目前多數客運業者多已裝設閉路電視攝影機於客運車輛，可針對司機行車行為進行錄影，本研究認為若能善用這些錄影資料來辨識司機異常之駕駛行為，則有助於輔導司機避免發生不良駕駛行為而提升行車安全。
在現場環境硬體與運算資源之條件下，本研究選定葛瑪蘭客運公司作為實證分析對象，經訪談該公司高階主管，決定採用後台駕駛影像資料進行司機駕駛行為影像辨識模型訓練與建構，並使用R語言開發工具建構卷積神經網路(CNN)模型，同時進行模型測試與修正，最終模型辨識率可達94%，具良好之辨識能力，顯示透過影像辨識方式分析客運司機行車間之行為，證明可行。
為使辨識結果可應用於管理輔助，本研究加入後台之營運資料，並以視覺化軟體Power BI進行呈現，最後建立一有助於客運業者管理、輔導司機正常駕駛之決策輔助機制，以此提升安全效益。例如：針對過勞人員進行溝通與了解是否個人私下作息不正常，又或身體健康發生問題，需要透過排班調整進行改善、或是針對不良駕駛行為之司機進行勸導並勒令改善不良行為等，進而提升行車安全。

Current highway bus operators have installed in-vehicle CCTVs to record bus driver’s behavior during transportation. It will be meaningful to enhance safety if these digital video data can be used to help bus drivers to avoid from abnormal driving behavior.
Considering on-site hardware and computational resources this study has chosen Kamalan bus company as the use case for empirical analysis. Having discussed with top managers at Kamalan bus company, this study used R language to present a CNN-based model with continuous iterations and tests. Empirical results showed that the accurate rate reached 94% and achieved the goal of feasibility of recognizing bus driver’s behavior by using digital video data.
With the help of visualization tool Power BI this study used rear-end operation data to map with bus driver’s behavior results. It is proven that Kamalan bus company awards recognition to this model because of positive responses of bus drivers in company. For example, overloaded bus drivers will be interviewed to understand why they performed abnormal driving behavior. Personal persuade measures or rescheduling work shit may be taken to improve driving behavior for transportation safety.

第一章 緒論 1
1.1研究背景與動機 1
1.2研究目的與限制 3
1.2.1研究目的 3
1.2.2研究限制 4
1.3研究範圍與流程 5

第二章 文獻回顧 7
2.1駕駛異常行為 7
2.2影像辨識 14
2.2.1影像處理 14
2.2.2圖像分析 15
2.2.3移動物體偵測技術 16
2.2.4色彩空間 18
2.2.5灰階與影像二值化 19
2.3深度學習 20
2.3.1人工神經網路 20
2.3.2深度學習 23
2.4公路客運服務評鑑 25
2.5文獻評析與小結 26
 
第三章 研究方法 27
3.1影像資料蒐集與處理 28
3.2異常行為辨識 29
3.2.1卷積神經網路 29
3.2.2卷積神經網路模型 38
3.3資料視覺化 45

第四章 實證分析 47
4.1實證分析流程 47
4.2影像資料集、資料預處理 49
4.3卷積神經網路 51
4.3.1輸入層 51
4.3.2卷積層 51
4.3.3激活函數 52
4.3.4池化層 53
4.3.5影像特徵攤平與全聯接層 53
4.3.6丟棄層 54
4.4分類預測 56
4.5管理意涵 59

