异常驾驶检测模型建立方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种异常驾驶检测模型建立方法，该方法包括：获取正常驾驶状态的多个第一样本，每一个所述第一样本包括有多种采集器采集的同一正常驾驶时间段的第一模态数据；将所述第一样本的第一模态数据输入第一异常驾驶状态检测模型，输出所述第一样本对应的第一预测误差值；使用反向传播算法根据多个第一样本对应的第一预测误差值，调整第一异常驾驶状态检测模型的参数，形成第二异常驾驶检测模型；设置第二异常驾驶检测模型判断异常驾驶状态的预测误差阈值。本发明专利技术还公开了一种异常驾驶检测模型建立装置和一种存储介质。本发明专利技术能够实现综合多模态数据建立异常驾驶行为的检测模型，提高异常驾驶检测模型的检测精度以及鲁棒性。

【技术实现步骤摘要】
异常驾驶检测模型建立方法、装置及存储介质
本专利技术涉及通信
，尤其涉及异常驾驶检测模型建立方法、装置及存储介质。
技术介绍
近年来随着社会经济飞速发展，城市道路大规模建设，汽车数量呈指数增长，而交通事故也不断增加，除酒后驾车屡禁不止之外，由于生活压力和身心紧张状态的影响，疲劳驾驶、注意力分散、情绪化驾驶、突发性疾病等引起的交通事故也逐渐增多。因此，监控驾驶员的驾驶行为并对异常驾驶行为给予警报，对提高驾驶员的驾驶能力并降低其驾驶负荷，从本质上减少交通事故状况的发生，具有重要意义。目前的异常驾驶检测模型建立方法有基于可穿戴传感器的检测方法，基于视觉信息的检测方法以及基于汽车行驶状态的检测方法，基于可穿戴传感器的检测方法中可穿戴传感器包括运动传感器和生理传感器，研究者利用运动传感器采集驾驶员身体姿态变化、肢体运动、操作行为等特征，利用生理传感器采集驾驶员呼吸频率、心率、心率间期、皮肤电等特征，融合多信息特征检测多种异常驾驶状态，但是由于多元时序数据存在冗余性和大量噪声，降低模型的泛化能力，使得该方法的检测精度较差；基于视觉信息的检测方法通常利用机器视觉技术或传感器技术检测驾驶员的面部特征，如眼睛特征、瞳孔的直径变化、视线方向变化及嘴部状态等来研究驾驶员的疲劳、注意力分散、情绪变化等问题，但该方法在实时检测过程很大程度上受环境和摄像头拍摄角度的影响，比如人脸有遮挡时，光线发生强烈变化时，都会影响检测结果的有效性、准确性；基于汽车行驶状态的异常驾驶状态检测方法以车辆现有装置为基础，采集车辆本身的速度、侧向加速度、横向位移量、车道偏离、车辆行驶轨迹变化等特征，但是受车辆的具体型号、道路的具体状况和驾驶员的个人驾驶习惯、驾驶经验限制，该检测方法通用性不高。同种异常驾驶行为在三种检测方法的模态数据中都有变化，但是上述三种检测模型都是基于单一模态建立而成，不融合各模态数据而采取单一的模态数据的检测方法，不仅不能避免单一模态其自身的局限性出现的问题，且对异常驾驶行为的判断和检测的支撑度不高，导致异常驾驶行为检测精度不高，鲁棒性差，同时对新型异常驾驶行为的检测效果不好。
技术实现思路
本专利技术的主要目的在于提出一种异常驾驶检测模型建立方法、装置及存储介质，旨在实现综合多模态数据建立异常驾驶行为的检测模型，提高异常驾驶检测模型的检测精度以及鲁棒性，同时避免了基于单一模态数据异常驾驶检测模型出现的问题。为实现上述目的，本专利技术提供一种异常驾驶检测模型建立方法，所述方法包括如下步骤：获取正常驾驶状态的多个第一样本，每一个所述第一样本包括有多种采集器采集的同一正常驾驶时间段的第一模态数据；将所述第一样本的第一模态数据输入第一异常驾驶状态检测模型，输出所述第一样本对应的第一预测误差值；使用反向传播算法根据多个第一样本对应的第一预测误差值，调整第一异常驾驶状态检测模型的参数，形成第二异常驾驶检测模型；设置第二异常驾驶检测模型判断异常驾驶状态的预测误差阈值。