可穿戴式健康数据采集装置、安全驾驶监测系统及方法制造方法及图纸

本发明专利技术公开了一种可穿戴式健康数据采集装置、安全驾驶监测系统及方法，系统包括FPGA板载装置、可穿戴式健康数据采集装置、客户端及服务器；通过采集驾驶员视频，进行人脸检测和分析驾驶行为；采集乘车人的健康数据，分析乘车人的安全状态；及查看数据、管理车辆信息。本发明专利技术设计了一种压缩和加密算法，减少上传图像的数据量，同时避免出现隐私泄露问题。本发明专利技术设计了一种基于FPGA的高效的CNN图像识别加速器。该加速器适用于多个网络模型。本发明专利技术深入研究了SSD目标检测，量化权重参数，降低了存储规模，并将整个模型移植到Xilinx FPGA ZYNQ板卡上，验证了所设计加速器的性能。FPGA硬件加速器极大的提升了运行速度，并降低了能耗。并降低了能耗。并降低了能耗。

Wearable health data acquisition device, safe driving monitoring system and method

【技术实现步骤摘要】
可穿戴式健康数据采集装置、安全驾驶监测系统及方法


[0001]本专利技术属于深度学习与应用
，涉及一种具有完整解决方案的安全驾驶监测系统及方法，具体涉及一种可穿戴式健康数据采集装置、基于深度学习的安全驾驶监测系统及方法，涵盖了人脸检测算法以及APP开发、板载设备、可穿戴设备、硬件加速算法等技术。

