[发明专利]一种基于深度学习的驾驶员疲劳检测控制方法

权利要求书

1.一种基于深度学习的驾驶员疲劳检测控制方法，其特征在于，具体包括以下步骤：

S1、采集行驶中的驾驶员的视频图像，对所述视频图像进行分割提取；

S2、对分割提取得到的原始数据进行图像预处理，得到驾驶员的脸部关键信息；

S3、所述脸部关键信息输入检测网络，输出的检测信息合并后输入分类全连接网络，输出驾驶员的疲劳检测值，并与预设的阈值范围比较输出相应的疲劳等级，若疲劳等级超过等级阈值则显示疲劳警告信息。

2.根据权利要求1所述的一种基于深度学习的驾驶员疲劳检测控制方法，其特征在于，所述步骤S1中对所述视频图像进行分割提取的过程具体为隔帧提取所述视频图像作为原始数据。

3.根据权利要求1所述的一种基于深度学习的驾驶员疲劳检测控制方法，其特征在于，所述步骤S2中图像预处理的形式具体为通过限制对比度自适应直方图均衡对原始数据进行预处理。

4.根据权利要求1所述的一种基于深度学习的驾驶员疲劳检测控制方法，其特征在于，所述步骤S2中脸部关键信息基于Opencv中的人脸关键点检测模型计算得到。

5.根据权利要求1所述的一种基于深度学习的驾驶员疲劳检测控制方法，其特征在于，所述脸部关键信息包括眼部信息、嘴部信息以及头部信息。

6.根据权利要求5所述的一种基于深度学习的驾驶员疲劳检测控制方法，其特征在于，所述检测网络包括多路基于双流3D卷积网络的检测子网络。

7.根据权利要求6所述的一种基于深度学习的驾驶员疲劳检测控制方法，其特征在于，所述检测子网络包括眼部检测子网络、嘴部检测子网络和头部检测子网络。

8.根据权利要求7所述的一种基于深度学习的驾驶员疲劳检测控制方法，其特征在于，所述眼部检测子网络在双流3D卷积网络的基础上，结合注意力机制。

9.根据权利要求6所述的一种基于深度学习的驾驶员疲劳检测控制方法，其特征在于，所述原始数据包括原始图像、光流信息和时序信息，所述检测子网络同时结合原始图像和光流信息，根据时序信息进行检测。

10.根据权利要求6所述的一种基于深度学习的驾驶员疲劳检测控制方法，其特征在于，所述检测子网络具体为采用深度压缩的方式对网络进行轻量化后的网络模型，轻量化的具体流程包括剪枝、量化和存储优化。