基于改進(jìn)Mobile Net-SSD網(wǎng)絡(luò)的駕駛員分心行為檢測(cè)

杜虓龍，余華平

(長(zhǎng)江大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院，湖北 荊州 434000)

0 引言

近年來，隨著家用汽車的日益普及，行車安全問題也與日俱增。根據(jù)美國(guó)國(guó)家公路交通局發(fā)布的調(diào)查數(shù)據(jù)顯示，其中有30%的車禍主要原因?yàn)轳{駛員駕駛時(shí)分心[1]。中國(guó)作為發(fā)展中強(qiáng)國(guó)，人民經(jīng)濟(jì)水平不斷提高，汽車普及率也以極快的速度進(jìn)行增長(zhǎng)，所以對(duì)駕駛員進(jìn)行實(shí)時(shí)監(jiān)控，快速準(zhǔn)確地識(shí)別駕駛時(shí)的分心行為對(duì)解決交通安全問題來說變得尤為重要。

為解決這一問題，國(guó)內(nèi)外眾多學(xué)者主要通過3種方式：基于傳感器，基于計(jì)算機(jī)視覺以及基于兩者結(jié)合的方法[2]。不過，基于計(jì)算機(jī)視覺的解決方法還是占據(jù)主流位置，李振龍[3]提出了基于反向雙目的識(shí)別方法，通過Hough算法對(duì)駕駛車輛的車道偏移率進(jìn)行計(jì)算，再結(jié)合車內(nèi)對(duì)駕駛員頭部姿態(tài)的識(shí)別分析，對(duì)兩者進(jìn)行融合分析來進(jìn)行識(shí)別，分析是否出現(xiàn)了分心現(xiàn)象。Ren[4]等提出通過Faster-RCNN網(wǎng)絡(luò)來識(shí)別駕駛員手中是否有手機(jī)來判斷是否為分心駕駛。陳軍等[5]提出了使用級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)對(duì)駕駛員分心行為進(jìn)行檢測(cè)的方法，通過構(gòu)建兩級(jí)神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行先粗略提取特征后精確識(shí)別的方法，使網(wǎng)絡(luò)檢測(cè)成功率相較于主流單模型檢測(cè)方法有了明顯提升。徐蓮等[6]提出了基于遷移學(xué)習(xí)的眼睛狀態(tài)識(shí)別網(wǎng)絡(luò)，先利用級(jí)聯(lián)網(wǎng)絡(luò)對(duì)人臉進(jìn)行識(shí)別，再利用GL-CNN對(duì)單個(gè)眼球進(jìn)行開閉識(shí)別，再根據(jù)PERCLOSE準(zhǔn)則對(duì)駕駛員進(jìn)行疲勞判斷。

以上方法都基本解決了分心駕駛問題，但是存在計(jì)算的參數(shù)量過大，檢測(cè)類型過少等問題。

為解決上述問題，實(shí)現(xiàn)多種類分心識(shí)別，減少網(wǎng)絡(luò)參數(shù)，加快網(wǎng)絡(luò)運(yùn)行速度，本研究提出了通過改進(jìn)后的Mobile Net-SSD[7]輕量級(jí)目標(biāo)檢測(cè)網(wǎng)絡(luò)，對(duì)駕駛員在駕駛時(shí)的正常駕駛、非正常駕駛、打電話、玩手機(jī)、喝水、調(diào)整收音機(jī)和手伸向后排這7種動(dòng)作進(jìn)行識(shí)別。其中，正常駕駛為無分心動(dòng)作的駕駛行為，非正常駕駛為本研究新添加的類，原數(shù)據(jù)集中并沒有此類，在此主要作為手伸到后排、調(diào)整收音機(jī)和玩手機(jī)類的干擾類，并不作為主要分心動(dòng)作進(jìn)行檢測(cè)，主要用來檢測(cè)網(wǎng)絡(luò)在識(shí)別特征較為相近的不同類別時(shí)能否有效區(qū)分。

