[發(fā)明專利]基于專有神經(jīng)網(wǎng)絡(luò)的分心駕駛實時監(jiān)測方法及設(shè)備

在審

• 申請?zhí)枺?/td>: 202010940231.6
• 申請日: 2020-09-09
• 公開（公告）號: CN112417945A
• 公開（公告）日: 2021-02-26
• 發(fā)明（設(shè)計）人: 李榮寬;李明;譚杰
• 申請（專利權(quán)）人: 嘉興市納杰微電子技術(shù)有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州華鼎知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 33217
• 代理人: 項軍

本申請實施例提出了基于專有神經(jīng)網(wǎng)絡(luò)的分心駕駛實時監(jiān)測方法及設(shè)備，包括構(gòu)建包括深度卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的專有神經(jīng)網(wǎng)絡(luò)的駕駛員分心駕駛動態(tài)識別模型；實時獲取當(dāng)前車輛的行駛速度，當(dāng)行駛速度高于預(yù)設(shè)閾值時，生成分心駕駛實時監(jiān)測的觸發(fā)信號；當(dāng)接收到觸發(fā)信號時，獲取駕駛員在預(yù)設(shè)時長內(nèi)的多幀駕駛視頻，調(diào)用駕駛員分心駕駛動態(tài)識別模型進(jìn)行基于多幀駕駛視頻的駕駛員分心駕駛實時監(jiān)測；基于監(jiān)測結(jié)果判定駕駛員分心程度等級。由于在進(jìn)行實時監(jiān)測過程中同時利用了深度CNN提取空間結(jié)構(gòu)特征和利用RNN連接時空動態(tài)信息的特征，因此在擁有深度CNN的識別精度的基礎(chǔ)之上借助RNN提取駕駛員分心前后的變能夠化特征，進(jìn)一步提高分心駕駛識別精度。

技術(shù)領(lǐng)域

本申請屬于神經(jīng)網(wǎng)絡(luò)領(lǐng)域，尤其涉及基于專有神經(jīng)網(wǎng)絡(luò)的分心駕駛實時監(jiān)測方法及設(shè)備。

背景技術(shù)

機(jī)器學(xué)習(xí)在各種應(yīng)用中都取得了很大的進(jìn)步，尤其是在計算機(jī)視覺領(lǐng)域，這主要歸功于深度學(xué)習(xí)的崛起。近年來，基于深度卷積神經(jīng)網(wǎng)絡(luò)(深度卷積神經(jīng)網(wǎng)絡(luò))的圖像識別算法的準(zhǔn)確性和魯棒性得到了很大的提高。

在機(jī)動車駕駛員分心駕駛識別應(yīng)用中，現(xiàn)有的基于深度卷積神經(jīng)網(wǎng)絡(luò)的分心駕駛識別系統(tǒng)都只是獨立地處理單幀圖片，這不能捕捉到駕駛員分心的有價值的動態(tài)信息，特別不適合用于分析駕駛員分心的實時狀態(tài)。雖然基于大型深度卷積神經(jīng)網(wǎng)絡(luò)的系統(tǒng)能從視頻數(shù)據(jù)中學(xué)習(xí)有用的特征，但在實際中，該方法只能延時處理，而不能做到分心駕駛實時監(jiān)測。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)中存在的缺點和不足，本申請?zhí)岢隽嘶趯Ｓ猩窠?jīng)網(wǎng)絡(luò)的分心駕駛實時監(jiān)測方法，借助包括深度卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的專有神經(jīng)網(wǎng)絡(luò)提升識別準(zhǔn)確性。

具體的，一方面，本申請實施例提出的基于專有神經(jīng)網(wǎng)絡(luò)的分心駕駛實時監(jiān)測方法，包括：

構(gòu)建包括深度卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的專有神經(jīng)網(wǎng)絡(luò)的駕駛員分心駕駛動態(tài)識別模型；

實時獲取當(dāng)前車輛的行駛速度，當(dāng)行駛速度高于預(yù)設(shè)閾值時，生成分心駕駛實時監(jiān)測的觸發(fā)信號；

當(dāng)接收到觸發(fā)信號時，獲取駕駛員在預(yù)設(shè)時長內(nèi)的多幀駕駛視頻，調(diào)用駕駛員分心駕駛動態(tài)識別模型進(jìn)行基于多幀駕駛視頻的駕駛員分心駕駛實時監(jiān)測；

基于監(jiān)測結(jié)果判定駕駛員分心程度等級。

可選的，所述構(gòu)建包括深度卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的專有神經(jīng)網(wǎng)絡(luò)的駕駛員分心駕駛實時監(jiān)測模型，包括：

將駕駛員的駕駛視頻分解為圖片幀，將得到的圖片幀分為靜態(tài)識別數(shù)據(jù)、動態(tài)識別數(shù)據(jù)、測試數(shù)據(jù)三類；

基于靜態(tài)識別數(shù)據(jù)進(jìn)行基于深度卷積神經(jīng)網(wǎng)絡(luò)的分心駕駛靜態(tài)識別訓(xùn)練，得到分心駕駛靜態(tài)識別模型；

基于動態(tài)識別數(shù)據(jù)對分心駕駛靜態(tài)識別模型進(jìn)行訓(xùn)練，得到分心駕駛動態(tài)識別模型；

基于測試數(shù)據(jù)對分心駕駛動態(tài)識別模型進(jìn)行模型訓(xùn)練；

其中，將圖片幀的尺寸修改為標(biāo)準(zhǔn)尺寸。

可選的，所述基于靜態(tài)識別數(shù)據(jù)進(jìn)行基于深度卷積神經(jīng)網(wǎng)絡(luò)的分心駕駛靜態(tài)識別訓(xùn)練，得到分心駕駛靜態(tài)識別模型，包括：

向深度卷積神經(jīng)網(wǎng)絡(luò)中softmax層的中導(dǎo)入靜態(tài)識別數(shù)據(jù)，得到softmax層輸出分類的概率；

利用Loss1函數(shù)對分類的概率做評估；

用模型參數(shù)的優(yōu)化對深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)更新，根據(jù)更新后的參數(shù)重新計算Loss1的評估值；

對前述步驟迭代m次得到分心駕駛靜態(tài)識別模型。

可選的，所述基于動態(tài)識別數(shù)據(jù)對分心駕駛靜態(tài)識別模型進(jìn)行訓(xùn)練，得到分心駕駛動態(tài)識別模型，包括：