[发明专利]一种地铁驾驶员行为识别方法

说明书

本发明涉及一种地铁驾驶员行为识别方法，包括：获取地铁驾驶员驾驶行为的历史数据，所述历史数据包含各种对应于不同驾驶行为的图片数据；对获取的历史数据进行预处理；将预处理后的历史数据划分为训练集和测试集；构建改进的ResNet18模型，利用训练集和测试集对改进的ResNet18模型进行迭代训练，以得到驾驶行为识别模型；获取实际待识别的驾驶行为数据，将该驾驶行为数据输入识别模型中，输出得到对应的行为识别结果。与现有技术相比，本发明通过设计一种轻量化的卷积神经网络结构，能够快速、准确地分类识别出驾驶员驾驶行为。

技术领域

本发明涉及轨道交通控制技术领域，尤其是涉及一种地铁驾驶员行为识别方法。

背景技术

地铁驾驶员精神分散、注意力不集中是引发地铁事故的主要原因，其中，驾驶员精神分散的驾驶行为有驾驶时使用手机、不瞭望前方、打瞌睡和进食等行为。为此，对于目前的车载辅助驾驶系统而言，如何利用现有的驾驶员行为数据集，学习各类驾驶行为的特征，从而准确高效地对驾驶员行为进行分类识别、达到监控驾驶员状态，将成为减少由于驾驶员分心驾驶而引起事故的有效手段。

现有的车载辅助驾驶系统一般是根据获取到的驾驶员行为的类别数据，直接运用ResNet、InceptionV3、MobileNetV2、ShuffleNet等卷积神经网络进行特征提取和分类，以得到训练后的模型；之后利用该训练后的模型将待分类的驾驶员行为图片输入卷积神经网络后，得到驾驶员行为分类预测结果。而在卷积神经网络的选取上，ResNet、InceptionV3等网络的特点是精度较高但结构复杂、模型体积大；MobileNetV2、ShuffleNet等网络能降低运算量，但是会带来精度上的损失。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种地铁驾驶员行为识别方法，通过设计一种轻量化的卷积神经网络结构，从而能够快速准确地分类识别出驾驶员驾驶行为。

本发明的目的可以通过以下技术方案来实现：一种地铁驾驶员行为识别方法，包括以下步骤：

S1、获取地铁驾驶员驾驶行为的历史数据，所述历史数据包含各种对应于不同驾驶行为的图片数据；

S2、对获取的历史数据进行预处理；

S3、将预处理后的历史数据划分为训练集和测试集；

S4、构建改进的ResNet18模型，利用训练集和测试集对改进的ResNet18模型进行迭代训练，以得到驾驶行为识别模型；

S5、获取实际待识别的驾驶行为数据，将该驾驶行为数据输入识别模型中，输出得到对应的行为识别结果。

进一步地，所述步骤S1具体是通过摄像头采集获取实验室环境下地铁驾驶员的不同驾驶行为数据。

进一步地，所述不同驾驶行为数据包括对应于正常、分心或危险驾驶状态的9类驾驶行为，具体的，所述正常驾驶状态对应的驾驶行为有：正常坐下且双手在驾驶台上；正常坐下且进行驾驶手势；

所述分心驾驶状态对应的驾驶行为有：喝水、吃东西；左顾右盼；玩手机；

所述危险驾驶状态对应的驾驶行为有：司机趴在驾驶台上；打哈欠、身体出现倾斜、头部低沉或手支撑头部；转向身后拿东西；离开驾驶位。

进一步地，所述步骤S2具体是对获取的历史数据进行切割、随机翻转、打乱以及线性归一化处理。

进一步地，所述步骤S3具体是按照设定的比例将预处理后的历史数据划分为训练集和测试集。

进一步地，所述改进的ResNet18模型的迭代训练过程为：将数据输入模型中进行特征提取，通过计算交叉熵损失函数进行反向传播更新权重，直至达到设定的迭代次数。