基于轻量级神经网络的驾驶姿态识别与管理系统及APP应用技术方案

本发明专利技术专利设计了一款基于轻量级卷积神经网络的驾驶姿态识别与管理系统，其载体是手机应用。该系统包括可视化前端界面、识别的核心算法与后台管理框架。算法使用轻量级神经网络对实时传输的姿态图片进行识别，实现9种不良驾驶姿态的识别分类，并进行实时语音提醒。本系统适用于各个年龄段的驾驶人员，记录驾驶行为方便随时查看。本系统分为两个子系统：驾驶人员个人系统与公司管理系统，可以对驾驶行为进行识别和评价，并记录不良驾驶行为等信息细节。本系统旨在利用手机应用的载体，让大众群体平安出行，能广泛用于司机不良姿态纠正及公共交通公司管理。

Driving Attitude Recognition and Management System Based on Lightweight Neural Network and APP Application

【技术实现步骤摘要】
基于轻量级神经网络的驾驶姿态识别与管理系统及APP应用
本专利技术专利针对驾驶姿态识别领域，特别涉及手机应用识别领域。
技术介绍
机动车出行是当今社会最普遍的出行方式，与此相对应的是同样持高的交通事故发生数。而引起交通事故发生的原因中，驾驶人员的不良驾驶行为占到了相当大的比例。需要有管理人员对其监管，并且驾驶人员对自身的驾驶行为进行矫正，这也就是基于的评测系统诞生的最初构想。本项目将通过搭建手机APP应用平台，通过获取图像，经过深度学习框架进行司机状态识别，从而将司机不良驾驶状态分为9种不良驾驶行为。针对上述现象，本申请人设计了打造基于深度学习算法的智能性高识别率和5G网络技术的高带宽高传输速度的驾驶行为识别系统，对用户的驾驶行为进行分类评估，不仅可辅助车辆驾驶人员对自己的驾驶姿势进行矫正规范，还可作为第三方客观评价监督管理端。
技术实现思路
本专利技术专利目的在于提供一种基于手机APP应用的驾驶姿态识别系统，能有效解决现有系统普及率低与管理困难的问题。该系统旨在建立驾驶人员信息系统，实现驾驶人员与管理者凭借工作编号登陆、并按照相应权限使用系统。系统以视频或静态图像的格式获取驾驶人员的驾驶行为信息，并对内容进行分析，进行实时语音提醒，识别并记录信息中的不良行为。可以查看指定时间的驾驶行为记录，和系统评价，并且可以将不良行为按时间、频率分布，以图表的形式进行查看。系统在分析中，充分利用深度学习算法的智能性高识别率和下一代网络技术的高带宽高传输速度的优点。本系统的目标用户可以分为两类：驾驶人员个人与交通管理公司。系统除了将返回的数据作为驾驶行为的评价依据，从而为公共交通管理公司提供驾驶人员在途中的行为评价，方便对驾驶人员的监管和评级。还可以帮助驾驶人员改正错误驾驶习惯提供参考。本系统界面简洁，操作门槛低，适用于各个年龄的驾驶人员，用户只需要打开应用，注册登陆，在开始行车前开启监控，记录驾驶行为，待行车结束后，系统将显示针对此次驾驶行为的评价和识别出的不良驾驶行为的图片记录等信息细节。应用于公司管理中，管理者可以通过系统查询对驾驶人员的行为评价，查询可以支持按照个人信息或时间等查询，并可运用于大数据行业分析。成为大众可靠的“随身安全教练”、“车内电子警察”及“数据贴身管家”。本系统载体是手机应用，将手机置于车内合适角度对驾驶员行为进行实时监督，后台调用手机摄像头进行视频实时传输，由于算法的特点是轻量级神经网络，可在应用端进行算法识别，因此识别速度更快。轻量级神经网络算法模型将相比于网络上的其他网络模型，该网络运算量较小，整体权重导出后仅有50MB，运算速度快，有较高的实时性，且分类效果正确率达到98％，可以在本系统中进行实际应用。主要功能有以下三点：功能1：建立驾驶人员信息系统，实现驾驶人员与管理者凭借工作编号登陆、并按照相应权限使用系统。功能2：系统以视频或静态图像的格式获取驾驶人员的驾驶行为信息，并对内容进行分析，识别并记录信息中的不良行为(不良行为分别包括开车发短信，开车打电话，疲劳驾驶、开车调电台，抽烟，喝水，和副驾驶聊天，梳理头发，转身)。功能3：可以查看指定时间的驾驶行为记录，和系统评价，并且可以将不良行为按时间、频率分布，以图表的形式进行查看。【附图说明】图1功能逻辑流程图图2整体网络架构图3算法训练过程【具体实施方式】下面结合附图,详细说明本专利技术方法的实施过程。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本专利技术的范围及其应用。本系统功能流程图如图1，实现前端移动平台与后端算法处理数据库平台分离，使用REST服务框架，前端主要负责驾驶人员登陆上传视频图像数据到云端，后台接受数据后进行算法分析得到分析结果存入数据库。具体流程如图2所示。前端通过Http和RESTapi与后台进行交互，通过IL2CPP方法直接编译为Nativeapp，和传统应用相比，性能更加出色，同时也更加安全。通过使用.Net技术跨平台，实现移动端和web端互联互通。后台使用基于python的flask框架来提供RESTAPI接口，nginx管理静态资源使用gzip压缩提高传输率，使用sqlalchemy和mysql提供数据库储存，并使用redis缓存任务队列，使用supervisor管理和部署项目，以提高稳定性和并发性，且基于docker部署到服务器。在算法实现上，整体上采用PaddlePaddle的MobileNet来解决问题，如图3。卷积神经网络是神经网络的一种，把图片的部分相邻像素变成长宽更小，高度越深的单元，从而提炼出局部的特征，一层一层将特征往后映射，之后提取出终的特征。现在世界上大部分图片处理和计算机视觉问题都是用卷积神经网络CNN来解决的。MobileNet是CNN的一种，最大的特点就是采用深度方向分离卷积来减少运算量以及参数量，从而使模型能够比较高效运行在硬件条件有限的移动设备上面。关于算法模型的搭建本专利利用PaddlePaddle自主搭建了神经网络模型。流程图如图3，具体的搭建步骤如下：步骤1：将驾驶人员违规动作图片作为训练集。由于数据的特殊性，在处理之前进行数据增强，如旋转，平移，放缩等增加数据的多样性，从而有效防止过拟合。之后进行图像预处理，预处理主要包括图像裁剪、灰度处理和归一化操作，由像素480×640×3的图片处理为64×64×1像素的图片。步骤2：将每张图像的矩阵经过矩阵变维后的向量并增加一列为标签值进行动作分类。根据PaddlePaddle对数据的要求，将数据导入模型进行训练。步骤3：训练模型采用两层卷积层包含随机失活层、激活函数，最后由全连接层进行分类。步骤4：模型经过两万次训练后，模型准确率达98％。应说明的是，以上实施例仅用以说明本专利技术专利的说明，而不是对本专利技术专利的限定。本专利技术通过上述实施例来说明本专利技术的实现方法及装置结构，但本专利技术并不局限于上述实施方式,即不意味着本专利技术必须依赖上述方法及结构才能实施。所属
的技术人员应该明了，对本专利技术的任何改进,对本专利技术所选用实现方法等效替换及步骤的添加、具体方式的选择等，均落在本专利技术的保护范围和公开范围之内。本文档来自技高网...

