结合多视图学习的分心驾驶行为识别方法研究

摘要

随着科技发展，汽车驾驶引发的交通事故日益增长.其中驾驶员分心驾驶导致的事故最多.本文引入多视图学习与图卷积对分心驾驶行为识别的方法进行了深入研究.首先，本文构建了多视图分心驾驶行为数据集MDAD.然后，本文以View-GCN为模型基础架构，基于任务需求与实际采集信息设计了各个视图的顶点空间坐标位置，并对基础架构中视角采样器与训练过程中损失函数的组合策略进行了调整，构建了多视图分心驾驶行为识别模型MVD-GCN,其准确率高达91.54%.经过各种对比实验，本文验证了MVD-GCN不仅在与传统单视图模型的对比中展现了明显的优势，而且在与本文中使用其他方法训练的多视图模型相比，也显示出了更高的分类性能.

关键词

多视图学习 / 多视图分心驾驶行为数据集 / 图卷积 / 驾驶行为识别

基金资助

国家自然科学基金面上项目(52275535)资助; 江苏省高等学校自然科学研究重大项目(22KJA520010)资助; 江苏省研究生科研与实践创新计划项目(SJCX23＿0273,SJCX24＿0318)资助; 浙江大学CAD&CG国家重点实验室开放课题项目(A2118)资助; 南京邮电大学研究生教育教学改革项目(JGKT23＿XJ07)资助