1 網(wǎng)絡(luò)構(gòu)建

1.1 網(wǎng)絡(luò)搭建

Single Shot MultiBox Detector(SSD)[8]目標(biāo)檢測(cè)算法是近年來優(yōu)秀的one-stage目標(biāo)檢測(cè)算法，該算法可以同時(shí)實(shí)現(xiàn)目標(biāo)檢測(cè)[9]和分類[10]兩種任務(wù)。該算法利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖片進(jìn)行特征提取后，均勻地在圖片的不同位置進(jìn)行抽樣，在抽樣時(shí)抽取不同特征尺度，增加多樣性，再將分類與預(yù)測(cè)同時(shí)進(jìn)行，整個(gè)過程快速、準(zhǔn)確。SSD算法精度和速度都優(yōu)于同類型的R-CNN系列和YOLO系列[11]，但SSD網(wǎng)絡(luò)中大約有80%應(yīng)用于基礎(chǔ)網(wǎng)絡(luò)(VGG16)，這導(dǎo)致網(wǎng)絡(luò)整體準(zhǔn)確性不高。為此裴偉等[12]使用Restnet50替換VGG16主干網(wǎng)絡(luò)，在引入特征融合機(jī)制后，使網(wǎng)絡(luò)準(zhǔn)確性得到提高，但殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)計(jì)算量較大，檢測(cè)時(shí)網(wǎng)絡(luò)運(yùn)行時(shí)間較長(zhǎng)。所以本研究使用更為輕便的Mobile Net網(wǎng)絡(luò)對(duì)VGG16網(wǎng)絡(luò)進(jìn)行替換。替換后的網(wǎng)絡(luò)主要由深度可分離卷積和常規(guī)卷積組成，如圖1所示。

圖1 Mobile Net-SSD主要網(wǎng)絡(luò)結(jié)構(gòu)

1.2 特征提取

深度可分離卷積將常規(guī)卷積操作拆分為深度卷積(Dw)操作和逐點(diǎn)卷積(Pw)操作。深度可分離卷積與常規(guī)卷積的對(duì)比圖如圖2所示。

圖2 卷積對(duì)比圖

其中，Dw使用Dk×Dk內(nèi)核的卷積層，在執(zhí)行操作時(shí)卷積核的數(shù)量與通道數(shù)相同，每個(gè)卷積核單獨(dú)對(duì)應(yīng)一個(gè)通道，且該通道不能與其他卷積核進(jìn)行卷積運(yùn)算。該操作結(jié)束后生成的特征圖數(shù)量與通道數(shù)相同。但是，Dw對(duì)每個(gè)通道進(jìn)行單獨(dú)運(yùn)算會(huì)導(dǎo)致無法有效利用相同空間信息，所以需要Pw操作來彌補(bǔ)此缺陷。Pw則為1×1×M尺寸的卷積，其中M為通道數(shù)，Pw會(huì)將Dw生成的特征圖進(jìn)行深度方向的加權(quán)操作，并輸出本階段特征圖。深度可分離卷積極大減少了計(jì)算參數(shù)量，優(yōu)化了分心駕駛檢測(cè)時(shí)出現(xiàn)冗余表達(dá)頻率較高的現(xiàn)象。

經(jīng)過深度可分離卷積得到特征圖，隨后通過批量歸一化(BN)和Rule6激活函數(shù)處理，BN層主要為防止梯度爆炸和發(fā)生過擬合，Rule6為非線性函數(shù)，在輕量級(jí)神經(jīng)網(wǎng)絡(luò)中具有更好的魯棒性[13]。Rule6函數(shù)見式(1)。

y=min[max(z,0),6]。

(1)

1.3 特征融合

傳統(tǒng)Mobile Net-SSD網(wǎng)絡(luò)將輸入圖片處理為多尺度圖片，提取出多尺度特征圖，再對(duì)目標(biāo)進(jìn)行檢測(cè)，分別檢測(cè)不同的特征細(xì)節(jié)，該方法雖然有效，但Mobile Net網(wǎng)絡(luò)為輕型網(wǎng)絡(luò)，存在較為明顯的缺陷，檢測(cè)準(zhǔn)確度較差。并且由于網(wǎng)絡(luò)簡(jiǎn)單，一些細(xì)節(jié)可能存在漏檢誤檢。這些問題經(jīng)過反復(fù)研究主要在淺層特征提取層中存在，為了解決上述問題，本研究提出一種新型MH-SSD網(wǎng)絡(luò)模型，見圖3。

