驾驶安全的监控方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了一种驾驶安全的监控方法、装置、计算机设备及存储介质，所述方法包括：通过获取驾驶过程中的实时视频流，并采集驾驶场景数据，进而根据实时视频流进行人脸特征检测，确定检测到的人脸特征对应的辅助识别分值，并根据实时视频流对驾驶行为进行分析，得到异常行为分值，实现高效获取实时数据，提高驾驶安全监控的及时性，同时，基于驾驶场景数据和驾驶场景风险预警模型，确定驾驶场景数据对应的驾驶风险分值，再基于辅助识别分值、异常行为分值和驾驶风险分值，确定目标行为分值，将目标行为分值与预设预警阈值进行对比，若目标行为分值超过预设预警阈值，则发送预警提示信息，并执行实时预警措施，确保驾驶安全监控的准确性和效率。

Monitoring methods, devices, computer equipment and storage media for driving safety

【技术实现步骤摘要】
驾驶安全的监控方法、装置、计算机设备及存储介质
本专利技术涉及数据处理领域，尤其涉及一种驾驶安全的监控方法、装置、计算机设备及存储介质。
技术介绍
随着人民生活水平的不断提高，越来越多的人选择使用汽车作为出行工具，马路车辆的快速增长，使得汽车驾驶安全已成为社会焦点之一。为了提高行驶安全，汽车制造商会在汽车上安装各种安全装置，例如，在汽车上安装安全气囊，当汽车发生碰撞时弹出安全气囊以保护驾驶员的安全。然而，很多情况下，驾驶员在驾驶汽车时，并未认识到自己的驾驶行为风险，而驾驶员的管理方也无法掌握驾驶员的驾驶行为风险。在当前，主要通过疲劳驾驶预警系统DMS和汽车驾驶的速度进行监控，在汽车驾驶速度过快时进行预警，单纯的利用姿态识别，人脸识别等技术，来对驾驶用户的异常行为(抽烟，打电话，左顾右盼等)和疲劳状态(打哈欠，闭眼等)进行检测监控，提供给驾驶员的一种驾驶状态监控系统。专利技术人在实现本专利技术的过程中，发现现有的这种方式对驾驶安全的监控和判定都不够丰富和准确，比如驾驶员偏头看后视镜的情况，也会被认为是左顾右盼，驾驶员戴眼镜的时候，闭眼和眨眼的检测都会很不准确，对疲劳状态的判定也会不准确，这使得驾驶安全的监控效率不够高。
技术实现思路
本专利技术实施例提供一种驾驶安全的监控方法、装置、计算机设备和存储介质，以提高驾驶安全的监控效率。为了解决上述技术问题，本申请实施例提供一种驾驶安全的监控方法，包括：获取驾驶过程中的实时视频流，并采集驾驶场景数据；根据所述实时视频流进行人脸特征检测，确定检测到的人脸特征对应的辅助识别分值，并根据所述实时视频流对驾驶行为进行分析，得到异常行为分值；将所述驾驶场景数据输入到驾驶场景风险预警模型中，所述驾驶场景风险预警模型为第一卷积神经网络模型，所述第一卷积神经网络模型包括输入层、卷积层、全连接层和输出层，所述输出层预设有M个类别标签，以及每个类别标签对应一个分值，通过所述输出层接收所述全连接层输出的每个类别标签的概率，并将概率最大的类别标签对应的分值，确定为所述驾驶场景数据对应的驾驶风险分值，其中，M为大于1的正整数；基于所述辅助识别分值、所述异常行为分值和所述驾驶风险分值，确定目标行为分值。将所述目标行为分值与预设预警阈值进行对比，若所述目标行为分值超过所述预设预警阈值，则发送预警提示信息，并执行实时预警措施。可选地，所述根据所述实时视频流进行人脸特征检测，确定检测到的人脸特征对应的辅助识别分值包括:按照预设的时间间隔，从所述实时视频流中，抽取基础视频帧；对每个所述基础视频帧进行人脸检测，将每个包含人脸图像的基础视频帧，作为目标视频帧；对每个所述目标视频帧进行人脸特征检测，得到每个所述目标视频帧对应的目标人脸特征；根据所有所述目标人脸特征，确定所述辅助识别分值。