[发明专利]一种基于梯度控制联邦学习的分心驾驶行为识别方法

说明书

本发明公开了一种基于梯度控制联邦学习的分心驾驶行为识别方法，首先各车辆节点在车辆行驶时采集图像数据；之后使用梯度控制联邦学习共同训练一个卷积神经网络模型；最后，各节点使用该模型识别分心驾驶行为。在驾驶行为识别场景中，本发明使用基于边缘计算的去中心化方式实现模型的训练与推理，相较现有的中心化训练与推理方式具有保护用户隐私、实时性好、升级方便等优点。提出的梯度控制联邦学习算法相较于传统的联邦学习算法能够有效提高模型的收敛速度，且不增加任何计算开销。

技术领域

本发明涉及计算机视觉和边缘计算领域，具体涉及一种基于梯度控制联邦学习的分心驾驶行为识别方法。

背景技术

根据中国公安部数据显示，截至2020年底，中国机动车保有量达3.72亿辆，其中汽车保有量为2.81亿辆；中国机动车驾驶人数量达4.56亿人，其中汽车驾驶人数量为4.18亿人。汽车和驾驶员的数量越来越多，间接导致交通事故发生数量也在逐年增长，而这些交通事故很多都是由驾驶员的分心驾驶行为引起的，如使用手机、吃东西、与乘客聊天、调整中控等。因此识别驾驶员的分心驾驶行为对高级驾驶员辅助驾驶系统(ADAS)具有十分重要的意义。

近年来随着深度学习技术的发展，基于深度卷积神经网络的图像分类模型如VGG、GoogleNet、RestNet等在ImageNet数据集上展现出较强的优势。越来越多的基于深度学习的分心驾驶行为识别方法被提出，这些方法大多是对深度学习模型进行改进，其训练和推理是中心化的，即模型训练和推理过程只会在本地或者云端进行。

在本地进行分心驾驶行为识别模型训练和推理需要预先收集大量样本，后续模型每升级一次要重新部署一次，比较麻烦；而在云端进行分心驾驶行为识别模型训练和推理，对网络的带宽、延时、稳定性要求极高，除此之外，上传的驾驶图像可能会涉及到驾驶员的隐私。

基于上述在本地和云端进行模型训练和推理存在的问题，如果将模型的训练和推理放在边缘进行，边缘即在数据源和云端之间任何的计算资源和网络资源，在车联网中应用边缘计算则可有效解决上述问题。

联邦学习是边缘计算的一个训练策略，在联邦学习中多个边缘节点与一个边缘服务器组成集群共同训练一个全局模型。其中边缘服务器没有任何训练数据，所有的训练数据均分布在各个边缘节点上，边缘节点每完成一次训练便会将更新后的局部模型上传至边缘服务器，由边缘服务器聚合各节点上传的局部模型，最终实现全局模型的训练。在此过程中每个节点仅上传模型参数而不上传数据，因此节点用户的隐私也得到了保护。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于梯度控制联邦学习的分心驾驶行为识别方法。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于梯度控制联邦学习的分心驾驶行为识别方法，包括如下步骤：

S1、获取驾驶过程中驾驶员的分心驾驶行为图像并进行预处理得到训练数据集；

S2、使用梯度控制联邦学习算法对步骤S1得到的训练数据集进行训练，得到分心驾驶行为识别模型；

S3、利用步骤S2得到的识别模型对驾驶员的分心驾驶行为进行识别。

进一步的，所述步骤S1具体包括：

S11、利用车载摄像头获取驾驶员的分心驾驶行为图像；

S12、对所采集分心驾驶行为图像进行检测和裁剪，基于HOG特征与SVM算法模型进行驾驶员区域检测，并截取对应区域保存，得到驾驶员区域图像序列；

S13、对步骤S12得到的驾驶员区域图像序列标注标签，得到训练数据集。

进一步的，所述步骤S2具体包括：