[发明专利]一种基于深度学习神经元网络的驾驶员状态分析判断方法

权利要求书

1.一种基于深度学习神经元网络的驾驶员状态分析判断方法，其特征在于，所述方法包括：

S1：采集驾驶员驾驶状态图像并进行预处理，得到规范化的驾驶状态图像集合；

S2：构建自适应驾驶场景生成模型；

S3：根据构建的自适应驾驶场景生成模型确定自适应驾驶场景生成优化目标函数；

S4：基于所采集的驾驶状态图像集合，利用改进的L-BFGS算法对自适应驾驶场景生成优化目标函数进行优化求解得到最优模型参数；

S5：根据求解得到的最优模型参数构建最优自适应驾驶场景生成模型，并将驾驶状态图像集合中的图像输入到模型中生成大量驾驶状态图像；

S6：将所采集以及生成的驾驶状态图像作为训练集，对驾驶员状态分析神经网络进行训练，利用训练得到的驾驶员状态分析神经网络进行驾驶员状态分析判断。

2.如权利要求1所述的一种基于深度学习神经元网络的驾驶员状态分析判断方法，其特征在于，所述S1步骤中采集驾驶员驾驶状态图像并进行预处理，包括：

在驾驶员驾驶过程中采集驾驶员驾驶状态图像，其中驾驶员驾驶状态图像为不同场景、不同角度下的驾驶员驾驶车辆图像；

对所采集的驾驶员驾驶状态图像进行预处理，得到图像规格相同且灰度化的驾驶员驾驶状态图像，并将预处理后的所有驾驶员驾驶状态图像构成驾驶状态图像集合，其中预处理流程为：

S11：对驾驶员驾驶状态图像中每个像素的三个RGB颜色分量求最大值，并将该最大值设置为该像素点的灰度值，得到驾驶员驾驶状态图像的灰度图；

S12：对任意规格M×N像素的驾驶员驾驶状态图像灰度图进行图像规格化处理，其中图像规格化处理的公式为：

其中：

(i,j)表示规格为M×N像素的驾驶员驾驶状态图像灰度图中第i行第j列的像素，M表示驾驶员驾驶状态图像的行像素数，N表示驾驶员驾驶状态图像的列像素数，(i^′,j^′)表示规格化处理后的像素，即将第i行第j列的像素映射到第i^′行第j^′列；

M^′×N^′像素表示规格化处理后的驾驶员驾驶状态图像灰度图规格；

S13：计算空像素的相邻像素的灰度值均值，并将灰度值均值作为该空像素的灰度值，其中空像素表示规格化处理后灰度图中，不存在灰度值的像素；

S14：对规格化处理后灰度图中每个像素的灰度值进行拉伸：

其中：

Gray(i^′,j^′)表示规格化处理后灰度图中像素(i^′,j^′)的灰度值；

MIN_Gray为规格化处理后灰度图中的最小灰度值；

MAX_Gray为规格化处理后灰度图中的最大灰度值；

g(i^′,j^′)为经拉伸后像素(i^′,j^′)的灰度值。