圖3 MH-SSD模型

由圖1可知，傳統(tǒng)Mobile Net-SSD網(wǎng)絡(luò)取其中6層作為有效特征層進(jìn)行檢測(cè)，分別為19×19,10×10,5×5,3×3, 2×2, 1×1。前3層由于特征圖較大會(huì)出現(xiàn)漏檢特征問題，本研究在這3層中加入混合空洞卷積(HDC)[14]擴(kuò)大感受野，使得該3層的特征提取更加準(zhǔn)確。后3層由于特征圖較小并不適用于HDC，所以不做改變，僅用1×1卷積進(jìn)行降維處理。最后使用Concat函數(shù)對(duì)6個(gè)特征層進(jìn)行疊加操作，融合不同尺度提取出的圖片特征，通過下采樣形成新的特征金字塔[15]，在不同尺度上對(duì)分心駕駛進(jìn)行預(yù)測(cè)。本方法解決了Mobile Net-SSD網(wǎng)絡(luò)的漏檢和特征丟失問題。

本研究也嘗試將后3層進(jìn)行HDC處理，但結(jié)果并沒有前3層處理效果好，后續(xù)會(huì)在文中展示兩者處理后的不同結(jié)果。

2 分心檢測(cè)

2.1 數(shù)據(jù)處理

本研究訓(xùn)練數(shù)據(jù)來自公開數(shù)據(jù)集State Farm Distracted Driver Detection[16]，該數(shù)據(jù)集是將車內(nèi)的駕駛員動(dòng)作進(jìn)行拍攝并且對(duì)其進(jìn)行分類，駕駛員為左邊駕駛，與國(guó)內(nèi)駕駛習(xí)慣一致，所以可以使用。本研究在對(duì)數(shù)據(jù)集進(jìn)行研究后將數(shù)據(jù)集分成7類常見分心駕駛動(dòng)作，分別為打電話、玩手機(jī)、手伸到后排、調(diào)整收音機(jī)、喝水、正常和非正常。非正常類與喝水類和打電話類共用數(shù)據(jù)集。原數(shù)據(jù)集將手機(jī)相關(guān)的類分為發(fā)送短信與打電話兩類，考慮到目前手機(jī)不僅有發(fā)送短信這一個(gè)功能，本研究將發(fā)送短信改為玩手機(jī)。

試驗(yàn)數(shù)據(jù)總共使用11 060張圖片進(jìn)行訓(xùn)練，圖片尺寸為300 pixel×300 pixel，對(duì)選取出來的圖片利用LabelImg軟件處理為標(biāo)準(zhǔn)PASCAL VOC數(shù)據(jù)集格式。在對(duì)圖片進(jìn)行標(biāo)注時(shí)，非正常類與喝水類和打電話類使用同張圖片。按照9∶1的比例將數(shù)據(jù)集切分為訓(xùn)練集和驗(yàn)證集，測(cè)試集則另外挑選1 000張圖片用于測(cè)試網(wǎng)絡(luò)性能，如表1所示。

表1 數(shù)據(jù)集分類

2.2 檢測(cè)過程

MH-SSD網(wǎng)絡(luò)提取不同尺度分心特征，并通過事先設(shè)置好的先驗(yàn)框?qū)?biāo)注區(qū)域進(jìn)行檢測(cè)，網(wǎng)絡(luò)使用不同尺度特征圖對(duì)不同區(qū)域進(jìn)行特征檢測(cè)。在淺層網(wǎng)絡(luò)特征圖尺度較大，可提取特征量較為豐富，又通過HDC進(jìn)行感受野擴(kuò)大，可在網(wǎng)絡(luò)前期有效提取特征關(guān)鍵信息點(diǎn)，進(jìn)入深層網(wǎng)絡(luò)后，會(huì)使用步長(zhǎng)為2的卷積方式調(diào)整特征圖的大小，進(jìn)一步對(duì)特征進(jìn)行提取操作。

網(wǎng)絡(luò)中6個(gè)有效特征層的先驗(yàn)框個(gè)數(shù)為4，6，6，6，6，6，每個(gè)先驗(yàn)框長(zhǎng)寬比均不同，將每個(gè)網(wǎng)絡(luò)層的先驗(yàn)框設(shè)為k，將特征圖尺寸設(shè)為n×n，則每個(gè)特征圖先驗(yàn)框數(shù)量為k×n×n。由于數(shù)據(jù)集為人工標(biāo)注，先驗(yàn)框會(huì)與標(biāo)注的目標(biāo)產(chǎn)生位置、類別的誤差，所以根據(jù)Ground Truth匹配合適的先驗(yàn)框進(jìn)行數(shù)據(jù)訓(xùn)練，最后通過損失函數(shù)[17](見式2)，執(zhí)行端對(duì)端前向傳播，確定最佳分心類別及先驗(yàn)框位置坐標(biāo)，見圖4。

