驶活动，疲劳或醉酒驾驶。
2.2 基于特征类型的驾驶员行为检测方法分类
监控驾驶员行为是智能交通系统和人机因素研究中的一个常见领域。文献中介绍了几种探索驾驶活动中人的因素的方法，这些方法根据特征类型分为两种趋势：
(1)基于非视觉特征的方法
(2)基于视觉特征的方法。
早期的方法是基于车辆的非视觉信号，例如加速度、速度和驾驶员制动频率，而第二种方法使用计算机视觉方法通过监控驾驶员的眼睛、头、嘴和手的状态来识别驾驶员的一些异常行为，例如注意力分散和困倦。下面简要说明驾驶员行为分类任务的主要前期研究。
2.2.1基于非视觉特征的方法
Yu等人(2017)提出了一种细粒度的驾驶监控方法，该方法能够识别特定类型的异常驾驶行为，如大半径转弯、突然刹车、转弯、快速掉头和侧滑。他们在真实的驾驶环境中使用智能手机的传感器采集车辆的方向和加速度，然后使用神经网络和SVM作为两种机器学习算法检测驾驶行为。
Tango 和 Botta(2013)提出了一种检测驾驶员视觉分散的非侵入式技术，该技术使用车辆信号(速度、碰撞时间、车道交叉时间、转向角度、横向位置、加速踏板位置、制动踏板位置)来代替驾驶员的眼睛跟踪。当参与者被次要活动分散注意力时，使用驾驶模拟器收集数据。在驾驶阶段，为了分散驾驶员的注意力，要求每个驾驶员完成16个次要任务，每个任务持续3分钟。他们利用静态和动态神经网络，自适应神经模糊推理系统，和SVM检测司机分心。
隐马尔可夫模型(HMM)是一种用于处理时间序列数据的随机工具，广泛用于驾驶员行为检测(伊弗森、默勒、莫拉莱斯和麦德森，2017年)。在米特洛维奇(2005)文中，提出了一种基于隐马尔可夫模型的驾驶事件识别方法。该系统利用车辆在普通道路上的横向和纵向加速度和速度来检测驾驶事件。
Carmona等人(2015)提出了一种基于数据融合的驾驶员行为分析工具，该工具使用全球定位系统、惯性测量单元(IMU)和车载传感器来收集数据。将收集的数据的最大值、平均值和标准差与关于人为因素的标准研究进行比较，以检测驾驶员的攻击行为。
Van Ly等人(2013)使用车辆的惯性传感器对驾驶风格进行分类。该系统通过向驾驶员提供适当的反馈来减少汽车的危险动作。他们使用无监督算法(即k均值)和监督算法(即SVM)来检测驾驶员行为。
Carmona等人(2016)提出了一种基于高斯混合模型(GMM)的驾驶员行为分析工具。在这项工作中，使用控制器局域网总线(CAN总线)从惯性测量单元、全球定位系统和车载传感器收集所需的数据。他们在实际交通中评估了他们提出的检测攻击性驾驶的方法，其成功率为92.65%。
先进的驾驶员辅助系统(ADAS)有助于驾驶员进行弯道警告、弯道速度控制(Bosetti、Da、Saroldi，2015)、驾驶员困倦识别和车道偏离事故预防(Saito、Itoh、Inagaki，2016)、碰撞避免(Schnelle、Wang、Su、Jagacinski，2016)、驾驶员意图识别(Bengler等人，2014)、驾驶员转向行为分析(You、Lu、Tsiotras，2017)以及正确的速度和车头时距维护(Bertelle，2017)在Gonzaacute;lez等人(2014年)中，提出了一种自动驾驶辅助系统，通过监测车辆的加速度和速度来检测驾驶员的攻击行为。它们通过使用平均值、动态范围、概率分布函数(PDFs)和标准偏差，将驾驶员的行为建模为信号的线性滤波器。所提出的方法在涉及五种道路类型和十名驾驶员的实际条件下得到验证。最后，GMM被用来检测司机的攻击行为。
戴等人(2010)提出了一种用于识别和警告酒后驾驶的系统，他们关注了一名醉酒司机的两种危险行为，包括不恰当的速度控制和不适宜的车道位置维护。他们使用智能手机的加速度传感器来收集数据，并将其与醉酒驾驶模式进行比较。
Al-Sultan等人(2013年)建议在车辆网络中使用一种情境感知系统，该系统可以检测驾驶员的异常行为，并警告其他车辆避免交通事故。该系统从驾驶员、车辆和环境中收集数据。最后，利用动态贝叶斯网络推导出四种驾驶行为，包括鲁莽驾驶、正常驾驶、醉酒驾驶和疲劳驾驶。
在Hansen、Busso、Zheng和Satyanarayana(2017)的研究中，研究人员回顾了用于分心检测的驾驶员行为模型，其中包括UTDrive中的一些项目(即驾驶员行为建模和车内安全系统的研究平台(UTDrive，2015))。他们的工作包括检测驾驶员行为和注意力分散、扫视行为和视觉跟踪、移动检测、注意力分散分析、车载数据收集移动平台和人机界面。他们提出了两种方法来模拟驾驶员分心:一种方法是提取驾驶环境并评估危
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[237378]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
