[發明專利]一種基于深度學習的疲勞駕駛預警方法

在審

• 申請號: 201910036657.6
• 申請日: 2019-01-15
• 公開（公告）號: CN109902560A
• 公開（公告）日: 2019-06-18
• 發明（設計）人: 莊千洋;張克華;王佳逸;陳倩倩;朱苗苗;丁璐
• 申請（專利權）人: 浙江師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 杭州華鼎知識產權代理事務所(普通合伙) 33217
• 代理人: 項軍

1.一種基于深度學習的疲勞駕駛預警方法，其特征在于包括如下步驟：

步驟S1：采用紅外攝像頭對駕駛員圖像進行采集作為訓練數據集，通過人臉檢測技術提取圖像中駕駛員人臉區域；

步驟S2：根據人體生物學特征，將人臉區域按照1/2長和1/2寬進行劃分4個區域，駕駛員右眼處于右上角區域，截取右上角區域圖像，通過人眼檢測技術，對截取圖像進行人眼區域進一步截取；

步驟S3：將提取人眼區域保存為模板，通過模板在人臉右上角區域的由左向右，由上至下滑動，尋找圖像與模板最相似區域，其中在每個位置都進行一次度量計算來表明模板和人臉右上角區域圖像該位置子圖之間的相關系數，其公式為：

其中，R(i,j)表示模板與人臉右上角區域圖像(i,j)位置子圖的相關系數，S_ij(m,n)表示子圖(m,n)坐標的像素值，T(m,n)表示模板(m,n)坐標的像素值；截取該區域包含人眼特征圖像，該圖像分辨率為20*20，，作為深度神經網絡輸入；

步驟S4：根據步驟S3所截取的分辨率為20*20的人眼圖像，依據眼睛開閉狀態生成訓練數據集，通過訓練數據集輸入到深度卷積神經網絡模型，采用隨機梯度下降算法的擴展式Adam對模型進行訓練，得到深度人眼狀態檢測模型，其中，深度卷積神經網絡采用1層數據層，4層卷積層，2層池化層以及2層全連接層，在訓練過程中，損失函數定義為：

a＝softmax(σ(z))＝softmax(∑_jw_j*x_j+b) (15)

其中y表示期望輸出，a表示神經元實際輸出，w_j表示第j個神經元權重，x_j表示第j個神經元值；

步驟S5：通過紅外攝像頭采集駕駛員實時圖像數據，通過人臉檢測、人眼檢測、模板匹配、深度人眼狀態檢測模型判別，得到駕駛員實時人眼狀態數據；

步驟S6：通過步驟S5記錄的疲勞駕駛狀態數據，計算駕駛疲勞參數PERCLOS值：根據紅外攝像頭采集速率，獲得一分鐘之內人眼狀態總幀數和閉眼狀態幀數，PERCLOSE計算公式為：

當PERCLOS值大于0.1且小于0.3時，則系統判斷駕駛員處于輕度疲勞，輸出輕度疲勞報警，當PERCLOS值大于0.3時，則系統判斷駕駛員處于中度疲勞，輸出中度疲勞報警。

2.根據權利要求1所述的一種基于深度學習的疲勞駕駛預警方法，其特征在于：所述步驟S1中人臉識別技術是采用Haar人臉分類器識別方法，獲取人臉位置信息。

3.根據權利要求2所述的一種基于深度學習的疲勞駕駛預警方法，其特征在于：所述步驟S2中人眼檢測技術采用Haar人眼分類器識別方法，獲取人眼位置信息。

4.根據權利要求3所述的一種基于深度學習的疲勞駕駛預警方法，其特征在于：所述步驟S1、步驟S2所訓練的人臉特征分類器和人眼特征分類器，其訓練弱分類器G_m的分類誤差公式為

其中，w_m,i表示在訓練第m個弱分類器第i個樣本所占的權重，G_m(x_i)表示第m個弱分類器對樣本x_i的預測值，y_i表示第m個弱分類器樣本x_i的真實值，I(G_m(x_i)≠y_i)表示樣本x_i的預測值G_m(x_i)與樣本x_i真實值y_i不相等的值；

計算G_m(x)在強分類器中所占比重為

更新訓練數據集的權值分布為

其中z_m表示歸一化因子，

最終強分類器為

5.根據權利要求1至4中任意一項所述的一種基于深度學習的疲勞駕駛預警方法，其特征在于：所述步驟S1中深度卷積神經網絡最后一個全連接層輸出各個類別概率值定義如下：

identity(y)＝argmax(P_i) (11)

其中，P_i表示屬于等i個類別的概率值，Z_i神經元計算值，identity(y)表示測試樣本y的分類結果。