圖4 網(wǎng)絡(luò)檢測(cè)過程

(2)

式中,N為正負(fù)樣本之和；c為預(yù)測(cè)類別置信度；l為邊界框的先驗(yàn)框位置；α為調(diào)整兩個(gè)誤差的比例，默認(rèn)為1。Lconf為置信度損失；Lloc為位置損失；x為真實(shí)邊框與預(yù)測(cè)邊框的匹配標(biāo)識(shí)；g為真實(shí)邊框的坐標(biāo)。

3 結(jié)果分析

3.1 試驗(yàn)平臺(tái)

系統(tǒng)：Window10

處理器：Intel(R) Core(TM) i7-8750H CPU @ 2.20 GHz 2.21 GHz

內(nèi)存：32 GB

GPU 型號(hào)：NVIDIA GeForce RTX 2080

Python 環(huán)境：Python3.7

TensorFlow 和 Keras 環(huán)境：TensorFlow-GPU==1.14.0,Keras==2.2.0

CUDA版本：CUDA==10.0

初始學(xué)習(xí)率設(shè)置為5e-4,并在訓(xùn)練時(shí)使用自適應(yīng)學(xué)習(xí)率調(diào)節(jié)算法對(duì)學(xué)習(xí)率進(jìn)行實(shí)時(shí)調(diào)整。

3.2 遷移學(xué)習(xí)策略

本研究使用遷移學(xué)習(xí)[18]的方法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行分析后可知本網(wǎng)絡(luò)前81層均為特征提取層，所以先將網(wǎng)絡(luò)特征提取層進(jìn)行凍結(jié)，使用預(yù)訓(xùn)練權(quán)重對(duì)后續(xù)網(wǎng)絡(luò)進(jìn)行粗略訓(xùn)練，提取適應(yīng)分心檢測(cè)特征，再將特征提取層解凍，進(jìn)行完全訓(xùn)練，這樣做可以在數(shù)據(jù)量無法達(dá)到類似Voc2017數(shù)據(jù)集的情況下，訓(xùn)練出泛化能力足夠強(qiáng)的深度神經(jīng)網(wǎng)絡(luò)，減少了網(wǎng)絡(luò)的訓(xùn)練時(shí)間。

3.3 試驗(yàn)結(jié)果

檢測(cè)類別及對(duì)應(yīng)準(zhǔn)確率如表2所示。由檢測(cè)結(jié)果表2可知，改進(jìn)后的網(wǎng)絡(luò)可以準(zhǔn)確識(shí)別不同分心種類。

表2 模型檢測(cè)結(jié)果

為檢驗(yàn)網(wǎng)絡(luò)的魯棒性與特征提取能力，對(duì)正常圖片進(jìn)行模糊處理后再利用網(wǎng)絡(luò)進(jìn)行檢測(cè)。檢測(cè)后的準(zhǔn)確率如表3所示。

表3 模糊檢測(cè)結(jié)果

由表3可知，改進(jìn)后的網(wǎng)絡(luò)可以對(duì)模糊處理后的分心動(dòng)作做出準(zhǔn)確識(shí)別，證明MH-SSD網(wǎng)絡(luò)的特征提取能力較強(qiáng)，魯棒性較好。

3.4 網(wǎng)絡(luò)評(píng)估

網(wǎng)絡(luò)訓(xùn)練中的學(xué)習(xí)率變化和損失率變化如圖5所示。其中，損失率隨著學(xué)習(xí)率的下降逐漸收斂，在80個(gè)epoch后趨于穩(wěn)定，最終達(dá)到最優(yōu)。

圖5 訓(xùn)練中數(shù)據(jù)變化情況

本次為輕量級(jí)目標(biāo)檢測(cè)網(wǎng)絡(luò)的改進(jìn)研究，使用平均準(zhǔn)確率mAP(mean Average Precision)[19]和基于視頻流的實(shí)時(shí)檢測(cè)來評(píng)價(jià)網(wǎng)絡(luò)性能的優(yōu)劣。mAP是每一類AP取平均值求和除以類別總數(shù)得來，AP由每一類精確率(Precision)/召回率(Recall)曲線下的面積得來，具體計(jì)算公式如式(3)～(5)所示。

