本发明专利技术公开了一种疲劳驾驶的检测识别方法，包括以下步骤：获取人脸区域关键点图像信息、车辆驾驶行为信息；将所述人脸区域关键点图像信息输入面部状态识别模型，获得面部状态检测结果；将所述车辆驾驶行为信息输入行驶状态识别模型，获得行驶状态检测结果；将所述面部状态检测结果和行驶状态检测结果输入置信度判定模型，输出最终检测结果。本发明专利技术提高了驾驶员疲劳检测的准确性。驾驶员疲劳检测的准确性。驾驶员疲劳检测的准确性。
【技术实现步骤摘要】
一种疲劳驾驶的检测识别方法、装置及系统
[0001]本专利技术涉及一种疲劳驾驶的检测识别方法、装置及系统，属于安全预警系统
技术介绍
[0002]随着社会经济的发展，机动车辆与日俱增，道路交通事故频发，死亡人数逐年上升，其中，疲劳驾驶是引发频繁的交通事故的主要因素之一。据世界卫生组织统计，全世界每年有120多万人死于交通事故，数百万人因交通事故受伤或致残。全球每年交通事故造成的经济损失高达5180亿美元，其中发展中国家占1000亿美元。
[0003]近年来为了减少因疲劳驾驶引起的交通事故，人们进行了各种尝试和研究，目前普遍采用基于机器视觉、深度学习技术的疲劳检测及预警系统。
[0004]然而，现有的基于机器视觉、深度学习技术的疲劳检测及预警系统在检测准确度及可靠性方便还存在很大的缺陷。如何进一步提高其检测的准确度和可靠性，成为目前亟待解决的技术问题。
技术实现思路
[0005]本专利技术的目的在于克服现有技术中的不足，提供一种疲劳驾驶的检测识别方法、装置及系统，提高了驾驶员疲劳检测的准确性。
[0006]为解决上述技术问题，本专利技术了提供一种疲劳驾驶的检测识别方法、装置及系统，包括如下步骤：获取人脸区域关键点图像信息、车辆驾驶行为信息；将所述人脸区域关键点图像信息输入面部状态识别模型，获得面部状态检测结果；将所述车辆驾驶行为信息输入行驶状态识别模型，获得行驶状态检测结果；将所述面部状态检测结果和行驶状态检测结果输入置信度判定模型，输出最终检测结果。
[0007]可选的，所述人脸区域关键点图像信息包括嘴部、眼部、头部图像数据。
[0008]可选的，所述面部状态识别模型的训练过程为：获取不同状态下人脸区域关键点图像信息和面部实际状态；根据人脸区域关键点图像信息和面部实际状态构建第一数据集；基于所述第一数据集对设定的神经网络进行训练，获得所述面部状态识别模型。
[0009]可选的，所述车辆驾驶行为信息包括速度、加速度以及方向盘的角速度数据。
[0010]可选的，所述行驶状态识别模型的训练过程为：获取不同状态下车辆驾驶行为信息和车辆行驶实际状态；根据车辆驾驶行为信息和车辆行驶实际状态构建第二数据集；基于所述第二数据集对设定的神经网络进行训练，获得所述行驶状态识别模型。
[0011]可选的，所述置信度判定模型的训练过程为：获取不同状态下面部状态检测结果、行驶状态检测结果和真实状态；根据面部状态检测结果、行驶状态检测结果和真实状态构建第三数据集；基于所述第三数据集对设定的神经网络进行训练，获得所述置信度判定模型。
[0012]一种疲劳驾驶的检测识别装置，包括：信息获取模块，用于实时获取人脸区域关键点图像信息、车辆驾驶行为信息；面部状态疲惫检测模块，用于根据人脸区域关键点图像信息，对驾驶员进行疲劳检测；车辆行驶状态疲惫检测模块，用于根据车辆驾驶行为信息，对驾驶员进行疲劳检测；置信度判定模块，用于融合面部状态疲惫检测模块和车辆行驶状态疲惫检测模块疲劳检测结果，输出最终结果。
[0013]可选的，所述疲劳驾驶的检测识别装置包括预警模块。
[0014]可选的，所述预警模块为声光预警模块。
[0015]一种疲劳驾驶的检测识别系统，其特征在于，包括上述疲劳驾驶的检测识别装置。
[0016]与现有技术相比，本专利技术所达到的有益效果：通过神经网络模型分别对人脸图像、驾驶行为进行识别，然后结合两者模型检测结果，利用多层卷积神经网络来融合，提高了驾驶员状态识别的准确度；且利用人脸区域关键点图像信息、车辆驾驶行为信息等信息数据，克服单一信息源的局限性，提高了驾驶员疲劳检测的准确性。
附图说明
[0017]图1为本专利技术实施例的疲劳驾驶的检测识别方法的示例流程示意图；图2为本专利技术实施例的疲劳驾驶的检测识别装置的结构示意图。
具体实施方式
