[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

说明书

本发明涉及驾驶员状态分析的技术领域，公开了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，所述方法包括：构建自适应驾驶场景生成模型并确定自适应驾驶场景生成优化目标函数；利用改进的L‑BFGS算法对目标函数进行优化求解得到最优模型，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，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。本发明利用编码模型从原始图像提取带有噪声的隐空间编码向量，进而将所提取的向量重构为生成图像，实现多场景驾驶状态图像生成，采用多粒子的改进L‑BFGS算法对自适应驾驶场景生成模型参数进行优化求解，快速得到最优模型参数。

技术领域

本发明涉及驾驶员状态分析的技术领域，尤其涉及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。

背景技术

近年来，交通事故频发，给社会带来了很多损失。疲劳驾驶灯驾驶员非注意力集中状态导致的交通事故逐年增多。对于大车司机来说，驾驶员状态更是影响着他们的人身安全。目前驾驶员状态检测分析主要包含三类方法：通过驾驶者生理特征的监测；根据车辆的运动特征监测；针对驾驶者面部特征的监测。通过生理特征来判断驾驶者是否疲劳需要依靠穿戴监测设备才能实现，这会影响驾驶者的驾驶体验，而且设备昂贵并且易损坏。运动特征监测主要是通过监测车辆的物理信息，比如车辆的行驶轨迹，摇摆幅度，以及方向盘受到的手部压力等来进行疲劳状态的判断。这种方法虽然不会影响驾驶员的行车体验，但会受到如驾驶者的驾驶习惯、特殊路况等一些外部因素影响。一般情况下不会作为主要的判断依据。目前的驾驶员状态检测方法大多以面部信息为依据，进行疲劳检测。但此类方法严重依赖于训练样本集合，导致算法偏差较大、存在检测精度低和模型鲁棒性差等问题。针对该问题，本专利提出一种深度学习神经元网络的驾驶员状态分析判断方法，通过自适应样本扩充实现驾驶场景多样性增强，提高驾驶员驾驶状态分析鲁棒性。

发明内容

有鉴于此，本发明提供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，目的在于：1)基于编码模型以及解析模型构建自适应驾驶场景生成模型，通过从所采集驾驶状态图像像素分布中提取带有噪声的隐空间编码向量，基于隐空间编码向量生成多场景驾驶状态图像，并构建自适应驾驶场景生成优化目标函数，优化目标为近似后验概率分布更为逼近真实后验概率分布，保证所提取像素分布为真实图像的有效像素分布；2)采用多粒子的改进L-BFGS算法对自适应驾驶场景生成模型参数进行优化求解，一方面生成高维的多粒子，利用每个粒子的高维位置坐标来表征模型参数，扩充了模型参数的可行解范围，并利用结合收缩系数以及速度参数的L-BFGS算法对每个粒子的位置坐标进行更新，加快L-BFGS算法的迭代效率，当粒子的梯度变化率较小时不再对粒子进行位置速度更新，有效对粒子数目进行降维，实现自适应驾驶场景生成模型参数的快速优化求解，进而得到可用模型。

实现上述目的，本发明提供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，包括以下步骤：

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，所述模型包括编码模型和解析模型两部分，其中编码模型以规范化的驾驶状态图像为输入，以隐空间编码向量为输出，解析模型以隐空间编码向量为输入，以生成的多场景驾驶状态图像为输出；

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。