基于专有神经网络的分心驾驶实时监测方法及设备技术

本申请实施例提出了基于专有神经网络的分心驾驶实时监测方法及设备，包括构建包括深度卷积神经网络和循环神经网络的专有神经网络的驾驶员分心驾驶动态识别模型；实时获取当前车辆的行驶速度，当行驶速度高于预设阈值时，生成分心驾驶实时监测的触发信号；当接收到触发信号时，获取驾驶员在预设时长内的多帧驾驶视频，调用驾驶员分心驾驶动态识别模型进行基于多帧驾驶视频的驾驶员分心驾驶实时监测；基于监测结果判定驾驶员分心程度等级。由于在进行实时监测过程中同时利用了深度CNN提取空间结构特征和利用RNN连接时空动态信息的特征，因此在拥有深度CNN的识别精度的基础之上借助RNN提取驾驶员分心前后的变能够化特征，进一步提高分心驾驶识别精度。进一步提高分心驾驶识别精度。进一步提高分心驾驶识别精度。

【技术实现步骤摘要】
基于专有神经网络的分心驾驶实时监测方法及设备


[0001]本申请属于神经网络领域，尤其涉及基于专有神经网络的分心驾驶实时监测方法及设备。

技术介绍

[0002]机器学习在各种应用中都取得了很大的进步，尤其是在计算机视觉领域，这主要归功于深度学习的崛起。近年来，基于深度卷积神经网络(深度卷积神经网络)的图像识别算法的准确性和鲁棒性得到了很大的提高。
[0003]在机动车驾驶员分心驾驶识别应用中，现有的基于深度卷积神经网络的分心驾驶识别系统都只是独立地处理单帧图片，这不能捕捉到驾驶员分心的有价值的动态信息，特别不适合用于分析驾驶员分心的实时状态。虽然基于大型深度卷积神经网络的系统能从视频数据中学习有用的特征，但在实际中，该方法只能延时处理，而不能做到分心驾驶实时监测。

