[发明专利]一种基于视觉的驾驶员行为分析防作弊方法

权利要求书

1.一种基于视觉的驾驶员行为分析防作弊方法，其特征在于包括下列步骤：

①驾驶室摄像头遮挡检测；若驾驶室摄像头遮挡检测结果为场景正常，则执行步骤②；反之，则执行步骤③；

②虚假驾驶员检测和/或佩戴红外阻断设备检测；

步骤②中的虚假驾驶员检测包括下列步骤：

(21)虚假驾驶员识别神经网络模型：输入为场景遮挡识别深度卷积神经网络浅层特征图谱，经过感兴趣区域提取，再经过特征编码与降采样，输出为驾驶员真伪分类结果，驾驶员真伪分类结果分为真实驾驶员、照片驾驶员和视频驾驶员；

(22)虚假驾驶员识别神经网络模型训练：采集虚假驾驶员训练数据，包括真实驾驶员、图片驾驶员以及视频驾驶员时序离散样本各数万张，按网络输出结构化数据定义，附加人脸区域标注，人工标注训练样本，生成训练标签，根据样本标签中的人脸区域图像特征，利用在线样本扩充技术，采用迷你批量梯度下降方法，扩充训练样本并更新网络权重系数；

(23)虚假驾驶员识别神经网络模型应用：将步骤(22)中训练好的模型参数经剪枝与量化压缩操作后，级联于步骤①中的特定特征图谱输出层后，部署于前端平台；

③计算各作弊行为时序置信度，定义作弊行为的类别；

④将检测结果进行记录，并上传给远端管控平台。

2.根据权利要求1所述的一种基于视觉的驾驶员行为分析防作弊方法，其特征在于所述的步骤②中的虚假驾驶员检测指基于驾驶员分析系统的驾驶员面部的图像域或特征域输入，利用卷积神经网络分类识别当前是真实驾驶员还是虚假驾驶员；所述的佩戴红外阻断设备检测包括佩戴红外阻断眼镜检测和/或佩戴红外阻断口罩检测。

3.根据权利要求1所述的一种基于视觉的驾驶员行为分析防作弊方法，其特征在于所述的步骤①包括下列步骤：

(11)驾驶室摄像头遮挡识别神经网络模型：输入为单通道驾驶室场景图片，经过特征编码与降采样，输出为场景遮挡分类结果，场景遮挡分类结果分为场景正常、吸光物质场景遮挡和反光物质场景遮挡；

(12)驾驶室摄像头遮挡识别神经网络模型训练：采集驾驶室场景训练数据，包括吸光物质遮挡场景、反光物质遮挡场景以及正常驾驶场景的时序离散样本各数万张，按网络输出结构化数据定义，人工标注训练样本，生成训练标签，利用在线样本扩充技术，采用迷你批量梯度下降方法优化如下损失函数L1：

其中，y_i为场景遮挡类别真值，a_i为softmax层的输入向量元素；

(13)驾驶室摄像头遮挡识别神经网络模型应用：将步骤(12)中训练好模型参数经剪枝与量化压缩操作后，部署于前端平台；红外图像Y分量数据缩放至网络输入大小，输入前端平台部署网络。

4.根据权利要求1或2所述的一种基于视觉的驾驶员行为分析防作弊方法，其特征在于所述的步骤②中的佩戴红外阻断设备检测为佩戴红外阻断眼镜检测，基于驾驶员分析系统的驾驶员眼部图像域或特征域输入，利用卷积神经网络分类识别眼部特征遮挡情况，输出眼部可见或眼部不可见的佩戴红外阻断眼镜检测结果；佩戴红外阻断眼镜检测包括下列步骤：

(24)红外阻断眼镜识别神经网络模型：输入为虚假驾驶员识别深度卷积神经网络浅层特征图谱，经过感兴趣区域提取，再经过特征编码与降采样，输出为红外阻断眼镜分类结果，红外阻断眼镜分类结果分为眼部可见和眼部不可见；

(25)红外阻断眼镜识别神经网络模型训练：采集红外阻断眼镜训练数据，包括未戴眼镜驾驶员、戴红外可穿透眼镜驾驶员以及戴红外阻断眼镜驾驶员时序离散样本各数万张，按网络输出结构化数据定义，附加眼部区域标注，人工标注训练样本，生成训练标签，根据样本标签中的眼部区域图像特征，利用在线样本扩充技术，采用迷你批量梯度下降方法，扩充训练样本并更新网络权重系数；

(26)红外阻断眼镜识别神经网络模型应用：将步骤(25)中训练好模型参数经剪枝与量化压缩操作后，级联于步骤①中网络的特定特征图谱输出层后，部署于前端平台。