[发明专利]一种基于强化学习的驾驶员异常姿态监测方法

说明书

本发明请求保护一种基于强化学习的驾驶员异常姿态监测方法，包括步骤：获取驾驶员驾驶视频后，利用OpenPose系统提取远小于图像像素点数量的驾驶员面部关键点和骨骼关键点，同时将面部关键点通过三次样条插值构建面部特征，进行驾驶员身份识别。关键帧提取方法基于强化学习的方式，通过姿态检测模型获取相应的奖励，并根据奖励和姿态的每个动作来更新动作价值函数，直到得到适用于每个驾驶员的稳定的关键帧提取策略。基于时间与空间变化的驾驶员动态行为，利用机器学习算法训练得到姿态检测模型。结合保护动机理论建立具有引导性质的安全预警机制。本发明增加了检测的实时性和准确性，增强了安全预警的可靠性。

技术领域

本发明属于安全驾驶检测技术领域，尤其涉及一种基于强化学习的驾驶员异常姿态监测方法。

背景技术

汽车作为一种交通工具，已经成为生活不可或缺的必需品。随着私家车、营运车的数量的快速增长，对驾驶员的驾驶行为进行检测预警对于减少交通事故具有重要意义。

驾驶行为分为两大类：车内驾驶员状态和车外车辆的状态。针对驾驶员的行为动作检测的研究分为两类：传统的基于传感器的穿戴式检测方法，该方法不仅给驾驶员造成干扰，而且设备成本高；主流的检测方法是基于单目摄像机的检测方法，该方法获得的信息量大、成本低、无污染。因此，现在大部分驾驶员行为动作的研究都是基于车载摄像机得到图像或视频序列。

然而，基于单目摄像机的驾驶员动作行为研究还需要解决以下问题：由于某些原因，车载相机拍摄的图像不清楚，会导致提取的驾驶员的身体特征发生些许变化，传统检测结果会发生混乱；大部分情况下，训练模型时将一幅图像甚者是图像序列作为输入，这样会需要大量的时间与资源来训练检测模型，同时实地检测时对硬件的要求也比较高，且有时由于输入的视频数据量太大，无法达到实时的效果；目前大部分基于大数据来训练检测模型，往往考虑普通驾驶员驾驶行为的普遍特点，而忽略了不同驾驶员的行为特点。这样会造成检测不及时或检测错误。

中国专利申请：一种驾驶员手持电话行为检测方法及装置(申请号：201610578623.6)根据定位驾驶员的驾驶区域得到驾驶区域图像，之后对该图像进行处理检测，得到检测结果。该方法会由于驾驶员意外偏离驾驶区域造成检测误差。一种基于视频识别的危险驾驶行为监督方法与装置(申请号：201810432618.3)从实际场景中获取特定场景下(打电话等等)的图片样本数据，然后采用深度学习算法建立基于卷积神经网路的驾驶员打电话视频识别算法模型。该方法需要采集大量的定义场景下的数据进行训练，对于新出现的危险驾驶行为不能识别或识别准确率低；若定义所有的场景，实现细节检测，对于其模型使用范围是有限的；且基于普遍特征的模型训练方法，未考虑不同驾驶员的动作特征，会造成检测出现偏差或检测不及时的结果。

目前，尚未有基于强化学习和人体骨骼关键点信息的检测驾驶员正常驾驶行为、不良驾驶行为(打电话，喝水，看手机等等)和危险驾驶行为(晕厥等等)的方法，针对上述问题，本方法提出了一种基于强化学习的驾驶员行为检测方法，对潜在的危险驾驶行为做出正确识别及预警。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种对潜在的危险驾驶行为做出正确识别及预警的基于强化学习的驾驶员异常姿态监测方法。本发明的技术方案如下：

一种基于强化学习的驾驶员异常姿态监测方法，其准备阶段和检测阶段，其中准备阶段包括：基于时间与空间变化的驾驶员动态行为，利用机器学习算法训练得到驾驶员姿态检测模型，结合保护动机理论建立具有引导性质的安全预警机制；

检测阶段包括以下步骤：

视频获取步骤：通过车载单目摄像机获取驾驶员的驾驶视频；

关键点检测步骤：利用OpenPose关键点检测系统标记视频中每一帧图像中驾驶员的面部关键点和骨骼关键点，使问题规模从图像中的像素点转换为驾驶员姿态变化的关键点；利用参考点重构并归一化处理后的关键点的初始化状态信息之间的拓扑关系提取驾驶员自然驾驶状态特征；