[发明专利]一种基于人体特征细分类的驾驶员行为识别方法

说明书

本发明提供了一种基于人体特征细分类的驾驶员行为识别方法，包括：建立驾驶员行为识别的图像数据集；构建基于人体特征细分类的识别模型；训练基于人体特征细分类的识别模型；对基于人体特征细分类的识别模型进行测试。本发明能够对人体关键点部位进行正确的动作分类，结合局部特征和图像全局特征进行驾驶员行为细分类，在交通安全领域有重要的应用价值。本发明通过Stacked Hourglass Networks模型进行关键点定位，随后，对关键点区域进行学习，将人体部位的具体动作作为卷积分类的中层特征，显著地提升了模型的识别精度。

技术领域

本发明属于图像处理领域，涉及模式识别方法，具体涉及一种人体特征细分类的驾驶员行为识别方法。

背景技术

随着社会经济的发展和科学技术的进步，机动车的拥有量一直保持着快速增长的形式。根据公安部交管局的统计数据显示，截止到2017年底，我国的机动车保有量达到了3.10亿辆，其中汽车2.17亿辆；机动车驾驶员人数达到了3.85亿人，其中汽车驾驶人3.43亿人，然而同时道路交通事故发生率一直居高不下。研究表明，不良的驾驶员行为是引发道路交通事故的重要原因之一，因此如果能够在交通事故发生前检测出不良的驾驶员行为并及时的给出提醒则可以减少事故发生的概率。因此，研究驾驶员行为识别算法对于改善道路交通安全具有十分重要的意义。

传统的驾驶员行为识别方法由于具有实时性差，需要与驾驶员的肢体进行接触，鲁棒性低等缺点往往无法进行推广应用。近年来，随着高性能的GPU的出现使得深度学习方法在图像领域取得了巨大的发展，在各个领域内均取得了非常良好的性能表现，使得深度学习应用于驾驶员行为识别成为可能，但目前尚缺乏相关实现手段。

发明内容

为解决上述问题，本发明提供了一种基于人体特征细分类的驾驶员行为识别方法，提取人体关键点区域动作信息作为中层特征，提高了驾驶员行为识别准确率，实现了实时识别。

为了达到上述目的，本发明提供如下技术方案：

一种基于人体特征细分类的驾驶员行为识别方法，包括如下步骤：

步骤1：建立驾驶员行为识别的图像数据集

获取样本图像数据，建立图像数据集，样本图像中包含各种驾驶员行为，将图片数据集划分为训练集和测试集，且测试样本图片中驾驶员与训练样本中的驾驶员独立；

步骤2：构建基于人体特征细分类的识别模型

所述模型包括关键点区域定位模块以及驾驶员行为识别模块，所述关键点区域定位模块采用StackedHourglassNetworks模型，所述驾驶员行为识别模块采用VGG-19模型；

步骤3：训练基于人体特征细分类的识别模型

搭建网络模型，通过随机梯度下降方法优化网络参数；

步骤4：对基于人体特征细分类的识别模型进行测试

给定一张驾驶员行为图像，将测试图像归一化尺寸后作为模型的输入，通过前向传播获得测试图像的行为识别结果。

进一步的，所述步骤2具体包括如下过程：

步骤201：StackedHourglass Networks模型中Residual子模块为初级模块，该模块第一行结构为卷积网络结构，由两层卷积核尺度为3*3以及一层卷积核尺度为1*1的卷积层构成，卷积层之间穿插了Batch Normalization层以及ReLU激活层；第二行为ResNet连接，由卷积核尺度为1*1的卷积层构成，该子模块中所有卷积层均不改变特征的尺寸；

步骤202：StackedHourglass Networks模型的核心模块为Hourglass子网络，该子网络由Residual子模块构成，该子网络分为两路，且两路均包含若干个Residual子模块；