[发明专利]异常驾驶监测模型建立方法、装置及存储介质

说明书

本发明公开了一种异常驾驶监测模型建立方法，该方法包括：获取多个样本，每一个样本包括多种采集器采集的同一驾驶时间段的第一模态数据和第一模态数据的目标结果；将样本的第一模态数据输入第一异常驾驶监测模型进行训练，输出融合单一第一模态数据的第一融合数据以及融合样本的所有第一模态数据的第二融合数据；根据第一融合数据、第二融合数据和目标结果计算第一异常驾驶监测模型的全局损失函数；使用反向传播机制和Adam算法根据全局损失函数，对第一异常驾驶监测模型的权重进行更新。本发明还公开了一种异常驾驶监测模型建立装置和一种存储介质。本发明能够对多模态数据进行多层次准确融合，使异常驾驶监测模型能够准确监测多种异常驾驶状态。

技术领域

本发明涉及交通分析技术领域，尤其涉及异常驾驶监测模型建立方法、装置及存储介质。

背景技术

近年来，由于生活压力和身心紧张状态的影响，疲劳驾驶、注意力分散、情绪化驾驶、突发性疾病等异常驾驶状态引起的交通事故也逐渐增多。由于年龄、生理或心理健康状况、情绪等方面的变化，即使优秀驾驶员也不一定能长久地保持其原有的良好驾驶状态，但驾驶员本人却很难意识到这种渐进性的衰减或消退。因此，监控驾驶员的驾驶行为并对异常驾驶行为给予警报，对提高驾驶员的驾驶能力并降低其驾驶负荷，协调好驾驶员与车辆以及交通环境之间的关系，从本质上减少交通事故状况的发生，具有重要意义。

同时，智能驾驶行业在市场的推动下向着更高智能化的方向快速发展。在智能驾驶研究中，有效且准确地识别驾驶状态能够为驾驶员提供智能辅助，防止意外的发生。而目前基于单模态的驾驶状态感知已经无法满足高精度，强实时的要求。传感器技术的多样化导致了多模态数据的大量增加，如视频，RGB+D，可穿戴惯性传感器数据等。

目前已有的异常驾驶监测方法数据来源单一：基本都采用单一的模态建模监测，如司机监控视频或手机内置的运动传感器进行驾驶状态的识别。即使采用多模态监测，但对多模态数据的融合层次简单，效果差，现有的传感器数据融合方法常常只采用早期融合或者决策层融合，无法集成地得到最优的融合策略。且异常状态监测目标单一，现有异常驾驶状态一般分为注意力分散，疲劳等，现有方法也仅能识别单一的异常状态，无法获得多种异常驾驶监测结果。

发明内容

本发明的主要目的在于提出一种异常驾驶监测模型建立方法、装置及存储介质，旨在建立基于多模态数据的异常驾驶监测模型，能够对多模态数据进行多层次准确融合，使异常驾驶监测模型能够准确监测多种异常驾驶状态。

为实现上述目的，本发明提供一种异常驾驶监测模型建立方法，所述方法包括如下步骤：

获取多个样本，每一个所述样本包括多种采集器采集的同一驾驶时间段的第一模态数据和所述第一模态数据的目标结果；

将所述样本的第一模态数据输入第一异常驾驶监测模型进行训练，输出融合单一第一模态数据的第一融合数据以及融合所述样本的所有第一模态数据的第二融合数据；

根据所述第二融合数据、第三融合数据和目标结果计算第一异常驾驶监测模型的全局损失函数；

使用反向传播机制和Adam算法根据所述全局损失函数，对所述第一异常驾驶监测模型的权重进行更新，直至所述第一异常驾驶监测模型的全局损失函数达到最小值时得到第二异常驾驶监测模型。

优选地，所述第一异常驾驶监测模型包括集成融合网络模型和不同模态的卷积神经网络模型，所述卷积神经网络模型包括特征提取层和连接网络层，所述将所述样本的第一模态数据输入第一异常驾驶监测模型，输出融合单一第一模态数据的第一融合数据以及融合所述样本的所有第一模态数据的第二融合数据的步骤包括：

将所述样本的第一模态数据，输入对应模态的卷积神经网络模型的特征提取层，对应输出第一模态特征数据；