基于FMCW毫米波雷达和深度学习的驾驶员头部和手部合作行动识别
Lianlong Zhang1, Xiaodong Chen1, Zexin Chen1
1College of Electronic Engineering, South China Agricultural University, Guangzhou 510642, China.
Sensors (Basel, Switzerland)
|April 26, 2025
概括
毫米波雷达通过准确检测头手动作来提高驾驶员的安全性. 一个新的深度学习模型实现了99.16%的准确性,超过了现有的驾驶员状态监控方法.
科学领域:
- 汽车安全 汽车安全
- 传感器技术 传感器技术
- 人工智能的人工智能
背景情况:
- 驾驶员监控的视觉识别方法面临着由于照明,遮蔽和隐私的限制.
- 毫米波雷达为驾驶员状态检测提供了诸如准确性,成本效益和对环境条件的稳定性等优势.
研究的目的:
- 利用毫米波雷达开发一个准确可靠的系统来识别驾驶员的动作.
- 解决现有的驾驶员动作识别方法在准确性和范围方面的局限性.
主要方法:
- 利用77 GHz毫米波雷达收集了七种类型的驾驶员头手合作行动的数据.
- 开发了一个深度学习模型 (VGG16-LSTM-CBAM),可以处理微多普勒光谱图进行动作分类.
主要成果:
- 拟议的VGG16-LSTM-CBAM网络实现了99.16%的高分类准确率.
- 与现有的卷积神经网络-长期短期记忆 (CNN-LSTM) 和AlexNet-LSTM网络相比,其表现优越.
结论:
- 开发的毫米波雷达系统和深度学习模型显著提高了驾驶员行动检测的准确性.
- 这种方法为增强汽车安全系统提供了一个有希望的解决方案.