第五章 結論與建議 65
5.1結論 65
5.2建議 66

參考文獻 67
-------------------------------------------
圖目錄
圖1.3研究流程圖 6
圖2.1駕駛異常行為分類架構圖 10
圖2.2 RGB圖片結構 18
圖2.3影像二值化 19
圖2.4神經元結構 22
圖2.5人工神經網路架構 22
圖3.1實證架構流程 27
圖3.2影像轉換與判斷 29
圖3.3卷積神經網路比對影像 30
圖3.4影像特徵的組成 30
圖3.5卷積運算 31
圖3.6不同影像的卷積結果 31
圖3.7池化 32
圖3.8池化後保留的特徵 33
圖3.9線性整流激活函數機制說明 33
圖3.10使用線性整流激活函收斂計算結果 34
圖3.11卷積、池化、激活步驟獲得特徵影像 34
圖3.12卷積神經網路計算人臉影像的特徵結果 35
圖3.13倒傳遞層中針對權重與誤差的選擇 36
圖3.14卷積神經網路整體流程 37
圖3.15影像攤平與神經網路學習判斷影像 37
圖3.16 CNN基本運算架構 38
圖3.17常用激活函數及其函數圖像 41
圖3.18傳遞神經網路架構 42
圖3.19卷積神經網路運作流程 44
圖3.20 Power BI 儀錶板示意畫面 46
圖4.1實證分析流程圖 48
圖4.2影像訓練資料(部分) 50
圖4.3 CNN運算流程 51
圖4.4卷積運算示意圖 52
圖4.5 ReLU線性整流函數 52
圖4.6最大池化操作 53
圖4.7池化影像的攤平 54
圖4.8 Dropout機制示意圖 54
圖4.9影像預處理流程語法設計(部分) 56
圖4.10 CNN執行過程(部分) 57
圖4.11 CNN模式訓練測試震盪圖(60次) 57
圖4.12預測分類結果(部分) 58
圖4.13客運司機正常、異常駕駛行為與管理儀表板圖 59
圖4.14到站駕駛員不合格動作統計總表 60
圖4.15單一到站駕駛員不合格動作統計 60
圖4.16到站駕駛員與累計行車時間儀表板 61
圖4.17單一到站駕駛員與累計行車時間儀表板 61
圖4.18到站駕駛員各別異常行為分析統計 62
圖4.19以累計行車時間分析主要異常駕駛行為 63
圖4.20從出發時間分析累計異常駕駛行為 63
-------------------------------------------
表目錄
表2-1物體追蹤方法 17
表4-1影像訓練資料集 49

