用于疲劳度检测的方法、装置、设备和介质制造方法及图纸

根据本公开的实施例，提供了用于疲劳度检测的方法、装置、设备和介质。一种训练疲劳度检测模型的方法包括获取对象的第一图像；通过利用图像变换模型变换第一图像，来生成对象的第二图像，第一图像中有利于对象的疲劳度检测的第一视觉属性在第二图像中被改变为不利于疲劳度检测的第二视觉属性，图像变换模型基于多对样本图像被训练得到，一对样本图像中的样本对象呈现不同视觉属性；以及基于第一图像和第二图像来训练疲劳度检测模型。由于训练图像的多样化，经训练的疲劳度检测模型的鲁棒性更高、性能更好，可以更准确执行各种场景下的对象疲劳度检测。

Method, device, equipment and medium for fatigue testing

【技术实现步骤摘要】
用于疲劳度检测的方法、装置、设备和介质
本公开的实施例主要涉及图像处理领域，并且更具体地，涉及用于疲劳度检测的方法、装置、设备和计算机可读存储介质。
技术介绍
生物对象、特别是人，在疲劳状态下会出现困乏、反应速度下降等现象，不利于完成手头工作。疲劳度检测可以应用在很多场景中，用于检测对象的疲劳状态，以进行适当预警，防止不利事件发生。一个典型的场景是对交通工具的驾驶员进行疲劳度检测。在导致交通事故的诸多因素中，疲劳驾驶是其中一个重要因素。通过疲劳度检测并进行适当预警，可以确保安全驾驶。可以应用疲劳度的其他场景例如可以包括对安保人员、监督管理员等需要长期保持清醒状态的对象执行疲劳度检测。
技术实现思路
根据本公开的实施例，提供了一种用于疲劳度检测的方案。在本公开的第一方面中，提供了一种训练疲劳度检测模型的方法。该方法包括：获取对象的第一图像；通过利用图像变换模型变换第一图像，来生成对象的第二图像，第一图像中有利于对象的疲劳度检测的第一视觉属性在第二图像中被改变为不利于疲劳度检测的第二视觉属性，图像变换模型基于多对样本图像被训练得到，一对样本图像中的样本对象呈现不同视觉属性；以及基于第一图像和第二图像来训练疲劳度检测模型。在本公开的第二方面中，提供了一种检测疲劳度的方法。该方法包括：获取对象的待检测图像；以及利用疲劳度检测模型来检测图像中的对象的疲劳度，疲劳度检测模型是通过根据第一方面的方法而训练的。在本公开的第三方面中，提供了一种用于训练疲劳度检测模型的装置。该装置包括图像获取模块，被配置为获取对象的第一图像；图像变换模块，被配置为通过利用图像变换模型变换第一图像，来生成对象的第二图像，第一图像中有利于对象的疲劳度检测的第一视觉属性在第二图像中被改变为不利于疲劳度检测的第二视觉属性，图像变换模型基于多对样本图像被训练得到，一对样本图像中的样本对象呈现不同视觉属性；以及模型训练模块，被配置为基于第一图像和第二图像来训练疲劳度检测模型。在本公开的第四方面中，提供了一种用于检测疲劳度的装置。该装置包括：图像获取模块，被配置为获取对象的待检测图像；以及疲劳度检测模块，被配置为利用疲劳度检测模型来检测图像中的对象的疲劳度，疲劳度检测模型是利用根据第三方面的装置而训练的。在本公开的第五方面中，提供了一种电子设备，包括一个或多个处理器；以及存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现根据本公开的第一方面的方法。在本公开的第六方面中，提供了一种电子设备，包括一个或多个处理器；以及存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现根据本公开的第二方面的方法。在本公开的第七方面中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。在本公开的第八方面中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第二方面的方法。应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。附图说明结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素，其中：图1示出了本公开的多个实施例能够在其中实现的用于训练疲劳度检测模型的系统的示意图；图2示出了根据本公开的一些实施例的用于疲劳度检测的系统的框图；图3根据本公开的一些实施例的训练疲劳度检测模型的方法的流程图；图4根据本公开的一些实施例的检测疲劳度的方法的流程图；图5根据本公开的一些实施例的用于训练疲劳度检测模型的装置的框图；图6根据本公开的一些实施例的用于检测疲劳度的装置的框图；以及图7示出了能够实施本公开的多个实施例的设备的框图。具体实施方式下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。如以上提及的，对象的疲劳度检测在很多情况下是很必要的。在对交通工具的驾驶员执行疲劳度检测时，已经提出通过记录和解析驾驶员转动方向盘、踩刹车等行为特征，来判别驾驶员是否疲劳。然而这种方式受驾驶员驾驶习惯影响极大。当前，还提出了通过机器学习的方法来建模疲劳度检测模型，以用于从包含对象的图像中检测对象的疲劳度。例如，可以从图像中分析驾驶员的脸部和眼睛特征，以进行疲劳度评估。图1示出了用于训练疲劳度检测模型的系统100的示意图。在系统100中，计算设备110被配置为利用一个或多个图像120来训练疲劳度检测模型，以获得经训练的疲劳度检测模型114。疲劳度检测模型114是被构建为检测对象的疲劳度的模型。用于训练的图像120中包括对象122。不同图像120中可以包括不同的对象。在本文中，“对象”指的是会产生疲劳的生物对象，诸如人，或者在一些情况中也可以包括动物。疲劳度检测模型114可以基于机器学习算法来构建，例如可以被构建为包括一个或多个类型的神经网络或其他深度学习网络。疲劳度检测模型114的具体配置和所采用的机器学习算法在本公开中不受限制。为了获得检测疲劳度的能力，需要利用训练图像120来执行训练过程，以确定疲劳度检测模型114的参数集的取值。参数集的取值被确定后的疲劳度检测模型被称为经训练的疲劳度检测模型114。训练得到的疲劳度检测模型的性能很大程度上取决于训练数据集。如果训练数据覆盖可能的多种变化条件，在训练时疲劳度检测模型才更可能学习到在这些条件下执行疲劳度检测的能力，参数集的取值才更准确。然而，当前用于训练的数据集依赖开源数据集和人工采集，数据量极其有限。此外，由于很多已有训练数据集中的图像主要是在环境光线良好、对象面部特征清晰且无遮挡等复杂条件下采集的良好图像，这导致了训练数据集中缺乏对特殊条件下的对象图像。如此，可能会导致经训练的疲劳度检测模型仅能够确定在良好环境条件下采集到的图像中对象的疲劳度，而无法准确确定在存在遮挡、清晰度低等复杂条件下采集到的图像中对象的疲劳度。这样的疲劳度检测模型的鲁棒性非常低，难以被应用在实际场景中。根据本公开的实施例，提出了一种疲劳度检测的改进方案。根据该方案，利用图像变换模型将对象的第一图像变换为第二图像。通过这样的变换，第一图像中有利于对象的疲劳度检测的视觉属性在第二图像中被改变为不利于疲劳度检测的第二视觉属性。所使用的图像变换模型是基于多对样本图像被训练得到，一对样本图像具有同一样本对象的不同视觉属性。第一图像和变换后的第二图像被用作训练图像来训练疲劳度检测模型。由本文档来自技高网...