(3)

(4)

(5)

式中，TP為成功分類的正樣本;FP為錯(cuò)誤分類的正樣本;FN為錯(cuò)誤分類的負(fù)樣本。式(5)中p為Precision;r為Recall。

本網(wǎng)絡(luò)與SSD(VGG16)網(wǎng)絡(luò)，Mobile Net-SSD網(wǎng)絡(luò)，MH2-SSD網(wǎng)絡(luò)AP與mAP對(duì)比圖如圖6所示。

圖6 mAP對(duì)比圖與AP對(duì)比圖

其中，MH2-SSD網(wǎng)絡(luò)為后3層加入HDC處理網(wǎng)絡(luò)，MH-SSD為前3層加入HDC處理網(wǎng)絡(luò)。從圖6的mAP對(duì)比圖中可以看出，在加入HDC處理網(wǎng)絡(luò)后，相較于傳統(tǒng)Mobile Net-SSD網(wǎng)絡(luò)，改進(jìn)后的網(wǎng)絡(luò)性能顯著增強(qiáng)。由圖6中AP對(duì)比圖可知，改進(jìn)后的網(wǎng)絡(luò)每個(gè)AP值都優(yōu)于原始的Mobile Net-SSD網(wǎng)絡(luò)。MH-SSD網(wǎng)絡(luò)在識(shí)別Drinking類時(shí)效果遠(yuǎn)高于MH2-SSD網(wǎng)絡(luò)，這表示在小目標(biāo)的特征提取上前3層加入HDC處理模塊的效果優(yōu)于后3層。由于本次研究使用輕量級(jí)網(wǎng)絡(luò)，相較于成熟性高，網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜的SSD(VGG16)網(wǎng)絡(luò)性能略有損失。在網(wǎng)絡(luò)大小上，SSD(VGG16)為97 MB，Mobile Net-SSD為30 MB，MH-SSD為41 MB，MH2-SSD為43 MB。綜上所述，改進(jìn)后的MH-SSD網(wǎng)絡(luò)在性能上相較于同類型的輕量級(jí)網(wǎng)絡(luò)具有顯著優(yōu)勢(shì)，在網(wǎng)絡(luò)大小上相較于SSD(VGG16)網(wǎng)絡(luò)占用更少的空間。

另外，由圖6中AP對(duì)比圖可知，打電話類別在4個(gè)網(wǎng)絡(luò)中的AP值均低于85%。通過對(duì)網(wǎng)絡(luò)及數(shù)據(jù)集的研究判斷，造成此結(jié)果的原因可能為，打電話的不同人員因手持電話露出的大小不同，導(dǎo)致網(wǎng)絡(luò)無法準(zhǔn)確判斷手機(jī)是否存在，僅僅只能依靠人物動(dòng)作進(jìn)行判斷，而人物動(dòng)作判斷又會(huì)被非正常駕駛行為干擾，導(dǎo)致出現(xiàn)誤判現(xiàn)象。

為檢測(cè)MH-SSD網(wǎng)絡(luò)是否具有實(shí)時(shí)檢測(cè)功能，本研究使用幾組自制短視頻對(duì)網(wǎng)絡(luò)進(jìn)行檢測(cè)。

自制短視頻被分為a,b和c這3組，每組的光照強(qiáng)度及人員身著顏色不同。其中，a組與c組為同一人，為檢測(cè)光照條件不同情況下檢測(cè)情況；b組與c組光照相同，為檢測(cè)人員衣著與車內(nèi)顏色相近時(shí)的檢測(cè)情況。

通過不同網(wǎng)絡(luò)對(duì)3段視頻檢測(cè)后發(fā)現(xiàn)，在衣服與車內(nèi)顏色相近時(shí)手伸向后排的動(dòng)作會(huì)被誤判為非正常行為的概率有明顯提高現(xiàn)象，其中MH-SSD誤判率為5.3%，Mobile Net-SSD誤判率為8.3%，SSD(VGG16)誤判率為4.3%。這表明駕駛員衣著顏色對(duì)網(wǎng)絡(luò)檢測(cè)會(huì)產(chǎn)生影響。