1.Shinar, D. (1978). Psychology on the Road: The Human Factor in Traffic Safety: Wiley.
2.Spolander, K. (1983). DRIVERS' ASSESSMENT OF THEIR OWN DRIVING ABILITY.
3.Gulian, E., Matthews, G., Glendon, A. I., Davies, D. R., & Debney, L. M. (1989). Dimensions of driver stress. Ergonomics, 32(6), 585-602.
4.Reason, J.T., Manstead, A., Stradling, S.G., Baxter, J. & Campbell, K. (1990). Errors and violations on the road- areal distinction. Ergonomic, 33(10/11), 1315-1332.
5.Parker, D., Manstead, A., Stradling, S., Reason, J., & Baxter, J. (1992). Intention to Commit Driving Violations: An Application of the Theory of Planned Behavior. Journal of Applied Psychology, 77, 94-101.
6.Elander, J., West, R., & French, D. (1993). Behavioral correlates of individual differences in road-traffic crash risk: An examination of methods and findings. Psychological bulletin, 113, 279-294.
7.Deffenbacher, J. L., Oetting, E. R., & Lynch, R. S. (1994). Development of a driving anger scale. Psychol Rep, 74(1), 83-91.
8.Lajunen, T., & Summala, H. (1995). Driving experience, personality, and skill and safety-motive dimensions in drivers' self-assessments. Personality and Individual Differences, 19(3), 307–318.
9.Rimmö, P.-A., & Åberg, L. (1999). On the distinction between violations and errors: Sensation seeking associations. Transportation Research Part F: Traffic Psychology and Behaviour, 2(3), 151–166.
10.Owsley, C., Stalvey, B., Elgin, J., & Sloane, M. (1999). Older Drivers and Cataract: Driving Habits and Crash Risk. The journals of gerontology. Series A, Biological sciences and medical sciences, 54, M203-211.
11.Westerman, S. J., & Haigney, D. (2000). Individual differences in driver stress, error and violation. Personality and Individual Differences, 29(5), 981–998.
12.Xie, C.Q. and Parker, D. (2002) A Social Psychological Approach to Driving Violations in Two Chinese Cities. Transportation Research Part F: Traffic Psychology and Behavior, 5, 293-308.
13.Sullman, M. J. M., Meadows, M. L. & Pajo, K. B. (2002). Aberrant driving behaviours amongst New Zealand truck drivers. Transportation Research Part F: Traffic psychology and behavior, Vol. 5, 217-232.
14.Deffenbacher, J., Filetti, L., Lynch, R., Dahlen, E., & Oetting, E. (2002). Cognitive-behavioral treatment of high anger drivers. Behaviour Research and Therapy, 40, 895-910. Behaviour research and therapy, 40, 895-910.
15.Lajunen, T., & Summala, H. (2003). Can we trust self-reports of driving? Effects of impression management on Driver Behaviour Questionnaire responses. Transportation Research Part F: Traffic Psychology and Behaviour, 6, 97-107.
16.Taubman-Ben-Ari, O., Mikulincer, M., & Gillath, O. (2004). The multidimensional driving style inventory—scale construct and validation. Accident Analysis & Prevention, 36(3), 323-332.
17.Anderson, C., & Horne, J. (2006). Sleepiness Enhances Distraction During a Monotonous Task. Sleep, 29, 573-576.
18.Britt, T., & Garrity, M. (2006). Attribution and Personality as Predictors of the Road Rage Response. The British journal of social psychology / the British Psychological Society, 45, 127-147.
19.Chang, H.-L., & Yeh, T.-H. (2007). Motorcyclist accident involvement by age, gender, and risky behaviors in Taipei, Taiwan. Transportation Research Part F: Traffic Psychology and Behaviour, 10(2), 109-122.
20.Sundström, A. (2011). The validity of self-reported driver competence: Relations between measures of perceived driver competence and actual driving skill. Transportation Research Part F-traffic Psychology and Behaviour - TRANSP RES PT F-TRAFFIC PSYCH, 14, 155-163.
