一种司机分心检测方法技术

一种司机分心检测方法，将每帧司机图像转化成灰度图像，并依次进行归一化处理和预处理，将其中一个训练样本输入到初始化的卷积神经网络中，同时对训练样本所对应的灰度图像提取的HOG特征进行批量正则化处理，之后接着全连接层连接，得到HOG特征向量；最后将每一个卷积层的输出结果进行全局均值池化后得到的特征向量和HOG特征向量共同组成的总特征向量依次经过卷积神经网络中的全连接层和Softmax分类后，得到司机实际的动作类别，从而更新卷积神经网络中的参数；并采用相同的方法依次对卷积神经网络进行更新。最后即可得到测试集中司机图像所对应的动作类别。该检测方法的检测结果更加准确且该网络结构具有更少的网络参数。

【技术实现步骤摘要】
一种司机分心检测方法
本专利技术涉及图像处理领域，特别涉及一种司机分心检测方法。
技术介绍
近年来，随着私家车数量不断增加，交通事故也在不断增多，其中很大一部分是驾驶员分心造成的，例如：驾驶员在开车过程中接听电话、喝水、拿东西等分心动作都易发生交通事故。因此有必要对驾驶员的动作进行实时检测并对分心的司机做出及时提醒从而能有效避免安全事故的发生。如有申请号为CN201910532626.X(申请公布号为CN110363093A)的中国专利技术专利公开了一种司机动作识别方法及装置，包括：通过获取当前司机的图像；将图像分别输入预先训练得到的二维卷积神经网络和三维卷积神经网络中，得到对司机动作的第一识别结果和第二识别结果；将第一识别结果和所述第二识别结果进行对比，确定所述司机动作所属的动作类型。通过二维卷积神经网络识别驾驶姿态的某一时刻的司机动作，三维卷积神经网络识别驾驶姿态的中间过程的司机动作，采用将二维卷积神经网络与三维卷积神经网络相结合的方法共同识别司机的驾驶姿态，提高了司机动作识别的准确性。但卷积神经网络庞大的网络参数量使得其训练模型难本文档来自技高网...

【技术保护点】
1.一种司机分心检测方法，其特征在于：包括以下步骤：/n步骤1、将多帧车辆驾驶室内的司机图像组成数据集；/n步骤2、将数据集中的每帧司机图像转化成大小为N*M的灰度图像，并对数据集中的每帧N*M的灰度图像依次进行归一化处理和预处理，最终得到预处理之后的数据集，N和M均为正整数；/n步骤3、将预处理之后的数据集分成训练集和测试集，其中，训练集中每个训练样本包括预处理之后的司机图像以及该司机图像对应的动作类别标签；/n步骤4、任意选择训练集中的其中一个训练样本输入到初始化的卷积神经网络中，并分别提取出每一个卷积层的输出结果，并对每一个卷积层的输出结果进行全局均值池化处理，得到每一个卷积层对应的特征...

【技术特征摘要】
1.一种司机分心检测方法，其特征在于：包括以下步骤：
步骤1、将多帧车辆驾驶室内的司机图像组成数据集；
步骤2、将数据集中的每帧司机图像转化成大小为N*M的灰度图像，并对数据集中的每帧N*M的灰度图像依次进行归一化处理和预处理，最终得到预处理之后的数据集，N和M均为正整数；
步骤3、将预处理之后的数据集分成训练集和测试集，其中，训练集中每个训练样本包括预处理之后的司机图像以及该司机图像对应的动作类别标签；
步骤4、任意选择训练集中的其中一个训练样本输入到初始化的卷积神经网络中，并分别提取出每一个卷积层的输出结果，并对每一个卷积层的输出结果进行全局均值池化处理，得到每一个卷积层对应的特征向量；其中，第i个卷积层对应的特征向量Ai为1*mi的矩阵，mi为第i个卷积层对应的卷积核个数；i＝1,2,...q；q为卷积层的总个数；
步骤5、对步骤4中使用的训练样本所对应的原始N*M的灰度图像提取HOG特征，并将提取的HOG特征进行批量正则化，得到批量正则化之后的HOG特征；
步骤6、将批量正则化之后的HOG特征进行全连接层连接，得到1*n的HOG特征向量；n为正整数；
步骤7、将步骤4中得到的每一个卷积层对应的特征向量和步骤6中1*n的HOG特征向量共同组成总特征向量；
步骤8、将总特征向量依次经过卷积神经网络中的全连接层和Softmax分类后，得到司机实际的动作类别；
步骤9、根据训练样本中司机图像对应的动作类别标签与步骤8中得到的司机实际的动作类别，计算出卷积神经网络中的损失函数，并根据损失函数更新卷积神...

【专利技术属性】
技术研发人员：秦斌斌，钱江波，陈叶芳，严迪群，董一鸿，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江;33