优选地，所述使用反向传播算法根据多个第一样本对应的第一预测误差值，调整第一异常驾驶状态检测模型的参数，形成第二异常驾驶检测模型的步骤之后，所述方法包括：获取车辆正常驾驶状态的多个第三样本和模拟车辆异常驾驶状态的多个第二样本，每一个所述第二样本包括有多种采集器采集的同一模拟异常驾驶时间段的第二模态数据，每一个所述第三样本包括有多种采集器采集的同一正常驾驶时间段的第三模态数据；将所述第二样本的第二模态数据输入第二异常驾驶检测模型中输出第二样本对应的第二预测误差值，将所述第三样本的第三模态数据输入第二异常驾驶检测模型中输出第三样本对应的第三预测误差值；将第二预测误差值和第三预测误差值组成验证集，获取验证集中的最大值和最小值，并使用所述最大值和最小值构建度量值计算公式；将第二异常驾驶检测模型与度量值计算公式组合，构建形成第三异常驾驶检测模型，并设置第三异常驾驶检测模型判断异常驾驶状态的度量阈值。优选地，所述将第二异常驾驶检测模型与度量值计算公式组合，构建形成第三异常驾驶检测模型，并设置第三异常驾驶检测模型判断异常驾驶状态的度量阈值的步骤之后，所述方法还包括：根据所述第二预测误差值和度量值计算公式计算第二样本对应的第一度量值，并根据第一度量值与预设度量阈值之间的大小，判断第二样本所属驾驶状态，并确认预测第二样本所属驾驶状态与第二样本所属真实驾驶状态的第二样本一致数；根据所述第三预测误差值和度量值计算公式计算第三样本对应的第二度量值，并根据第二度量值与预设度量阈值之间的大小，预测第三样本所属驾驶状态，并确认预测第三样本所属驾驶状态与第三样本所属真实驾驶状态的第三样本一致数；根据第二样本一致数、第三样本一致数与第二样本数、第三样本数计算第三异常驾驶检测模型的测试精度。优选地，所述第一异常驾驶状态检测模型包括有稀疏注意力机制模型和不同模态的卷积神经网络模型，所述正常驾驶时间段包括有T个时刻，所述正常驾驶时间段所述同一正常驾驶时间段的第一模态数据包括有所述正常驾驶时间段的T个时刻的第一模态数据，所述将所述第一样本的第一模态数据输入第一异常驾驶状态检测模型，输出所述第一样本对应的第一预测误差值的步骤包括：将所述第一样本的T个时刻的第一模态数据输入到对应模态的卷积神经网络模型，对应模态的卷积神经网络模型对T个时刻的第一模态数据进行特征提取，并将特征提取后同一时刻的第一模态数据进行融合，输出正常驾驶时间段的T个时刻的历史融合数据；将所述T个时刻的历史融合数据输入稀疏注意力机制模型，输出所述第一样本对应的第一预测误差值。优选地，所述将所述T个时刻的历史融合数据输入稀疏注意力机制模型，输出所述第一样本对应的第一预测误差值的步骤包括：将所述融合数据输入稀疏注意力机制模型，所述稀疏注意力机制模型将融合数据结合过去记忆中每个时间步，获得前T-1个时刻历史融合数据分别对应的原始注意力权重，并根据所述前T-1个时刻历史融合数据与其分别对应的原始注意力权重获得第T个时刻的预测值，使用稀疏注意力机制模型的均方误差目标函数层计算第T个时刻的预测值，与第T个时刻历史融合数据的第一预测误差值。优选地，所述将所述第一样本的第一模态数据输入第一异常驾驶状态检测模型，输出所述第一样本对应的第一预测误差值的步骤之前，所述方法还包括：将第一模态数据分别进行其所属模态相应的预处理。优选地，所述将所述第一样本的T个时刻的第一模态数据输入到对应模态的卷积神经网络模型，对应模态的卷积神经网络模型对T个时刻的第一模态数据进行特征提取，并将特征提取后同一时刻的第一模态数据进行融合，输出正常驾驶时间段的T个时刻的历史融合数据的步骤包括：将所述第一样本的T个时刻的视频图像数据、音频图像数据、运动传感数据和生理传感数据输入到对应模态的卷积神经网络模型，对应模态的卷积神经网络模型对T个时刻的视频图像数据、音频图像数据、运动传感数据、生理传感数据进行特征提取，并将特征提取后同一时刻的视频图像数据、音频图像数据、运动传感数据、生理传感数据进行融合，输出正常驾驶时间段的T个时刻的历史融合数据。优选地，所述将第二异常驾驶检测模型与度量值计算公式组合，构建形成第三异常驾驶检测模型，并设置第三异常驾驶检测模型判断异常驾驶状态的度量阈值的步骤之后，所述方法还包括：本文档来自技高网...

