王文斌，劉 征，柏月鴻，孟宇佳

基于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的公共汽車駕駛安全識(shí)別

王文斌，劉 征，柏月鴻，孟宇佳

（沈陽(yáng)理工大學(xué) 汽車與交通學(xué)院，遼寧 沈陽(yáng) 110159）

文章針對(duì)目前公交車駕駛員身體突發(fā)疾病、乘客搶奪方向盤以及現(xiàn)階段L2級(jí)別的智能駕駛中駕駛權(quán)轉(zhuǎn)移的空白等行車安全問題，設(shè)計(jì)了表情識(shí)別和危險(xiǎn)動(dòng)作識(shí)別兩款程序。其中表情識(shí)別程序是利用基于Python語(yǔ)言的Opencv計(jì)算機(jī)視覺庫(kù)，以Qt5作上位機(jī)設(shè)計(jì)的一款在視頻中實(shí)時(shí)采集的人臉表情識(shí)別程序。首先通過輸入圖像的處理提高有關(guān)信息的可監(jiān)測(cè)性，進(jìn)而提高監(jiān)測(cè)質(zhì)量，其次進(jìn)行表情模型訓(xùn)練和數(shù)據(jù)采集等，最終實(shí)現(xiàn)識(shí)別功能。同時(shí)還介紹了基于LabVIEW的危險(xiǎn)動(dòng)作識(shí)別程序。通過攝像頭傳入的視頻信息，采用幀間差分法以及背景學(xué)習(xí)等算法監(jiān)測(cè)出運(yùn)動(dòng)物體，實(shí)現(xiàn)監(jiān)測(cè)范圍內(nèi)可能對(duì)駕駛安全構(gòu)成威脅的外來(lái)物體的實(shí)時(shí)捕捉。實(shí)驗(yàn)數(shù)據(jù)表明，兩款程序能夠準(zhǔn)確、快速地捕捉相應(yīng)表情和危險(xiǎn)動(dòng)作，在解決上述問題的同時(shí)還大大提高了公共汽車的行車安全性。

駕駛安全識(shí)別；神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)；智能駕駛安全；公共汽車

1 緒論

1.1 項(xiàng)目背景

在飛速發(fā)展的二十一世紀(jì)，隨著交通系統(tǒng)的不斷完善，公共汽車道路系統(tǒng)被認(rèn)為是費(fèi)用最低的公共道路系統(tǒng)，公交車成為不可或缺的交通工具之一。然而近幾年公交車內(nèi)發(fā)生的重大安全事故造成的負(fù)面影響不可忽視。比如早些年在重慶萬(wàn)州發(fā)生了因乘客坐過站要求駕駛員停車未果，從而搶奪駕駛員方向盤，最終使公交車駛?cè)虢瓋?nèi)造成十幾個(gè)生命逝去的事件。據(jù)以上事故可見，在公交車正常行駛途中，由于駕駛員本身的安全因素或乘客搶奪方向盤的行為，都會(huì)對(duì)公交車內(nèi)安全造成影響。

1.2 發(fā)展現(xiàn)狀

1.2.1國(guó)內(nèi)外公交車安全維護(hù)現(xiàn)狀

英國(guó)的公交車因安全性而聞名世界，駕駛室是全封閉獨(dú)立的空間，為防止駕駛員被襲擊，駕駛室配備了專門的透明保險(xiǎn)門，投幣機(jī)器也置于室內(nèi)。上鎖的部位位于門的下半部分，而駕駛員的呼吸或與乘客進(jìn)行交流則要依靠門上半部分原有預(yù)留的小孔。此外，駕駛室安裝有襲擊報(bào)警器，當(dāng)突發(fā)危險(xiǎn)時(shí)，駕駛員可以按下報(bào)警按鈕保證公交車駕駛員和乘客的安全。但當(dāng)駕駛員自身突發(fā)疾病時(shí)，駕駛員或?qū)?lái)不及按下報(bào)警按鈕，公交車行駛安全仍存在隱患。

公交車乘客搶奪駕駛員方向盤的問題并非個(gè)例，隨著問題的不斷發(fā)生，國(guó)內(nèi)很多城市給各公交車配備了安全門，將駕駛員分隔在安全的駕駛范圍內(nèi)。但防護(hù)門只能保證駕駛員不在乘客的干擾下駕駛公交車，當(dāng)駕駛員自身突發(fā)疾病或窗外有物體飛來(lái)砸向駕駛員時(shí)，因?yàn)橛蟹雷o(hù)門的阻隔，乘客無(wú)法給予駕駛員幫助，若沒有及時(shí)停車同樣會(huì)造成安全事故的發(fā)生。