在對(duì)光照不同的a,c兩組視頻進(jìn)行檢測(cè)后發(fā)現(xiàn)，僅Mobile Net-SSD對(duì)手伸向后排與打電話這兩類的分心動(dòng)作出現(xiàn)誤判現(xiàn)象，且誤判率為5.2%。文中其他網(wǎng)絡(luò)誤判率均低于3%，這表明不同光照對(duì)網(wǎng)絡(luò)影響較小。

經(jīng)過試驗(yàn)可知，Mobile Net-SSD在提取特征時(shí)受到了非正常類的干擾，相較于其他網(wǎng)絡(luò)并不能有效檢測(cè)特征較為相近的不同類別。

4 結(jié)論

本研究提出了一種基于輕量級(jí)網(wǎng)絡(luò)的分心駕駛檢測(cè)方法，本研究通過在Mobile Net網(wǎng)絡(luò)的淺層網(wǎng)絡(luò)引入HDC處理模塊的方法，解決了傳統(tǒng)Mobile Net-SSD網(wǎng)絡(luò)在淺層網(wǎng)絡(luò)提取特征時(shí)容易出現(xiàn)對(duì)特征誤檢漏檢的缺陷，建立了MH-SSD駕駛員分心檢測(cè)網(wǎng)絡(luò)模型。主要研究結(jié)論如下。

(1)本研究通過對(duì)比在淺層網(wǎng)絡(luò)和深層網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)改進(jìn)的不同結(jié)果，得出淺層網(wǎng)絡(luò)改進(jìn)優(yōu)于深層網(wǎng)絡(luò)改進(jìn)的結(jié)論。

(2)通過改進(jìn)后的MH-SSD網(wǎng)絡(luò)與另外3種網(wǎng)絡(luò)的mAP值對(duì)比。其中，MH-SSD為94.01%，Mobile Net-SSD為91.82%，說明改進(jìn)后的網(wǎng)絡(luò)優(yōu)于傳統(tǒng)的Mobile Net-SSD網(wǎng)絡(luò)。

(3)文獻(xiàn)[5]中試驗(yàn)數(shù)據(jù)與本研究試驗(yàn)數(shù)據(jù)一致，均來自同一數(shù)據(jù)集。通過本研究改進(jìn)后的MH-SSD網(wǎng)絡(luò)檢測(cè)平均準(zhǔn)確率與文獻(xiàn)[5]中的級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)試驗(yàn)結(jié)果中的準(zhǔn)確率對(duì)比可知，前者高于后者，得出MH-SSD網(wǎng)絡(luò)可以有效提高檢測(cè)準(zhǔn)確度的結(jié)論。

(4)通過自制短視頻對(duì)MH-SSD網(wǎng)絡(luò)進(jìn)行驗(yàn)證，由驗(yàn)證結(jié)果可知，網(wǎng)絡(luò)運(yùn)行時(shí)畫面幀數(shù)平均為25幀，除打電話類別外，其余類別均在90%以上。得出MH-SSD網(wǎng)絡(luò)可以滿足實(shí)時(shí)檢測(cè)的結(jié)論。

綜上所述，本研究提出的MH-SSD駕駛員分心行為檢測(cè)網(wǎng)絡(luò)模型，可以實(shí)現(xiàn)對(duì)駕駛員分心行為的準(zhǔn)確檢測(cè)，并且網(wǎng)絡(luò)準(zhǔn)確率更高，網(wǎng)絡(luò)計(jì)算參數(shù)更少，有助于將該網(wǎng)絡(luò)部署于移動(dòng)端實(shí)現(xiàn)車內(nèi)檢測(cè)。

下一步工作將針對(duì)打電話時(shí)準(zhǔn)確率低的情況和衣服顏色與車內(nèi)裝飾顏色相近時(shí)誤檢率高的情況進(jìn)行進(jìn)一步研究，并考慮加入單獨(dú)識(shí)別手機(jī)模塊和顏色識(shí)別模塊來進(jìn)行輔助識(shí)別。本研究因?yàn)閳D片拍攝角度問題，沒有進(jìn)行疲勞駕駛等類別的識(shí)別，日后將加入此項(xiàng)類別的識(shí)別。