[发明专利]一种疲劳驾驶自动检测方法和装置

说明书

本发明公开了一种疲劳驾驶自动检测方法和装置。所述疲劳驾驶自动检测方法和装置属于人工智能应用领域，包括疲劳驾驶目标检测模型的训练和模型的硬件部署两部分。其中模型的训练包括利用司机驾驶期间人脸的训练集图像使用基于深度学习SSD模型所改进的算法模型进行训练，在不同尺度的特征图上利用直接回归的方式得到目标位置和相应类别，将获得的结果经过非极大值抑制等方法结合起来生成最终目标检测分类结果。在硬件实现方面，本发明实现了将此方法运行在在Raspberry Pi 3b+平台上通过显示屏实时显示驾驶员的清醒/疲劳状态，并将数据上传存储于远程服务器数据库。该发明的主要目的在于提高疲劳驾驶检测系统的准确性，使疲劳驾驶装置的部署更具轻量化。

技术领域

本发明属于人工智能领域，涉及到一种目标检测——面部疲劳状态的判断与定位技术以及在移动硬件平台的实现。

背景技术

随着人民生活水平的提升，汽车的持有量逐年增加，驾驶安全也成了越来越受人关注的热点话题。车载疲劳驾驶检测系统因其能监控检测驾驶人员的驾驶疲劳状况，防范危险驾驶行为，使驾驶的风险大大降低，在驾驶领域愈受到重视。

当前的疲劳驾驶检测系统主要由以下几种：一是通过物理传感器记录驾驶员对方向盘和踏板的的行为，对行为进行分析得出判断，这种方法的逻辑简单，无法适应驾驶员个人驾驶习惯，容易误报。另外一种方法通过采集驾驶员面部图像，对面部特征进行分析以判断疲劳状态。这类方法的问题在于算法模型普遍臃肿，容易造成系统卡顿，受环境角度影响大，容易误判。因而对于更轻量更准确的疲劳驾驶检测的算法和应用实现是非常具有研究意义及实用价值的。

发明内容

本发明提供一种基于SSD算法的疲劳驾驶自动检测方法和装置，已解决现有装置中算法检测速度过慢，模型冗余等问题。其具体方案实施如下：

第一方面，本申请实例提供了一种疲劳驾驶自动检测方法，包括：

数据集采用自己制作的数据集，共有12000张图片，包括网页爬虫抓取1000张，自己拍摄1000张真实场景图片，开源的5000张图片，利用脚本生成5000张反转、模糊化的图片，其中训练集和验证集占10000张，测试集占2000张。

在PC的Anaconda中配置虚拟环境，在虚拟环境中安装pytorch、opencv-python等程序运行所必需的包。

对数据集进行预处理，主要是格式转换,将数据集转成.txt格式，然后将.txt转换成.xml格式，再将xml文件转换成int格式，最后运行xml_to_coco.py文件将.xml格式转换适应COCO的json格式。

训练的主要过程为将格式转换过后的数据集送入VGG_v2_16算法中。其中VGG_v2_16为本专利所提出的轻量级算法。

第二方面，本申请实例提供了一种疲劳驾驶自动检测装置，包括：

运行环境：本发明的运行平台为搭载Debian Linux系统且装载了Intel NeuralCompute Stick 2的Raspberry Pi 3b+平台。

数据存储：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。

整个系统的运行及配置流程为：1.在PC中配置Anaconda3，在conda环境中安装python以及其他所需要的安装包如pytorch。2.对数据集进行预处理操作。3.对预处理过后的数据集使用 VGG_v2_16算法模型训练。4.将输出的经过验证的模型移植到Raspberry Pi3b+并运行。5.使用摄像头以实时监控记录当前的驾驶人员的驾驶行为视频图像，在液晶显示屏上显示系统对于驾驶人员的疲劳状态的实时反馈判断。

附图说明