在司机监控系统的骨架数据上,基于广泛学习的增强危险驾驶行动识别
Pu Li1, Ziye Liu2, Hangguan Shan1
1College of Information Science & Electronic Engineering, Zhejiang University, Hangzhou 310027, China.
Sensors (Basel, Switzerland)
|April 28, 2025
概括
这项研究引入了一种新方法,用于检测使用3D骨数据和广泛学习系统 (BLS) 的危险驾驶. 该方法通过提高驾驶员监控系统 (DMS) 的准确性和效率来提高道路安全.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 运输工程 运输工程
背景情况:
- 传统的驾驶员监控系统 (DMS) 在嵌入式设备上难以实现实时性能和稳定性.
- 资源有限的环境需要轻量级和高效的驾驶员监控解决方案.
研究的目的:
- 开发一种使用3D骨数据识别危险驾驶行为的新方法.
- 提高嵌入式应用程序的驾驶员监控系统 (DMS) 的稳定性,实时性能和效率.
主要方法:
- 提出了一个图形空间时间特征表示 (GSFR) 来从3D骨架数据中选择相关的关键点,减少复杂性.
- 集成的GSFR与广泛学习系统 (BLS),使用稀疏特征选择和主要组件分析 (PCA) 进行优化.
- 实施双重平滑策略 (滑动窗口和指数移动平均线 (EMA)),以稳定预测并最大限度地减少噪音.
主要成果:
- 与现有方法相比,拟议的GSFR-BLS模型表现出卓越的准确性,效率和稳定性.
- 在GSFR中的动态关键点选择有效地降低了计算负载.
- 优化的BLS和双平滑确保了实时处理和可靠的预测.
结论:
- GSFR-BLS模型是识别危险驾驶行为的高效解决方案.
- 该方法非常适合在嵌入式DMS应用程序中的实际部署,因为它的性能和效率.
- 这项研究通过先进的驾驶员监控技术,有助于提高道路安全.
