驾驶行为的检测制造技术

本公开提出了一种驾驶行为的检测方法

【技术实现步骤摘要】
驾驶行为的检测、模型训练方法、装置、系统和车辆


[0001]本公开涉及智能驾驶
，特别涉及一种驾驶行为的检测
、
模型训练方法
、
装置
、
系统和车辆
。

技术介绍

[0002]车辆是运输行业的重要运输工具
。
无论是长途还是短途运输，夜间行车非常普遍
。
在夜间行车时，由于道路上的车流量较小，司机比较容易高速行车，以提高运输效率
。
但是，在夜间行车时，司机容易疲劳瞌睡，从而可能引发安全事故
。
因此，在定位高端化的车辆上，疲劳驾驶检测成为亮点配置
。
[0003]从光照条件上分析，夜间的光照强度普遍低于白天，这使得低光照成为夜间行车最为常见的一种工况
。
此外，由于夜间道路照明情况复杂，这使得夜间行车时司机的面部光照条件变化剧烈
。
这些因素叠加，增加了夜间行车疲劳驾驶检测的难度
。
[0004]相关技术中，提出了一种低光照情况下的疲劳检测方法
...

【技术保护点】

【技术特征摘要】
1.
一种驾驶行为的检测方法，包括：获取驾驶员的可见光图像和红外图像；利用训练后的人脸检测模型，提取与所述可见光图像对应的第一特征图
、
和与所述红外图像对应的第二特征图，对所述第一特征图和所述第二特征图进行融合，以得到融合后的特征图，根据所述融合后的特征图，确定所述驾驶员的人脸检测结果，所述人脸检测模型为深度学习网络模型；根据所述人脸检测结果，确定所述驾驶员的驾驶行为的类别
。2.
根据权利要求1所述的驾驶行为的检测方法，其中，所述人脸检测模型包括特征提取网络模块，所述特征提取网络模块包括第一特征提取网络单元和第二特征提取网络单元，所述提取与所述可见光图像对应的第一特征图
、
和与所述红外图像对应的第二特征图包括：利用所述第一特征提取网络单元，对所述可见光图像进行特征提取，以得到所述第一特征图；利用所述第二特征提取网络单元，对所述红外图像进行特征提取，以得到所述第二特征图
。3.
根据权利要求2所述的驾驶行为的检测方法，其中，所述特征提取网络模块还包括第一信息融合网络单元，所述对所述第一特征图和所述第二特征图进行融合，以得到融合后的特征图包括：利用所述第一信息融合网络单元，对所述第一特征图和所述第二特征图中的像素的特征值进行融合，以得到融合后的中间特征图，基于注意力机制确定所述融合后的中间特征图的通道权重，根据所述通道权重对所述融合后的中间特征图进行调整，以得到调整后的特征图；根据所述调整后的特征图，确定所述融合后的特征图
。4.
根据权利要求3所述的驾驶行为的检测方法，其中，所述对所述第一特征图和所述第二特征图中的像素的特征值进行融合，以得到融合后的中间特征图包括：根据所述第一特征图中每个像素的特征值
、
和所述每个像素在所述第二特征图中的特征值中的最大值，确定所述每个像素在第一中间特征图中的特征值；根据所述第一特征图中每个像素的特征值
、
和所述每个像素在所述第二特征图中的特征值中的平均值，确定所述每个像素在第二中间特征图中的特征值；对所述第一中间特征图和所述第二中间特征图进行拼接，以得到所述融合后的中间特征图
。5.
根据权利要求3所述的驾驶行为的检测方法，其中，所述特征提取网络还包括第三特征提取网络单元
、
第四特征提取网络单元
、
以及第二信息融合网络单元，所述对根据所述调整后的特征图，确定所述融合后的特征图包括：利用所述第三特征提取网络单元，根据所述第一特征图和所述调整后的特征图，确定第三特征图；利用所述第四特征提取网络单元，根据所述第二特征图和所述调整后的特征图，确定第四特征图；利用所述第二信息融合网络单元，对所述第三特征图和所述第四特征图进行融合，以
得到所述融合后的特征图
。6.
根据权利要求2所述的驾驶行为的检测方法，其中，所述第一特征提取网络单元包括瓶颈层，所述第二特征提取网络单元包括卷积层和瓶颈层
。7.
根据权利要求1所述的驾驶行为的检测方法，其中，所述融合后的特征图包括多个尺寸的融合特征图，所述人脸检测模型还包括特征金字塔和输出网络模块，所述根据所述融合后的特征图确定所述驾驶员的人脸检测结果包括：利用所述特征金字塔，对所述多个尺寸的融合特征图进行增强，以得到多个尺寸的增强特征图；利用所述输出网络模块，根据所述多个尺寸的增强特征图，确定所述驾驶员的人脸检测结果
。8.
根据权利要求1至7任一所述的驾驶...

【专利技术属性】
技术研发人员：李俣彤，周旋，王凯，黄帅，张钊，魏慧娟，王乐秋，马贺龙，任一飞，孟祥虎，
申请(专利权)人：徐州徐工汽车制造有限公司，
类型：发明
国别省市：