技术介绍

[0002]汽车作为当下最常见也是最主要的交通工具，给出行带来了极大便利，但随着汽车保有量不断增长，每年发生的交通事故数量也在逐渐攀升，同时人们对驾驶安全性的要求也越来越高。据统计，交通事故中很大一部分是由于驾驶员主观方面造成，如酒后驾驶、疲劳驾驶、突发疾病等。智能安全驾驶监测系统是指搭载先进传感器、控制器、执行器等装置，融合现代通信与网络技术，实现车与人的智能信息交换共享，具备复杂的环境感知、智能决策、协同控制和执行等功能。在汽车准备行驶或行驶过程中随时来获取驾驶员状态，收集数据，进行判别驾驶行为，并结合导航仪地图数据，进行系统的运算与分析，从而预先让驾驶者察觉到可能发生的危险，有效增加汽车驾驶的舒适性和安全性。<br/>[0003]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种可穿戴式健康数据采集装置，其特征在于：包括控制模块、电源模块、温度检测模块、血氧心率检测模块、按键模块、蜂鸣器报警模块和液晶显示屏模块；所述控制模块分别与所述电源模块、温度检测模块、血氧心率检测模块、按键模块、蜂鸣器报警模块和液晶显示屏模块连接通信。2.一种安全驾驶监测系统，其特征在于：包括FPGA板载装置、可穿戴式健康数据采集装置、客户端及服务器；所述FPGA板载装置，设置在汽车驾驶舱内，位于驾驶员前方，用于采集驾驶员视频，进行人脸检测和定位、确定驾驶员的位置，为驾驶行为分析提供基础；所述可穿戴式健康数据采集装置，佩戴在乘车人身体上，用于采集乘车人的健康数据，为安全状态分析提供基础；所述服务器，用于保存FPGA板载装置和可穿戴式健康数据采集装置采集的数据，分析数据，获取驾驶员的驾驶行为和乘车人的安全状态；所述服务器通过网络与所述FPGA板载装置、可穿戴式健康数据采集装置和客户端连接通信，用户通过所述客户端查看数据、管理车辆信息；所述服务器，为云服务器或本地服务器。3.根据权利要求2所述的安全驾驶监测系统，其特征在于：所述FPGA板载装置，包括摄像头、显示器、酒精传感器、语音识别模块、通信模块、存储模块和微处理器；所述微处理器分别与所述摄像头、显示器、酒精传感器、语音识别模块、通信模块、存储模块连接，用于控制所述摄像头、显示器、酒精传感器、语音识别模块、通信模块、存储模块工作；所述客户端，用于用户注册、登录功能，在注册时采集人脸信息；用于用户添加和管理车辆信息；用于用户添加和管理关联用户；用于用户查看自己或关联用户的健康信息报表。4.一种安全驾驶监测方法，其特征在于：包括采集驾驶员视频，进行人脸检测和分析驾驶行为；采集乘车人的健康数据，分析乘车人的安全状态；及查看数据、管理车辆信息；所述采集驾驶员视频，进行人脸检测和分析驾驶行为，具体实现过程是：将采集到的驾驶员视频图像进行预处理，然后输入人脸检测模型中，获得长度为220的参数向量Tensor，进行人脸检测和分析驾驶行为；其中Tensor[0:3]为预测框的回归参数；Tensor[4]为预测框内为人脸的置信度；Tensor[5:217]为人脸特征点的回归参数，每两位对应一个特征点的横纵坐标；Tensor[218:219]为嘴巴与眼睛的开合预测值，以0代表闭合，1代表睁开；所述人脸检测模型，采用Retinaface模型，通过深度可分离卷积神经网络输出初步特征图谱，经图像金字塔FPN模块进行多尺度特征融合，SSH模块扩大图谱感受野后，通过1x1的卷积调整通道数，经激活函数得到参数向量；所述深度可分离卷积神经网络，采用MobileNet网络，包括conv
‑
batchnorm模块和conv
‑
depthwise模块，在图片输入后首先使用conv
‑
batchnorm模块进行初步计算，随后采用conv
‑
depthwise模块增加网络深度；所述深度可分离卷积神经网络，在图片尺寸大于预设值时减少conv
‑
depthwise模块个数，然后使用步长为2的conv
‑
depthwise模块将尺寸减半；在尺寸不大于预设值时连续使用步长为1的conv
‑
depthwise模块增加网络深度。5.根据权利要求4所述的安全驾驶监测方法，其特征在于：FPGA板载装置采集驾驶员视频，进行人脸检测，在计算过程中对卷积循环同时按输入特征图谱数量和输出特征图谱数
量两个维度进行展开；采用PIPELINE的方式，对输入特征通道展开和流水线加速，输入特征通道加速同卷积模块加速；针对输入特征图谱数量，每个时钟周期并行的从N张输入特征图上的同一位置读取一个数据和卷积核上所对应的权重计算乘积，乘积结果通过深度为log2(N)的加法树相加，得到这一次卷积的部分和，并将其存储；重复以上计算过程，直到计算完卷积所需的所有部分和，再将每次计算得到的部分和通过一个累加器累加起来，就得到了这次卷积计算的结果；针对输出特征图谱数量，每个时钟周期并行的将一张输入特征图上的某一数据与M个不同卷积核对应位置的权重计算乘积；重复以上计算过程，直到计算完卷积所需的所有输入特征图对应区域和M个卷积核对应区域的乘积。6.根据权利要求4所述的安全驾驶监测方法，其特征在于：所述人脸检测模型，为训练好的Retinaface模型；其训练过程具体包括以下步骤：步骤1：构建数据集；使用人像单一、具有106点位的LaPa数据集，对易分类的数据进行真实框的预测标注，确定最低置信度为0.955，对置信度低于0.955的数据进行人工标注；同时增加自制的驾驶场景照片集，并进行RGB和灰度图的转换、缩放、镜像操作，保证数据集的适用性；将数据集分为训练集train_set、验证集val_set和test_set测试集，数据集中的每个样本包含人像图片和对应的标注信息；步骤2：将训练集train_set中的数据，乱序输入所述深度可分离卷积神经网络中，对所述人脸检测模型进行训练，最终目标是最小化多任务损失函数的函数值；所述训练过程为：针对输入的图片数据，根据图片尺寸获取该图片上的先验框列表，然后图片数据经Mobilenet模块、特征金字塔网络FPN模块、SSH模块后得到特征图谱，从中提取出对每个先验框的预测值，即每个先验框的位置调整参数、包含人脸的概率、人脸特征点位置参数和眼睛、嘴巴开闭的预测结果，然后计算这些参数和真实值之间的损失值loss进行训练；所述多任务损失函数为：L＝L
cls
(pi，pi
*
)+μ1pi
*
L
box
(ti，ti
*
)+μ2pi
*
L
pts
(li，li
*
)+μ3pi
*
L
eop
(ei，ei
*
)+μ4pi

【专利技术属性】
技术研发人员：赵冬冬，程航宇，沈哲文，邓钰凡，张婉柔，董宽铄，梁启星，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：