[发明专利]一种基于深度学习的疲劳驾驶预警方法

说明书

本发明公开了一种基于深度学习的疲劳驾驶预警方法，通过高效的人脸检测技术、人眼检测技术、模板匹配技术以及深度卷积神经网络检测并判断驾驶员1分钟之内眼睛的开合度变化数据，计算疲劳参数PERCLOS指标，当系统判断驾驶员处于疲劳状态时，系统会发出报警声音。在视频识别中，保存第一帧检测的人眼模板，在接下的检测中原图与模板计算距离相关系数，减少了检测眼睛区域的开销，大大提高了系统的运行效率。通过深度卷积神经网络的训练，其目的是使损失函数最小化。将人眼图像输入深度卷积神经网络计算后，输出2*2的2维矩阵，通过选取概率值最大类别数据，作为眼睛实时状态数据，具有更高的准确性。

技术领域

本发明属于汽车安全驾驶技术，具体涉及一种基于深度学习的疲劳驾驶预警技术。

背景技术

随着汽车行业的发展，汽车成了人们最常用的代步工具。而由汽车引发的交通事故是当前世界各国所面临的严重社会问题之一，已被公认为当今世界危害人类生命安全的第一大公害，每年因交通事故的原因至少使50万人死亡。欧美各国的交通事故统计分析表明,交通事故中80％～90％是人的因素造成的，其中绝大部分原因是疲劳驾驶。如图1所示的2012-2016年中国交通部的统计的交通事故诱因统计图所知，我国50％的车祸由驾驶员疲劳驾驶引起。

申请号为CN201710356372.1的发明专利公开了一种基于深度学习的疲劳驾驶监测方法，包括图像采集、人脸检测以及人脸特征坐标标定，通过三元组训练所得深度学习模型进行人眼状态判断。其不足之处在于该发明主要是：1、在训练三元组深度学习模型过程中，三元组的选择需要高的技巧性。如果每次都是随机选择三元组，虽然模型可以正确地收敛，但是并不能达到较好的性能；如果每次都选择最难分辨的三元组训练，模型又往往不能正确的收敛，并且通过三元组损失训练人脸模型需要非常大的人脸数据集才能取得较好的效果。2、该识别方法在人脸检测和人脸特征坐标标定部分采用了三个深度神经网络模型，在人眼开合度判断中采用了一个深度神经网络模型。在视频流检测驾驶员人眼开合状态时，需要计算大量的深度神经网络参数计算，在嵌入式开发过程中无法达到实时性，甚至可能出现大量的眼睛状态漏检而造成疲劳度误判等情况。

发明内容

本发明所要解决的技术问题就是提供一种基于深度学习的疲劳驾驶预警方法，可以做到实时检测，检测效率高且准确度高，避免误判，在司机疲劳驾驶时，可以生成实时状态预警。

为解决上述技术问题，本发明采用如下技术方案：一种基于深度学习的疲劳驾驶预警方法，包括如下步骤：

步骤S1：采用红外摄像头对驾驶员图像进行采集作为训练数据集，通过人脸检测技术提取图像中驾驶员人脸区域；

步骤S2：根据人体生物学特征，将人脸区域按照1/2长和1/2宽进行划分4个区域，驾驶员右眼处于右上角区域，截取右上角区域图像，通过人眼检测技术，对截取图像进行人眼区域进一步截取；

步骤S3：将提取人眼区域保存为模板，通过模板在人脸右上角区域的由左向右，由上至下滑动，寻找图像与模板最相似区域，其中在每个位置都进行一次度量计算来表明模板和人脸右上角区域图像该位置子图之间的相关系数，其公式为：

其中，R(i,j)表示模板与人脸右上角区域图像(i,j)位置子图的相关系数，S_ij(m,n)表示子图(m,n)坐标的像素值，T(m,n)表示模板(m,n)坐标的像素值；截取该区域包含人眼特征图像，该图像分辨率为20*20，，作为深度神经网络输入；

步骤S4：根据步骤S3所截取的分辨率为20*20的人眼图像，依据眼睛开闭状态生成训练数据集，通过训练数据集输入到深度卷积神经网络模型，采用随机梯度下降算法的扩展式Adam对模型进行训练，得到深度人眼状态检测模型，其中，深度卷积神经网络采用1层数据层，4层卷积层，2层池化层以及2层全连接层，在训练过程中，损失函数定义为：