[發(fā)明專利]注意力識(shí)別方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011438525.5
• 申請(qǐng)日: 2020-12-07
• 公開(kāi)（公告）號(hào): CN112597823A
• 公開(kāi)（公告）日: 2021-04-02
• 發(fā)明（設(shè)計(jì)）人: 陳海波;羅志鵬;車(chē)麗軒
• 申請(qǐng)（專利權(quán)）人: 深延科技（北京）有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62
• 代理公司: 北京路浩知識(shí)產(chǎn)權(quán)代理有限公司 11002
• 代理人: 鄭朝然

本申請(qǐng)涉及計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，提供了一種注意力識(shí)別方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，其中方法包括：確定待識(shí)別的駕駛?cè)说娜四槇D像；將所述人臉圖像輸入至注意力分類(lèi)融合模型，得到所述注意力分類(lèi)融合模型輸出的人臉?lè)较蚪?；其中，所述注意力分?lèi)融合模型是對(duì)多個(gè)不同類(lèi)型的注意力分類(lèi)模型進(jìn)行融合后得到的。本申請(qǐng)?zhí)峁┑姆椒?、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，能夠充分識(shí)別駕駛?cè)说娜四樚卣鳎哂泻軓?qiáng)的泛化能力，提高了駕駛?cè)俗⒁饬ψR(shí)別的準(zhǔn)確性。

技術(shù)領(lǐng)域

本申請(qǐng)涉及計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，尤其涉及一種注意力識(shí)別方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

疲勞駕駛是指駕駛員在連續(xù)行車(chē)后所產(chǎn)生的心里、生理機(jī)能以駕駛操作效能下降的現(xiàn)象。一般認(rèn)為駕駛疲勞是同時(shí)涉及腦力和體力的技術(shù)性疲勞。駕駛員在駕駛車(chē)輛時(shí)，由于種種原因往往會(huì)產(chǎn)生生理機(jī)能或心理機(jī)能失調(diào)，注意力下降，嚴(yán)重影響行車(chē)安全。

現(xiàn)有技術(shù)中，通常通過(guò)采集駕駛?cè)饲邦~的腦電圖來(lái)分析駕駛?cè)说钠跔顟B(tài)，進(jìn)而得到駕駛?cè)俗⒁饬顟B(tài)。采用該方法識(shí)別駕駛?cè)说淖⒁饬顟B(tài)的準(zhǔn)確率低。

發(fā)明內(nèi)容

本申請(qǐng)?zhí)峁┮环N注意力識(shí)別方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，能夠充分識(shí)別駕駛?cè)说娜四樚卣鳎哂泻軓?qiáng)的泛化能力，提高了駕駛?cè)俗⒁饬ψR(shí)別的準(zhǔn)確性。

本申請(qǐng)?zhí)峁┮环N注意力識(shí)別方法，包括：

確定待識(shí)別的駕駛?cè)说娜四槇D像；

將所述人臉圖像輸入至注意力分類(lèi)融合模型，得到所述注意力分類(lèi)融合模型輸出的人臉?lè)较蚪牵?/p>

其中，所述注意力分類(lèi)融合模型是對(duì)多個(gè)不同類(lèi)型的注意力分類(lèi)模型進(jìn)行融合后得到的。

根據(jù)本申請(qǐng)?zhí)峁┑囊环N注意力識(shí)別方法，所述注意力分類(lèi)融合模型的確定方法包括：

從每一類(lèi)型的多個(gè)注意力分類(lèi)模型中，分別選取性能評(píng)分最高的注意力分類(lèi)模型作為每一類(lèi)型的基礎(chǔ)模型；

對(duì)每一類(lèi)型的基礎(chǔ)模型進(jìn)行融合，得到所述注意力分類(lèi)融合模型。

根據(jù)本申請(qǐng)?zhí)峁┑囊环N注意力識(shí)別方法，所述從每一類(lèi)型的多個(gè)注意力分類(lèi)模型中，分別選取性能評(píng)分最高的注意力分類(lèi)模型作為每一類(lèi)型的基礎(chǔ)模型，包括：

確定多個(gè)人臉訓(xùn)練集及其對(duì)應(yīng)的人臉驗(yàn)證集；

基于每一人臉訓(xùn)練集，對(duì)任一類(lèi)型的初始模型進(jìn)行訓(xùn)練，得到每一人臉訓(xùn)練集對(duì)應(yīng)的注意力分類(lèi)模型；

基于每一人臉訓(xùn)練集對(duì)應(yīng)的人臉驗(yàn)證集，對(duì)所述每一人臉訓(xùn)練集對(duì)應(yīng)的注意力分類(lèi)模型進(jìn)行性能評(píng)分；

將性能得分最高的注意力分類(lèi)模型作為所述任一類(lèi)型對(duì)應(yīng)的基礎(chǔ)模型。

根據(jù)本申請(qǐng)?zhí)峁┑囊环N注意力識(shí)別方法，所述確定多個(gè)人臉訓(xùn)練集及其對(duì)應(yīng)的人臉驗(yàn)證集，包括：

確定樣本人臉數(shù)據(jù)集；

將所述樣本人臉數(shù)據(jù)集拆分為多個(gè)子集，并采用交叉驗(yàn)證法確定多個(gè)人臉訓(xùn)練集及其對(duì)應(yīng)的人臉驗(yàn)證集。

根據(jù)本申請(qǐng)?zhí)峁┑囊环N注意力識(shí)別方法，所述對(duì)每一類(lèi)型的基礎(chǔ)模型進(jìn)行融合，得到所述注意力分類(lèi)融合模型，包括：

基于每一類(lèi)型的基礎(chǔ)模型的性能得分，確定每個(gè)基礎(chǔ)模型對(duì)應(yīng)的權(quán)值；

基于每個(gè)基礎(chǔ)模型對(duì)應(yīng)的權(quán)值，對(duì)多個(gè)基礎(chǔ)模型進(jìn)行融合，得到注意力分類(lèi)融合模型。

根據(jù)本申請(qǐng)?zhí)峁┑囊环N注意力識(shí)別方法，所述確定待識(shí)別的駕駛?cè)说娜四槇D像，包括：

獲取包含所述駕駛?cè)说娜四樀膱D像數(shù)據(jù)；

將所述圖像數(shù)據(jù)輸入至人臉檢測(cè)模型，得到所述人臉檢測(cè)模型輸出的人臉圖像；