21.Goldenbeld, C., de Groot-Mesken, J., & Schagen, I. (2013). The effect of severity and type of traffic penalties on car drivers’ emotions, perceptions of fairness, and behavioural intentions.
22.Abegaz, T., Berhane, Y., Worku, A., & Assrat, A. (2014). Effectiveness of an improved road safety policy in Ethiopia: An interrupted time series study. BMC public health, 14, 539.
23.Penmetsa, P., & Pulugurtha, S. (2016). Risk Drivers Pose to Themselves and Other Drivers by Violating Traffic Rules. Traffic injury prevention, 18, 00-00.
24.Stephens, A., & Fitzharris, M. (2016). Validation of the Driver Behaviour Questionnaire in a representative sample of drivers in Australia. Accident Analysis & Prevention, 86, 186-198.
25.Rafael C. Gonzalez and Richard E. Woods. (2018) Digital Image Processing, 4th Edition, Pearson Education, Inc.
26.陳少旭（1997），交通執法勤務績效評估指標模式建立之研究。中央警察大學警政研究所，桃園縣。
27.蘇昭安 (2003) ，應用倒傳遞類神經網路在颱風波浪預報之研究。國立台灣大學工程科學與海洋工程學系碩士班，臺北市。
28.張宏銘（2004），道路交通違規相關資料整合探討與先進安全車輛改善之研究。國立中央大學機械工程研究所，桃園市。
29.姚文翰、蔡孟修、陳宜賢、王聖智（2005），以視覺為基礎之智慧型環境的建構四年計畫。經濟部學界科專電子報，第2期。
30.尹維龍（2005），應用駕駛行為量表探討偏差駕駛行為與事故傾向關係之研究。國立交通大學運輸科技與管理學系碩士班，新竹市。
31.陳芳正（2005），長途客運業駕駛績效之探討。國立成功大學交通管理學系碩博士班，臺南市。
32.陳加增、劉景富、翁銘聰、林炅（2008）。先進安全車輛的第三隻眼。彰化縣：財團法人車輛研究測試中心。
33.翁銘聰、陳加增、高祥鈞（2008），以主動外觀模型實現駕駛者人臉追蹤。彰化縣：財團法人車輛研究測試中心。
34.陳協成、游展昆、吳旭祐、賴尚敬（2009），影像辨識。嘉義縣：南華大學資訊工程學系。
35.黃仲平（2010），汽車駕駛人錯誤駕駛行為之影響因素探討。國立交通大學運輸科技與管理學系碩士班，新竹市。
36.孫志軍、薛磊、許陽明、王正（2012），深度學習研究綜述。計算機應用研究，第29卷，第8期。
37.鍾昌翰（2012），影像處理技術應用於河床粒徑分析及魚類數量調查。國立台灣大學生物資源暨農學院生物環境系統工程學研究所，臺北市。
38.林品喬（2013），利用影像處理與類神經網路進行人體坐姿判讀。國立台灣大學應用力學研究所，臺北市。
39.陳信丞（2014），國道客運公司駕駛員人因特性、車輛駕駛行為與駕駛績效之研究。國立成功大學交通管理科學系碩博士班，臺南市。
40.許立佑、柯明寬（2014），駕駛行為及狀態監控系統。車輛工程學術研討會，新北市。
41.伊寶才、王文通、王立春（2015），深度學習綜述。北京工業大學學報，第41卷，第1期。
42.張斐章、張麗秋（2015），類神經網路導論原理與應用 (第二版)。臺中市：蒼海圖書。
43.李嘉洲（2016），應用深度學習於財經新聞來源對股價趨勢預測之研究。淡江大學資訊管理學系碩士在職專班，新北市。
44.李宏毅（2016），什麼是深度學習。數理人文第十期。
45.蔡國永、夏彬彬（2016），基於卷積神經網路的圖文融合媒體情感預測。計算機應用第2期，頁428-431。
46.張銘方（2017），駕駛者異常行為偵測技術。彰化縣：財團法人車輛研究測試中心。
47.葉名山、郭昀禧、陳紫琳、莊喆硯、黃百祿（2018），利用行車輔助系統探討駕駛行為之研究。逢甲大學運輸科技與物流學系，臺中市。
48.陳 翰（2018），從社群媒體挖掘以感測日常交通滿意度之研究。淡江大學 運輸科學碩士班碩士班，新北市。 
49.陳奕瑄（2018），以CNN進行植物圖片的辨識以及經過處理後的再辨識。台灣大學電機資訊學院資訊工程學系碩士班，臺北市。
50.林宥豪、蔡玉娟（2018），基於卷積神經網路之智慧型人物影像追蹤系統，黃埔學報，第74期，頁29-48。
51.Brandon，卷積神經網路的運作原理，https://brohrer.mcknote.com/zh-Hant/how_machine_learning_works/how_convolutional_neural_networks_work.html，擷取日期：2018/11/12。
52.Tommy Huang (2018)，卷積神經網路，https://medium.com/@chih.sheng.huang821/%E5%8D%B7%E7%A9%8D%E7%A5%9E%E7%B6%93%E7%B6%B2%E8%B7%AF-convolutional-neural-network-cnn-%E5%8D%B7%E7%A9%8D%E9%81%8B%E7%AE%97-%E6%B1%A0%E5%8C%96%E9%81%8B%E7%AE%97-856330c2b703，擷取日期：2018/11/13。
53.維基百科，深度學習，網址：https://zh.wikipedia.org/wiki/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0，擷取日期：2018/11/14。
54.交通部高速公路局 (2018)，交通安全資訊，https://www.freeway.gov.tw/Publish.aspx?cnid=516&p=2849，擷取日期：2018/11/14。
55.彩色轉灰階原理，網址：http://atlaboratary.blogspot.com/2013/08/rgb-g-rey-l-gray-r0.html，擷取日期：2018/11/18。
56.紅黑聯盟，深度學習筆記五：卷積神經網絡CNN，網址：https://read01.com/zh-tw/RE37gy.html#.WgktBWiCxhF，擷取日期：2018/11/18。
57.Huy Bui (2020), From Convolutional Neural Network to Variational Auto Encoder, website: https://medium.com/analytics-vidhya/from-convolutional-neural-network-to-variational-auto-encoder-97694e86bb51.
58.公路客運評鑑制度，https://www.thb.gov.tw/sites/ch/modules/download/download_list?node=adbd51b5-26e6-4a58-a9c6-c39a142fd9c0&c=e7873b4a-ba8a-4b0f-b5ba-5e16eb83eeb5，擷取日期：2021/7/19。