【技术保护点】
1.一种训练疲劳度检测模型的方法，包括：获取对象的第一图像；通过利用图像变换模型变换所述第一图像，来生成所述对象的第二图像，所述第一图像中有利于所述对象的疲劳度检测的第一视觉属性在所述第二图像中被改变为不利于所述疲劳度检测的第二视觉属性，所述图像变换模型基于多对样本图像被训练得到，一对样本图像中的样本对象呈现不同视觉属性；以及基于所述第一图像和所述第二图像来训练所述疲劳度检测模型。

【技术特征摘要】
1.一种训练疲劳度检测模型的方法，包括：获取对象的第一图像；通过利用图像变换模型变换所述第一图像，来生成所述对象的第二图像，所述第一图像中有利于所述对象的疲劳度检测的第一视觉属性在所述第二图像中被改变为不利于所述疲劳度检测的第二视觉属性，所述图像变换模型基于多对样本图像被训练得到，一对样本图像中的样本对象呈现不同视觉属性；以及基于所述第一图像和所述第二图像来训练所述疲劳度检测模型。2.根据权利要求1所述的方法，其中所述第一视觉属性指示所述对象在所述第一图像中未被施加所述遮挡物，并且所述第二视觉属性指示所述对象在所述第二图像中被施加遮挡物。3.根据权利要求1所述的方法，其中所述第一视觉属性指示所述第一图像的第一清晰度，并且所述第二视觉属性指示所述第二图像的第二清晰度，所述第二清晰度低于所述第一清晰度。4.根据权利要求1所述的方法，其中所述第一视觉属性指示所述第一图像的第一光照强度，所述第一光照强度在有利于所述疲劳度检测的强度范围内，并且所述第二视觉属性包括所述第二图像的第二光照强度，所述第二光照强度在所述强度范围以外。5.根据权利要求1至4中任一项所述的方法，其中所述一对样本图像包括第一样本对象的第一样本图像和第二样本对象的第二样本图像，在所述第一样本图像中呈现的所述第一样本对象的视觉属性有利于所述第一样本对象的疲劳度检测，并且在所述第二样本图像中呈现的所述第二样本对象的视觉属性不利于所述第二样本对象的疲劳度检测。6.根据权利要求1至4中任一项所述的方法，其中所述图像变换模型基于对抗生成网络。7.根据权利要求1至4中任一项所述的方法，其中所述对象包括交通工具上的驾驶员。8.根据权利要求1至4中任一项所述的方法，其中所述多对样本图像中的至少一对样本图像呈现同一样本对象的不同视觉属性。9.一种检测疲劳度的方法，包括：获取对象的待检测图像；以及利用疲劳度检测模型来检测所述图像中的所述对象的疲劳度，所述疲劳度检测模型是通过根据权利要求1至8中任一项所述的方法而训练的。10.根据权利要求9所述的方法，其中所述对象包括交通工具上的驾驶员。11.一种训练疲劳度检测模型的装置，包括：图像获取模块，被配置为获取对象的第一图像；图像变换模块，被配置为通过利用图像变换模型变换所述第一图像，来生成所述对象的第二图像，所述第一图像中有利于所述对象的疲劳度检测的第一视觉属性在所述第二图像中被改变为不利于所述疲劳度检测的第二视觉属性，所述图像变换模型基于多对样本图像被训练得到，一对样本图像中的样本对象呈现不同视觉属性；以及模型训练模块，被...

【专利技术属性】
技术研发人员：刘焱，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11