آقای محمد شاهوردی دانشجوی دکترای آقایان دکتر محمود فتحی- دکتر رضا برنگی
روز شنبه مورخ ۱۳۹۹/۱۱/۱۱ ساعت ۱۶:۰۰ از رساله دکتری خود تحت عنوان "تخمین خطر تصادف بر پایه رفتار راننده با استفاده از الگوریتمهای یادگیری ماشین" دفاع خواهند نمود. |
ارائه دهنده:
محمد شاهوردی
استاد راهنما:
دکتر محمود فتحی- دکتر رضا برنگی
استاد مشاور:
دکترمحمد سبکرو
هیات داوران:
دکتراحمد اکبری ؛ دکتر بهروز مینایی؛ دکترعلی موقر؛ دکتر محمدتقی منظوری
زمان : ۱۱ بهمن ماه ۱۳۹۹
ساعت ۱۶:۰۰
محل برگزاری: سالن سمینار دانشکده کامپیوتر
چکیده پایان نامه :
امروزه سیستم نظارت و تشخیص رفتار راننده به عنوان یک زیر مجموعه از سیستم حمل و نقل هوشمند برای کاهش تصادفات جاده ای بسیار مورد توجه قرار گرفته است. رفتارهای غیر عادی رانندگان از جمله مستی و خوابآلودگی احتمال تصادفات جادهای را افزایش میدهد. سیستمهای تشخیص رفتار راننده عمدتا بر مبنای نظارت بر چهره و بدن راننده با ستفاده از دوربین و پردازش تصویر میباشد. این سیستمها از مشکلاتی ازقبیل نقض محرمانگی سرنشینان خودرو، سربار پردازشی بالا، و حساس بودن به نور محیط رنج میبرند. ما یک سیستم تشخیص رفتار راننده غیرتهاجمی پیشنهاد داده ایم که میتواند پنج سبک رانندگی را تشخیص دهد: تهاجمی، بیدقت، مستی، خوابآلودگی، عادی. برای این کار دادههای غیردقیق را از راننده، خودرو و محیط اطراف جمعآوری کرده و با تکنیکهای یادگیری ماشین رفتار راننده را ارزیابی کردیم. چالش مهم در این مسیر، تشخیص دقیق سبکهای رانندگی میباشد. زیرا با وجود تشابه علائم تشخیصی این سبکها تاثیرهای متفاوتی بر تصادفات دارند. همچنین یافتن روشی که علاوه بر دقت بالا سربار محاسباتی کمی داشته باشد تا بتوان در کاربردهای توکار استفاده گردد از مسائل مهم مورد بررسی در این پژوهش است.
برای تشخیص رفتار راننده ما ابتدا از دسته بند ماشین بردار پشتیبان استفاده نمودیم. با این دسته بند رفتار راننده را با دقت ۹۴.۶۷% به پنج دسته تقسیم کردیم. برای رسیدن به دقت بالاتر ما از تکنیکهای یادگیری عمیق استفاده کردیم. برای استفاده از قدرت مدلهای مبتنی بر شبکههای عصبی کانولوشن بر روی تصاویر در طبقهبندی رفتارهای راننده، ما پیشنهاد کردیم سیگنالهای رانندگی با استفاده از تکنیک ترسیم بازگشتی به تصاویر تبدیل شوند و سپس این تصاویر به یک شبکه عصبی کانولوشن برای دسته بندی رفتار راننده اعمال شود. با استفاده از این تکنیک جدید، ما همچنین از وابستگیهای مکانی تصاویر به جای وابستگیهای زمانی سیگنالهای رانندگی بهره مند شدیم که ما را به روشی با راندمان بالا هدایت میکند دقت حاصل شده با این روش ۹۹.۹۹۹% بود. همچنین با انجام آزمایشهای مختلف و ایجاد تعادل بین دقت و بار محاسباتی، یک مدل مناسب کاربردهای توکار که علاوه بر دقت بالا سربار محاسباتی کمی را داشته باشد پیشنهاد شده است.
Abstract
Todays, monitoring and detection of driver behavior as a subset of intelligent transportation systems to reduce road traffic accidents have gotten great attention. 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&#۳۹;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. An important challenge in this direction is the accurate identification of driving styles. Because, despite the similarity of symptoms, these styles have different effects on accidents. In addition, finding a method for embedded applications that has high accuracy and low computational overhead is an important issue in this study.
To detect driver behavior, we first used the support vector machine. We divided the driver behavior into five categories with accuracy of ۹۴.۶۷%. 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 ۹۹.۹۹۹%.
دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی
|