一种基于深度学习的驾驶员疲劳检测方法及系统技术方案

本发明专利技术公开了一种基于深度学习的驾驶员疲劳检测方法，其包括训练步骤和实测步骤，在训练步骤：采集驾驶员在不同疲劳状态下的面部图像作为样本数据，所述样本数据是经过标定的样本数据；构建特征提取神经网络，将所述样本数据输入特征提取神经网络，以输出表征驾驶员疲劳状态的特征向量，对输出的特征向量进行三元组损失函数计算以得到误差，并基于误差对特征提取神经网络进行反向传播参数更新，以训练特征提取神经网络的参数；在实测步骤：采集驾驶员面部图像；将该面部图像输入经过训练的特征提取神经网络，以输出实测特征向量；将该实测特征向量与先前样本数据集中获取到的各不同状态的平均向量特征进行比较，以确定驾驶员的当前疲劳状态。的当前疲劳状态。的当前疲劳状态。

【技术实现步骤摘要】
一种基于深度学习的驾驶员疲劳检测方法及系统


[0001]本专利技术涉及一种用于车辆的辅助检测方法及系统，尤其涉及一种驾驶员疲劳检测方法及系统。

技术介绍

[0002]近年来，随着汽车产业不断发展，车辆智能化程度也随之越来越高。在现在车辆内，往往会对驾驶员进行疲劳检测，以在驾驶员出现疲劳或注意力不集中的情况时进行语音或震动提醒，从源头预防交通事故发生。
[0003]在当前现有技术中，驾驶员疲劳检测手段通常分为主动式检测和被动式检测。其中，被动式检测可以采集驾驶员的驾驶行为，其通过对汽车的行驶状态，如速度，转角等数据进行分析，可以对当前驾驶行为进行判断，以此来检测当前驾驶员的一个疲劳程度。
[0004]而主动式检测能够通过收集驾驶员的面部图像、心率数据以及呼吸频率等生理数据来检测驾驶员的疲劳状态和分心情况。在实际应用时，由于主动式检测收集的数据更贴近驾驶员的真实疲劳情况，所以目前较多的研究方法集中在主动式检测。
[0005]在现有的主动式疲劳检测过程中，实践中往往会将驾驶员打哈欠作为一个疲劳的指标纳入疲劳检测中；所以目前的驾本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的驾驶员疲劳检测方法，其特征在于，包括训练步骤和实测步骤，其中在训练步骤：采集驾驶员在不同疲劳状态下的面部图像作为样本数据，其中所述样本数据是经过标定的样本数据；构建特征提取神经网络，将所述样本数据输入所述特征提取神经网络，以使特征提取神经网络输出表征驾驶员疲劳状态的特征向量，对输出的特征向量进行三元组损失函数计算以得到误差，并基于误差对特征提取神经网络进行反向传播参数更新，以训练特征提取神经网络的参数；其中，在实测步骤，：采集驾驶员的面部图像；将该面部图像输入经过训练的特征提取神经网络，以输出实测特征向量；将该实测特征向量与先前样本数据集中获取到的各不同状态的平均向量特征进行比较，以确定驾驶员的当前疲劳状态。2.如权利要求1所述的基于深度学习的驾驶员疲劳检测方法，其特征在于，在训练步骤中，采集驾驶员不同角度下的面部图像，并对其进行人脸姿态归一化处理，以将偏斜的人脸统一校正到正脸的姿态下。3.如权利要求2所述的基于深度学习的驾驶员疲劳检测方法，其特征在于，采用仿射变换进行人脸姿态归一化处理。4.如权利要求1所述的基于深度学习的驾驶员疲劳检测方法，其特征在于，所述样本数据包括若干个样本组，其中每一个样本组均由<锚点,正样本,负样本>构成，其中锚点和正样本为同一疲劳状态或同一类别下的不同的两张驾驶员面部图像，负样本为不同于锚点和正样本所表征的疲劳状态或类别的另一疲劳状态或类别下的驾驶员面部图像。5.如权利要求1所述的基于深度学习的驾驶员疲劳检测方法，其特征在于，所述三元组损失函数L为：L＝max(d(a,p)
‑
d(a,n)+margin,0)其中，函数d(a...

【专利技术属性】
技术研发人员：张睿凡，吴轶群，张雯君，左锐，
申请(专利权)人：上汽大众汽车有限公司，
类型：发明
国别省市：