[發明專利]一種基于強化學習的駕駛員異常姿態監測方法

有效

• 申請號: 201910039704.2
• 申請日: 2019-01-16
• 公開（公告）號: CN109902562B
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 蔣建春;王肖;曾素華;張卓鵬;歐小龍;岑明
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06V20/59
• 分類號: G06V20/59;G06V20/40
• 代理公司: 重慶市恒信知識產權代理有限公司 50102
• 代理人: 劉小紅;陳棟梁

本發明請求保護一種基于強化學習的駕駛員異常姿態監測方法，包括步驟：獲取駕駛員駕駛視頻后，利用OpenPose系統提取遠小于圖像像素點數量的駕駛員面部關鍵點和骨骼關鍵點，同時將面部關鍵點通過三次樣條插值構建面部特征，進行駕駛員身份識別。關鍵幀提取方法基于強化學習的方式，通過姿態檢測模型獲取相應的獎勵，并根據獎勵和姿態的每個動作來更新動作價值函數，直到得到適用于每個駕駛員的穩定的關鍵幀提取策略。基于時間與空間變化的駕駛員動態行為，利用機器學習算法訓練得到姿態檢測模型。結合保護動機理論建立具有引導性質的安全預警機制。本發明增加了檢測的實時性和準確性，增強了安全預警的可靠性。

技術領域

本發明屬于安全駕駛檢測技術領域，尤其涉及一種基于強化學習的駕駛員異常姿態監測方法。

背景技術

汽車作為一種交通工具，已經成為生活不可或缺的必需品。隨著私家車、營運車的數量的快速增長，對駕駛員的駕駛行為進行檢測預警對于減少交通事故具有重要意義。

駕駛行為分為兩大類：車內駕駛員狀態和車外車輛的狀態。針對駕駛員的行為動作檢測的研究分為兩類：傳統的基于傳感器的穿戴式檢測方法，該方法不僅給駕駛員造成干擾，而且設備成本高；主流的檢測方法是基于單目攝像機的檢測方法，該方法獲得的信息量大、成本低、無污染。因此，現在大部分駕駛員行為動作的研究都是基于車載攝像機得到圖像或視頻序列。

然而，基于單目攝像機的駕駛員動作行為研究還需要解決以下問題：由于某些原因，車載相機拍攝的圖像不清楚，會導致提取的駕駛員的身體特征發生些許變化，傳統檢測結果會發生混亂；大部分情況下，訓練模型時將一幅圖像甚者是圖像序列作為輸入，這樣會需要大量的時間與資源來訓練檢測模型，同時實地檢測時對硬件的要求也比較高，且有時由于輸入的視頻數據量太大，無法達到實時的效果；目前大部分基于大數據來訓練檢測模型，往往考慮普通駕駛員駕駛行為的普遍特點，而忽略了不同駕駛員的行為特點。這樣會造成檢測不及時或檢測錯誤。

中國專利申請：一種駕駛員手持電話行為檢測方法及裝置(申請號：201610578623.6)根據定位駕駛員的駕駛區域得到駕駛區域圖像，之后對該圖像進行處理檢測，得到檢測結果。該方法會由于駕駛員意外偏離駕駛區域造成檢測誤差。一種基于視頻識別的危險駕駛行為監督方法與裝置(申請號：201810432618.3)從實際場景中獲取特定場景下(打電話等等)的圖片樣本數據，然后采用深度學習算法建立基于卷積神經網路的駕駛員打電話視頻識別算法模型。該方法需要采集大量的定義場景下的數據進行訓練，對于新出現的危險駕駛行為不能識別或識別準確率低；若定義所有的場景，實現細節檢測，對于其模型使用范圍是有限的；且基于普遍特征的模型訓練方法，未考慮不同駕駛員的動作特征，會造成檢測出現偏差或檢測不及時的結果。

目前，尚未有基于強化學習和人體骨骼關鍵點信息的檢測駕駛員正常駕駛行為、不良駕駛行為(打電話，喝水，看手機等等)和危險駕駛行為(暈厥等等)的方法，針對上述問題，本方法提出了一種基于強化學習的駕駛員行為檢測方法，對潛在的危險駕駛行為做出正確識別及預警。

發明內容

本發明旨在解決以上現有技術的問題。提出了一種對潛在的危險駕駛行為做出正確識別及預警的基于強化學習的駕駛員異常姿態監測方法。本發明的技術方案如下：

一種基于強化學習的駕駛員異常姿態監測方法，其準備階段和檢測階段，其中準備階段包括：基于時間與空間變化的駕駛員動態行為，利用機器學習算法訓練得到駕駛員姿態檢測模型，結合保護動機理論建立具有引導性質的安全預警機制；

檢測階段包括以下步驟：

視頻獲取步驟：通過車載單目攝像機獲取駕駛員的駕駛視頻；

關鍵點檢測步驟：利用OpenPose關鍵點檢測系統標記視頻中每一幀圖像中駕駛員的面部關鍵點和骨骼關鍵點，使問題規模從圖像中的像素點轉換為駕駛員姿態變化的關鍵點；利用參考點重構并歸一化處理后的關鍵點的初始化狀態信息之間的拓撲關系提取駕駛員自然駕駛狀態特征；