使用基于深度学习的YOLO模型进行驾驶员行为检测与分类，以应用于智能交通系统

《Scientific Reports》：Driver activity detection and classification using deep learning-based YOLO models for intelligent transportation systems

　　

摘要

驾驶员分心是全球道路交通事故的主要原因之一，导致巨大的经济损失、人员受伤和死亡。智能驾驶员监控系统通过实时检测不安全驾驶行为，已成为提高道路安全的有效解决方案。本研究提出了一个基于深度学习的驾驶员行为检测与分类框架，采用了YOLO目标检测架构。该框架使用来自自然驾驶条件下驾驶员的5,422张标注图像构建了真实世界的驾驶员行为数据集。数据集包含八种驾驶员行为类型，包括安全驾驶、饮酒、进食、打电话、操作车辆部件、化妆/整理头发、处理物品以及与乘客交谈。通过迁移学习训练了四种YOLO模型（YOLOv5s、YOLOv5m、YOLOv5l和YOLOv8n），并基于精确度、召回率、AP值和mAP@0.5指标对这些模型进行了评估。研究结果表明，随着模型复杂度的提高，检测性能也随之提升。YOLOv5s的精确度为90.1%、召回率为88.7%、mAP@0.5值为90.0%；YOLOv5m将这些数值分别提高到91.9%、90.5%和92.5%；YOLOv5l的性能进一步提升至精确度93.3%、召回率92.1%和mAP@0.5值95.0%；而YOLOv8n则达到了最高的准确率，精确度为96.0%、召回率为95.2%、mAP@0.5值为96.3%，展现了卓越的检测能力和计算效率。研究结果表明，先进的YOLO架构能够实现实时、准确的驾驶员行为识别，对智能交通系统和道路安全提升具有重要意义。