可选地，所述对每个所述目标视频帧进行人脸特征检测，得到每个所述目标视频帧对应的目标人脸特征包括:通过第二卷积神经网络模型，对所述目标视频帧进行人脸特征单元识别，得到每个所述目标视频帧中包含的待识别单元集合；根据预设的特征单元组合集合中，每个预设的特征单元组合与每个人脸特征之间的映射关系，确定所述目标视频帧中包含的所述待识别单元集合对应的特征单元组合，作为目标人脸特征。可选地，所述根据所述实时视频流对驾驶行为进行分析，得到异常行为分值包括：按照预设的时间间隔，从所述实时视频流中，抽取所述基础视频帧；采用疲劳驾驶预警系统DMS，对所述基础视频帧进行异常行为分析，得到分析结果；根据所述分析结果中包含的异常行为种类，以及每种异常行为对应的次数，确定异常行为分值。可选地，所述全连接层包括n个预设的分类器，所述输出层输出所述驾驶风险分值，其中，n为大于1的正整数；所述将所述驾驶场景数据输入到驾驶场景风险预警模型中，通过所述输出层接收所述全连接层输出的每个类别标签的概率，并将概率最大的类别标签对应的分值，确定为所述驾驶场景数据对应的驾驶风险分值包括：通过输入层从所述驾驶场景数据中提取多通道数据，并将所述多通道数据传递给所述卷积层；在所述卷积层对所述多通道数据进行卷积处理，得到卷积后的卷积数据；对所述卷积数据进行特征提取，得到特征数据；使用所述全连接层的n个分类器对所述特征数据进行相似度计算，得到所述特征数据属于该分类器对应的类别标签的概率，共得到n个所述概率，其中，每个分类器对应一种驾驶风险类别的类别标签，n-1个分类器对应的驾驶风险类别的类别标签为异常行为类别的类别标签，1个分类器对应的驾驶风险类别的类别标签为正常行为类别的类别标签；通过所述输出层接收n个所述概率，并从n个所述概率中，选取概率最大的类别标签作为所述驾驶场景数据对应的驾驶环境预测结果；通过所述输出层，根据预设的每个所述类别标签对应的分值，确定所述驾驶环境预测结果对应的评分，作为所述驾驶风险分值。可选地，所述基于所述辅助识别分值、所述异常行为分值和所述驾驶风险分值，确定目标行为分值包括：采用如下公式计算所述目标行为分值：Final_Score＝α*(FacekydScore/100)*DMSScore+β*DriveEnvScore其中，Final_Score为所述目标行为分值，Facekyd_Score为所述辅助识别分值，DMSScore为所述异常行为分值，DriveEnv_Score为所述驾驶风险分值，其中，α和β为预设的加权参数，且α和β的取值范围均为(0，1)。为了解决上述技术问题，本申请实施例还提供一种驾驶安全的监控装置，包括：数据获取模块，用于获取驾驶过程中的实时视频流，并采集驾驶场景数据；视频流分析模块，用于根据所述实时视频流进行人脸特征检测，确定检测到的人脸特征对应的辅助识别分值，并根据所述实时视频流对驾驶行为进行分析，得到异常行为分值；场景分析模块，用于将所述驾驶场景数据输入到驾驶场景风险预警模型中，所述驾驶场景风险预警模型为第一卷积神经网络模型，所述第一卷积神经网络模型包括输入层、卷积层、全连接层和输出层，所述输出层预设有M个类别标签，以及每个类别标签对应一个分值，通过所述输出层接收所述全连接层输出的每个类别标签的概率，并将概率最大的类别标签对应的分值，确定为所述驾驶场景数据对应的驾驶风险分值，其中，M为大于1的正整数；分值确定模块，用于基于所述辅助识别分值、所述异常行为分值和所述驾驶风险分值，确定目标行为分值。实时预警模块，用于将所述目标行为分值与预设预警阈值进行对比，若所述目标行为分值超过所述预设预警阈值，则发送预警提示信息，并执行实时预警措施。可选地，视频流分析模块包括:第一帧图像获取单元，用于按照预设的时间间隔，从所述实时视频流中，抽取基础视频帧；目标帧确定单元，用于对每个所述基础视频帧进行人脸检测，将每个包含人脸图像的基础视频帧，作为目标视频帧；人脸特本文档来自技高网...