技术实现思路

[0004]为了解决现有技术中存在的缺点和不足，本申请提出了基于专有神经网络的分心驾驶实时监测方法，借助包括深度卷积神经网络和循环神经网络的专有神经网络提升识别准确性。
[0005]具体的，一方面，本申请实施例提出的基于专有神经网络的分心驾驶实时监测方法，包括：
[0006]构建包括深度卷积神经网络和循环神经网络的专有神经网络的驾驶员分心驾驶动态识别模型；
[0007]实时获取当前车辆的行驶速度，当行驶速度高于预设阈值时，生成分心驾驶实时监测的触发信号；
[0008]当接收到触发信号时，获取驾驶员在预设时长内的多帧驾驶视频，调用驾驶员分心驾驶动态识别模型进行基于多帧驾驶视频的驾驶员分心驾驶实时监测；
[0009]基于监测结果判定驾驶员分心程度等级。
[0010]可选的，所述构建包括深度卷积神经网络和循环神经网络的专有神经网络的驾驶员分心驾驶实时监测模型，包括：
[0011]将驾驶员的驾驶视频分解为图片帧，将得到的图片帧分为静态识别数据、动态识别数据、测试数据三类；
[0012]基于静态识别数据进行基于深度卷积神经网络的分心驾驶静态识别训练，得到分心驾驶静态识别模型；
[0013]基于动态识别数据对分心驾驶静态识别模型进行训练，得到分心驾驶动态识别模型；
[0014]基于测试数据对分心驾驶动态识别模型进行模型训练；
[0015]其中，将图片帧的尺寸修改为标准尺寸。
[0016]可选的，所述基于静态识别数据进行基于深度卷积神经网络的分心驾驶静态识别训练，得到分心驾驶静态识别模型，包括：
[0017]向深度卷积神经网络中softmax层的中导入静态识别数据，得到softmax层输出分类的概率；
[0018]利用Loss1函数对分类的概率做评估；
[0019]用模型参数的优化对深度卷积神经网络进行参数更新，根据更新后的参数重新计算Loss1的评估值；
[0020]对前述步骤迭代m次得到分心驾驶静态识别模型。
[0021]可选的，所述基于动态识别数据对分心驾驶静态识别模型进行训练，得到分心驾驶动态识别模型，包括：
[0022]按顺序分批将动态识别数据提供给分心驾驶静态识别模型，经静态识别模型提取动态识别数据中每一帧图片的特征；
[0023]将提取的每一帧图片的特征作为每一级循环神经网络的输入，按顺序输入到每一级的循环神经网络；
[0024]将利用n级循环神经网络提取每个时刻的驾驶状态信息作为循环神经网络中Logistic层的输入，经Logistic层输出每个时刻驾驶员分心的概率；
[0025]利用Loss2函数对所有时刻驾驶员分心的概率做评估；
[0026]更新n级循环神经网络的参数，根据更新后的参数重新计算Loss2的评估值；
[0027]对前述步骤迭代k次得到分心驾驶动态识别模型。
[0028]可选的，所述当接收到触发信号时，获取驾驶员在预设时长内的多帧驾驶视频，调用驾驶员分心驾驶动态识别模型进行基于多帧驾驶视频的驾驶员分心驾驶实时监测，包括：
[0029]当接收到触发信号时，获取驾驶员在预设时长内的多帧驾驶视频；
[0030]将多帧驾驶视频分割为图片帧，将得到的图片帧逐帧导入驾驶员分心驾驶动态识别模型对多帧驾驶视频中是否存在驾驶员分心驾驶的情况进行判断；
[0031]得到标记为存在驾驶员分心驾驶的图片帧。
[0032]可选的，所述基于监测结果判定驾驶员分心程度等级，包括：
[0033]计算标记为存在驾驶员分心驾驶的图片帧在多帧驾驶视频中的比例；
[0034]基于比例结果判定驾驶员分心程度等级。
[0035]另一方面，本申请实施例还提出了基于专有神经网络的分心驾驶实时监测设备，所述分心驾驶实时监测设备包括：
[0036]模型构建单元，用于构建包括深度卷积神经网络和循环神经网络的专有神经网络的驾驶员分心驾驶动态识别模型；
[0037]信号生成单元，用于实时获取当前车辆的行驶速度，当行驶速度高于预设阈值时，生成分心驾驶实时监测的触发信号；
[0038]实时监测单元，用于当接收到触发信号时，获取驾驶员在预设时长内的多帧驾驶视频，调用驾驶员分心驾驶动态识别模型进行基于多帧驾驶视频的驾驶员分心驾驶实时监测；
[0039]等级划分单元，用于基于监测结果判定驾驶员分心程度等级。
[0040]可选的，所述模型构建单元，包括：
[0041]数据划分子单元，用于将驾驶员的驾驶视频分解为图片帧，将得到的图片帧分为静态识别数据、动态识别数据、测试数据三类；
