(1)针对自动驾驶拟人化决策需要识别驾驶风格的需求， 基于客观驾驶数据和主观问卷分析了驾驶风格，提出了 种驾驶风格分类模型。 (2)针对驾驶员对驾驶安全性、舒适性和行车效率的需求， 分别基千深度Q网络(Deep Q Network, DQN)和优势演员评论家(Advantage Actor Criti c, A2C)两种深度强化学习算法建立了决策模型。 (3)针对当前自动驾驶决策不够拟人化的问题，基千表现更好的DQN决策模型提出了一种结合驾驶风格的拟人化决策模型。

基于yolov5+PyQt5实现危险驾驶行为检测源码(带GUI界面)+训练好的模型+数据集+评估指标曲线+操作使用说明.7z 危险驾驶行为检测：打哈欠、闭眼、抽烟、打电话、疲劳驾驶检测 带gui界面、yolov5算法、训练好的模型、评估指标曲线、使用方法教程、项目说明 【备注】主要针对正在做毕设的同学和需要项目实战的深度学习cv图像识别模式识别方向学习者。 也可作为课程设计、期末大作业。包含：项目源码、训练好的模型、项目操作说明等，该项目可直接作为毕设使用。 也可以用来学习、参考、借鉴。如果基础不错，在此代码上做修改，训练其他模型。

基于深度学习实现驾驶员分心驾驶行为识别项目源码+数据集+模型+项目说明.7z 附数据集下载链接，输入一张图片，输出驾驶员状态及概率 驾驶员状态识别如下 c0: 安全驾驶 c1: 右手打字 c2: 右手打电话 c3: 左手打字 c4: 左手打电话 c5: 调收音机 c6: 喝饮料 c7: 拿后面的东西 c8: 整理头发和化妆 c9: 和其他乘客说话 【使用工具】 OpenCV Matlibplot Pytorch TensorboardX 【代码介绍】 data_mean.py 统计训练图片的均值与标准差 splite_valid.py 分离验证集与训练集 visual_classes.py 浏览每个驾驶状态 visual_samples.py 浏览随机的样本 model_plot.py 利用_tensorboardX_进行模型的绘制........

基于深度学习的驾驶员分心驾驶行为（疲劳+危险行为）预警系统.zip该项目为人物专注性检测，分为两个检测部分，疲劳检测和分心行为检测。 疲劳检测部分，使用Dlib进行人脸关键点检测，然后通过计算眼睛和嘴巴的开合程度来判断是存在否闭眼或者打哈欠，并使用Perclos模型计算疲劳程度。 分心行为检测部分，使用Yolov5，检测是否存在玩手机、抽烟、喝水这三种行为。 使用方法 依赖：YoloV5、Dlib、PySide2 直接运行main.py，即可使用本程序。 基于深度学习的驾驶员分心驾驶行为（疲劳+危险行为）预警系统.zip该项目为人物专注性检测，分为两个检测部分，疲劳检测和分心行为检测。 疲劳检测部分，使用Dlib进行人脸关键点检测，然后通过计算眼睛和嘴巴的开合程度来判断是存在否闭眼或者打哈欠，并使用Perclos模型计算疲劳程度。 分心行为检测部分，使用Yolov5，检测是否存在玩手机、抽烟、喝水这三种行为。 使用方法 依赖：YoloV5、Dlib、PySide2 直接运行main.py，即可使用本程序。

本文研究具有潜在危险性的不良驾驶行为，利用分层结构的驾驶行为模型建立不良驾驶行为的识别和评价算法。本文提出的识别算法将复杂的多因子、多形式的模式识别问题转化为利用少量因子对不良驾驶行为进行识别的简单问题。并进一步提出等效加速度估计风险指数的驾驶人行为评价算法。算法通过驾驶模拟仪实验数据进行了验证，结果表明算法可以达到实际交通环境下的应用要求

驾驶人驾驶行为检测图像数据集（有无交谈，打电话，分神等9类危险危险行为，2w张图像，json格式标签）.zip

双车道公路集成驾驶行为模型，杨轸，唐莹，论文以交通安全研究为目的，建立面向双车道公路的集成驾驶行为模型。模型将驾驶处理过程分为感知判断和行为决策两个阶段，驾驶员

道路交通matlab代码自动驾驶车辆的交互感知概率框架，用于预测交通参与者的行为和驾驶策略 这项工作为自动驾驶汽车的交互感知行为预测框架提供了概念证明，该框架不仅可以预测交通参与者的行为，而且可以对可以与之相关的驾驶策略进行分类。 这项工作是随后的博士学位论文的一部分。 标题：实现长期预测的交通参与者行为表征的概率框架 摘要：这项研究旨在开发预测人类交通参与者行为的新方法，从而在复杂的交通环境中实现自动驾驶汽车的安全运行。 至少在接下来的几十年中，自动驾驶汽车有望在交通中由人类驾驶的传统汽车中运行。 为了安全导航，他们将需要使用外部可观察的信息来推断交通参与者的意图和行为。 这样做有助于在一段足够长的时间范围内预测其轨迹，以分析即将发生的风险并优雅地避免任何风险情况。 这项工作通过认识到人类驾驶员执行的任何操纵都可以分为四个阶段来完成上述挑战，这些阶段取决于周围的环境：意图确定，操纵准备，差距接受和操纵执行。 它基于以下假设：对于给定的驾驶员，行为不仅跨越这四个操纵阶段，而且跨越多个操纵。 结果，在任何这些阶段中识别驾驶员的行为可以帮助表征驾驶员可能执行的所有后续操作的性质，从而在更长

提出基于卷积神经网络的驾驶行为分析算法，该算法在人脸定位的基础上实现了驾驶员的疲劳检测和行为检测。针对疲劳检测任务，探究了卷积神经网络的不同感受野对疲劳检测精度的影响，并得到了疲劳检测模型的最佳结构。针对行为检测任务，考虑到不同行为对应作用域的大小不同，提出了一种基于多尺度特征的多支路注意力网络模型，该模型通过提取多尺度特征实现了多尺度分类，并且使用注意力机制来强化判别特征。实验结果证明，该方法能够与多种主流卷积神经网络模型相结合并有效提升驾驶行为分析的准确率。

行为克隆 使用提供的模拟器，神经网络可用于克隆给定用户的驾驶行为。 概述 使用模拟器，我们可以记录行驶中的汽车的转向角和速度。 模拟器中的汽车具有三个摄像头：左，中和右。 此设置类似于Nvidia发表的论文《 使用的设置 基本思想是将三个摄像机的图像特征映射到适当的转向角。 然后将转向角逐帧发送到模拟器。 安装与运行 我使用的模拟器由Udacity提供（单击以安装模拟器）。 您可以从模拟器记录自己的数据，也可以从Udacity下载提供的数据集。 安装模拟器后，您还必须安装一些依赖项（这样做很麻烦）。 我提供了一个.yml文件（conda环境），这样您就不必麻烦地逐个安装每个软件包。 我已经在Mac上进行了开发，但是在Windows或Linux上使用.yml文件应该不是问题。 conda env create - f env . yml 我已经上传了一些模型权重，您可以立即使用。 为了