基于RGCfusion的危险驾驶行为检测方法技术

本发明专利技术涉及目标检测领域，涉及一种基于RGCfusion的危险驾驶行为检测方法，收集多张机动车驾驶员在开车时进行不同类型的危险驾驶的图片；搭建RGCfusion‑YOLO模型，利用RGCSPELAN模块替换YOLOv8模型中的C2f模块，在neck层与检测头之间增加CGAFusion特征融合模块或在neck层与检测头之间增加CAAFusion特征融合模块；对RGCfusion‑YOLO模型进行训练；利用训练后的RGCfusion‑YOLO模型进行危险驾驶行为检测。与现有技术相比，本发明专利技术通过对YOLOv8模型进行改进，引入RGCSPELAN模块和Fusion特征融合模块对不同类型的危险驾驶的图片进行检测分类，这样不仅仅增加识别的准确性，并且减少了对驾驶员的驾驶操作难度。

【技术实现步骤摘要】

本专利技术属于目标检测领域，涉及一种基于rgcfusion的危险驾驶行为检测方法。

技术介绍

1、yolov8是yolo系列目标检测算法，它建立在yolo系列历史版本的基础上，并引入了新的功能和改进点，以进一步提升性能和灵活性。yolov8不仅支持目标检测，还涵盖了图像分类、实例分割、姿态估计等多种视觉任务，成为实现这些任务的最佳选择之一。yolov8采用了更先进的骨干网络架构，如c2f模块代替c3模块，以及panet结构等，这些改进使得模型在特征提取和表示方面更加高效。

2、el khatib等人(2020)将对驾驶员视觉分心进行检测的指标分为以下几个种类：驾驶员看向路中心的时间和频率(percent road center，prc)、眨眼的频率、视线偏移的时间和驾驶员的头部姿态角度。li等人(2021)利用dlib检测出人脸的68个关键点后，通过计算人眼闭合的频率来判定驾驶员是否处于疲劳状态。singh等人(2021)利用深度神经网络对驾驶员头部进行姿态估计来预测驾驶员的注意力时长。潘剑凯等人(2021)建立驾驶员眼部的自商图与梯度图共生矩本文档来自技高网...

【技术保护点】

1.一种基于RGCfusion的危险驾驶行为检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于RGCfusion的危险驾驶行为检测方法，其特征在于，所述RGCSPELAN模块首先将输入进来的参数进行一次卷积、池化、归一化操作；然后使用spilt进行梯度分流，并且在分支上使用Repconv，然后再进行n-1次的Conv操作，最后融合所有特征进行Concat，最后经过一次卷积、池化、归一化的操作，进行输出信息。

3.根据权利要求2所述的基于RGCfusion的危险驾驶行为检测方法，其特征在于，所述spilt的比例大小，预设为0.5。

4.根...

【技术特征摘要】

1.一种基于rgcfusion的危险驾驶行为检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于rgcfusion的危险驾驶行为检测方法，其特征在于，所述rgcspelan模块首先将输入进来的参数进行一次卷积、池化、归一化操作；然后使用spilt进行梯度分流，并且在分支上使用repconv，然后再进行n-1次的conv操作，最后融合所有特征进行concat，最后经过一次卷积、池化、归一化的操作，进行输出信息。

3.根据权利要求2所述的基于rgcfusion的危险驾驶行为检测方法，其特征在于，所述spilt的比例大小，预设为0.5。

4.根据权利要求1所述的基于rgcfusion的危险驾驶行为检测方法，其特征在于，将rgcfu...

【专利技术属性】
技术研发人员：张磊，沈骞，张宇翔，钱磊，谢天野，王国福，徐耀，赵志勇，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：