用于驾驶员分心行为识别的姿态引导实例感知学习

目的 基于图像的驾驶员分心行为识别可认为是一种二级图像子分类问题,与传统的图像分类不同,驾驶员分心识别任务中的各类区别比较微小,如区分一幅图像是在弄头发还是打电话完全取决于驾驶员手上是否有手机这个物体,即图像中的较小区域就决定了该图像的类别.对于那些图像差异较小的类别,通常的图像分类方法无法高精度地区分.因此,为了能够学习到不同驾驶行为之间微小的表征区别,提出了一种姿态引导的实例感知学习网络用于驾驶员行为识别.方法 首先利用人体检测器检测到人体框,利用人体姿态估计获取具有辨识性的手部相关区域,将人体和手部区域的特征作为实例级别的特征,以此设计一种实例感知学习模块充分获取不同层级的上下文语义信息.其次利用手部相关特征构建双通道交互模块来对关键空间信息进行表征的同时,对视觉特征进行优化,组建成一个多分支的深度神经网络.最后将不同分支的结果进行融合.结果 实验结果表明,本文方法在AUC(American University in Cairo)数据集和自建三客一危数据集上的测试准确率分别达到96.17％和96.97％,相较于未使用实例感知模块和通道交互的模型,准确率显著改善,在复杂数据集下识别效果提升明显.结论 本文提出的姿态引导的实例感知学习网络,在一定程度上降低了环境的干扰,准确度高,能辅助驾驶员安全行车,减少交通事故的发生.