[发明专利]一种疲劳驾驶自动检测方法和装置

权利要求书

1.一种疲劳驾驶自动检测的方法和装置，其特征在于对测摄像头采集的驾驶员人脸信息进行目标检测并判断驾驶疲劳状态，同时记录上传至远程服务器，实验及部署平台包括CPU、编程语言、VPU；

所述的CPU为Raspberry Pi 3b+自带的1.4GHz 64位4核ARM Cortex-A53 CPU处理器，本嵌入式平台的核心配件，其功能主要是解释计算机指令以及处理计算机软件中的数据；

所述的编程语言为Python，该语言为我们提供了非常完善的基础代码库，覆盖了网络、文件GUI、数据库、文本等大量内容，被形象地称作内置电池(batteries included)，Python的开发使得许多功能不再从零开始写起，直接使用现成即可，Python除了内置的库以外，还有许多第三方库供编程者直接使用，Python的语言特点就是优雅、明确、简单，因而被广泛应用编码中；

所述的VPU全称为Video Processing Unit，是一种全新的视频处理平台核心引擎，具有硬解码功能以及减少CPU负荷的能力，另外，VPU可以减少服务器负载和网络带宽的消耗，所述VPU是基于Intel推出的Neural Compute Stick 2，采用新一代的视觉运算处理器Movidius MyriadX，提供8倍的效能增长，可让开发者更智能、更高效地开发和部署深度神经网络(DNN)应用。

2.根据权利要求1所述的系统，其特征在于模型对司机驾驶期间人脸的实时视频图像进行快速准确的目标检测并判断疲劳状况，为此模型训练所选用的算法在SSD300的基础上调整了网络结构，并在自制数据集上进行训练和评估，最后移植到移动硬件平台进行部署，包括：

(1)在PC配置Anaconda版本为Anaconda3，python版本为3.8.5，Pytorch版本torch-1.7.0以及其他所需要的安装包；

(2)对司机驾驶期间人脸的图像训练集进行预处理；

(3)将处理好的数据集输入经过修改的VGG16神经网络模型中；

(4)经过多次卷积之后获取不同像素尺度的特征层并进行相应的池化处理得到不同像素尺寸的有效特征层；

(5)在每个有效特征层的每个像素点上按照公式1设置不同尺度大小的先验预测框，并对每个有效特征层进行两次卷积处理对先验框进行调整得到预测框；

(6)将预测框进行分排序和非极大抑制处理(NMS)得到最终预测框；

(7)基于图片的真实框信息，相对于预测结果设计loss函数计算回归预测和分类预测的损失函数，损失函数定义为位置误差loc和置信度误差conf的加权和如公式2，其中置信度误差conf采用softmax loss即交叉熵如公式3，通过梯度下降算法训练得出经过IOC算法处理后如公式4的最大结果；

(8)将上述训练好的模型移植到搭载了Debian Linux系统并配置了相关软件运算环境的Raspberry Pi 3b+平台；

(9)为平台配置Intel Neural Compute Stick 2的运行驱动以实现运算加速；

(10)平台配置摄像头和液晶显示屏以实时监控显示当前的驾驶人员的驾驶行为视频图像，显示系统对于驾驶人员的疲劳状态的实时反馈判断；

(11)系统将采集到的日期时间-驾驶疲劳状态信息缓存在本地，并在一定的时间间隔下定期打包批次上传至云端数据库；

(12)后台的独立的数据管理系统，在需要时可供调特定日期时间的驾驶疲劳数据作为交通事故纠纷的判断依据；