[发明专利]一种基于深度学习的驾驶员疲劳检测控制方法

说明书

本发明涉及一种基于深度学习的驾驶员疲劳检测控制方法，具体包括以下步骤：S1、采集行驶中的驾驶员的视频图像，对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、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。与现有技术相比，本发明具有提升疲劳驾驶的检测准确率、保证检测网络具体较高的检测准确率、实现网络模型的轻量化，有效压缩网络模型的大小，降低网络模型的计算量等优点。

技术领域

本发明涉及辅助驾驶技术领域，尤其是涉及一种基于深度学习的驾驶员疲劳检测控制方法。

背景技术

随着我国交通行业的高速发展，不论是营运车辆的数量还是家用车辆的数量都在逐年快速增长。同时，由车辆行驶导致的重大交通事故也较为频繁地发生。分析可知，包括开车时接电话、疲劳驾驶等异常驾驶行为是导致交通事故的主要原因。而由于相关部门信息技术化的应用程度并不是特别的高，缺少对道路上行驶的车辆的行驶数据的动态分析，有效分析车辆驾驶人员的驾驶行为，这是重大交通事故发生频率增加的一个重要原因。

与此同时，近年来深度学习的高速发展也告诉了人们一种处理视频和图片的新思路。深度学习作为机器学习算法研究中的一个新的方向，其基础在于建立、模拟人脑进行分析学习的神经网络。深度学习是相对于简单学习而言的，目前多数分类、回归等学习算法都属于简单学习或者浅层结构，浅层结构通常只包含1层或2层的非线性特征转换层，典型的浅层结构有高斯混合模型(GMM)、隐马尔科夫模型(HMM)、条件随机域(CRF)、最大熵模型(MEM)、逻辑回归(LR)、支持向量机(SVM)和多层感知器(MLP)等等。其中人们运用较多也比较成功的分类模型是SVM，SVM使用了浅层线性模式分离对应样本，对于非线性的模型SVM也会尝试将低位的数据向量投射向高位来寻找最优的超平面。但是传统的机器学习的学习能力有限，于是人们开始寻找学习能力更强的模型，深度学习的概念也开始逐渐进入人们的视野。

疲劳检测系统，即通过驾驶员的相关特征作为信息输入来判断驾驶员的状态，并能给予相关的警告。具体来说，机器学习需要的特征并不一定是驾驶员本身的特征，也可以是车辆的行驶特征或者是车内环境都可以作为一个检测特征，事实上驾驶员的疲劳检测确实也依据此分为3个分支，即依靠车辆状况、驾驶员的生理特征、驾驶员的脸部特征作为检测依据。

针对驾驶员的脸部特征检测目前有两种选择，基于图片检测的分类模型和基于多张连续的图片的时序检测模型。基于图片检测的分类模型虽然也可以起到一定的检测效果，同时模型比较小，但是误报率会非常高，而且无法检测出一些细微的疲劳特征，而基于时序的疲劳检测率和鲁棒性会大大提升。

针对时序检测模型也有多种选择，经典的LSTM方法、目标跟踪里经常使用的光流信息以及3D卷积都可以很好地处理时序信息，但是LSTM方法的体量较大，对存储设备的要求较高。注意力机制是近年来起源于NLP的一种新技术，关键在于如何利用特征之间的关联性来提升模型的效果，在2017ImageNet的冠军模型中就使用了注意力机制，带来不错的提升。对于训练好的检测网络，其模型大小以及计算量都会比较大，需要对网络进行压缩减少其大小和计算量，对网络进行轻量化，但是不能使得网络的准确率下降太多。

发明内容

本发明的目的就是为了克服上述现有技术存在的疲劳检测率和鲁棒性较差、检测网络的模型大小和计算量较大的缺陷而提供一种基于深度学习的驾驶员疲劳检测控制方法。

本发明的目的可以通过以下技术方案来实现：

一种基于深度学习的驾驶员疲劳检测控制方法，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；