【技术实现步骤摘要】
一种基于动态候选时间序列的端云协同疲劳驾驶检测方法
[0001]本专利技术涉及计算机视觉检测
，具体是涉及一种基于动态候选时间序列的端云协同疲劳驾驶检测方法
。
技术介绍
[0002]为了提高道路交通安全，对驾驶员的疲劳状态进行实时监测和预警是至关重要的
。
传统的疲劳驾驶检测方法主要基于驾驶员的生理信号，如脑电
、
心率等进行分析，但这些方法需要与驾驶员身体进行接触，实行条件比较苛刻
。
近年来，基于计算机视觉的疲劳驾驶检测技术得到了快速发展，这类方法主要通过分析驾驶员的面部特征，如眼睛
、
嘴巴的状态，来判断驾驶员是否疲劳
。
但这些方法往往依赖于高算力设备进行实时分析，不仅计算资源消耗大，而且可能出现误报率较高的问题
。
[0003]随着云计算和边缘计算的崛起，端云协同计算受到了越来越多的关注
。
端云协同计算旨在将计算任务在云端和端侧设备之间进行合理分配，从而充分利用两者的计算能力，实现高效的...
【技术保护点】
【技术特征摘要】
1.
一种基于动态候选时间序列的端云协同疲劳驾驶检测方法，其特征在于，所述方法包括以下步骤：获取人像图像帧数据；根据位置估计模型对人像图像帧数据进行分析得到待检测图像，使得驾驶员位置被确定，并且裁剪出驾驶员的头部画面；将待检测图像按照动态候选序列进行存储；根据疲劳分神检测模型对待检测图像处理得到检测结果，所述检测结果为驾驶员疲劳驾驶的行为，所述位置估计模型和疲劳分身检测模型均由卷积神经网络训练得到；将检测结果上传至云端；使得云端根据高精度模型对检测结果进行校对，检测结果中的异常结果被去除，且使得疲劳分神检测模型迭代更新
。2.
根据权利要求1所述的基于动态候选时间序列的端云协同疲劳驾驶检测方法，其特征在于，所述根据位置估计模型对人像图像帧数据进行分析得到待检测图像的步骤，具体包括：根据位置估计模型对人像图像帧数据进行处理，所述位置估计模型解码输出结果为边界框回归参数和深度位置回归参数；根据所述边界回归参数和深度回归参数得到关于驾驶员的待检测图像
。3.
根据权利要求1所述的基于动态候选时间序列的端云协同疲劳驾驶检测方法，其特征在于，所述卷积神经网络包括骨干网络
、
加强特征提取网络和深度检测头，所述加强特征提取网络用于对骨干网络中的特征进行多种不同尺度的采样，所述深度检测头用于区分车内前后座的人员
。4.
根据权利要求1所述的基于动态候选时间序列的端云协同疲劳驾驶检测方法，其特征在...
【专利技术属性】
技术研发人员：赵作鹏，贺晨，赵广明，周杰，闵冰冰，缪小然，胡建峰，高宇蒙，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：
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。