[0018]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0019]实施例1：本实施例提供了一种疲劳驾驶的检测识别方法，包括以下步骤：使用红外摄像头获取不同状态下驾驶员面部红外图像，使用MTCNN级联卷积神经网络的人脸检测定位方法对驾驶员的人脸区域进行检测，获取人脸区域坐标及眼部、嘴部等关键点的坐标，定位坐标后提取分离嘴部、眼部、头部等部位图像，根据图像信息以及面部实际状态构建第一数据集，训练神经网络得到人脸区域关键点图像信息与面对实际状态之间的函。训练方法如下：1: 离线采集人脸样本数据，分成训练和测试样本两部分，并转化成caffe深度学习框架需要的LMDB格式；2: 搭建基于深度学习的人脸目标框检测模型，基于样本数据通过caffe（Convolutional Architecture for Fast Feature Embedding，卷积神经网络框架）深度学习框架进行训练和测试，不断进行调参，在训练过程收敛时，学习得到最终的模型参数文件；3：对2阶段训练得到的模型利用测试样本进行测试，若模型测试的检出率低于要求，则继续训练模型，若达到目标，则保存学习到的模型参数，以便将此模型用于在线阶段进行实际检测。
[0020]通过CAN信号采集器来采集不同状态下车辆的驾驶行为信号，主要采集的有：当前速度、加速度以及方向盘的角速度数据，根据驾驶行为信号和车辆行驶实际状态构建第二数据集，训练神经网络得到驾驶行为信号和车辆行驶实际状态之间的关系。训练方法如下：
1: 离线采集训练样本数据，分成训练和测试样本两部分，并转化成caffe深度学习框架需要的LMDB格式；2: 搭建基于深度学习AlexNet网络的分类模型，基于样本数据通过caffe深度学习框架进行训练和测试，不断进行调参，在训练过程收敛时，学习得到最终的模型参数文件；3：对2阶段训练得到的模型利用测试样本进行测试，若模型测试的预测正确率低于要求，则继续训练模型，若达到目标，则保存学习到的模型参数，以便将此模型用于在线阶段进行实际检测。
[0021]获取不同状态下面部状态检测结果、行驶状态检测结果，根据面部状态检测结果、行驶状态检测结果和真实状态构建第三数据集，训练神经网络得到关于面部状态检测结果和行驶状态检测结果的置信度判定模型。
[0022]训练方法如下：1: 离线采集训练样本数据，分成训练和测试样本两部分，并转化成caffe深度学习框架需要的LMDB格式；2: 搭建基于深度学习多线索卷积神经分类网络模型，基于样本数据通过caffe深度学习框架进行训练和测试，不断进行调参，在训练过程收敛时，学习得到最终的模型参数文件；3：对2阶段训练得到的模型利用测试样本进行测试，若模型测试的预测正确率低于要求，则继续训练模型，若达到目标，则保存学习到的模型参数，以便将此模型用于在线阶段进行实际检测。
[0023]获取实时人脸区域关键点图像信息、车辆驾驶行为信息；将所述人脸区域关键点图像信息输入面部状态识别模型，获得面部状态检测结果；将所述车辆驾驶行本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种疲劳驾驶的检测识别方法，其特征在于，包括以下步骤：获取人脸区域关键点图像信息、车辆驾驶行为信息；将所述人脸区域关键点图像信息输入面部状态识别模型，获得面部状态检测结果；将所述车辆驾驶行为信息输入行驶状态识别模型，获得行驶状态检测结果；将所述面部状态检测结果和行驶状态检测结果输入置信度判定模型，输出最终检测结果。2.根据权利要求1所述疲劳驾驶的检测识别方法，其特征在于，所述人脸区域关键点图像信息包括嘴部、眼部、头部图像数据。3.根据权利要求2所述疲劳驾驶的检测识别方法，其特征在于，所述面部状态识别模型的训练过程为：获取不同状态下人脸区域关键点图像信息和面部实际状态；根据人脸区域关键点图像信息和面部实际状态构建第一数据集；基于所述第一数据集对设定的神经网络进行训练，获得所述面部状态识别模型。4.根据权利要求1所述疲劳驾驶的检测识别方法，其特征在于，所述车辆驾驶行为信息包括速度、加速度以及方向盘的角速度数据。5.根据权利要求4所述疲劳驾驶的检测识别方法，其特征在于，所述行驶状态识别模型的训练过程为：获取不同状态下车辆驾驶行为信息和车辆行驶实际状态；根据车辆驾驶行为信息和车辆行驶实际状态构建第二数据集；基于所述第二数...
【专利技术属性】
技术研发人员：刘星，徐蕾艳，刘禹兴，陈雪琪，高红，
申请(专利权)人：南京信息职业技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。