[发明专利]交通遇险和路怒症检测方法

权利要求书

1.一种警告生成方法，其特征在于，所述方法包括：

一个或多个处理器从多个传感器接收输入，所述多个传感器包括车内图像传感器、车内音频传感器、车辆数据传感器和全球定位系统数据传感器；

所述一个或多个处理器处理接收到的输入，得到驾驶员热量变化估计、驾驶员表情估计、驾驶员姿势估计、车载诊断系统估计和全球定位系统估计；

所述一个或多个处理器将所述估计存储在存储器中；

所述一个或多个处理器使用所述存储的估计为所述驾驶员热量变化估计、所述驾驶员表情估计、所述驾驶员姿势估计、所述车载诊断系统估计和所述全球定位系统估计中的每一个生成偏差得分；

所述一个或多个处理器执行机器学习算法以便根据所述偏差得分将驾驶员行为分类为正常或异常；

所述一个或多个处理器基于指示驾驶员行为异常的所述分类生成警告；

其中，为所述车载诊断系统估计生成所述偏差得分，包括：

从车载诊断系统中采集与车速、方向盘角度、方向盘角度误差、车道通过时间和冲突时间中的两个或两个以上相关的正常驾驶数据；

使用所述正常驾驶数据为车速、方向盘角度、方向盘角度误差、车道通过时间和冲突时间中所述两个或两个以上中的每一个生成正常驾驶模型；

比较实时数据与车速、方向盘角度、方向盘角度误差、车道通过时间和冲突时间中所述两个或两个以上中的每一个的正常驾驶模型，以生成车速、方向盘角度、方向盘角度误差、车道通过时间和冲突时间中所述两个或两个以上中的每一个的偏差得分。

2.根据权利要求1所述的方法，其特征在于，为所述驾驶员热量变化估计生成所述偏差得分，包括：

使用所述驾驶员的正常驾驶热像离线生成正常驾驶模型；

比较所述正常驾驶模型与所述驾驶员的实时热像数据，得到比较结果；

将概率密度函数应用于所述比较结果，得到所述驾驶员热量变化估计的偏差得分。

3.根据权利要求1所述的方法，其特征在于，为所述驾驶员表情估计生成所述偏差得分，包括：

使用检测跟踪验证对所述驾驶员的正面人脸图像进行局部处理；

从所述正面人脸图像的分割后的人脸区域构造人脸流帧；

使用编码器将全卷积网络应用于所述人脸流帧，包括使用多个卷积、池化、批量归一化和校正线性单元层；

将所述编码器的最后一层的特征图重塑为向量形式以获得输出，并将所述输出应用于递归神经网络以通过高斯混合模型获得正常驾驶表情模型；

比较实时驾驶员或乘客表情与所述正常驾驶表情模型，以计算所述驾驶员表情估计的所述偏差得分。

4.根据权利要求1所述的方法，其特征在于，为所述驾驶员姿势估计生成所述偏差得分，包括：

检测驾驶员姿势，获取所述驾驶员的手部区域的图像；

从所述图像中构造两层手流，并对所述两层手流进行归一化以进行尺寸调整；

使用编码器将全卷积网络应用于所述两层手流，包括使用多个卷积、池化、批量归一化和校正线性单元层；

将所述编码器的最后一层的特征图重塑为向量形式以获得输出，并将所述输出应用于递归神经网络以通过高斯混合模型获得正常驾驶姿势模型；

比较实时驾驶员姿势与所述正常驾驶姿势模型，以计算所述驾驶员姿势估计的所述偏差得分。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述警告包括视觉警报。

6.根据权利要求1至4任一项所述的方法，其特征在于，所述警告包括音频输出。

7.根据权利要求1至4任一项所述的方法，其特征在于，所述警告包括使用显示器的建议的纠正驾驶员动作。

8.根据权利要求1至4任一项所述的方法，其特征在于，使用所述处理器执行所述机器学习算法以将所述驾驶员行为分类为正常或异常包括使用高斯混合模型。

9.根据权利要求8所述的方法，其特征在于，期望最大化用于估计所述高斯混合模型的模型参数。