【驾驶员异常行为预警系统框架设计案例分析1800字】

--9-驾驶员异常行为预警系统框架设计案例分析目录TOC\o"1-3"\h\u21711驾驶员异常行为预警系统框架设计案例分析 138201.1系统设计 1241191.1.1系统需求分析 145151.1.2系统总体设计 212551.1.3非技术因素性分析 2282121.2对比测试与分析 3系统设计整个检测预警系统分为两个部分：异常行为检测和预警。然后总结了测试任务和目标，并利用公开数据集对算法进行了验证。最后，将该算法与百度AI平台的驾驶行为识别算法进行了比较。系统需求分析不良驾驶行为不但会对司机自身的生命安全造成威胁，更会对他人的生命财产安全造成不可挽回的损失。所以，非常有必要实现一个能够对驾驶员异常行为做出预警的系统。根据1.2.3节的分析，系统使用计算机视觉技术。通过摄像头获取的图像信息，处理信息实现预警功能，整个系统的功能实现如表5-1所示[19]。表5-1系统功能说明系统模块功能说明异常行为检测模块检测驾驶员的异常行为检测依赖于驾驶员与目标的交互场景，驾驶员的上半身应尽可能可以直视异常报警模块检测到异常行为后发出语音报警使用语音报警预警减少对驾驶员的干扰系统总体设计预警系统由视频采集模块、图像预处理模块、异常驾驶行为判断模块和预警模块组成[20]。整体预警系统设计如图5-1所示。图5-1预警系统框架图系统通过视频采集模块捕捉司机的驾驶视频，将该视频传输到系统中的图像处理模块，对图像的每一帧进行相应的预处理操作，比如翻转、缩小、扩大，之后进入特征提取部分，判断属于哪一类异常行为。如果判断其存在驾驶异常行为，则发出语音预警。完成预警后，对系统及逆行初始化，接着进行下一帧的预测。非技术因素性分析目前市面上对于驾驶员异常行为预警系统的要求就是价格低、小巧并使用方便。本文考虑以下几个原则进行驾驶员异常行为预警系统的设计：（1）实用性原则物美价廉一直是许多商品追求性价比的目标。过高的技术配置，首先会带来巨大的成本，就会导致价格过高，其次，仅使用满足技术要求的产品即可，使用过高的技术配置，也会带来资源浪费。因此，为了使产品在市场上得以推广，就必须在设计上以最优的价格实现功能，而不浪费资源，从而降低成本。（2）可靠性原则对于相同的设计方案，要想提高可靠性，就必须提高算法的识别精度。虽然表面的功能是一样的，但是精度等级不同，价格可能会差几倍，这也是很多车辆在设计时存在的问题，有很多汽车销售时标榜自己有目前最先进的技术设备，但是它其中的算法不能够达到技术要求，这也是被市场淘汰的原因之一。下面将对于本设计进行成本分析：（1）硬件成本。首先是摄像头，由于本设计使用摄像头来采集驾驶员图像进行图像识别，所以需要车载摄像头，一般使用内置广角摄像头，放置在车内后视镜上。还有嵌入式系统，如果要把设计的系统装载到车内智能系统上，需要有GPU来存储信息。（2）软件成本。在进行驾驶员异常行为识别时，使用卷积神经网络进行识别，训练的过程需要比较好的显卡支持，那比较节省的方法就是租用服务器，在本次论文中就是这样做的，这需要一定的成本。由于对于驾驶员行为分析还属于不成熟阶段，开源数据集也比较少，所以如果想要使用带有标签的数据集需要购买或者请志愿者来采集信息，这一部分也有成本。对比测试与分析上述比较实验的作用是验证本文档中提出的几个算法。从第2.1节引入公开数据集中可以看出，这一公开数据集提供了司机不良驾驶行为的图片和标签。由于每幅图像都是一个个体，在时间上没有连续性，所以只能进行静态识别，而不是视频识别。此测试模块将与百度AI测试平台上的驾驶行为识别算法进行比较[21]。对比实验结果见图5-3。图5-2论文算法测试图图5-3百度AI驾驶行为识别平台测试图图5-2与图5-3选取的图片基本相同，方便进行比较。本文的检测方法比百度AI的检测方法更合理。出现这种情况的主要原因是每个算法的侧重点不同。百度AI平台专注于手机识别。还有可能是因为所使用的数据集的拍摄角度在百度AI平台所提的算法的适用性不好，有许多远离摄像头一侧的拨打电话行为，都没办法被识别到。通过上述比较，可以发现百度AI平台的驾驶行为识别平台对于有物体的驾驶行为，例如抽烟、打电话等驾驶行为准确率较高，因为百度AI平台专注于识别物体，而当物体被驾驶员遮挡就会出现检测结果的偏差，而对于本论文算法本来就是在此数据上进行的训练，可能是这种算法恰好适用于此数据集。所以在本论文数据集