1.2.2智能駕駛發(fā)展現(xiàn)狀

智能駕駛活躍于現(xiàn)代生活中，但是智能駕駛技術(shù)尚不成熟，目前只能停留在人車駕駛權(quán)相互轉(zhuǎn)移的L2級(jí)別階，因此，當(dāng)突發(fā)危險(xiǎn)時(shí)駕駛員無(wú)法及時(shí)將駕駛權(quán)轉(zhuǎn)移給車輛，無(wú)法保證公交車的行車安全。

1.3 項(xiàng)目研究現(xiàn)狀

在駕駛員駕駛途中，面臨著不同的突發(fā)情況，在這些突發(fā)情況面前，每一秒都彌足珍貴，如果能將人工駕駛和智能駕駛相結(jié)合，解決智能駕駛中駕駛權(quán)轉(zhuǎn)移空白的問題，公交車行駛安全性就將大幅度提高。

為解決以上問題，本項(xiàng)目設(shè)計(jì)了兩種識(shí)別程序。其中表情識(shí)別是采用Opencv進(jìn)行分類定義識(shí)別；通過攝像頭實(shí)時(shí)捕捉人臉的情緒特征，當(dāng)識(shí)別到駕駛員痛苦或消極情緒，并且超過設(shè)定的閾值后，將會(huì)發(fā)出警報(bào)。同時(shí)搭配基于LabVIEW的危險(xiǎn)動(dòng)作識(shí)別程序。當(dāng)攝像頭在一定范圍內(nèi)捕捉到外來(lái)物體時(shí)即定義為危險(xiǎn)動(dòng)作發(fā)出警告從而保證駕駛安全。

1.4 人工智能學(xué)習(xí)的公共汽車駕駛安全輔助識(shí)別未來(lái)發(fā)展方向

傳統(tǒng)公交車增加防護(hù)門只能保護(hù)駕駛員不受到乘客的干擾，不能保證駕駛員因?yàn)閭€(gè)人身體原因或者異物飛入導(dǎo)致駕駛員不能及時(shí)停車從而造成安全事故的發(fā)生。二十一世紀(jì)是信息化的世紀(jì)，將計(jì)算機(jī)的深度學(xué)習(xí)融入到生活中會(huì)帶來(lái)更多的便利，將復(fù)雜的問題簡(jiǎn)單化，讓科技體現(xiàn)在方方面面。通過智能駕駛和人工駕駛的結(jié)合恰好能彌補(bǔ)這一空缺。當(dāng)攝像頭檢測(cè)到有突發(fā)情況時(shí)，發(fā)出警報(bào)，項(xiàng)目后續(xù)也可以應(yīng)用于智能駕駛的安全檢測(cè)中，從而達(dá)到最大程度的安全性。經(jīng)過安全性和性價(jià)比等特點(diǎn)綜合比較，基于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的公共汽車駕駛安全輔助識(shí)別更符合未來(lái)的發(fā)展方向。

2 面部識(shí)別原理

2.1 面部識(shí)別程序簡(jiǎn)介

識(shí)別駕駛員表情的程序是以Python語(yǔ)言作為基礎(chǔ)，采用Opencv分類器進(jìn)行分類處理定義，同時(shí)搭載了諾基亞公司的Qt5作為上位機(jī)，將Qt5的功能與Python的豐富生態(tài)結(jié)合，更高效地開發(fā)程序。設(shè)計(jì)人臉監(jiān)測(cè)系統(tǒng)時(shí)，采用當(dāng)下很熱的Adaboost算法[1]與計(jì)算機(jī)視覺類庫(kù)，輸入相應(yīng)的代碼函數(shù)處理得到的數(shù)據(jù)。人臉識(shí)別過程如圖1所示。此外，為了使人臉表情監(jiān)測(cè)的速度更快且更加準(zhǔn)確，系統(tǒng)的開發(fā)基礎(chǔ)運(yùn)用了VC++6.0，方便快捷地進(jìn)行了類管理，并且能自動(dòng)生成框架，簡(jiǎn)化了開發(fā)步驟。

