基于改进YOLOv4-tiny的分心驾驶行为检测
为实现对常见分心驾驶行为(打电话、抽烟、喝水)进行高精度的实时检测,提出基于改进YOLOv4-tiny的分心驾驶行为检测算法.首先针对香烟这类小目标检测精度差的问题,将主干特征提取网络中最后一个跨阶段局部连接(Cross Stage Partial connections,CSP)层的输出特征进行卷积和上采样之后与第二个CSP层的输出特征进行特征融合,增加了一个52×52的预测尺度,提升对小目标的检测能力;其次在特征金字塔中添加高效通道注意力机制(Efficient Channel Attention,ECA)模块,提升模型的检测精度;最后使用k-means聚类算法在自制分心驾驶行为数据集上重新确定先验框,使用迁移学习、余弦退火学习率和标签平滑进行模型训练.结果表明,本文方法的所有类别平均精度(mAP)为98.88%,相较于原YOLOv4-tiny算法提高了2.83%,其中对于检测香烟的平均精度值提高了 8.46%,提升了对香烟的检测能力.改进YOLOv4-tiny的分心驾驶行为检测算法具有较好的综合性能,有利于车载系统对驾驶员的分心驾驶行为进行实时检测并提醒,对减少交通安全事故具有一定的现实意义.
分心驾驶、YOLOv4-tiny、预测尺度、ECA注意力机制
36
TP391.41(计算技术、计算机技术)
四川省科技创新苗子工程培育项目;企业信息化与物联网测控技术四川省高校重点实验室开放基金
2023-05-11（万方平台首次上网日期，不代表论文的发表时间）
共10页
67-76
