本發明涉及計算機視覺，尤其涉及一種輕量級的駕駛員分心行為檢測方法。

背景技術：

1、在導致交通事故的諸多因素中，分心駕駛行為占據了重要位置，駕駛員因分心導致的注意力不集中是引發交通事故的一個重要原因，特別是在追尾碰撞事故中，這一因素尤為顯著。根據國際標準化組織iso規定，分心駕駛就是指駕駛員駕駛時注意力指向與正常駕駛不相關的活動，從而導致駕駛操作能力下降的一種現象，常見的分心駕駛包括開車玩手機、喝水、抽煙等一系列注意力不集中的駕駛行為。

2、駕駛員分心行為檢測方法可以分為三類：基于駕駛員的生理信號如腦電、心電，基于車輛信息如車輛速度、方向盤轉角和加速度的方法，基于駕駛員行為特征的檢測方法。基于生理信號的檢測方式基本上都需要佩戴相關儀器設備，這會給駕駛員帶來不便。基于車輛信息這種檢測方式可能會因為不同駕駛員的駕駛習慣不同等因素造成監測準確率太低，偏差過大。

3、基于駕駛員行為特征的檢測方法由于其無接觸、更直觀的特點成為主流的檢測方式，該檢測方法通常是利用攝像頭獲取駕駛員的駕駛行為數據，通過深度學習的目標檢測方式判斷駕駛員的分心駕駛狀態。

技術實現思路

1、針對目前基于駕駛員行為特征的分心行為檢測方法在高性能平臺上已經取得了不錯的進展，但是大部分算法模型結構復雜，參數量大。根據實際分心駕駛檢測工作情況，移動終端設備更適合執行駕駛場景的檢測任務，因此，在資源有限的嵌入式平臺上，對模型輕量化與檢測精確率的平衡須作更進一步的研究；本發明提出了一種輕量級的駕駛員分心行為檢測方法，在減少算法的參數量與計算量的同時提高模型的檢測精度，實現模型的輕量化，進一步滿足實時檢測的需求。

2、為了實現上述發明目的，本發明采用技術方案具體為：一種輕量級的分心駕駛行為檢測方法，包括以下步驟：

3、s1：采集分心駕駛行為數據圖片，構建分心駕駛行為數據集；

4、s2：以yolov8n模型為基礎構建輕量級的分心駕駛檢測網絡asu-yolo，在主干網絡中構建輕量級的akdm下采樣模塊，在頸部網絡中加入協同注意力機制scsa并構建c2f-scsa模塊，引入unified-iou邊界損失函數替換原始的損失函數，具體步驟如下：

5、(1)構建akdm下采樣模塊

6、yolov8n網絡中使用普通的卷積層實現下采樣，通常使用步長為2，卷積核大小為3×3的普通卷積層，該操作會導致特征圖的尺寸減少，不可避免的丟失一部分空間信息。且隨著下采樣，特征圖的分辨率或降低，目標的位置信息會變得模糊，從而影響模型對目標細節的捕捉能力。針對該問題，設計了一個新的輕量級下采樣模塊akdm(adaptive?kerneldown?module)，以降低模型的參數量與計算量，該模塊主要由平均池化、最大池化、akconv以及1×1卷積組成。

7、(2)構建c2f-scsa模塊

8、yolov8n的c2f模塊c2f中的bottleneck模塊在降維和升維的過程中引入非線性變換來提高特征的表達能力，在一些情況無法充分關注關鍵特征，從而降低模型的檢測精度。針對該問題，將c2f模塊中的bottleneck結構替換為協同注意力模塊scsa，將改進后的網絡結構命名為c2f-scsa；scsa協同注意力模塊主要由一個可共享的多語義空間注意力smsa和一個漸進通道自注意力pcsa組成，有效的結合通道和空間注意力的優勢，充發利用多語義信息，從多尺度的空間信息中提取豐富的語義特征。

9、(3)引入unified-iou損失函數替換原始損失函數

10、針對目標檢測數據集每張圖片質量高低參差不齊的情況，使用unified-iou損失函數替換原有損失函數ciou，unified-iou損失函數是通過一種新穎的方式動態轉移模型對低質量預測框的關注到高質量預測框上，以增強模型的檢測性能，并實現訓練速度上的平衡。