圖1 人臉識(shí)別過程

2.2 人臉檢測(cè)程序

在程序運(yùn)行時(shí)，需先找到人臉，構(gòu)建識(shí)別框。本程序的人臉檢測(cè)主要是基于統(tǒng)計(jì)的神經(jīng)網(wǎng)絡(luò)方法：當(dāng)已知訓(xùn)練樣本的數(shù)據(jù)加到網(wǎng)絡(luò)輸入端時(shí)，網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制一遍又一遍地調(diào)整各神經(jīng)元的權(quán)值，使其輸出端達(dá)到預(yù)定的目標(biāo)。程序中采用的Python語(yǔ)言提供高級(jí)數(shù)據(jù)結(jié)構(gòu)。檢測(cè)人臉：具體是將人臉看作一個(gè)整體的模式——二維像素矩陣（二維是基于一維的基礎(chǔ)算法，是指相對(duì)于坐標(biāo)原點(diǎn)和坐標(biāo)軸進(jìn)行的幾何變換，包括平移、比例、旋轉(zhuǎn)、反射和錯(cuò)切5種變換），用統(tǒng)計(jì)的方式用大量人臉圖像樣本構(gòu)造人臉模式空間，根據(jù)相似度量來(lái)判斷人臉是否存在。

2.3 對(duì)輸入圖像的處理

將輸入程序的人物視頻進(jìn)行處理。圖像分析（特征提取、分割、匹配和識(shí)別等）中，識(shí)別算法的設(shè)計(jì)與效果的精度受圖像質(zhì)量的影響，因此，本程序在圖像分析前，進(jìn)行了圖像預(yù)處理，消除圖像中無(wú)關(guān)的信息，恢復(fù)有用的真實(shí)信息，增強(qiáng)有關(guān)信息的可檢測(cè)性，從而改進(jìn)特征提取、圖像分割、匹配和識(shí)別的可靠性。

首先將圖像進(jìn)行灰度化處理，假設(shè)采集到的圖像是一個(gè)行階矩陣，其中的元素代表原圖像中的像素，即

顏色模型則采用紅、綠、藍(lán)三種顏色作為基色繪制空間模型，使每種顏色具有相同的分量。最后利用公式轉(zhuǎn)化為灰度圖像。將處理好的圖片進(jìn)行糾正，去掉頭發(fā)等干擾內(nèi)容，提高監(jiān)測(cè)的準(zhǔn)確性以保證識(shí)別的正確性。

在圖像提取中難免會(huì)有光照對(duì)圖像檢測(cè)造成影響，因此，下一步則直方圖等進(jìn)行圖像的規(guī)定化。其函數(shù)為(r)=n，其中為第級(jí)的灰度值。規(guī)定化就是用概率函數(shù)(r)=n/計(jì)算其出現(xiàn)的概率以此代替出現(xiàn)的次數(shù)。設(shè)輸入和輸出灰度值級(jí)數(shù)為和，則其對(duì)應(yīng)的概率密度分別為p()和p()令積分變量為，隨機(jī)變量為，通過積分變換等將灰度級(jí)數(shù)看做連續(xù)，進(jìn)而將直方圖化為連續(xù)形式。

由于數(shù)學(xué)中積分值與積分變量無(wú)關(guān)，可以得出在數(shù)字條件規(guī)定化時(shí)，利用概率函數(shù)（r）表示灰度值，并根據(jù)連續(xù)公式得

式中，為積分變量，為輸出灰度級(jí)，最后得到輸出函數(shù)

z=-1[(r)]=-1[s] （7）

同態(tài)濾波是為消除光線影響的一種最常用的方法，主要是通過傅里葉變換和對(duì)數(shù)變換增強(qiáng)來(lái)對(duì)比度的方法，減少光線對(duì)圖像可能造成的干擾，同態(tài)濾波變換如圖2所示。將圖像用表示；和分別代表照度、反射部分。由于不能直接用傅里葉進(jìn)行直接變換，所以要先將分量進(jìn)行對(duì)數(shù)變換，將之后的結(jié)果進(jìn)行傅里葉變換。為計(jì)算結(jié)果。

(,)=(,)(,)

