基于深度学习的分心驾驶行为预警方法、装置及电子设备制造方法及图纸

本发明专利技术涉及一种基于深度学习的分心驾驶行为预警方法、装置及电子设备，包括：构建初始分心驾驶行为深度学习模型，获取分心驾驶数据输入样本集，以分心驾驶行为类型为输出，迭代训练所述初始分心驾驶行为深度学习模型，得到训练完备的目标分心驾驶行为深度学习模型；获取驾驶员行为特征数据，将所述驾驶员行为特征数据输入至所述目标分心驾驶行为深度学习模型，得到驾驶员的驾驶行为类型；根据分心驾驶行为类型确定驾驶员驾驶状态，根据所述驾驶状态确定预警信息。本发明专利技术实现了实时预警分心驾驶行为，保障驾驶员的行车安全。保障驾驶员的行车安全。保障驾驶员的行车安全。

【技术实现步骤摘要】
基于深度学习的分心驾驶行为预警方法、装置及电子设备


[0001]本专利技术涉及汽车驾驶研究
，尤其涉及一种基于深度学习的分心驾驶行为预警方法、装置及电子设备。

技术介绍

[0002]随着社会不断发展，汽车需求量和使用的逐渐增多，驾驶汽车时总会现各种影响交通安全的问题，其中分心或疲劳驾驶在驾驶中尤为常见，驾驶汽车过程中一旦驾驶员分心极易导致交通事故。
[0003]目前本研究领域已存在以下三种研究方法：基于接触式识别方法，主要进行脑电信号(EEG)和眼电信号(EOG)检测。优点是有较高的时间分辨率，实时性高，缺点则是一定程度上影响驾驶员，一定程度上本末倒置，且忽视了对特定危险动作的识别，只针对疲劳驾驶；基于人体姿态估计的行为识别方法，优点是弥补基于单目摄像头方法中很少能识别驾驶员肢体运动情况的不足，缺点是用于姿态估计的CNN模型通常网络层数深、参数多、计算量大；基于循环网络模型的方法，优点是识别准确率高，能够自动从大量训练图片中学习特征，缺点同样明显，存在计算顺序依赖，容易导致训练速度的推理速度缓慢。
[0004]综上，该领域的相关应用技术尚未成熟，对驾驶员的分心驾驶行为识别率低下，相关产品的处理效率不高，实时性不强，稳定性不高，高品质硬件成本昂贵，应用耦合度低下且功能单一，这也是当前相关技术未能大范围普及的原因，因此，如何快速高效的检测驾驶员是否分心驾驶并做出相应的应对措施是亟待解决的问题。

