基于卷积神经网络的驾驶员检测和安全带识别

论文摘要

为了降低驾驶员检测算法的复杂度,提高安全带识别算法的准确率,提出了一种基于卷积神经网络的驾驶员检测和安全带识别的方法。通过减轻级联网络框架,调整特征训练比,尽可能快而多地生成驾驶员候选框,再利用深度特征差异、检测和边框校准之间的相关性,精确定位驾驶员位置。通过改进经典卷积神经网络,最大和平均池化层相结合,减少全连接,并通过特征批量化处理,减轻计算量,提高了安全带识别准确率。实验结果表明,与其他方法相比,驾驶员检测算法的综合评判标准平均增加了6.7%,安全带识别的准确率平均提高了3.4%,满足实时性要求。

论文目录

• 1 驾驶员检测及安全带识别的方法
•   1.1 基于MTCNN算法的驾驶员检测
•     1.1.1 改进的MTCNN算法
•     1.1.2 非极大值抑制筛选
•     1.1.3 交叉熵损失函数和边界框回归
•     1.1.4 重叠度判断
•   1.2 构建驾驶员安全带识别网络
• 2 实验环境、结果与分析
•   2.1 驾驶员检测结果与分析
•   2.2 驾驶员安全带识别结果与分析
• 3 结束语

文章来源

类型: 期刊论文

作者: 詹益俊,陈光喜,黄勇,王佳鑫,吕方方

关键词: 驾驶员检测,安全带识别,卷积神经网络

来源: 桂林电子科技大学学报 2019年03期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 汽车工业,自动化技术

单位: 桂林电子科技大学广西图像图形智能处理重点实验室,广州大学广东省数学教育软件工程技术研究中心

基金: 国家自然科学基金(61462018),广东省数学教育软件工程技术研究中心开放基金(LD16124X),广西学位与研究生教育改革项目(JGY2014060),桂林电子科技大学研究生教育创新计划(2016XWYJ09)

分类号: TP183;U463.6

DOI: 10.16725/j.cnki.cn45-1351/tn.2019.03.009

页码: 211-217

总页数: 7

文件大小: 496K

下载量: 176