23319

تخمين خطر تصادف بر پايه رفتار راننده با استفاده از الگوريتم‌هاي يادگيري ماشين

دكتري

كامپيوتر- معماري

93

99/11/11

محمود فتحي-رضا برنگي

محمدسبكرو

پرديس

رفتار‌هاي غير عادي رانندگان از جمله مستي و خواب‌آلودگي احتمال تصادفات جاده‌اي را افزايش مي‌دهد. سيستم‌هاي تشخيص رفتار راننده عمدتا بر مبناي نظارت بر چهره و بدن راننده با ستفاده از دوربين و پردازش تصوير مي‌باشد. اين سيستم‌ها از مشكلاتي ازقبيل نقض محرمانگي سرنشينان خودرو، سربار پردازشي بالا، و حساس بودن به نور محيط رنج مي‌برند. ما يك سيستم تشخيص رفتار راننده غيرتهاجمي پيشنهاد داده ايم كه مي‌تواند پنج سبك رانندگي را تشخيص دهد: تهاجمي، بي‌دقت، مستي، خواب‌آلودگي، عادي. براي اين كار داده‌هاي غيردقيق را از راننده، خودرو و محيط اطراف جمع‌آوري كرده و با تكنيك‌هاي يادگيري ماشين رفتار راننده را ارزيابي كرديم. براي تشخيص رفتار راننده ما ابتدا از دسته بند ماشين بردار پشتيبان استفاده نموديم. با اين دسته بند رفتار راننده را با دقت 94.67% به پنج دسته تقسيم كرديم. براي رسيدن به دقت بالاتر ما از تكنيك‌هاي يادگيري عميق استفاده كرديم. براي استفاده از قدرت مدل‌هاي مبتني بر شبكه‌هاي عصبي پيچشي بر روي تصاوير در ‌طبقه‌بندي رفتارهاي راننده، ما پيشنهاد كرديم سيگنال‌هاي رانندگي با استفاده از تكنيك ترسيم بازگشتي به تصاوير تبديل شوند و سپس اين تصاوير به يك شبكه عصبي پيچشي براي دسته‌بندي رفتار راننده اعمال شود. با استفاده از اين تكنيك جديد، ما همچنين از وابستگي‌هاي مكاني تصاوير به جاي وابستگي‌هاي زماني سيگنال‌هاي رانندگي بهره مند شديم كه ما را به روشي با راندمان بالا هدايت مي‌كند دقت حاصل شده با اين روش 99.999% بود. همچنين با انجام آزمايش‌هاي مختلف و ايجاد تعادل بين دقت و بار محاسباتي، يك مدل مناسب كاربردهاي توكار كه علاوه بر دقت بالا سربار محاسباتي كمي را داشته باشد پيشنهاد شده است.

1400/01/21

Estimating Accident Risk Based on Driver Behavior Using Machine Learning Algorithms

1/30/2021 12:00:00 AM

Abnormal behaviors of drivers such as drunkenness and fatigue increase the probability of road accidents. Driver behavior detection systems are often based on monitoring the driver's face and body using the camera and rely on image processing. These systems suffer from violation of privacy and the possibility of spoofing. We proposed a non-intrusive context-aware driver behavior detection system to detect five styles of driving behavior: aggressive, reckless, drunkenness, fatigue, and normal. Uncertain context data from driver, the vehicle and the environment will be gathered to estimate the driver behavior accurately using machine-learning techniques. To detect driver behavior, we first used the support vector machine. We divided the driver behavior into five categories with accuracy of 94.67%. We used deep learning techniques to achieve higher accuracy. To use the power of CNN models on images to classify driver behaviors, we convert the driving signals to images using the recurrence plot technique and then apply these images to the CNN network to classify driver behavior. With this novel trend, we also benefit from the spatial dependencies of the images instead of temporal dependencies of the driving signals, which leads us to an approach with high efficiency. The accuracy of the proposed CNN model is equal to 99.999%.

سيستم تشخيص رفتار راننده , سيستم حمل و نقل هوشمند , يادگيري ماشين , يادگيري عميق

Driver Behavior Detection System , Intelligent Transportation System , Machine Learning , Deep Learning