驾驶员异常行为检测方法和电子设备技术

本申请公开了一种驾驶员异常行为检测方法和电子设备。该方法包括：获取多张第一图像，其中，第一图像包含驾驶员至少一个部位；利用检测网络分别对每张第一图像进行异常行为检测，得到每张第一图像的检测结果；基于每张第一图像的检测结果，得到驾驶员的异常行为检测结果。通过上述方式，能够提高驾驶员的异常行为检测结果的准确性。为检测结果的准确性。为检测结果的准确性。

【技术实现步骤摘要】
驾驶员异常行为检测方法和电子设备


[0001]本申请涉及图像处理领域，特别是涉及一种驾驶员异常行为检测方法和电子设备。

技术介绍

[0002]驾驶员的行为对驾驶过程是否安全产生直接影响。如果驾驶员在驾驶过程中存在异常行为，很有可能导致交通事故的发生。例如驾驶员在驾驶过程中抽烟、打电话，会分散驾驶员的注意力，相应地发生交通事故的概率提升。
[0003]因此，很有必要对驾驶员进行异常行为检测，确定驾驶员是否存在异常行为，以便在确定驾驶员存在异常行为的情况下对其进行提醒，使其纠正行为。
[0004]然而，现有的驾驶员异常行为检测方法得到的检测结果准确度不高。

