基于迁移VGG和线性支持高阶张量机的驾驶行为异常检测

简介

基于视觉对驾驶行为进行异常检测中,出于行车安全的角度考虑,在采集驾驶行为样本时异常驾驶行为不能长时间持续,因此数据集会存在异常样本数较少的问题。而对于高阶小样本数据,线性支持高阶张量机(Support Higher-Order Tensor Machine,简称SHTM)具有很好的分类性能。但视觉图像会包括整个驾驶区域,使其存在较多冗余信息,影响SHTM的分类精度,采用视觉几何群19网络(Visual Geometry Group Network19,简称VGG19)对数据进行特征提取能够有效的解决这个问题。同时,对于VGG19训练过程中样本数不足的问题,迁移学习能够很好的解决。因此,提出迁移VGG支持高阶张量机算法(Transfer VGG-Support Higher-Order Tensor Machine,简称迁移VGG-SHTM),利用VGG19对样本数据进行特征提取,并引入迁移学习的方法解决VGG19训练过程中数据样本较少的问题,最后利用SHTM对提取的特征进行分类,实现驾驶行为异常检测。为了验证该方法的有效性,邀请十位不同的驾驶员进行驾驶行为异常检测实验,对比VGG19、SHTM以及迁移VGG-SHTM的分类精度。结果显示迁移VGG-SHTM算法分类性能最佳。