基于行为数据与 LSTM-ResNet 分类器的智能汽车身份识别
计算机视觉与模式识别
2020-03-03 v1
摘要
如今，汽车座舱内的身份识别是一项关键任务，并提供从个性化智能汽车以适配驾驶员的身体与行为需求到提升安全与安保的广阔应用空间。然而，已发表方法的性能与适用性仍不适合在量产车中使用，有待改进。在本文中，我们利用时间序列分类（TSC）与深度神经网络研究汽车座舱内的人体身份识别。我们使用油门与刹车踏板压力作为模型的输入。该数据在日常驾驶情境中易于采集。由于我们的分类器内存需求极小且无需任何输入数据预处理，我们仅用一颗 Intel i5-3210M 处理器即可完成训练。我们的分类方法基于 LSTM 与 ResNet 的组合。在 NUDrive 子集上训练的网络分别优于单独训练的 ResNet 与 LSTM 模型 35.9% 与 53.85% 的准确率。我们在 NUDrive 的 10 名驾驶员子集上达到 79.49% 的最终准确率，在 UTDrive 的 5 名驾驶员子集上达到 96.90%。
引用
@article{arxiv.2003.00770,
title = {Identity Recognition in Intelligent Cars with Behavioral Data and LSTM-ResNet Classifier},
author = {Michael Hammann and Maximilian Kraus and Sina Shafaei and Alois Knoll},
journal= {arXiv preprint arXiv:2003.00770},
year = {2020}
}
备注
12 Pages, 3 Figures