基于神经网络的驾驶员不安全动作的静态动态识别与系统开发.pdf

摘要

近年来，我国经济发展飞快，国内机动车的数量逐年上涨，同时道路交通事故的发

生频次也愈发增多。相关研究发现，驾驶员是导致发生道路交通事故的一个重要原因，

其中驾驶员不规范、不安全驾驶是最主要的原因，如单手抽烟或打电话、注意不集中等。

因此，避免驾驶员进行不规范、不安全的驾驶动作，可以使得道路交通事故的发生频次

减少。通过车内摄像头等设备对驾驶员动作进行实时监控和检测，然后根据识别结果对

驾驶员进行必要的提醒和警告，甚至通过干扰制动的方式强制让车辆减速，以避免道路

交通事故的发生。只有当道路交通事故的发生频次变少，人们的生命安全才能得到有效

保护，财产安全才能得到有效保障，同时还能有效缓解城市的堵车现象，避免城市交通

压力过大。本文的主要研究内容如下：

首先，本论文邀请15位驾驶员志愿者参与数据集7种不安全驾驶视频片段的拍摄，

依据SrateFarm-kaggle数据集，从拍摄方位、光照强度等方面，利用拍摄设备采集数据

SrateFarm-kaggle264

集。同时与开源数据集中位驾驶员的种不安全驾驶动作相对应的

数据集进行混合，形成论文研究的数据集。并在进行动态识别时，将数据集按7:3的比

TrainingSetTestSet

例分为和，保证论文实验结果的科学性和可操作性。

其次，基于所获取的开源数据集，以RGB图像为输入，通过Openpose获取静态下

驾驶员骨骼点信息，根据动作特征参数，设置标签，提出一种识别方法，对驾驶员4种

不安全驾驶动作进行静态识别。

同时，为扩大识别动作的覆盖面，本文基于混合数据集，以视频为输入，通过

Openpose获取动态下驾驶员骨骼点信息，构建骨骼序列时空图，在时空图卷积网络模型

ST-GCN7

（）中进行驾驶员种不安全驾驶动作动态识别（对骨骼关节在时空运动的捕

捉）训练，并在测试集中进行检测。

最后，基于已有的训练模型和识别方法，设计开发了针对驾驶员不安全驾驶动作的

检测识别和预警系统，融合静态和动态两种状态，对驾驶员不安全动作进行识别。

OpenposeST-GCN

关键词：驾驶员不安全动作，深度学习，骨骼点信息，，网络模

型，动态识别

i

Abstract

Inrecentyears,withChinasrapideconomicdevelopment,thenumberofdomestic

motorvehiclesandtrafficaccidentsisincreasingyearbyyear.Studiesshowsthatdrivers’

behaviorisanimportantreasontotrafficaccident.Andirregularandunsafedrivingbydrivers

isthemainreason,suchassmokingortalkingonthephone,inattentiveness,etc.Therefore,

avoidingunregulatedandunsafedrivingbehaviorsbydriverscanreducetheincidenceofroad

trafficaccidents.Thedriversmovementsaremonitoredanddetectedinrealtimebydevices

suchasin-vehiclecameras,whichcanalertandwarnthedriversbasedonrecognitionresults

orevenforcethevehicletoslowdownb