()=ln(,)+ln(,) （8）

[()]=[ln(,)]+[ln(,)] （9）

分別用、和表示上式，設(shè)濾波函數(shù)為，處理后可表示為

(,)=(,)(,)+(,)(,) （10）

對(duì)上式轉(zhuǎn)到空間域得

(,)=-1((,)) （11）

圖2 同態(tài)濾波變換

2.3.1神經(jīng)網(wǎng)絡(luò)的表情識(shí)別模型訓(xùn)練

表情識(shí)別模型中，神經(jīng)網(wǎng)絡(luò)利用表情數(shù)據(jù)集進(jìn)行訓(xùn)練，使模型自動(dòng)地朝著識(shí)別更準(zhǔn)確的方向更新。神經(jīng)網(wǎng)絡(luò)中包含很多的處理單元，各單元同時(shí)計(jì)算的結(jié)果構(gòu)成網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)通過上文提到的二維矩陣的訓(xùn)練方法克服單個(gè)神經(jīng)元功能受限的問題，使復(fù)雜的神經(jīng)網(wǎng)絡(luò)得以對(duì)人類表情進(jìn)行學(xué)習(xí)與分類。網(wǎng)絡(luò)中的處理單元會(huì)將大量來(lái)自不同的輸入內(nèi)容進(jìn)行結(jié)果的疊加統(tǒng)一輸出。換句話說，神經(jīng)網(wǎng)絡(luò)最終的輸出結(jié)果取決于不同的輸入內(nèi)容，當(dāng)輸入內(nèi)容超過原本設(shè)定好的閾值（255）時(shí)，處理單元才開始工作。它可以通過閾值來(lái)處理各個(gè)變量間的關(guān)系，從而達(dá)到分類目的。同時(shí)數(shù)據(jù)集是神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)基礎(chǔ)，數(shù)據(jù)集與模型的好壞有一定的關(guān)系。本文所采用的表情識(shí)別方法是按照有監(jiān)督學(xué)習(xí)的方式進(jìn)行的，所用數(shù)據(jù)集是帶有標(biāo)簽的。也就是說數(shù)據(jù)集中，每個(gè)表情樣本圖像都標(biāo)注出真實(shí)的類別。通常數(shù)據(jù)集在實(shí)驗(yàn)之前需要分成三類，即為用于訓(xùn)練的訓(xùn)練集（模型學(xué)習(xí)和訓(xùn)練）、加以檢測(cè)的驗(yàn)證集（監(jiān)控學(xué)習(xí)情況）和最后成果的測(cè)試集。

2.3.2面部表情數(shù)據(jù)集

本程序數(shù)據(jù)集采集了123個(gè)人的表情樣本，呈現(xiàn)了面部的8種表情。每個(gè)表情由一組表情序列構(gòu)成，包括多幀圖像，呈現(xiàn)了一個(gè)人從無(wú)表情到表情峰值的狀態(tài)。程序整個(gè)數(shù)據(jù)集一共有593個(gè)表情圖像序列，包含了八種類型，除了生氣、討厭、開心、恐懼、驚訝、悲傷外，還增加了無(wú)表情和蔑視。

3 危險(xiǎn)動(dòng)作程序設(shè)計(jì)

3.1 危險(xiǎn)動(dòng)作程序簡(jiǎn)介

危險(xiǎn)動(dòng)作的程序設(shè)計(jì)是基于LabVIEW虛擬儀器[2]的程序開發(fā)環(huán)境，以電腦作為上位機(jī)，同時(shí)使用電腦攝像頭進(jìn)行實(shí)時(shí)監(jiān)控，將視頻信號(hào)進(jìn)行圖像的預(yù)處理，采用幀間差分法進(jìn)行目標(biāo)檢測(cè)，當(dāng)在目標(biāo)區(qū)域外檢測(cè)出物體就發(fā)出警告。表情識(shí)別過程如圖3所示。程序中前面板[3]中主要是人為操作板塊、數(shù)字控制和數(shù)字顯示。前面板構(gòu)件如圖4所示。后面板是編寫的具體程序。

圖3 表情識(shí)別過程

圖4 前面板構(gòu)件

3.2 基本算法

3.2.1幀間差分法

幀間差分法[4]是檢測(cè)視頻中運(yùn)動(dòng)目標(biāo)常用的方法，其處理過程是在視頻圖像的序列中，相鄰兩幀之間作差分運(yùn)算以此得到運(yùn)動(dòng)目標(biāo)的輪廓，非常適合程序中除駕駛員外，其他外來(lái)干擾駕駛員駕駛的運(yùn)動(dòng)物體的實(shí)時(shí)監(jiān)測(cè)。當(dāng)監(jiān)測(cè)視頻中出現(xiàn)異常物體運(yùn)動(dòng)時(shí)，兩幀之間會(huì)出現(xiàn)較為明顯的差別，將兩幀相減，就可以得到兩幀圖像亮度差的絕對(duì)值，以此來(lái)判斷它是否大于原本設(shè)定好的閾值（本程序中最大閾值為100），從而分析視頻或圖像序列的運(yùn)動(dòng)特性，確定圖像序列中有無(wú)外來(lái)干擾的物體運(yùn)動(dòng)。檢測(cè)運(yùn)動(dòng)目標(biāo)過程如圖5所示。

