[發明專利]一種基于聯邦學習的分心駕駛識別方法

在審

• 申請號: 202010698360.9
• 申請日: 2020-07-20
• 公開（公告）號: CN111832503A
• 公開（公告）日: 2020-10-27
• 發明（設計）人: 王耀杰;崔翛龍
• 申請（專利權）人: 中國人民武裝警察部隊工程大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06N20/00;G06F21/60
• 代理公司: 西安眾和至成知識產權代理事務所(普通合伙) 61249
• 代理人: 強宏超

本發明公開一種基于聯邦學習的分心駕駛識別方法，采用聯邦學習和淺層卷積神經網絡兩種機器學習技術，聯邦學習主要利用分布式數據，通過深度神經網絡(DNN)構建全局統計模型，提高識別的準確率，同時在同態加密條件下上傳關鍵參數，不泄露本地產生的數據；卷積神經網絡(CNN)主要利用對圖像特征提取的優勢，負責提取用戶端差異化的特征，即本地模型的個性化；通過聯邦學習和同態加密技術，解決在云環境下個人隱私的保護問題，有效解決數據孤島的問題，提高識別的效率，從而滿足實際應用的需求。

技術領域

本發明屬于計算機技術領域，涉及基于圖像的物體檢測技術，具體涉及一種基于聯邦學習的分心駕駛識別方法。

背景技術

隨著經濟的飛速發展，交通事故發生的頻率也在逐年增加，駕駛員出現注意力分散的現象是發生交通事故的主要原因之一，基于分心駕駛的識別是當前亟需解決的問題。分心駕駛是在駕駛過程中進行的另一種活動，例如編輯短信，接聽電話等，嚴重威脅道路的行車安全。由于汽車行駛速度快，當駕駛員行駛途中編輯一條微信，他的視線會離開道路約4秒鐘，在60邁時速情況下幾乎要覆蓋足球場的長度。

隨著機器學習的深入研究，國內外許多專家學者利用機器學習算法，對分心駕駛行為的識別方法進行了一些研究，其核心是從特征指標中挖掘潛藏的關聯信息從而識別分心。雖然模擬實驗取得較好的效果，但這些研究都是在駕駛條件受限或模擬駕駛環境下采集的數據，有一定的局限性，實際效果并不理想。具體來說，當今的分心駕駛面臨三個關鍵的挑戰：

1、在現實生活中，駕駛行為數據涉及到個人隱私問題，往往以孤島的形式存在，大量用戶不愿共享。

2、每天產生的數據量較大，又受限于移動駕駛的這一環境，導致交互性較差，數據擁有者與數據分析者通信不暢通。

3、硬件性能較低。每天采集的圖像數據量大，利用常規的深度學習進行處理，硬件性能要求較高，與當前的駕駛硬件相矛盾。

基于以上三個挑戰，分心駕駛識別在實際應用中不可能獲得海量用戶的駕駛行為數據，從而嚴重制約了此項研究的發展。

綜上，當前的研究主要考慮了針對分心駕駛識別的準確性，基本上沒有考慮隱私保護問題，特別是個人隱私上傳云端，它也帶來了嚴重的安全問題：存儲在云中的數據可能會被云提供商和其他云客戶端竊取。隨著人們越來越重視隱私安全問題，如何兼顧隱私保護和高效識別的分心駕駛研究方法成為一個亟待解決的熱點問題之一。

隨著2018年GDPR法案的提出，原有隱私數據的共享方式被禁止使用，而大量孤島數據不能充分享受到大數據和云計算帶來的紅利，造成了極大的資源浪費。在這個背景下，聯邦學習，一種新的分布式機器學習框架，被谷歌提出，既滿足了隱私保護的需求，又能充分參與到大樣本的機器學習中。在此之后，多家研究機構也開始進入這一領域，特別是針對金融、醫療、廣告等方向的研究，取得了許多不俗的成果。

發明內容

針對現有技術存在的不足，本發明目的在于提供一種基于聯邦學習的分心駕駛識別方法，在保護個人隱私的前提下，保證安全駕駛，識別準確率高，擴展性好。

為實現上述目的，本發明采用如下技術申請：

一種基于聯邦學習的分心駕駛識別方法，包括如下步驟：

步驟1：搜集有關駕駛員分心行為識別的圖像集，本地用戶通過深度神經網絡和淺層卷積神經網絡分別獨立執行識別學習任務，構建私有模型；

步驟2：以同態加密形式傳輸本地深度神經網絡私有模型的參數到云服務器；

步驟3：在云服務器中聯合學習，建立全局統計深度神經網絡模型；

步驟4：當有本地用戶的請求時從云服務器下載變更的深度神經網絡模型參數，更新本地深度神經網絡模型；