针对隧道环境中监控图像分辨率低与车辆运动轨迹特征异质性减弱导致的驾驶员识别准确率偏低问题,本文提出一种融合卷积与多头注意力机制的驾驶员识别方法(Multi-scale CNN with Multi Attention),通过充分利用驾驶过程人—车—路—环境...针对隧道环境中监控图像分辨率低与车辆运动轨迹特征异质性减弱导致的驾驶员识别准确率偏低问题,本文提出一种融合卷积与多头注意力机制的驾驶员识别方法(Multi-scale CNN with Multi Attention),通过充分利用驾驶过程人—车—路—环境多源信息的协同耦合关系提升识别精度。首先,设计开展实车驾驶试验,构建针对隧道路段的人—车—路多源驾驶数据库并设计特征集合;其次,搭建驾驶员识别模型框架,该框架通过多尺度卷积神经网络学习驾驶过程中的局部波动,并通过并行的多头自注意力层结构捕捉驾驶时间序列的长期依赖性,实现局部信息与全局信息的有效整合,从而提升隧道场景的驾驶员识别效果。结果显示,与其他先进的算法相比,所提出的模型在驾驶员身份识别任务中的准确率高达99.07%,调和F_(1)分数达到99.03%,充分证明了所提方法的有效性。此外,通过特征贡献度评估方法对隧道场景下驾驶员身份识别任务中的特征重要性进行深入探究发现,相较于车辆历史运动数据,驾驶员心理、生理及视觉特征显示出更高的贡献度。研究结果可为隧道场景多源数据应用提供支持,并对隧道安全监管提供技术支撑。展开更多
文摘针对隧道环境中监控图像分辨率低与车辆运动轨迹特征异质性减弱导致的驾驶员识别准确率偏低问题,本文提出一种融合卷积与多头注意力机制的驾驶员识别方法(Multi-scale CNN with Multi Attention),通过充分利用驾驶过程人—车—路—环境多源信息的协同耦合关系提升识别精度。首先,设计开展实车驾驶试验,构建针对隧道路段的人—车—路多源驾驶数据库并设计特征集合;其次,搭建驾驶员识别模型框架,该框架通过多尺度卷积神经网络学习驾驶过程中的局部波动,并通过并行的多头自注意力层结构捕捉驾驶时间序列的长期依赖性,实现局部信息与全局信息的有效整合,从而提升隧道场景的驾驶员识别效果。结果显示,与其他先进的算法相比,所提出的模型在驾驶员身份识别任务中的准确率高达99.07%,调和F_(1)分数达到99.03%,充分证明了所提方法的有效性。此外,通过特征贡献度评估方法对隧道场景下驾驶员身份识别任务中的特征重要性进行深入探究发现,相较于车辆历史运动数据,驾驶员心理、生理及视觉特征显示出更高的贡献度。研究结果可为隧道场景多源数据应用提供支持,并对隧道安全监管提供技术支撑。
