【技术实现步骤摘要】
一种基于图像识别技术的疲劳驾驶行为检测方法
本专利技术涉及智能交通领域的驾驶异常行为检测领域，尤其涉及一种基于图像识别技术的疲劳驾驶行为检测方法。
技术介绍
WHO在2009年统计的一个数据显示，在全世界范围内每年由交通事故死亡的人数有123万人。但是我们知道，在朝鲜战争中，整个战争死亡的人数也差不多一百多万。也就是说，每年死于交通事故的人数差不多等于一次非常惨烈的战争的死亡人数了。根据WHO统计，在全世界范围内每年由交通事故造成的死亡人数有123万之多；而发生交通事故90％是由司机人为原因造成的，比如疲劳驾驶、注意力不集中、超速、安全意识弱等等。目前异常驾驶行为检测主要分为接触式和非接触式两大类。接触式检测主要有两类：(1)基于驾驶员生理特征分析的异常行为检测。这类方法需要驾驶员佩戴一些传感器，操作复杂佩戴不便，极易受到驾驶员个体因素的影响，不能真实有效反应驾驶异常情况，并且由于价格和佩戴舒适度的影响，推广不易；(2)基于车辆传感器检测系统，这类方法是通过安装能够检测出车辆状态的各类传感器，通过车辆状态分析驾驶员行为判断驾驶异常情况，此种方法对硬件要求高，价格昂...
【技术保护点】
1.一种基于图像识别技术的疲劳驾驶行为检测方法，其特征在于，包括模型训练阶段以及测试阶段，所述模型训练阶段包括如下步骤：步骤S1：输入图像：从数据库中选取人脸数据作为样本图像；步骤S2：标注样本图像：对收集到的人脸数据进行标注，标注的信息包括人脸信息、人脸姿态信息以及人脸其他特征信息，人脸其它特征信息包括左眼、右眼、左嘴角、右嘴角以及鼻子的信息；步骤S3：MTDCNN训练：采用多任务卷积神经网络对图像进行训练，获取多任务卷积神经网络人脸检测模型；步骤S4：损失函数计算：分别计算人脸检测损失函数、人脸姿态损失函数、人脸其他特征点损失函数以及模型总的损失函数；所述测试阶段包括：...
【技术特征摘要】
1.一种基于图像识别技术的疲劳驾驶行为检测方法，其特征在于，包括模型训练阶段以及测试阶段，所述模型训练阶段包括如下步骤：步骤S1：输入图像：从数据库中选取人脸数据作为样本图像；步骤S2：标注样本图像：对收集到的人脸数据进行标注，标注的信息包括人脸信息、人脸姿态信息以及人脸其他特征信息，人脸其它特征信息包括左眼、右眼、左嘴角、右嘴角以及鼻子的信息；步骤S3：MTDCNN训练：采用多任务卷积神经网络对图像进行训练，获取多任务卷积神经网络人脸检测模型；步骤S4：损失函数计算：分别计算人脸检测损失函数、人脸姿态损失函数、人脸其他特征点损失函数以及模型总的损失函数；所述测试阶段包括：步骤Q1：输入图像：输入采集到的驾驶员的图像；步骤Q2：人脸特征提取：运用多任务卷积神经网络人脸检测模型提取人脸特征，包括提取人脸信息、人脸姿态信息以及人脸其他特征信息，并将提取到的信息输入；步骤Q3：输出人脸特征：采用canny边缘检测算法提取人脸特征的边缘特征并输出特征；步骤Q4：驾驶异常行为检测：统计每秒钟检测到的人脸次数，当连续超过T秒未接收到检测到的人脸结果信息，则发出驾驶注意力不集中警告；统计每秒钟人脸朝向结果，当连续超过W秒未接收到人脸朝向为正面的结果，则发出驾驶注意力不集中警报；统计每秒眼睛闭合的次数，当超过设定阈值时，发出嗜睡危险驾驶行为警告；统计每秒打哈欠的次数，当超过设定阈值时，发出疲劳驾驶危险行为警告。2.根据权利要求1所述的基于图像识别技术的疲劳驾驶行为检测方法，其特征在于，在步骤S2中，每张图像包括第一标注、第二标注以及第三标注，所述第一标注代表人脸信息，其用“a0”或“a1”表示，“a0”代表图像不包含人脸信息，“a1”代表图像包含人脸信息；所述第二标注代表人脸姿态信息，其用“B”、“b0”、“b1”、“b2”、“b3”或“b4”表示，其中“B”代表无人脸姿态信息，“b0”代表正面，“b1”代表左侧，“b2”代表右侧、“b3”代表角度大于15°朝下侧，“b4”代表角度大于15°朝上侧；所述第三标注代表人脸其他特征信息，其用大写“C”、或小写“c”与位于小写“c”后的五个数字表示，大写“C”表示无其他人脸特征信息，小写“c”后的第一个数字包括“0”、“1”、“2”、“3”、“4”，“0”代表右眼，“1”代表左眼，“2”代表鼻子，“3”代表右嘴角，“4”代表左嘴角，小写“c”后的第二个数字至第三个数字代表在图像X轴的坐标位置，小写“c”后的第四个数字至第五个数字代表在图像Y轴的坐标位置。3.根据权利要求1所述的基于图像识别技术的疲劳驾驶行为检测...
【专利技术属性】
技术研发人员：王东明，黄庆毅，
申请(专利权)人：深圳市尼欧科技有限公司，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。