The invention discloses a driving dangerous mood warning method, which includes the following steps: S1: acquiring training sample set, S2: microfacial image preprocessing, S3: using improved convolutional neural network to train microfacial image preprocessed in microfacial expression training sample set, S4: microfacial image recognition: real-time acquisition of driver's face video sequence, and microfacial image among them. Like an improved convolutional neural network trained by input, the output of the network is obtained, and the micro-expression category of the micro-expression image is obtained. S5: To judge whether the micro-expression category of the micro-expression image in S4 belongs to the micro-expression corresponding to driving dangerous emotion, if so, step S6; if not, step S7; S6: To give voice prompt to the driver about the corresponding emotion of the current micro-expression. It also indicates the driving danger of the mood, prompts the driver to adjust his mood and drive smoothly; S7: No warning.
【技术实现步骤摘要】
驾驶危险情绪提醒方法、终端设备及存储介质
本专利技术涉及汽车安全驾驶
,具体是一种驾驶危险情绪提醒方法、终端设备及存储介质。
技术介绍
汽车驾驶时,驾驶员的情绪会造成不同的驾驶行为,不稳定的情绪(如愤怒)会导致危险的驾驶行为,进而会增加交通事故的发生概率。为了使驾驶员保持理智,安全的行驶,对情绪的控制变得尤为重要。如果能在驾驶过程中识别出驾驶员的情绪,在产生危险情绪的时候及时对驾驶员进行提醒,对于驾驶安全是意义重大的。目前,关于驾驶情绪的识别主要集中于路怒一种情绪的识别,然而除了愤怒,其它诸如恐惧,兴奋,悲伤,困倦等等情绪同样会分散驾驶员的注意力,影响正常驾驶,都可称为驾驶危险情绪。情绪识别方面大都基于脑电波进行情绪分析,这种脑电波采集不够方便,对情绪的识别也不够准确。表情识别情绪基本都是基于六种基本静态表情,这六种表情无法诠释驾驶员的复杂情绪。相对于基本表情,微表情更能表现驾驶员的情绪变化。微表情的动态特征较为明显,持续时间为1/25到1/5秒,经常是一闪而过,容易被错过,普通表情一般是静态表情特征,无法准确表达驾驶员的想法,如强颜欢笑,虽然是笑,但驾驶员不一定是开心的。相对而言,微表情可以支配人类大脑的情绪反应,微表情的特征更多来源于视频序列的变化,相对于普通表情分类更细微,更能突出人的情绪特点。
技术实现思路
为了解决上述问题,本专利技术提供一种驾驶危险情绪提醒方法、终端设备及存储介质,采用一种动态视频序列识别微表情进而识别驾驶危险情绪的方法,只需通过获取驾驶员人脸视频序列进行识别,数据获取方便。针对普通表情展现情绪不够准确的弱点,以驾驶员的动态微 ...
【技术保护点】
1.一种驾驶危险情绪提醒方法,其特征在于:包括如下步骤:S1:获取训练样本集:采集驾驶员人脸视频序列,提取对应驾驶情绪类别的微表情图像序列,并注明相应微表情图像序列的类别标签,作为微表情训练样本集,进入S2步骤;S2:微表情图像预处理:将微表情图像序列中的微表情图像进行RGB三个通道分解,并增加图像的清晰度和对比度,再将各通道的灰度值[0,255]归一化到[0,1]之间,进入S3步骤;S3:改进的卷积神经网络训练:采用改进的卷积神经网络对微表情训练样本集中的预处理后的微表情图像进行训练,进入S4步骤;S4:微表情图像识别:S41:实时采集驾驶员人脸视频序列;S42:按照S2步骤对S41中采集的人脸视频序列微表情图像进行微表情图像预处理操作;S43:将S42步骤中预处理后的微表情图像输入训练好的改进的卷积神经网络,获取网络输出,得到微表情图像序列所属微表情类别,进入S5步骤;S5:判断是否为驾驶危险情绪所对应的微表情:判断S4中微表情图像序列所属微表情类别是否为驾驶危险情绪所对应的微表情,若是,则进入S6步骤;若不是,则进入S7步骤;S6:提醒驾驶员调整危险情绪:对驾驶员进行语音提示当前 ...
【技术特征摘要】
1.一种驾驶危险情绪提醒方法,其特征在于:包括如下步骤:S1:获取训练样本集:采集驾驶员人脸视频序列,提取对应驾驶情绪类别的微表情图像序列,并注明相应微表情图像序列的类别标签,作为微表情训练样本集,进入S2步骤;S2:微表情图像预处理:将微表情图像序列中的微表情图像进行RGB三个通道分解,并增加图像的清晰度和对比度,再将各通道的灰度值[0,255]归一化到[0,1]之间,进入S3步骤;S3:改进的卷积神经网络训练:采用改进的卷积神经网络对微表情训练样本集中的预处理后的微表情图像进行训练,进入S4步骤;S4:微表情图像识别:S41:实时采集驾驶员人脸视频序列;S42:按照S2步骤对S41中采集的人脸视频序列微表情图像进行微表情图像预处理操作;S43:将S42步骤中预处理后的微表情图像输入训练好的改进的卷积神经网络,获取网络输出,得到微表情图像序列所属微表情类别,进入S5步骤;S5:判断是否为驾驶危险情绪所对应的微表情:判断S4中微表情图像序列所属微表情类别是否为驾驶危险情绪所对应的微表情,若是,则进入S6步骤;若不是,则进入S7步骤;S6:提醒驾驶员调整危险情绪:对驾驶员进行语音提示当前微表情所对应的情绪,并提示该情绪的驾驶危险性,提示驾驶员调整情绪,平稳驾车;S7:不提醒。2.如权利要求1所述的驾驶危险情绪提醒方法,其特征在于:S1中,驾驶情绪类别包括愤怒、困倦、恐惧、兴奋、紧张、抑郁、悲伤和其他,其中愤怒、困倦、恐惧、兴奋、紧张、抑郁和悲伤为驾驶危险情绪。3.如权利要求1所述的驾驶危险情绪提醒方法,其特征在于:S2中,将各通道的灰度值[0,255]归一化到[0,1]之间的归一化函数为:ui=(xi-xmin)/(xmax-xmin),其中xmin、xmax分别为每个通道灰度值中的最小值和最大值,xi为需要归一化的灰度值,ui为归一化后的值。4.如权利要求1所述的驾驶危险情绪提醒方法,其特征在于:S3中,采用改进的卷积神经网络对微...
【专利技术属性】
技术研发人员:梁颖,吴晓前,洪志新,郭淑文,
申请(专利权)人:厦门雅迅网络股份有限公司,
类型:发明
国别省市:福建,35
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。