[发明专利]一种用于危险驾驶行为预警的车内外场景视觉分析方法

权利要求书

1.一种用于危险驾驶行为预警的车内外场景视觉分析方法，其特征在于：包括如下步骤：

S1、数据采集、同步以及预处理；

S2、道路场景语义编码；

S21、道路场景神经网络拓扑：输入为320*180*3通道道路场景RGB图像，主干网络包括有卷积、池化、归一化、激活以及反卷积基础网络；

S22、道路场景训练数据集：采集交通场景数据集，人工标注生成多任务训练标签；

S23、道路场景模型离线训练：综合考虑道路场景神经网络在辅助驾驶系统中的应用以及网络特征的兼容性与可移植性，设计道路场景特征损失函数L_traffic；

S3、驾驶室场景语义编码；

S4、时序危险驾驶行为分类；

S5、模型前向运算部署以及输出后处理。

2.根据权利要求1所述的一种用于危险驾驶行为预警的车内外场景视觉分析方法，其特征在于：

所述步骤S1包括如下步骤：

S11、道路场景图像预处理：通过前视相机采集道路场景图像数据并存储在图像缓存池中，经卷积神经网络特征描述后级联送入基于递归神经网络的时序行为分类器；

S12、驾驶室场景图像预处理：通过驾驶室相机采集驾驶室场景图像数据并存储在图像缓存池中，经卷积神经网络特征描述后级联送入基于递归神经网络的时序行为分类器。

3.根据权利要求1所述的一种用于危险驾驶行为预警的车内外场景视觉分析方法，其特征在于：

所述步骤损失函数L_traffic采用下列计算公式：

L_traffic＝k₁L_obj+k₂L_road

L_ce(y，g)＝glogy+(1-g)log(1-y)

式中，L_obj为目标损失函数，L_road为路面语义损失函数，k1为目标损失函数L_obj的权重系数,k2为路面语义损失函数L_road的权重系数，L_1s(loc_i，g_loc，i)和L_ce(att_ki，g_att，ki)为交叉熵损失函数，L_1s(y，g)为smoothL1损失函数，目标损失函数L_obj包括有各目标的分类损失函数、位置回归损失函数以及属性分类损失函数，α为分类损失函数的权重系数，β为位置回归损失函数的权重系数，λ_j为属性分类损失函数的权重系数，道路语义损失函数L_road由图像像素级交叉熵求和所得。

4.根据权利要求1所述的一种用于危险驾驶行为预警的车内外场景视觉分析方法，其特征在于：

所述步骤S3包括如下步骤：

S31、驾驶室场景神经网络拓扑：输入为320*180*1通道驾驶室场景红外图像，主干网络包括有卷积、池化、归一化、激活以及反卷积基础网络；

S32、驾驶室场景训练数据集：采集驾驶室场景数据集，人工标注生成多任务训练标签；

S33、驾驶室场景模型离线训练：综合考虑驾驶室场景神经网络在辅助驾驶系统中的应用以及网络特征的兼容性与可移植性，设计驾驶室场景特征损失函数L_driver。