基于VGG-16的驾驶行为分析

执行conda命令完成TensorFlow环境配置，在PyCharm软件中完成其余具体库的安装配置，输入清华仓库镜像，输入命令：
conda config–add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config–set show_channel_urls yes
在Anaconda Prompt中激活TensorFlow环境，输入命令：
activate tensorflow
安装CPU版本的TensorFlow，输入命令：
pip install–upgrade–ignore-installed tensorflow
安装完毕。
在PyCharm中新建项目，使用构建的Anaconda环境，在File→Settings→Project：XXX→Project Interpreter中添加其余需要用到的库，包括OpenCV、NumPy、Keras、OS等。
8.2.3　Android环境
安装Android Studio，新建Android项目。在app/build.gradle文件中添加TensorFlow mobile依赖项，命令如下：
implementation 'org.tensorflow:tensorflow-android:+
完整的app/build.gradle配置代码如下
app/build.gradle里的内容有任何改动，Android Studio会弹出如图8-4所示的提示。图8-4　改动后提示
单击Sync Now或图标，同步该配置，配置完成。
8.3　模块实现
本项目包括4个模块：数据预处理、模型构建、模型训练及保存、模型生成。下面分别给出各模块的功能介绍及相关代码。
8.3.1　数据预处理
本部分包括数据集来源、内容和预处理。
1．数据集来源
使用开源数据集state-farm-distracted-driver-detection，下载地址为：https://www.kaggle.com/c/state-farm-distracted-driver-detection/data，直接在网页上单击Download按钮下载。也可以调用API下载，下载地址为：kaggle competitions download-c state
farm-distracted-driver-detection。数据集包括22424张训练集图片，若干测试集图片。由于是竞赛数据集，测试集的图片没有标签，故不使用。
2．数据集内容
数据集共包括10个驾驶状态：安全驾驶、右手使用手机、右手打电话、左手使用手机、左手打电话、调广播、喝水、向后拿东西、整理头发或化妆、与乘客交流。除安全驾驶外都是危险状态，如图8-5所示。图8-5　数据集中各驾驶状态
3．数据集预处理
数据集中每张图片大小都是640×480像素，从同一角度拍摄的车载监控图片，数据集十分规范，无噪声，不需要进行过多的预处理，在训练前通过图像增广进行预处理产生相似但又不同的训练样本。随机改变训练样本可以降低模型对某些属性的依赖，提高模型的泛化能力。
8.3.2　模型构建
数据加载进模型之后，需要定义模型结构，并优化损失函数。
1．定义模型结构
使用VGG-16网络结构，共13个卷积层、3个全连接层和5个池化层，使用Keras库搭建模型，构建Sequential顺序模型，它由多个网络层线性堆叠而成。

模型训练及保存
在定义模型架构和编译后，通过训练集训练，使模型可以识别数据集中图像的特征。
1．模型训练
模型训练相关代码如下：

2．模型保存
上述由Keras库生成的模型及权重文件为.h5格式，为了能够被Android程序读取，需要将.h5文件转换为.pb格式的文件，模型被保存后，可以被重用，也可以移植到其他环境中使用。
8.3.4　模型生成
将图片转化为数据，输入TensorFlow的模型中并获取输出。
1．模型导入及调用
本部分包括模型导入及调用的操作方法。
（1）编写代码进行实际预测之前，需要将转换后的模型添加到应用程序的资源文件夹中。在Android Studio中，鼠标右键“项目”，跳转至Add Folder（添加文件夹）部分，并选择Assets Folder（资源文件夹）。在应用程序目录中创建一个资源文件夹，将模型复制到其中，如图8-6所示。图8-6　添加模型
（2）将新的Java类添加到项目的主程序包中，并命名为ImageUtils，ImageUtils为图片工具类，可用于Bitmap、byte、array、Drawable图片类型之间进行转换以及缩放。相关代码如下：