[发明专利]基于深度学习的机动车驾驶员危险驾驶行为检测方法

说明书

本发明公开了基于深度学习的机动车驾驶员危险驾驶行为检测方法，该方法提出改进的yolov5s网络模型，使用MobileNet‑v3结构替换主干网络，并在加入SPPF结构将特征图转换为固定大小的特征向量，然后将CBAM注意力机制与Bottleneck结合，用于替换c3模块，并使用GhostConv替换head中的卷积层，最后选择比传统NMS适用阈值更广的DIoU‑NMS来替换原有的NMS用来增加对遮挡目标检测的准确性。之后构建相关数据集并进行预处理，调整参数，训练网络，最终模型大小为5.4M，每张图片检测时间大约0.014s，可以满足移动设备上的实时性要求，并具有较好的识别效果。

技术领域

本发明属于目标检测技术领域，涉及利用改进的轻量级目标检测网络模型进行危险驾驶行为的检测，具体涉及一种基于深度学习的机动车驾驶员危险驾驶行为检测方法。

背景技术

根据世界卫生组织(WTO)调查显示，每年由机动车辆引起的死亡人数超过一百万人，致两千万到五千万人受伤，并且该数据每年都呈现上涨的趋势。因此，全社会对于人工智能在交通安全领域的运用愈发关注，越来越多的人开始研究和设计不同的模型，来针对更复杂场景下的驾驶员危险行为检测。与此同时，公开数据集、公开的模型和论文都在研究如何检测驾驶员的不同行为。危险驾驶行为检测是对驾驶员在驾驶机动车辆过程中出现的不安全行为进行检测预警，如使用手机、抽烟及喝水等不安全动作。

T.Hoang等人描述了自动判断驾驶员是否正在使用手机的方法，并检测他的双手是否放在方向盘上。Siddharth等通过深度学习方法实现对驾驶员手部进行定位和动作分类，用于检测驾驶员的手是否握在方向盘上。熊群芳等提出一种基于深度学习的驾驶员打电话行为检测方法，首先通过渐进式PCN算法对人脸检测及追踪，而后通过卷积神经网络对打电话行为检测。Hesham等通过Yolo算法定位面部和手部后，采用AlexNet网络提取特征，在State Farm's Distacted Driver Dataset数据集上的饮水等多类不安全驾驶行为识别上，取得了较高的检测精度。刘唐波等为了检测驾驶员不安全驾驶行为，提出了一种基于YoloV3算法的驾驶员手部动作检测方法，具体实现包括人体姿态估计模块、手部检测模块和手部动作分类模块，在自制数据集上进行实验测试，最终取得了92.5％的检测精度和24FPS的检测速度。

尽管上述方法已经能够在一定程度上实现危险驾驶行为的准确识别，但是仍然存在模型参数量较大导致识别速度慢，以及对较小目标或遮挡目标检测精度低等问题，无法适应实际使用需求。

发明内容

针对现有技术的不足，本发明提出了基于深度学习的机动车驾驶员危险驾驶行为检测方法，提出一种基于Yolov5s的驾驶员危险行为检测方法。该方法使用网络参数大大降低的轻量级模型，提高了检测效率，缩短了检测时间，更大程度上保证了驾驶安全。

基于深度学习的机动车驾驶员危险驾驶行为检测方法，具体包括以下步骤：

步骤1、构建改进的Yolov5s轻量网络模型

s1.1、使用Mobilenet-v3结构替换Yolov5s backbone部分的CSP-Darknet53。

s1.2、在Mobilenet-v3神经网络的Mobilenet_Block后加入SPPF金字塔池化结构，用于将特征图转换成固定大小的特征向量。

s1.3、使用CBAM注意力机制结合Bottleneck，替换Yolov5s head部分的C3结构，并用基于GhostNet改进的GhostConv替换Conv层。

s1.4、使用DIOU-NMS替换原有的NMS，其公式为：