【技术保护点】
1.一种异常驾驶检测模型建立方法，其特征在于，所述方法包括如下步骤：获取正常驾驶状态的多个第一样本，每一个所述第一样本包括有多种采集器采集的同一正常驾驶时间段的第一模态数据；将所述第一样本的第一模态数据输入第一异常驾驶状态检测模型，输出所述第一样本对应的第一预测误差值；使用反向传播算法根据多个第一样本对应的第一预测误差值，调整第一异常驾驶状态检测模型的参数，形成第二异常驾驶检测模型；设置第二异常驾驶检测模型判断异常驾驶状态的预测误差阈值。

【技术特征摘要】
1.一种异常驾驶检测模型建立方法，其特征在于，所述方法包括如下步骤：获取正常驾驶状态的多个第一样本，每一个所述第一样本包括有多种采集器采集的同一正常驾驶时间段的第一模态数据；将所述第一样本的第一模态数据输入第一异常驾驶状态检测模型，输出所述第一样本对应的第一预测误差值；使用反向传播算法根据多个第一样本对应的第一预测误差值，调整第一异常驾驶状态检测模型的参数，形成第二异常驾驶检测模型；设置第二异常驾驶检测模型判断异常驾驶状态的预测误差阈值。2.如权利要求1所述的异常驾驶检测模型建立方法，其特征在于，所述使用反向传播算法根据多个第一样本对应的第一预测误差值，调整第一异常驾驶状态检测模型的参数，形成第二异常驾驶检测模型的步骤之后，所述方法包括：获取车辆正常驾驶状态的多个第三样本和模拟车辆异常驾驶状态的多个第二样本，每一个所述第二样本包括有多种采集器采集的同一模拟异常驾驶时间段的第二模态数据，每一个所述第三样本包括有多种采集器采集的同一正常驾驶时间段的第三模态数据；将所述第二样本的第二模态数据输入第二异常驾驶检测模型中输出第二样本对应的第二预测误差值，将所述第三样本的第三模态数据输入第二异常驾驶检测模型中输出第三样本对应的第三预测误差值；将第二预测误差值和第三预测误差值组成验证集，获取验证集中的最大值和最小值，并使用所述最大值和最小值构建度量值计算公式；将第二异常驾驶检测模型与度量值计算公式组合，构建形成第三异常驾驶检测模型，并设置第三异常驾驶检测模型判断异常驾驶状态的度量阈值。3.如权利要求2所述的异常驾驶检测模型建立方法，其特征在于，所述将第二异常驾驶检测模型与度量值计算公式组合，构建形成第三异常驾驶检测模型，并设置第三异常驾驶检测模型判断异常驾驶状态的度量阈值的步骤之后，所述方法还包括：根据所述第二预测误差值和度量值计算公式计算第二样本对应的第一度量值，并根据第一度量值与预设度量阈值之间的大小，判断第二样本所属驾驶状态，并确认预测第二样本所属驾驶状态与第二样本所属真实驾驶状态的第二样本一致数；根据所述第三预测误差值和度量值计算公式计算第三样本对应的第二度量值，并根据第二度量值与预设度量阈值之间的大小，预测第三样本所属驾驶状态，并确认预测第三样本所属驾驶状态与第三样本所属真实驾驶状态的第三样本一致数；根据第二样本一致数、第三样本一致数与第二样本数、第三样本数计算第三异常驾驶检测模型的测试精度。4.如权利要求1-3任一项所述的异常驾驶检测模型建立方法，其特征在于，所述第一异常驾驶状态检测模型包括有稀疏注意力机制模型和不同模态的卷积神经网络模型，所述正常驾驶时间段包括有T个时刻，所述正常驾驶时间段所述同一正常驾驶时间段的第一模态数据包括有所述正常驾驶时间段的T个时刻的第一模态数据，所述将所述第一样本的第一模态数据输入第一异常驾驶状态检测模型，输出所述第一样本对应的第一预测误差值的步骤包括：将所述第一样本的T个时刻的第一模态数据输入到对应模态的卷积神经网络模型，对应模态的卷积神经网络模型对T个时刻的第一模态数据进行特征提取，并将特征提取后...

【专利技术属性】
技术研发人员：曾伟，张宇欣，高晨龙，蒋鑫龙，张辉，张军涛，
申请(专利权)人：深圳市赛梅斯凯科技有限公司，
类型：发明
国别省市：广东,44