通过卷积神经网络和双向长期短期记忆与空间增强注意力机制在车辆中的基于深度视频的二次行动识别
Weirong Shao1, Mondher Bouazizi2, Ohtuski Tomoaki2
1Graduate School of Science and Technology, Keio University, Yokohama 223-8522, Japan.
Sensors (Basel, Switzerland)
|October 26, 2024
概括
本研究引入了一种使用深度视频识别司机二次动作的新方法,提高了道路安全. 该方法实现了84%的准确性,超过了现有的分散驾驶检测技术.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 汽车安全 汽车安全
背景情况:
- 车辆中的次要动作对于道路安全和先进驾驶辅助系统 (ADAS) 至关重要.
- 传统的基于RGB视频的动作识别受弱光等环境因素的限制.
- 准确的驾驶员分心检测对于防止事故至关重要.
研究的目的:
- 开发一种使用深度视频数据进行司机二次动作识别 (SAR) 的新方法.
- 为了提高SAR的准确性和稳定性,特别是在具有挑战性的照明条件下.
- 改进驾驶员意图预测和整体道路安全.
主要方法:
- 利用来自车载传感器的深度视频数据.
- 采用一个卷积神经网络 (CNN),与空间增强注意力机制 (SEAM) 集成.
- 结合CNN-SEAM与双向长短期记忆 (Bi-LSTM) 网络进行时空特征提取.
主要成果:
- 在Drive&Act数据集上的二次动作识别 (SAR) 中获得了大约84%的准确性.
- 在动作识别的空间和时间方面的显著改进.
- 在基于深度视频的SAR中超越了最先进的方法.
结论:
- 拟议的方法为使用深度数据的司机SAR提供了强大而准确的解决方案.
- 这种方法通过提供更好的驾驶员监控来增强ADAS的功能.
- 这些发现有助于减少因司机分心造成的事故.
