[发明专利]基于深度学习的驾驶行为分析识别警示系统及其识别方法

权利要求书

1.一种基于深度学习的驾驶行为分析识别警示系统，其特征在于：包括具有生成深度图像功能的相机以及数据分析模块，所述数据分析模块包括具有边缘计算功能的终端设备和用于提醒播报的语音模块，所述相机用于采集驾驶员的三维空间信息，所述终端设备用于根据采集到的驾驶员的三维空间信息分析判断驾驶行为。

2.根据权利要求1所述的一种基于深度学习的驾驶行为分析识别警示系统，其特征在于：所述相机包括发光器件、光源驱动器、接收镜头、TOF传感芯片、TOF芯片驱动器和TOF主控器，所述光源驱动器控制发光器件发光，使发光器件发出调制光信号；所述接收镜头用于接收调制光信号；所述接收镜头能够接收到调制光照射驾驶员反射回来的回波信号，并将回波信号汇聚在TOF传感芯片上；所述TOF传感芯片接收汇聚的回波信号，并将光信号转换为电信号；所述TOF芯片驱动器接收TOF传感芯片转换的电信号，并将电信号进行处理；所述TOF主控器与光源驱动器和TOF芯片驱动器分别连接，根据光信号发出与接收之间的时间差异，计算出驾驶员所在空间的距离信息。

3.根据权利要求1或2所述的一种基于深度学习的驾驶行为分析识别警示系统，其特征在于：所述相机为Azure Kinect相机。

4.根据权利要求1所述的一种基于深度学习的驾驶行为分析识别警示系统，其特征在于：所述相机摆放于驾驶室正前上方或侧前上方，用于检测所在位置的三维空间信息，检测的视场范围覆盖驾驶员的头部，躯干以及方向盘位置。

5.一种基于深度学习的驾驶行为分析识别警示方法，其特征在于：包括如下步骤：

S1：利用相机采集持续生成帧的RGB图像以及深度图像，将得到的图像数据传给数据分析模块；

S2：将收集到的图像数据在数据分析模块上进行图像的对齐分割预处理；

S3：在数据分析模块上针对预处理完成的图像，利用引入注意力机制的深度卷积神经网络实现驾驶行为的多分类识别；

S4：根据识别结果，针对危险驾驶行为进行警示，通过语音模块发出警报提醒。

6.根据权利要求5所述的一种基于深度学习的驾驶行为分析识别警示方法，其特征在于：所述步骤S2中通过使用基于高斯混合模型算法的图像分割方法对图像进行对齐分割预处理，高斯混合模型算法即为GMM，GMM是指具有如下形式的概率分布模型：

其中，α_k是系数，α_k≥0,φ(y|θ_k)是高斯分布密度，

称为第k个分模型；

利用EM算法实现高斯混合模型的应用，其输入是观测数据y₁,y₂,...,y_N以及高斯混合模型，输出是高斯混合模型参数。

7.根据权利要求6所述的一种基于深度学习的驾驶行为分析识别警示方法，其特征在于：所述步骤S2中对齐分割预处理的具体步骤如下：

A1：取模型参数的初始值开始迭代；

A2：E步：依据当前模型参数，计算分模型k对观测数据y_j的响应度；

A3：M步：计算新一轮迭代的模型参数；

其中，M步涉及的三个公式为分别记算每个高斯的均值，方差，比重三个参数。

A4：重复步骤A2和A3，直至收敛。

8.根据权利要求5所述的一种基于深度学习的驾驶行为分析识别警示方法，其特征在于：所述步骤S3中驾驶行为的多分类识别过程具体为：使用乘驾图像作为输入图像并将其划分为4个通道，分别为R、G、B和Depth，然后分别送入卷积层进行卷积操作，经过卷积操作的通道信息再经过一个激活函数ReLu得到卷积层的输入，将卷积层的输入进行最大池化处理，提取出最明显的特征，最后再经过两个全连接层实现多分类行为识别。