【技术保护点】
1.基于手机应用的姿态识别系统，其特征在于运用轻量级神经网络进行姿态算法识别，且该系统由开始检测功能模块、驾驶评价功能模块、行为记录功能模块及手机应用终端组成。实现建立驾驶人员信息系统，实现驾驶人员与管理者凭借工作编号登陆、并按照相应权限使用系统。系统以视频或静态图像的格式获取驾驶人员的驾驶行为信息，并对内容进行分析，识别并记录信息中的不良行为，并进行实时语音提醒。并且可以查看指定时间的驾驶行为记录，和系统评价，并且可以将不良行为按时间、频率分布，以图表的形式进行查看。

【技术特征摘要】
1.基于手机应用的姿态识别系统，其特征在于运用轻量级神经网络进行姿态算法识别，且该系统由开始检测功能模块、驾驶评价功能模块、行为记录功能模块及手机应用终端组成。实现建立驾驶人员信息系统，实现驾驶人员与管理者凭借工作编号登陆、并按照相应权限使用系统。系统以视频或静态图像的格式获取驾驶人员的驾驶行为信息，并对内容进行分析，识别并记录信息中的不良行为，并进行实时语音提醒。并且可以查看指定时间的驾驶行为记录，和系统评价，并且可以将不良行为按时间、频率分布，以图表的形式进行查看。2.根据权利要求1所述的基于手机应用的姿态识别系统，其特征在于，所述数据接收管理端或客户端数据信息传输至后台管理服务平台，用户通过获取历史数据实现管理操作。3.根据权利1要求所述的基于手机应用的姿态识别系统，其特征在于，开始检测模块提供拍摄、上传视频、上传静态图像三种选择，为用户上传数据开辟一条方便、高速的通道。4.根据权利要...

【专利技术属性】
技术研发人员：符礼丹，陆彬春，艾海男，罗子鉴，倪晓敏，黄嘉利，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50