[发明专利]疲劳驾驶检测方法和装置

说明书

本申请公开了一种驾驶员疲劳驾驶检测方法和检测装置，所述方法包括：接收采集的驾驶员的正面图像；在采集的图像中进行人脸检测；在检测到的人脸中进一步定位人眼和/或嘴巴；所述方法还包括：基于深度神经网络模型，对检测到的人眼和/或嘴巴进行定位，识别人眼的状态；跟踪多帧图像中人眼的状态的变化，判断驾驶员是否疲劳。通过上述检测方法和装置，能够实时的、高鲁棒性而准确地检测疲劳驾驶。

技术领域

本公开一般涉及汽车安全驾驶技术领域，具体涉及基于深度神经网络的疲劳驾驶检测方法和装置。

背景技术

随着社会经济的发展，机动车辆急剧增多，由疲劳驾驶导致的交通事故呈现越来越多发的趋势。针对这一现象，产生了各种疲劳驾驶检测技术，其中包括基于驾驶员的生理特征的疲劳驾驶检测技术。当驾驶员疲劳时，会表现出低头、闭眼频率增加等生理特征。通过监控装置，检测驾驶员的这些生理特征，可以判断驾驶员是否疲劳。基于驾驶员的生理特征的疲劳驾驶检测技术，具有非接触、成本低、精确度高的特点，因此，被广泛采用于目前的疲劳驾驶检测装置。

当前的基于驾驶员的生理特征的疲劳驾驶检测装置，大多通过图像处理技术，定位人脸，再在人脸的范围内分析眼睛的状态，判断是否疲劳。具体地，通常有两种方法，一种是采用可见光摄像头，获得人眼张合状态信息进行检测识别，根据眼睛、嘴巴、鼻子等器官的特征以及相互之间的几何位置关系来进行，这种方法在强光和黑暗环境条件下准确率受到很大影响，而且，传统的单纯基于图像的人眼检测分析算法，如肤色瞳孔分割检测，对噪声不鲁棒，无法准确的分割出人眼区域进行识别。另一种基于深度学习模型的算法，通过对大量人脸图像样本构造人脸模式空间，根据相似度来判断人脸是否存在。这种方法虽然准确率有所提升，但这种方法计算量大，无法在嵌入式设备上实时运行，不能实用。

发明内容

在下文中给出关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

本发明提出一种能够实时的、高鲁棒性而准确地进行疲劳驾驶检测的方法。

在本发明的第一方面，本发明提供一种疲劳驾驶检测方法，包括：接收采集的驾驶员的正面图像；在采集的图像中进行人脸检测；在检测到的人脸中进一步定位人眼和/或嘴巴；其中，所述方法还包括：

基于深度神经网络模型，对检测到的人眼和/或嘴巴进行定位，识别人眼的状态；

跟踪多帧图像中人眼的状态的变化，判断驾驶员是否疲劳。

优选地，上述疲劳驾驶方法基于深度神经网络模型，对检测到的人眼和/或嘴巴进行定位包括：将人脸图像输入人脸特征点回归卷积神经网络模型，回归预测在一个降采样的低分辨率图像中人眼和/或嘴巴的边界位置。

优选地，上述疲劳驾驶方法对检测到的人眼和/或嘴巴进行定位还包括从所述降采样的低分辨率图像中裁剪出双眼区域图像，输入眼睛区域分割深度神经网络模型，预测在另一降采样的低分辨率图像上属于人眼区域的概率图，分割出人眼区域所包含的图像像素，并据此判断人眼的张合状态。

优选地，在上述疲劳驾驶方法中，所述人眼状态的变化包括人眼张合大小的变化。优选地，在上述疲劳驾驶方法中，所述人眼状态的变化包括人眼张合频次的变化。

优选地，所述疲劳驾驶检测方法还包括在检测到的人脸中进一步定位鼻子，并且基于深度神经网络模型，对检测到的鼻子进行定位。

优选地，所述疲劳驾驶检测方法还包括利用单目红外摄像头进行图像采集。

优选地，所述疲劳驾驶检测方法还包括从降采样的低分辨率图像中定位嘴部区域，裁剪出嘴部区域图像，输入嘴区域分割深度神经网络模型，分类判断嘴部张开闭合状态。