【技术实现步骤摘要】
一种基于图像识别的疲劳驾驶识别方法
[0001]本专利技术涉及计算机视觉领域，尤其涉及一种基于图像识别的疲劳驾驶识别方法。
技术介绍
[0002]汽车速度的提高，恶性交通事故的频繁发生以及经常性的交通拥挤使得人们对车辆安全性快捷性提出了更高的要求。车辆安全、交通堵塞以及环境污染是困扰当今国际公路运输领域的三大挑战性的难题，尤其以车辆安全问题最为严重。车辆交通事故所造成的巨大开销使得各国政府以及大汽车公司都纷纷把提高车辆安全问题和减少车辆交通事故问题作为未来汽车的主要发展方向。在这种环境下，以采用高科技为特征的车辆安全驾驶辅助技术受到空前的重视；因此，专利技术出一种基于图像识别的疲劳驾驶识别方法变得尤为重要。
[0003]经检索，中国专利号CN109284698A公开了一种基于图像识别技术的疲劳驾驶行为检测方法，该专利技术虽然有效地提高异常驾驶行为的检测精度，并且检测结果对因光照、驾驶员头部姿态产生的干扰具有很好的鲁棒性，但是需工作人员手动寻参，参数精度低，且操作难度较高；此外，现有的基于图像识别的疲劳驾驶识别方法处理...
【技术保护点】
【技术特征摘要】
1.一种基于图像识别的疲劳驾驶识别方法，其特征在于，该识别方法具体步骤如下：(1)确定人脸区域并进行面部采集；(2)构建疲劳识别模型并调整该模型参数；(3)提取面部特征信息以进行疲劳检测；(4)反馈识别结果同时进行驾驶拦截；(5)记录识别数据并将其进行区块存储。2.根据权利要求1所述的一种基于图像识别的疲劳驾驶识别方法，其特征在于，步骤(1)中所述面部采集具体步骤如下：步骤一：通过车载摄像头采集用户影像信息，之后将采集到的用户影像信息进行逐帧分解以获取头部图片，再按照各组头部图片的显示比例对其进行分块处理；步骤二：对分块后的各组头部图片通过傅里叶变换对数据中高频成分进行分析提取，并通过高斯滤波进行平滑处理，再分别计算各头部图片的灰度值的平均值，之后比较各头部图片中每组像素的灰度值与计算出的均值，将小于均值的图像区域筛除；步骤三：通过图像金字塔对各头部图片进行尺度归一化处理，并通过骨干卷积神经网络对各组头部图片进行特征提取，再将提取出的特征送入双向特征金字塔进行特征融合，再将融合结果进行分类回归，输出检测框，并依据生成的检测框对驾驶员脸部进行扩大化剪裁以获取面部图片。3.根据权利要求2所述的一种基于图像识别的疲劳驾驶识别方法，其特征在于，步骤(2)中所述疲劳识别模型具体构建步骤如下：步骤Ⅰ：提取过往疲劳识别信息以及对应驾驶员面部信息，并将收集到的数据整合成样本数据集，之后计算该样本数据集的标准偏差以剔除样本数据集中的异常数据，再对剩余数据作标准化以及归一化处理；步骤Ⅱ：将处理后的数据划分为测试集以及训练集，之后再对一组卷积神经网络的参数进行赋值，再依据预设信息确定各神经网络层神经元数以及各神经元激励函数；步骤Ⅲ：通过训练集对设置完成的卷积神经网络进行训练，并获取输出层为隐节点输出的线性组合，之后定义该卷积神经网络多轮学习后的能量函数，当能量函数小于目标误差时，训练过程结束并输出疲劳识别模型；之后将测试集导入疲劳识别模型中进行测试，并计算该隔离网络模型损失值。4.根据权利要求3所述的一种基于图像识别的疲劳驾驶识别方法，其特征在于，步骤Ⅰ中所述标准化处理具体计算公式如下：其中，x表示样本数据集中各数据的特征参数；mean(x)表示对所有特征参数进行平均处理；std(x)表示对特征参数求标准差；步骤Ⅲ中所述归一化处理具体计算公式如下：其中，x
new
表示归一化后的数据；x
max
表示特征数据的最大值；x
min
特征数据的最小值。
5.根据权利要求3所述的一种基于图像识别的疲劳驾驶识别方法，其特征在于，步骤(4)中所述疲劳识别模型参数调整具体步骤如下：步骤
①
：将疲劳识别模型损失值与预设阈值进行比较，若损失值不在该阈值范围，则在该疲劳识别模型的规定区间内初始化网络连接权值，之后从训练时的输入以及输出对的集合中提交训练样本，并计算该疲劳识别模型的输出，在比较期望的网络输出与实际的网络输出，并且计算所有神经元的局部误差；步骤
②
：当局部误差超出工作人员预设阈值后，依据学习规则方程对该疲劳识别模型的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果；步骤
③
：对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练测试模型后对测试集进行检测，并统计检测结果的均方根误...
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。