[0042]静态模型子单元，用于基于静态识别数据进行基于深度卷积神经网络的分心驾驶静态识别训练，得到分心驾驶静态识别模型；
[0043]动态模型子单元，用于基于动态识别数据对分心驾驶静态识别模型进行训练，得到分心驾驶动态识别模型；
[0044]模型训练子单元，用于基于测试数据对分心驾驶动态识别模型进行模型训练；
[0045]其中，将图片帧的尺寸修改为标准尺寸。
[0046]可选的，所述静态模型子单元，包括：
[0047]向深度卷积神经网络中softmax层的中导入静态识别数据，得到softmax层输出分类的概率；
[0048]利用Loss1函数对分类的概率做评估；
[0049]用模型参数的优化对深度卷积神经网络进行参数更新，根据更新后的参数重新计算Loss1的评估值；
[0050]对前述步骤迭代m次得到分心驾驶静态识别模型。
[0051]可选的，所述动态模型子单元，包括：
[0052]按顺序分批将动态识别数据提供给分心驾驶静态识别模型，经静态识别模型提取动态识别数据中每一帧图片的特征；
[0053]将提取的每一帧图片的特征作为每一级循环神经网络的输入，按顺序输入到每一级的循环神经网络；
[0054]将利用n级循环神经网络提取每个时刻的驾驶状态信息作为循环神经网络中Logistic层的输入，经Logistic层输出每个时刻驾驶员分心的概本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于专有神经网络的分心驾驶实时监测方法，其特征在于，所述分心驾驶实时监测方法包括：构建包括深度卷积神经网络和循环神经网络的专有神经网络的驾驶员分心驾驶动态识别模型；实时获取当前车辆的行驶速度，当行驶速度高于预设阈值时，生成分心驾驶实时监测的触发信号；当接收到触发信号时，获取驾驶员在预设时长内的多帧驾驶视频，调用驾驶员分心驾驶动态识别模型进行基于多帧驾驶视频的驾驶员分心驾驶实时监测；基于监测结果判定驾驶员分心程度等级。2.根据权利要求1所述的基于专有神经网络的分心驾驶实时监测方法，其特征在于，所述构建包括深度卷积神经网络和循环神经网络的专有神经网络的驾驶员分心驾驶实时监测模型，包括：将驾驶员的驾驶视频分解为图片帧，将得到的图片帧分为静态识别数据、动态识别数据、测试数据三类；基于静态识别数据进行基于深度卷积神经网络的分心驾驶静态识别训练，得到分心驾驶静态识别模型；基于动态识别数据对分心驾驶静态识别模型进行训练，得到分心驾驶动态识别模型；基于测试数据对分心驾驶动态识别模型进行模型训练；其中，将图片帧的尺寸修改为标准尺寸。3.根据权利要求2所述的基于专有神经网络的分心驾驶实时监测方法，其特征在于，所述基于静态识别数据进行基于深度卷积神经网络的分心驾驶静态识别训练，得到分心驾驶静态识别模型，包括：向深度卷积神经网络中softmax层的中导入静态识别数据，得到softmax层输出分类的概率；利用Loss1函数对分类的概率做评估；用模型参数的优化对深度卷积神经网络进行参数更新，根据更新后的参数重新计算Loss1的评估值；对前述步骤迭代m次得到分心驾驶静态识别模型。4.根据权利要求2所述的基于专有神经网络的分心驾驶实时监测方法，其特征在于，所述基于动态识别数据对分心驾驶静态识别模型进行训练，得到分心驾驶动态识别模型，包括：按顺序分批将动态识别数据提供给分心驾驶静态识别模型，经静态识别模型提取动态识别数据中每一帧图片的特征；将提取的每一帧图片的特征作为每一级循环神经网络的输入，按顺序输入到每一级的循环神经网络；将利用n级循环神经网络提取每个时刻的驾驶状态信息作为循环神经网络中Logistic层的输入，经Logistic层输出每个时刻驾驶员分心的概率；利用Loss2函数对所有时刻驾驶员分心的概率做评估；更新n级循环神经网络的参数，根据更新后的参数重新计算Loss2的评估值；
对前述步骤迭代k次得到分心驾驶动态识别模型。5.根据权利要求1所述的基于专有神经网络的分心驾驶实时监测方法，其特征在于，所述当接收到触发信号时，获取驾驶员在预设时长内的多帧驾驶视频，调用驾驶员分心驾驶动态识别模型进行基于多帧驾驶视频的驾驶员分心驾驶实时监测，包括：当接收到触发信号时，获取驾驶员在预设时长内的多帧驾驶视频；将多帧驾驶视频分割为图片帧，将得到的图...

【专利技术属性】
技术研发人员：李荣宽，李明，谭杰，
申请(专利权)人：嘉兴市纳杰微电子技术有限公司，
类型：发明
国别省市：