[發明專利]一種駕駛行為識別方法、裝置和計算機可讀存儲介質

在審

• 申請號: 202110007808.2
• 申請日: 2021-01-05
• 公開（公告）號: CN112597965A
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 崔宵洋;彭聯貼;劉昕武;黎孟;顏家云;熊敏君;劉邦繁;褚金鵬;劉雨聰;李晨;張慧源
• 申請（專利權）人: 株洲中車時代電氣股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 史翠

本發明實施例公開了一種駕駛行為識別方法、裝置和介質，獲取駕駛室內的同步視頻數據；其中，同步視頻數據包括前置攝像頭采集的視頻數據和后置攝像頭采集的視頻數據，降低了視頻檢測的盲點。利用訓練好的基于回歸的目標檢測測試模型和基于深度卷積神經網絡的人體姿態估計測試模型對同步視頻數據進行識別，以得到司機駕駛行為的識別結果；依據采集的LKJ數據以及預先存儲的司機駕駛作業操作規范信息，對司機駕駛行為的識別結果進行違規分析，以識別同步視頻數據中存在的違規操作結果。通過目標檢測測試模型和人體姿態估計測試模型的配合，有效的提升了司機駕駛行為識別的精確度和實時性。

技術領域

本發明涉及圖像分析技術領域，特別是涉及一種駕駛行為識別方法、裝置和計算機可讀存儲介質。

背景技術

伴隨著鐵路機車車輛、鐵路通信信號、鐵路線路等設備不斷現代化的進行，行車安全監控檢測設備發揮著越來越重要的作用。列車越來越高的運行速度和越來越復雜的行車環境給鐵路系統的正常運營帶來了很多的壓力和挑戰。列車司機規范的駕駛作業行為對保證列車的安全可靠運行起著重要的作用。

司機行為識別系統的傳統做法是采用基于人工特征的目標檢測算法，當面對復雜場景的駕駛室圖像和多駕駛行為目標檢測任務時，由于人工所提取的特征不具有普適性，很難尋找一個能夠非常準確地描述目標特征的算子。并且傳統的分類器比較容易受到圖像的干擾，類別之間細微的差異會導致分類精度大幅度下降。另一方面，大量的駕駛室視頻監測數據給傳統目標檢測算法帶來了巨大的運算壓力，模型的計算速度比較慢，導致司機駕駛行為不能實時地被識別。

可見，如何提升司機駕駛行為識別的精確度和實時性，是本領域技術人員需要解決的問題。

發明內容

本發明實施例的目的是提供一種駕駛行為識別方法、裝置和計算機可讀存儲介質，可以提升司機駕駛行為識別的精確度和實時性。

為解決上述技術問題，本發明實施例提供一種駕駛行為識別方法，包括：

獲取駕駛室內的同步視頻數據；其中，所述同步視頻數據包括前置攝像頭采集的視頻數據和后置攝像頭采集的視頻數據；

利用訓練好的基于回歸的目標檢測測試模型和基于深度卷積神經網絡的人體姿態估計測試模型對所述同步視頻數據進行識別，以得到司機駕駛行為的識別結果；

依據采集的LKJ數據以及預先存儲的司機駕駛作業操作規范信息，對所述司機駕駛行為的識別結果進行違規分析，以識別所述同步視頻數據中存在的違規操作結果。

可選地，所述目標檢測測試模型的訓練過程包括：

對采集的歷史視頻數據進行抽幀處理，以便于用戶對各數據幀標注用于表征駕駛行為的框圖位置信息以及行為類別；

依據各數據幀標注的行為類別，從所有所述數據幀中選取出符合第一類駕駛行為的數據幀作為第一數據訓練集；

利用所述第一數據訓練集對建立的基于回歸的目標檢測訓練模型進行迭代訓練，直至所述目標檢測訓練模型的檢測精度和檢測速度滿足預設要求，則將訓練好的目標檢測訓練模型作為目標檢測測試模型。

可選地，所述人體姿態估計測試模型的訓練過程包括：

對采集的歷史視頻數據進行抽幀處理，以便于用戶對各數據幀標注用于表征駕駛行為的框圖位置信息以及行為類別；

依據各數據幀標注的行為類別，從所有所述數據幀中選取出符合第二類駕駛行為的數據幀作為第二數據訓練集；

利用所述第二數據訓練集對建立的基于深度卷積神經網絡的人體姿態估計訓練模型進行迭代訓練，直至所述人體姿態估計訓練模型的檢測精度和檢測速度滿足預設要求，則將訓練好的人體姿態估計訓練模型作為人體姿態估計檢測模型。