[發(fā)明專利]基于深度學(xué)習(xí)的駕駛提醒方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201910846569.2
• 申請(qǐng)日: 2019-09-06
• 公開（公告）號(hào): CN110667593B
• 公開（公告）日: 2022-05-17
• 發(fā)明（設(shè)計(jì)）人: 肖爽
• 申請(qǐng)（專利權(quán)）人: 中國(guó)平安財(cái)產(chǎn)保險(xiǎn)股份有限公司
• 主分類號(hào): B60W40/08
• 分類號(hào): B60W40/08;B60W40/09;B60W50/14;G06N3/04
• 代理公司: 深圳市世紀(jì)恒程知識(shí)產(chǎn)權(quán)代理事務(wù)所 44287
• 代理人: 胡海國(guó)

1.一種基于深度學(xué)習(xí)的駕駛提醒方法，其特征在于，所述基于深度學(xué)習(xí)的駕駛提醒方法包括：

實(shí)時(shí)獲取針對(duì)車輛駕駛員的監(jiān)控視頻，以獲取所述監(jiān)控視頻的圖像數(shù)據(jù)；

將所述圖像數(shù)據(jù)作為輸入數(shù)據(jù)輸入至預(yù)設(shè)三維卷積神經(jīng)網(wǎng)絡(luò)模型中，以對(duì)所述輸入數(shù)據(jù)進(jìn)行預(yù)設(shè)次數(shù)的卷積與池化交替處理，得到初始處理結(jié)果；

獲取所述車輛的類型，根據(jù)所述車輛的類型確定所述車輛的分類閾 值；

將所述初始處理結(jié)果中的處理值與所述分類閾 值進(jìn)行比對(duì)；

若所述處理值大于所述分類閾 值時(shí)，確定所述車輛駕駛員存在隱患行為；

若所述車輛駕駛員存在隱患行為，則輸出預(yù)設(shè)提醒信息以提醒所述駕駛員。

2.如權(quán)利要求1所述的基于深度學(xué)習(xí)的駕駛提醒方法，其特征在于，所述將所述圖像數(shù)據(jù)作為輸入數(shù)據(jù)輸入至預(yù)設(shè)三維卷積神經(jīng)網(wǎng)絡(luò)模型中，以對(duì)所述輸入數(shù)據(jù)進(jìn)行預(yù)設(shè)次數(shù)的卷積與池化交替處理，得到初始處理結(jié)果步驟包括：

將所述圖像數(shù)據(jù)作為輸入數(shù)據(jù)輸入至預(yù)設(shè)三維卷積神經(jīng)網(wǎng)絡(luò)模型中；

獲取所述預(yù)設(shè)三維卷積神經(jīng)網(wǎng)絡(luò)模型中針對(duì)所述駕駛員隱患行為識(shí)別的多個(gè)預(yù)設(shè)動(dòng)作行為特征，以及所述多個(gè)預(yù)設(shè)動(dòng)作行為特征分別對(duì)應(yīng)的權(quán)值矩陣；

根據(jù)所述多個(gè)預(yù)設(shè)動(dòng)作行為特征與所述權(quán)值矩陣，對(duì)所述圖像數(shù)據(jù)進(jìn)行濾波卷積處理，得到卷積處理結(jié)果；

對(duì)所述卷積處理結(jié)果進(jìn)行池化處理，以得到池化處理結(jié)果；

根據(jù)所述預(yù)設(shè)次數(shù)，對(duì)所述池化處理結(jié)果再次進(jìn)行相應(yīng)次數(shù)的卷積與池化交替處理，以得到初始處理結(jié)果。

3.如權(quán)利要求2所述的基于深度學(xué)習(xí)的駕駛提醒方法，其特征在于，所述對(duì)所述卷積處理結(jié)果進(jìn)行池化處理，以得到池化處理結(jié)果步驟包括：

將所述卷積處理結(jié)果分割為多個(gè)大小一致的預(yù)設(shè)尺寸的圖像矩陣；

獲取所述預(yù)設(shè)尺寸的圖像矩陣中的最大像素值，將所述最大像素值代替所述預(yù)設(shè)尺寸的圖像矩陣，以得到新的圖像矩陣；

將所述新的圖像矩陣設(shè)為所述池化處理結(jié)果。

4.如權(quán)利要求1所述的基于深度學(xué)習(xí)的駕駛提醒方法，其特征在于，所述獲取所述車輛的類型，根據(jù)所述車輛的類型確定所述車輛的分類閥值步驟包括：

獲取所述車輛的類型，若所述車輛為大型載客車輛時(shí)，確定所述車輛的分類閥值為第一分類閾 值；

若所述車輛為公交車時(shí)，確定所述車輛的分類閥值為第二分類閾 值；

若所述車輛為小轎車時(shí)，確定所述車輛的分類閾 值為第三分類閾 值，其中，所述第一分類閾值小于所述第二分類閾值，所述第二分類閾值小于所述第三分類閾值。

5.如權(quán)利要求1所述的基于深度學(xué)習(xí)的駕駛提醒方法，其特征在于，所述若所述車輛駕駛員存在隱患行為，則輸出預(yù)設(shè)提醒信息以提醒所述駕駛員步驟包括：

若所述車輛駕駛員存在隱患行為，根據(jù)所述分類閥值與所述初始處理結(jié)果的差值確定所述隱患行為的危險(xiǎn)等級(jí)；

根據(jù)所述危險(xiǎn)等級(jí)確定所述預(yù)設(shè)提醒信息的提醒音量，以提醒所述駕駛員，其中，所述危險(xiǎn)等級(jí)越高，所述提醒音量越大。

6.一種基于深度學(xué)習(xí)的駕駛提醒裝置，其特征在于，所述基于深度學(xué)習(xí)的駕駛提醒裝置包括：

獲取模塊，用于實(shí)時(shí)獲取針對(duì)車輛駕駛員的監(jiān)控視頻，以獲取所述監(jiān)控視頻的圖像數(shù)據(jù)；

判斷模塊，用于將所述圖像數(shù)據(jù)作為輸入數(shù)據(jù)輸入至預(yù)設(shè)三維卷積神經(jīng)網(wǎng)絡(luò)模型中，以對(duì)所述輸入數(shù)據(jù)進(jìn)行預(yù)設(shè)次數(shù)的卷積與池化交替處理，得到初始處理結(jié)果；

獲取所述車輛的類型，根據(jù)所述車輛的類型確定所述車輛的分類閾 值；

將所述初始處理結(jié)果中的處理值與所述分類閾 值進(jìn)行比對(duì)；

若所述處理值大于所述分類閾 值時(shí)，確定所述車輛駕駛員存在隱患行為；

輸出模塊，用于若所述車輛駕駛員存在隱患行為，則輸出預(yù)設(shè)提醒信息以提醒所述駕駛員。