圖5 檢測(cè)運(yùn)動(dòng)目標(biāo)過程

3.2.2背景學(xué)習(xí)

在項(xiàng)目設(shè)計(jì)的程序中采用背景學(xué)習(xí)主要是檢測(cè)背景中的值是否發(fā)生改變。當(dāng)按下背景學(xué)習(xí)的按鈕后，程序立即采集20張圖片，將采集到的圖片轉(zhuǎn)為灰白，將圖像進(jìn)行裁剪后轉(zhuǎn)換為二維數(shù)組，獲取數(shù)組的尺寸后，一方面統(tǒng)計(jì)每個(gè)像素點(diǎn)中20次的眾數(shù)即為像素點(diǎn)的背景值；另一方面將產(chǎn)生的背景數(shù)組保存，再用二維數(shù)組將圖像表示出來(lái)進(jìn)行背景學(xué)習(xí)。背景學(xué)習(xí)過程如圖6所示。

圖6 背景學(xué)習(xí)過程

3.3 主要步驟

3.3.1創(chuàng)建程序與電腦攝像頭的聯(lián)系

在程序后面版使用IMAXdx Open Camera.vi開啟攝像頭，創(chuàng)建并連接“打開攝像頭”控件，然后創(chuàng)建一個(gè)IMAXdx類的屬性節(jié)點(diǎn)，如圖7所示，進(jìn)行采集圖片的配置。

圖7 創(chuàng)建與攝像頭的聯(lián)系

3.3.2設(shè)計(jì)程序事件

設(shè)計(jì)兩個(gè)線程事件，如圖8所示。開啟兩個(gè)while循環(huán)，第一個(gè)線程做背景學(xué)習(xí)，第二個(gè)線程做檢測(cè)。

圖8 創(chuàng)建事件

3.3.3建立背景學(xué)習(xí)

在前面板做觸發(fā)按鈕，并在事件中添加對(duì)應(yīng)的觸發(fā)按鈕，分別進(jìn)行背景學(xué)習(xí)和啟動(dòng)檢測(cè)，如圖9所示。創(chuàng)建圖像引用和灰度圖，連接背景學(xué)習(xí)的線程，然后創(chuàng)建節(jié)點(diǎn)把彩圖轉(zhuǎn)換成黑白[5]，再把圖片轉(zhuǎn)換成二維數(shù)組，連接到下一個(gè)for循環(huán)的索引數(shù)組，得到輸入序列的估計(jì)眾數(shù)，VI進(jìn)行多眾數(shù)分析，最后將產(chǎn)生的背景用數(shù)組保存。

圖9 背景學(xué)習(xí)

3.3.4建立實(shí)時(shí)檢測(cè)

第二個(gè)線程用來(lái)實(shí)時(shí)檢測(cè)[6]是否有干擾。按照上一個(gè)線程的步驟將采集的圖片轉(zhuǎn)成黑白后，將得到的數(shù)組與背景數(shù)組相減，創(chuàng)建IMAQ Array Tolmage將取絕對(duì)值得到的結(jié)果再轉(zhuǎn)成圖片。在事件中添加屏蔽區(qū)域的觸發(fā)按鈕，設(shè)計(jì)一個(gè)簇，將該簇外框放置于程序框圖上，再將數(shù)值常量、布爾常量放置到該簇外框中，設(shè)置數(shù)值常量和布爾常量，同另一個(gè)簇進(jìn)行比較，即同背景學(xué)習(xí)得到的進(jìn)行比較，再創(chuàng)建一個(gè)IMAQ Count Objects 2，用來(lái)檢測(cè)淺色目標(biāo)，然后再創(chuàng)建一個(gè)for循環(huán)，以及IMAQ Overlay Rectangle用來(lái)將檢測(cè)結(jié)果呈現(xiàn)在圖片上。實(shí)時(shí)監(jiān)測(cè)過程如圖10所示。

