[发明专利]一种基于神经网络的疲劳驾驶检测方法及相关设备

权利要求书

1.一种基于神经网络的疲劳驾驶检测方法，其特征在于，包括：

采集多张疲劳人脸图像，将多张所述疲劳人脸图像输入卷积神经网络中进行深度学习，计算多张所述疲劳人脸图像的特征值组并存储至疲劳预测数据库；

当主驾驶位置存在驾驶员时，采集驾驶员的待识别人脸图像，将所述待识别人脸图像输入所述卷积神经网络，计算所述待识别人脸图像的特征值组并比对所述疲劳预测数据库中的特征值组获取疲劳预测值；

当所述疲劳预测值大于预测阈值时，通过预设的语音问答系统询问所述驾驶员多个问题并统计所述驾驶员回答多个所述问题的错误数量及反应时间；

计算平均反应时间，依据所述疲劳预测值、平均反应时间、错误数量计算所述驾驶员的疲劳权重，当所述疲劳权重超过权重阈值时，判断所述驾驶员为疲劳状态并发出语音警告。

2.如权利要求1所述的一种基于神经网络的疲劳驾驶检测方法，其特征在于，所述采集多张疲劳人脸图像，将多张所述疲劳人脸图像输入卷积神经网络中进行深度学习，计算多张所述疲劳人脸图像的特征值组并存储至疲劳预测数据库，包括：

通过图像输入设备采集多张使用车辆的驾驶员的疲劳人脸图像；

将所述多张疲劳人脸图像进行分割，去除多张所述疲劳人脸图像中人脸以外的干扰部分；

将分割后的多张所述疲劳人脸图像依次输入卷积神经网络，通过卷积神经网络提取多张所述疲劳人脸图像的多个特征值组并存储至疲劳预测数据库。

3.如权利要求2所述的一种基于神经网络的疲劳驾驶检测方法，其特征在于，所述将所述多张疲劳人脸图像进行分割，去除多张所述疲劳人脸图像中人脸以外的干扰部分，包括：

通过预设的几何形状识别方法定位疲劳人脸图像中人脸的九个侦测点，所述几何形状识别方法通过识别预设的几何形状定位侦测点，所述预设的几何形状包括嘴唇形状、眼睛形状、鼻子形状、下巴形状、额头形状，获取的九个侦测点分别为左右耳尖的两个侦测点、左右眼角的两个侦测点、鼻尖的一个侦测点、嘴角的两个侦测点、额头的一个侦测点、下巴的一个侦测点；

依据九个侦测点定位人脸位置和大小，将人脸以外部分去除。

4.如权利要求2所述的一种基于神经网络的疲劳驾驶检测方法，其特征在于，所述通过卷积神经网络提取多张所述疲劳人脸图像的多个特征值组并存储至疲劳预测数据库，包括：

通过卷积神经网络的卷积层读取分割后的所述疲劳人脸图像的二维数据，利用卷积神经网络的卷积核对所述二维数据进行计算，得到疲劳人脸图像的特征图，所述特征图的计算公式如下：

其中，R、G、B为所述疲劳人脸图像的三原色数值，W_i1、W_i2、W_i3为卷积核、为卷积运算符，F_i表示第i个特征图，b_i表示第i个特征图计算的偏差量；

通过卷积神经网络的池化层提取每个特征图中的最大值作为卷积神经网络的特征值，卷积神经网络的输出层输出所有特征值生成特征值组，存储至疲劳预测数据库。

5.如权利要求1所述的一种基于神经网络的疲劳驾驶检测方法，其特征在于，所述当主驾驶位置存在驾驶员时，采集驾驶员的待识别人脸图像，将所述待识别人脸图像输入所述卷积神经网络，计算所述待识别人脸图像的特征值组并比对所述疲劳预测数据库中的特征值组获取疲劳预测值，包括：

定时对所述主驾驶位置进行一次人脸扫描，当所述主驾驶位置存在驾驶员时，采集所述驾驶员最近一次人脸图像；

将驾驶员的待识别人脸图像输入到卷积神经网络中，计算所述待识别图像的特征值组；

将所述特征值组与疲劳预测数据库中的特征值组比对，获取特征值组中特征值相同数量的最大值，将所述最大值定义为疲劳预测值。