【技术保护点】
1.一种驾驶安全的监控方法，其特征在于，所述驾驶安全的监控方法包括：/n获取驾驶过程中的实时视频流，并采集驾驶场景数据；/n根据所述实时视频流进行人脸特征检测，确定检测到的人脸特征对应的辅助识别分值，并根据所述实时视频流对驾驶行为进行分析，得到异常行为分值；/n将所述驾驶场景数据输入到驾驶场景风险预警模型中，所述驾驶场景风险预警模型为第一卷积神经网络模型，所述第一卷积神经网络模型包括输入层、卷积层、全连接层和输出层，所述输出层预设有M个类别标签，以及每个类别标签对应一个分值，通过所述输出层接收所述全连接层输出的每个类别标签的概率，并将概率最大的类别标签对应的分值，确定为所述驾驶场景数据对应的驾驶风险分值，其中，M为大于1的正整数；/n基于所述辅助识别分值、所述异常行为分值和所述驾驶风险分值，确定目标行为分值；/n将所述目标行为分值与预设预警阈值进行对比，若所述目标行为分值超过所述预设预警阈值，则发送预警提示信息，并执行实时预警措施。/n

【技术特征摘要】
1.一种驾驶安全的监控方法，其特征在于，所述驾驶安全的监控方法包括：
获取驾驶过程中的实时视频流，并采集驾驶场景数据；
根据所述实时视频流进行人脸特征检测，确定检测到的人脸特征对应的辅助识别分值，并根据所述实时视频流对驾驶行为进行分析，得到异常行为分值；
将所述驾驶场景数据输入到驾驶场景风险预警模型中，所述驾驶场景风险预警模型为第一卷积神经网络模型，所述第一卷积神经网络模型包括输入层、卷积层、全连接层和输出层，所述输出层预设有M个类别标签，以及每个类别标签对应一个分值，通过所述输出层接收所述全连接层输出的每个类别标签的概率，并将概率最大的类别标签对应的分值，确定为所述驾驶场景数据对应的驾驶风险分值，其中，M为大于1的正整数；
基于所述辅助识别分值、所述异常行为分值和所述驾驶风险分值，确定目标行为分值；
将所述目标行为分值与预设预警阈值进行对比，若所述目标行为分值超过所述预设预警阈值，则发送预警提示信息，并执行实时预警措施。


2.如权利要求1所述的驾驶安全的监控方法，其特征在于，所述根据所述实时视频流进行人脸特征检测，确定检测到的人脸特征对应的辅助识别分值包括:
按照预设的时间间隔，从所述实时视频流中，抽取基础视频帧；
对每个所述基础视频帧进行人脸检测，将每个包含人脸图像的基础视频帧，作为目标视频帧；
对每个所述目标视频帧进行人脸特征检测，得到每个所述目标视频帧对应的目标人脸特征；
根据所有所述目标人脸特征，确定所述辅助识别分值。


3.如权利要求2所述的驾驶安全的监控方法，其特征在于，所述对每个所述目标视频帧进行人脸特征检测，得到每个所述目标视频帧对应的目标人脸特征包括:
通过第二卷积神经网络模型，对所述目标视频帧进行人脸特征单元识别，得到每个所述目标视频帧中包含的待识别单元集合；
根据预设的特征单元组合集合中，每个预设的特征单元组合与每个人脸特征之间的映射关系，确定所述目标视频帧中包含的所述待识别单元集合对应的特征单元组合，作为目标人脸特征。


4.如权利要求1所述的驾驶安全的监控方法，其特征在于，所述根据所述实时视频流对驾驶行为进行分析，得到异常行为分值包括：
按照预设的时间间隔，从所述实时视频流中，抽取所述基础视频帧；
采用疲劳驾驶预警系统DMS，对所述基础视频帧进行异常行为分析，得到分析结果；
根据所述分析结果中包含的异常行为种类，以及每种异常行为对应的次数，确定异常行为分值。


5.如权利要求1所述的驾驶安全的监控方法，其特征在于，所述全连接层包括n个预设的分类器，所述输出层输出所述驾驶风险分值，其中，n为大于1的正整数；
所述将所述驾驶场景数据输入到驾驶场景风险预警模型中，通过所述输出层接收所述全连接层输出的每个类别标签的概率，并将概率最大的类别标签对应的分值，确定为所述驾驶场景数据对应的驾驶风险分值包括：
通过输入层从所述驾驶场景数据中提取多通道数据，并将所述多通道数据传递给所述卷积层；
在所述卷积层对所述多通道数据进行卷积处理，得到卷积后的卷积数据；
对所述卷积数据进行特征提取，得到特征数据；
使用所述全连接层的n个分类器对所述特征数据进行相似度计算，得到所述特征数据属于该分类器对应的类别标签的概率，共得到n个所述概率，其...

【专利技术属性】
技术研发人员：付园园，顾青山，王宏鸿，李晓琳，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：广东;44