基于CNN时空方法的实时驾驶员状态监测
计算机视觉与模式识别
2019-07-19 v1 机器学习
图像与视频处理
摘要
许多道路交通事故由分心驾驶引发。如今，即便是最新的自动驾驶汽车，也需要驾驶员监测以在紧急情况下提醒分心驾驶员接管车辆。本文采用时空方法，利用卷积神经网络（CNNs）对驾驶员的注意力分散程度与动作决策进行分类。我们将该问题视为动作识别，以同时利用时空信息。我们的方法依赖于使用预训练的BN-Inception网络从动作的稀疏选帧中提取特征。实验表明，我们的方法在Distracted Driver Dataset上优于当前最优结果（96.31%），在10类分类中达到99.10%的准确率，同时具备实时性能。我们还分析了采用极新的数据级融合策略、融合RGB与光流模态的影响。在Distracted Driver与Brain4Cars数据集上的结果显示，这些模态的融合进一步提升了准确率。
引用
@article{arxiv.1907.08009,
title = {Real-Time Driver State Monitoring Using a CNN Based Spatio-Temporal Approach},
author = {Neslihan Kose and Okan Kopuklu and Alexander Unnervik and Gerhard Rigoll},
journal= {arXiv preprint arXiv:1907.08009},
year = {2019}
}
备注
Accepted for publication by the IEEE Intelligent Transportation Systems Conference (ITSC 2019)