随着时代的发展,无人驾驶己经成为如今最热的话题,但要真正做到无人驾驶的全面推广,其中必不可少的步骤就是高级驾驶辅助系统(ADAS)的广泛使用。ADAS系统主要是利用多个传感器采集信息,并通过目标检测、识别与跟踪等处理技术来对采集到的信息进行危险性评估,从而预先为驾驶者判断可能发生的危险,保证行车的安全性。本人在ADAS系统的搭建中,着重对驾驶员打电话行为检测进行了研究,在开发过程中我们通过采集大量样本训练分类器,从而对驾驶员打电话行为进行判断。然而大量的样本采集,耗费了巨大的人力物力,特别是驾驶员打电话行为的采集、标注带来了大量的繁琐工作。面对此困难,本文试图通过使用少量标记样本的半监督学习来解决此问题。论文的主要工作如下:(1)针对打电话行为检测区域划分的问题,提出了根据头部位置的偏转来确定打电话行为检测区域,这样所获得的矩形框区域信息就会更有价值,从而能保证最终检测结果的优异性。(2)针对目前的半监督支持向量机在打电话行为检测时,由于打电话样本远少于正常驾驶样本而造成的数据不平衡,导致大量打电话样本被错分为正常驾驶样本的问题。本文通过改进局部搜索算法,对分类时可能发生错分的边界值进行了二次处理,最终得到了基于打电话行为检测的半监督支持向量机。最后通过实验对比证明了本方法的有效性。(3)针对驾驶员打电话行为检测视频中不清楚真实的打电话样本与正常驾驶的样本比例,导致标记样本的类别比例不确定的问题。本文为保证标记样本在不同类别比例下具有不错的稳定性,通过对数据进行分析,发现数据符合聚类算法DBSCAN的分布,利用此特点提出了半监督DBSCAN,并根据此预估未标记样本中的真实正负样本比例,利用样本比例信息得到的半监督支持向量机与半监督DBSCAN进行集成获得最终结果。通过实验证明,算法具有高性能,强稳定性的优点。