基于迁移学习和AlexNet的驾驶员行为状态识别方法

摘要：

为了解决传统基于神经网络算法的驾驶员行为状态识别系统精度过于依赖大量训练样本的问题,提出将迁移学习理论和AlexNet引入到驾驶员行为状态的识别研究中.首先对驾驶员行为特征及状态进行深入分析,对驾驶员7种驾驶状态进行了定义,构建了驾驶员状态信息采集系统;然后对基于卷积神经网络的驾驶员状态识别方法研究,建立了驾驶员状态数据集,构建了基于AlexNet卷积神经网络的状态监测系统,通过迁移学习完成了卷积神经网络识别模型.最后通过实验验证了提出的驾驶员状态识别算法对7种驾驶员状态识别的有效性.实验表明:该系统准确率达到97.8％,且在实验设备中运行速度达到70帧/min,满足较高的准确率要求与实时性要求.

关键词：驾驶员状态、迁移学习、AlexNet、卷积神经网络

所属期刊栏目：19

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划2017YFB0102500;天津市科委人工智能重大专项17ZRXGGX00130;天津市科委新一代人工智能科技重大专项18ZXZNGX00230;中国汽车技术研究中心有限公司重点课题16190125,10318-01

在线出版日期：2019-12-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：208-216