圖10 實(shí)時(shí)檢測(cè)

4 總結(jié)

公交車已成為現(xiàn)代大多數(shù)人的代步工具，然而近年來(lái)多地頻發(fā)乘客因自身情緒不滿搶奪公交車方向盤或是駕駛員的身體原因（如心肌梗死等突發(fā)疾病），使駕駛員喪失公交車的正常駕駛能力而釀成悲劇，一個(gè)個(gè)事件讓人心痛不已，如果能夠及時(shí)判別出危險(xiǎn)環(huán)境并及時(shí)讓公交車正常行駛，那么車上乘客的安全就多份保障。為了更好地保護(hù)乘客的人身安全，并構(gòu)建智能高效安全的公共交通環(huán)境，文章圍繞公共汽車駕駛員的危險(xiǎn)環(huán)境識(shí)別展開，利用人工智能進(jìn)行危險(xiǎn)動(dòng)作捕捉和面部表情識(shí)別，有效利用計(jì)算機(jī)技術(shù)時(shí)刻關(guān)注駕駛員的駕駛狀態(tài)，能夠在危險(xiǎn)發(fā)生時(shí)高效地利用最短的時(shí)間判別出風(fēng)險(xiǎn)后發(fā)出警告，或應(yīng)用于智能駕駛安全監(jiān)測(cè)中，讓智能駕駛代替駕駛員安全駕駛車輛，就可以有效避免因?yàn)槌丝团c公交車駕駛員的沖突或駕駛員自身身體原因不能正確控制公交車輛而引發(fā)的危險(xiǎn)，從而保障公交車上乘客的生命安全。

[1] 秦續(xù)洋.基于Opencv的人臉表情識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].鄭州:鄭州大學(xué),2013.

[2] 梁碩,趙冉.基于LabVIEW編程語(yǔ)言的圖像處理技術(shù)淺述[J].現(xiàn)代物業(yè)(上旬刊),2012,11(10):78-79.

[3] 宋燁.基于Labview的車輛模擬量信號(hào)量采集系統(tǒng)[J].汽車實(shí)用技術(shù),2020,45(23):63-65.

[4] 陳賽楠.基于Labview平臺(tái)的紅外圖像目標(biāo)檢測(cè)系統(tǒng)的研究與實(shí)現(xiàn)[D].沈陽(yáng):沈陽(yáng)理工大學(xué),2013.

[5] 李光明,孫英爽,黨小娟.基于Labview的集合匹配方法的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)工程與設(shè)計(jì),2016,37(10): 2705-2709.

[6] 蘭晶.基于Labview的人臉識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)[D].北京:北京郵電大學(xué),2015.

Safety Identification of Bus Driving Safety Based on Neural Network Learning

WANG Wenbin, LIU Zheng, BAI Yuehong, MENG Yujia

( School of Automobile and Transportation, Shenyang University of Science and Technology,Shenyang 110159, China )

This paper designs two programs, expression recognition and dangerous action recognition, such as the sudden physical illness of bus drivers, passengers grabbing the steering wheel, and the blankness of driving right transfer in the current L2 level intelligent driving. Among them, the expression recognition program is a face expression recognition program designed with Qt5 as the host computer using the Opencv computer vision library based on the Python language. First of all, the monitorability of relevant information is improved through the processing of input images, and the monitoring quality is improved, and then the expression model training and data acquisition are carried out, and finally the recognition function is realized. A LabVIEW-based dangerous action recognition program is also introduced. Through the video information transmitted by the camera, algorithms such as the inter-frame difference method and background learning are used to detect moving objects, so as to realize the real-time capture of foreign objects that may pose a threat to driving safety within the monitoring range. Experimental data show that the two programs can accurately and quickly capture the corresponding expressions and dangerous movements, which greatly improves the driving safety of buses while solving the above problems.

Driving safety identification; Neural network learning; Intelligent driving safety;Bus

U495

A

1671-7988(2023)03-39-05

10.16638/j.cnki.1671-7988.2023.03.007

王文斌（2000—），男，研究方向?yàn)榻煌ㄟ\(yùn)輸，E-mail: shixiaoanyi@sina.com。

2021年沈陽(yáng)理工大學(xué)大學(xué)生創(chuàng)新創(chuàng)業(yè)項(xiàng)目（202110144003）。