11、s3：使用制作的分心駕駛行為數據集對構建的asu-yolo網絡模型進行訓練，得到輕量級的分心駕駛檢測模型。

12、s4：通過訓練好的模型對分心駕駛行為進行檢測。實時采集駕駛員分心駕駛行為并輸入到分心駕駛行為檢測模型中進行識別，得到分心駕駛檢測結果。

13、與現有技術相比，本發明的有益效果為：

14、1、本發明設計的輕量級的下采樣模塊akdm，使用可變核卷積與池化操作相結合，能夠動態自適應調整來捕捉分心駕駛目標特征，提高模型的特征提取效率；減少普通卷積下采樣模塊所造成的信息丟失與特征圖的分辨率降低帶來的信息損失，增加模型的特征表達能力。同時akdm模塊是一個輕量級的下采樣模塊，在提高模型的特征提取能力的同時降低模型的參數量與計算量，提高了模型的計算效率。2、本發明構建的c2f-scsa模塊將c2f模塊中的bottleneck結構替換為協同注意力模塊scsa，解決模型在一些情況無法充分關注關鍵特征的問題，從而提高特征的表達能力。c2f-scsa模塊能夠有效的結合通道和空間注意力的優勢，充發利用多語義信息，從多尺度的空間信息中提取豐富的語義特征，提高模型的檢測精度。

15、3、本發明對損失函數經進行改進，引入unified-iou損失函數，替換原始的ciou損失函數，unified-iou通過對預測框和gt框進行放大或縮小的方法，達到了對不同質量的預測框分配不同權重的目的，同時使用一種新穎的方式動態轉移模型對低質量預測框的關注到高質量預測框上，提高模型的高質量檢測性能，增強模型對分心駕駛行為的檢測性能。

技術特征：

1.一種輕量級的駕駛員分心行為檢測方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的一種輕量級的駕駛員分心行為檢測方法，其特征在于，所述步驟s2包括以下步驟：

3.根據權利要求1所述的一種輕量級的駕駛員分心行為檢測方法，其特征在于，所述步驟s1，通過公開數據集sfddd和網絡搜駕駛員駕駛行為圖像數據，并對數據進行清洗、篩選操作，從而獲得分心駕駛行為圖像數據，使用標注工具labelimg對采集的中每張數據圖片中的煙頭、水杯，手機圖像進行標注，生成yolo格式對應的.txt文件，構建分心駕駛行為數據集，該分心駕駛行為數據集由smoke、drink、phone三類分心行為組成，共包含8218張圖片。

4.根據權利要求1所述的一種輕量級的駕駛員分心行為檢測方法，其特征在于，所述步驟s3，訓練asu-yolo網絡模型，數據集為步驟s1中制作好的分心駕駛行為數據集，配置實驗環境，設置訓練參數確定模型評價指標為平均精度map、模型參數parameters、模型計算量gflops、每秒幀數fps，模型訓練結束后保存最優模型，得到一個輕量級的分心駕駛檢測模型權重文件。

5.根據權利要求1所述的一種輕量級的駕駛員分心行為檢測方法，其特征在于，所述步驟s4，將訓練好的分心駕駛檢測模型權重文件加載到yolov8n網絡中，通過調用攝像頭獲取駕駛員的駕駛行為圖像視頻，并對視頻逐幀分析檢測，對圖像中的目標進行檢測識別，當檢測到圖像中出現水杯、煙頭、手機這三類中的任意一種目標，即處于為分心駕駛行為，得到分心駕駛檢測結果。

技術總結
本發明提供了一種輕量級的駕駛員分心行為檢測方法，屬于計算機視覺技術領域。解決了分心駕駛檢測算法模型結構復雜，參數量大，以及模型輕量化與檢測精度之間的不平衡技術問題。其技術方案為：包括以下步驟：S1：采集分心駕駛行為數據圖片，構建分心駕駛行為數據集；S2：以YOLOv8n模型為基礎構建輕量級的分心駕駛檢測網絡ASU?YOLO；S3：使用制作的分心駕駛行為數據集對構建的ASU?YOLO網絡模型進行訓練，得到輕量級的分心駕駛檢測模型；S4：通過訓練好的模型對分心駕駛行為進行檢測。本發明的有益效果為：本發明在減少算法的參數量與計算量的同時提高模型的檢測精度，實現模型的輕量化，滿足實時檢測的需求。

技術研發人員：李躍華,王金鳳,吳賽林,張月月,姚章燕,胡彬
受保護的技術使用者：南通大學
技術研發日：
技術公布日：2025/4/28