“路怒症”是一种阵发型暴怒障碍,指驾驶员受到外界环境的影响,带着愤怒情绪驾驶,而这种情绪很容易使驾驶员产生过激的攻击性驾驶行为,最终影响交通安全,甚至造成交通事故。对驾驶员路怒情绪进行识别,减少路怒症对道路交通安全的影响,具有十分重要的现实意义。驾驶员路怒情绪识别的方法可以分为两大类,一种是以访谈和问卷为主的主观调查法,通过驾驶愤怒量表来评定驾驶员是否具有路怒情绪,该方法简单有效,但不具有实时性。另一种方法是通过采集驾驶员的面部图像或生理信号等数据,提取特征,构建模型,实时判断驾驶员路怒情绪状态的客观分析法,是当前研究方向的主流。结合以往的研究,本文将在图像识别领域具有出色表现的深度卷积神经网络方法应用于路怒情绪识别,给出了一种基于视频图像和深度学习的驾驶员路怒情绪识别方法。本文的主要研究内容如下:(1)基于HOG图像金字塔特征实现了人脸区域检测。基于带人脸标签和非人脸标签的图像,提取其HOG图像金字塔特征,使用SVM模型进行训练,采用非极大值抑制法处理重叠的检测框,最终获得驾驶员人脸检测模型。在模型检测并裁剪得到人脸面部区域图像后,进行图像大小归一化,将图像尺寸修改为3*299*299像素,以便深度卷积神经网络进一步处理。(2)使用迁移学习方法和InceptionV3模型构建了基于面部图像的驾驶员路怒情绪识别模型。对CK+数据库中的表情图像序列进行筛选和人脸检测处理,并进行了样本增强,最终构建了愤怒和非愤怒的人脸图像数据集,合计有510张愤怒表情图片和542张非愤怒表情图片。基于ImageNet数据库预训练得到的InceptionV3深度卷积网络神经网络模型,进行迁移学习训练,得到可判断单张人脸图像是否处于愤怒状态的路怒情绪识别模型。训练300轮后,模型对测试集的平均识别率约为97.7%。(3)研究了基于视频图像序列的驾驶员路怒情绪识别方法。在通过摄像头获取的一组驾驶员图像序列中,如果有连续3张或3张以上的图片被识别为愤怒表情,或愤怒表情图像占比超过40%,则判断当前时间窗内驾驶员处于路怒状态,否则处于非路怒状态。视频图像序列由滑动窗口的方法进行更新获取,每次更新图像序列中50%的图片,可以增强模型的准确性和稳定性。本文的研究成果可以为车辆驾驶辅助系统提供理论支持。当识别出驾驶员处于路怒情绪状态时,可以播放舒缓的音乐或预设音频,安抚驾驶员的情绪;当情况紧急时,可以采取应急措施,对驾驶员进行警告,或由自动辅助驾驶系统接替车辆驾驶。