技术实现思路

[0005]有鉴于此，有必要提供一种基于深度学习的分心驾驶行为预警方法、设备和电子设备，以克服现有技术中对驾驶员的分心驾驶行为识别率低下以及处理效率低等问题。
[0006]为了解决上述技术问题，本专利技术提供一种基于深度学习的分心驾驶行为预警方法，包括：
[0007]构建初始分心驾驶行为深度学习模型，获取分心驾驶数据输入样本集，以分心驾驶行为类型为输出，迭代训练所述初始分心驾驶行为深度学习模型，得到训练完备的目标分心驾驶行为深度学习模型；
[0008]获取驾驶员行为特征数据，将所述驾驶员行为特征数据输入至所述目标分心驾驶行为深度学习模型，得到驾驶员的驾驶行为类型；
[0009]根据所述分心驾驶行为类型确定驾驶员驾驶状态，根据所述驾驶状态确定预警信息。
[0010]优选的，所述初始分心驾驶行为深度学习模型包括初始面部识别模型和初始上肢行为识别模型。
[0011]优选的，所述获取分心驾驶数据输入样本集，以分心驾驶类型为输出，迭代训练所述初始分心驾驶行为深度学习模型，包括：
[0012]获取分心驾驶数据输入样本集，所述分心驾驶数据输入样本集包括驾驶员面部数据输入样本集和驾驶员上肢行为数据输入样本集；
[0013]将所述驾驶员面部数据输入样本集输入至所述初始面部识别模型，以分心驾驶行为类型为输出，迭代训练得到目标面部识别模型；
[0014]将所述驾驶员上肢行为输入样本集输入至所述初始上肢行为识别模型，以分心驾驶行为类型为输出，迭代训练得到目标上肢行为识别模型。
[0015]优选的，所述得到训练完备的目标分心驾驶行为深度学习模型，包括：将所述目标面部识别模型和目标上肢行为识别模型进行模型融合，得到训练完备的目标分心驾驶行为深度学习模型。
[0016]优选的，所述将所述目标面部识别模型和目标上肢行为识别模型进行模型融合，得到训练完备的目标分心驾驶行为深度学习模型，包括：将所述目标面部识别模型的输出和所述目标上肢行为识别模型的输出进行叠加合并，并将所述叠加合并后的输出作为所述目标分心驾驶行为深度学习模型的输出。
[0017]优选的，所述初始面部识别模型为CNN卷积神经网络模型，且所述CNN卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出层。
[0018]优选的，所述初始上肢行为识别模型为VGGNet深度卷积神经网络模型，且所述VGGNet深度卷积神经网络模型采用VGG16网络模型。
[0019]为了解决上述问题，本专利技术还提供了一种基于深度学习的分心驾驶行为预警装置，包括：
[0020]模型训练模块，用于构建初始分心驾驶行为深度学习模型，获取分心驾驶数据输入样本集，以分心驾驶行为类型为输出，迭代训练所述初始分心驾驶行为深度学习模型，得到训练完备的目标分心驾驶行为深度学习模型；
[0021]驾驶类型确定模块，用于获取驾驶员行为特征数据，将所述驾驶员行为特征数据输入至所述目标分心驾驶行为深度学习模型，得到驾驶员的驾驶行为类型；
[0022]预警模块，用于根据所述驾驶行为类型确定驾驶员驾驶状态，根据所述驾驶状态确定预警信息。
[0023]为了解决上述问题，本专利技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现上述的基于深度学习的分心驾驶行为预警方法。
[0024]为了解决上述问题，本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现上述的基于深度学习的分心驾驶行为预警方法。
[0025]采用上述实施例的有益效果是：本专利技术提供的基于深度学习的分心驾驶行为预警方法，通过获取分心驾驶数据输入样本集对初始分心驾驶行为深度学习模型进行训练，得到分心驾驶行为深度学习模型，通过目标驾驶行为深度学习模型对驾驶员驾驶时的图像进行实时的识别，若存在分心驾驶的行为则对驾驶员进行实时的预警。因此，本专利技术通过对分心驾驶的行为进行神经网络训练，通过神经网络训练的收敛来对分心驾驶行为进行样本区分，并进一步在实时采集到驾驶员的面部和上肢信息时快速判断出是否存在分心驾驶行为，其能够显著提高分心驾驶行为的识别精度，并能对驾驶员的分心驾驶行为进行及时的预警，提高驾驶员行车的安全性。
附图说明
[0026]图1为本专利技术提供的基于深度学习的分心驾驶行为预警方法一实施例的流程图；
[0027]图2为图1中步骤S101一实施例的方法流程图；
[0028]图3为本专利技术中面部识别模型一实施例的系统架构图；
[0029]图4为本专利技术中上肢行为识别模型一实施例的系统架构图；
[0030]图5为本专利技术中模型融合一实施例的系统架构图；
[0031]图6为本专利技术中步骤S102和S103一实施例的流程图；
[0032]图7为基于深度学习的分心驾驶行为预警装置的一个实施例的结构示意图；
[0033]图8为本专利技术实施例提供的电子设备的一个实施例结构示意图。
具体实施方式
[0034]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0035]本专利技术提供了一种基于深度学习的分心驾驶行为预警方法、装置、电子设备及储存介质，以下分别进行说明。
...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的分心驾驶行为预警方法，其特征在于，包括：构建初始分心驾驶行为深度学习模型，获取分心驾驶数据输入样本集，以分心驾驶行为类型为输出，迭代训练所述初始分心驾驶行为深度学习模型，得到训练完备的目标分心驾驶行为深度学习模型；获取驾驶员行为特征数据，将所述驾驶员行为特征数据输入至所述目标分心驾驶行为深度学习模型，得到驾驶员的驾驶行为类型；根据所述分心驾驶行为类型确定驾驶员驾驶状态，根据所述驾驶状态确定预警信息。2.根据权利要求1所述的基于深度学习的分心驾驶行为预警方法，其特征在于，所述初始分心驾驶行为深度学习模型包括初始面部识别模型和初始上肢行为识别模型。3.根据权利要求1所述的基于深度学习的分心驾驶行为预警方法，其特征在于，所述获取分心驾驶数据输入样本集，以分心驾驶类型为输出，迭代训练所述初始分心驾驶行为深度学习模型，包括：获取分心驾驶数据输入样本集，所述分心驾驶数据输入样本集包括驾驶员面部数据输入样本集和驾驶员上肢行为数据输入样本集；将所述驾驶员面部数据输入样本集输入至所述初始面部识别模型，以分心驾驶行为类型为输出，迭代训练得到目标面部识别模型；将所述驾驶员上肢行为输入样本集输入至所述初始上肢行为识别模型，以分心驾驶行为类型为输出，迭代训练得到目标上肢行为识别模型。4.根据权利要求1所述的基于深度学习的分心驾驶行为预警方法，其特征在于，所述得到训练完备的目标分心驾驶行为深度学习模型，包括：将所述目标面部识别模型和目标上肢行为识别模型进行模型融合，得到训练完备的目标分心驾驶行为深度学习模型。5.根据权利要求4所述的基于深度学习的分心驾驶行为预警方法，其特征在于，所述将所述目标面部识别模型和目标上肢行为...

【专利技术属性】
技术研发人员：陈龙，毛林，王海晖，周耀胜，蒋海洋，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：