基于改进LRCN模型的驾驶行为图像序列识别方法

摘要：

针对汽车安全辅助驾驶技术中驾驶行为识别精度低、收敛速度慢等问题,提出了一种基于改进LRCN模型的驾驶行为图像序列识别方法.采用自建驾驶行为数据集作为输入样本,经过金字塔降采样和高斯混合模型特征提取等预处理算法,得到标准视频图像序列,此序列传入以卷积神经网络和门控递归单元为基础搭建的网络模型做最优化处理,最终完成结果收敛.该模型使用Keras框架在GPU上计算,分别进行了环境适应性试验、预处理算法试验和模型对比试验.结果表明:预处理算法保证了模型的收敛,提高了模型对不同场景、不同测试对象识别的鲁棒性;在自建数据集上该模型的平均识别精度达94.3%,比传统LRCN模型高4.7%,且模型收敛的速度更快,泛化能力更强.

关键词：驾驶行为识别、高斯混合模型、深度学习、卷积神经网络、GRU递归网络

所属期刊栏目：39

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家科技重大专项项目2014ZX07405002C;国家自然基金青年科学基金资助项目61300101;中央高校基本科研业务费专项项目2242017K40114

在线出版日期：2018-06-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：303-308,329