[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

说明书

本发明涉及图像检测领域的神经网络技术，具体涉及一种基于神经网络的疲劳驾驶检测方法及相关设备，所述方法包括：采集多张疲劳人脸图像输入至卷积神经网络中进行深度学习；计算待识别人脸图像的特征值组并获取疲劳预测值；当疲劳预测值大于预测阈值时，计算驾驶员的疲劳权重，当疲劳权重超过权重阈值时，判断驾驶员为疲劳状态。上述方法采用人脸识别技术和语音识别技术，提高疲劳驾驶检测的效率，避免错过最佳安全保护时间，造成重大交通事故。

技术领域

本发明涉及图像检测领域，特别是涉及一种基于神经网络的疲劳驾驶检测方法及相关设备。

背景技术

随着人们生活水平的逐渐提升，汽车已成为人们日常出行的主要交通工具，汽车给人们的工作、生活带来了翻天覆地的变化，但是随之而来的是大量的汽车出现在马路上，也逐渐引发了很多交通问题，尤其是人为因素已成为目前引发交通事故的主要原因。

现有的检测技术多集中于酒精检测方面，针对疲劳驾驶目前没有很精确的判别标准，而且采用的检测技术相对比较保守，只通过简单的人脸识别便做出最终结果的判断，不仅识别方法精确度低，而且很容易造成检测失误，给驾驶员带来困扰，造成不必要的麻烦。

发明内容

基于此，有必要针对检测技术保守，不能精确识别人脸疲劳程度的问题，提供一种基于神经网络的疲劳驾驶检测方法及相关设备。

一种基于神经网络的疲劳驾驶检测方法，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。

在一种可能的设计中，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。

在一种可能的设计中，所述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。

在一种可能的设计中，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：