驾驶员行为检测系统设计与实现 —— 基于StateFarm Distracted Driver Dataset的YOLOv12深度学习模型与UI界面

1. 项目背景与研究意义

驾驶安全是现代交通领域的重要研究方向，驾驶员分心行为（如饮酒、打电话、玩手机等）是导致交通事故的主要因素之一。利用计算机视觉技术自动识别驾驶员行为，有助于及时预警与干预，提升行车安全。

本项目基于StateFarm Distracted Driver Dataset，采用YOLOv12目标检测框架，结合深度学习和计算机视觉技术，实现驾驶员主要分心行为的自动检测，并通过可视化UI界面实时展示检测结果，具备一定实用价值。

---

2. 驾驶员分心行为检测的挑战

• 多样化行为类别：驾驶员可能表现多种不同的分心行为，状态区分细微。
• 姿态变化大：驾驶员姿态变化多，动作复杂。
• 光线及遮挡：车内光照条件复杂，遮挡情况多。
• 实时性要求高：需要高效实时检测，延迟低。

---

3. 参考数据集介绍：StateFarm Distracted Driver Dataset

3.1 数据集概述

• 来源：Kaggle竞赛数据集
• 包含来自26名驾驶员的22424张图片
• 分为10个驾驶行为类别：