技术实现思路

[0005]本申请提供一种驾驶员异常行为检测方法和电子设备，能够解决现有的驾驶员异常行为检测方法得到的检测结果准确度不高的问题。
[0006]为解决上述技术问题，本申请采用的一个技术方案是：提供一种驾驶员异常行为检测方法。该方法包括：获取多张第一图像，其中，第一图像包含驾驶员至少一个部位；利用检测网络分别对每张第一图像进行异常行为检测，得到每张第一图像的检测结果；基于每张第一图像的检测结果，得到驾驶员的异常行为检测结果。
[0007]为解决上述技术问题，本申请采用的另一个技术方案是：提供一种电子设备，该电子设备包括处理器、与处理器连接的存储器，其中，存储器存储有程序指令；处理器用于执行存储器存储的程序指令以实现上述方法。
[0008]通过上述方式，本申请利用检测网络对多张第一图像进行异常行为检测，基于多张第一图像的检测结果来综合分析驾驶员的异常行为。其中，由于检测网络为深度学习网络，因此相对于传统的图像处理方法，能够提高第一图像的检测结果的准确性，进而能够提高基于第一图像的检测结果得到的驾驶员的异常行为检测结果的准确性。并且，相较于仅利用单张第一图像来分析驾驶员异常行为的方式，能够进一步提高得到的驾驶员的异常行为检测结果的准确性。
附图说明
[0009]图1是本申请驾驶员异常行为检测方法实施例一的流程示意图；
[0010]图2是图1中S11的具体流程示意图；
[0011]图3是第二图像的示意图；
[0012]图4是第二图像中的人脸区域和经扩边处理的人脸区域的示意图；
[0013]图5是本申请驾驶员异常行为检测方法实施例二的流程示意图；
[0014]图6是图5中S21的具体流程示意图；
[0015]图7是本申请检测网络的结构示意图；
[0016]图8是本申请驾驶员异常行为检测方法实施例三的流程示意图；
[0017]图9是本申请例子3的流程示意图；
[0018]图10是本申请检测网络的训练方法实施例一的流程示意图；
[0019]图11是本申请电子设备一实施例的结构示意图；
[0020]图12是本申请存储介质一实施例的结构示意图。
具体实施方式
[0021]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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，都属于本申请保护的范围。
[0022]本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0023]在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，在不冲突的情况下，本文所描述的实施例可以与其它实施例相结合。
[0024]图1是本申请驾驶员异常行为检测方法实施例一的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图1所示的流程顺序为限。如图1所示，本实施例可以包括：
[0025]S11：获取多张第一图像。
[0026]其中，第一图像包含驾驶员至少一个部位。
[0027]第一图像可以为驾驶场景下基于摄像器件对驾驶员进行拍摄得到的，也可以为对拍摄得到的图像进一步处理(例如裁剪、扩边等)得到的。以摄像器件拍摄得到的为例，多张第一图像可以是摄像器件连续拍摄到的，也可以是间隔拍摄到的。多张第一图像可以组成一个图像序列，该图像序列中，第一图像按照拍摄时间的先后顺序排列。第一图像的类型可以为RGB、IR等，具体取决于摄像器件的类型。
[0028]第一图像包含的驾驶员的部位可以为可能发生异常行为/异常行为关联的部位。可能发生的异常行为可以包括打哈欠、抽烟(嘴叼烟、手拿烟)、接/打电话、手离开方向盘等。因此可能发生异常行为的部位可以包括驾驶员的脸、手、耳朵等部位。
[0029]结合参阅图2，在第一图像包含驾驶员的脸部，且第一图像为对拍摄得到的图像进一步处理得到的图像的情况下，则S11中获取多张第一图像，可以包括以下子步骤：
[0030]S111：对驾驶员进行拍摄得到多张第二图像。
[0031]可以利用摄像器件对驾驶员进行实时拍摄得到多张第二图像。其中，第二图像示例请参阅图3。
[0032]S112：分别对每张第二图像进行人脸检测，以确定每张第二图像中是否存在人脸
区域。
[0033]若存在，则执行S113。
[0034]S113：将第二图像中的人脸区域进行扩边处理。
[0035]扩边处理可以为将第二图像中的人脸区域向周围(左右上下的至少一个方向)扩展一定像素，以将异常行为关联的部位包括在扩边处理后的人脸区域内，有利于后续的检测。
[0036]例如，驾驶员在接电话时，接电话的区域由手
‑
手机
‑
耳朵构成，将人脸区域扩边处理，能够将手
‑
手机
‑
耳朵构成的接电话区域包括在内。又如，驾驶员在抽烟时，抽烟区域由嘴
‑
烟构成，将人脸区域扩边处理，能够将嘴
‑
烟构成的抽烟区域包括在内。
[0037]图4中的1为第二图像中的人脸区域示例，图4中的2为第二图像中经扩边处理的人脸区域示例。
[0038]S114：将经扩边处理的人脸区域从对应的第二图像中截取出来，作为第一图像。
[0039]S12：利用检测网络分别对每张第一图像进行异常行为检测，得到每张第一图像的检测结果。
[0040]检测网络为具有目标(异常行为)检测能力的深度学习网络，即目标检测网络。其对环境适应能力强、鲁棒性高，因此相对于传统的图像检测方法，本申请利用检测网络来对第一图像进行异常行为检测，能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种驾驶员异常行为检测方法，其特征在于，包括：获取多张第一图像，其中，所述第一图像包含所述驾驶员至少一个部位；利用检测网络分别对每张所述第一图像进行异常行为检测，得到每张所述第一图像的检测结果；基于每张所述第一图像的检测结果，得到所述驾驶员的异常行为检测结果。2.根据权利要求1所述的方法，其特征在于，所述第一图像的检测结果包括一种或多种异常行为类别的信息，每种所述异常行为类别的信息包括存在所述异常行为类别的概率和位置信息。3.根据权利要求2所述的方法，其特征在于，所述利用检测网络分别对每张所述第一图像进行异常行为检测，得到每张所述第一图像的检测结果，包括：对于每张所述第一图像，利用所述检测网络从所述第一图像提取多个锚点框；对每个所述锚点框进行异常行为检测，得到每个所述锚点框的所述异常行为类别的信息；将部分或者全部所述锚点框的所述异常行为类别的信息，作为所述第一图像的检测结果。4.根据权利要求3所述的方法，所述从所述第一图像提取多个锚点框，包括：对所述第一图像进行第一特征提取，得到第一特征图；利用感受野机制对所述第一特征图进行处理，得到第二特征图，并对所述第一特征图进行第二特征提取，得到第三特征图；对所述第二特征图和所述第三特征图进行融合，得到第四特征图；基于所述第四特征图，得到所述第一图像对应的多个锚点框。5.根据权利要求4所述的方法，其特征在于，所述对所述第二特征图和所述第三特征图进行融合，得到第四特征图，包括：将所述第二特征图和所述第三特征图中的对应位置进行加法处理，得到第四特征图；和/或，所述基于所述第四特征图，得到所述第一图像对应的多个锚点框，包括：对所述第四特征图进行至少一次第三特征提取，得到至少一张第五特征图，其中，每张所述第五特征图的分辨率不同；分别从所述第四特征图和每张所述第五特征图中提取至少一个所述锚点框，得到所述第一图像对应的多个锚点框。6.根据权利要求3所述的方法，其特...

【专利技术属性】
技术研发人员：杨硕，
申请(专利权)人：上海途擎微电子有限公司，
类型：发明
国别省市：