[发明专利]基于神经网络的车载疲劳监测系统、方法及装置

说明书

本发明属于图像识别技术领域，具体涉及基于神经网络的车载疲劳监测系统、方法及装置。所述系统包括：图像采集单元，用于实时采集司机的图像信息，通过设置采集频率，控制该单元在单位时间内获取图像的数量；图像分析单元，用于对实时采集到的司机的图像信息，进行图像处理，根据图像处理的结果，进行眨眼频率分析、眨眼时间分析和打哈欠分析，分别得出眨眼频率分析结果、眨眼时间分析结果和打哈欠分析结果，将三个分析结果发送到综合分析单元；综合分析单元，用于对接收到的三个分析结果进行综合分析，得出司机是否处于疲劳驾驶状态，若处于疲劳驾驶状态，则发送信号至预警单元；所述预警单元，根据接收到的信号，向司机发出预警信息。

技术领域

本发明属于云技术领域，具体涉及基于图像加密的云服务器登录方法及装置。

背景技术

疲劳驾驶是造成交通事故的主要原因之一。据统计，驾驶疲劳造成的交通事故无论是绝对数字还是所占比例都是最高的。如何有效检测驾驶员的疲劳状态，并在其出现睡意时给予警告或提醒其停车休息已成为研究热点。应用驾驶员疲劳检测系统主动预防交通事故，可以在一定程度上减少交通事故的发生，减少交通事故带来的危害，使驾驶员驾驶和公众出行更安全。目前国内外驾驶员疲劳检测的方法可归纳为3种：①监测司机个体行为特征，例如，眼睑的活动，点头的动作，闭眼，握力等；②监测司机的生理信号，如心电图、脑电图、肌肉活动情况等；③监测车辆参数，速度、加速度等。

发明内容

有鉴于此，本发明的主要目的在于基于神经网络的车载疲劳监测系统、方法及装置，具有预警准确率高和智能化程度高的优点。

为达到上述目的，本发明的技术方案是这样实现的：

基于神经网络的车载疲劳监测系统，所述系统包括：图像采集单元，用于实时采集司机的图像信息，通过设置采集频率，控制该单元在单位时间内获取图像的数量；图像分析单元，用于对实时采集到的司机的图像信息，进行图像处理，根据图像处理的结果，进行眨眼频率分析、眨眼时间分析和打哈欠分析，分别得出眨眼频率分析结果、眨眼时间分析结果和打哈欠分析结果，将三个分析结果发送到综合分析单元；综合分析单元，用于对接收到的三个分析结果进行综合分析，得出司机是否处于疲劳驾驶状态，若处于疲劳驾驶状态，则发送信号至预警单元；所述预警单元，根据接收到的信号，向司机发出预警信息；所述综合分析单元进行综合分析的方法依次执行以下步骤：建立输入及输出变量隶属度函数、建立模糊化与模糊推理规则和进行模糊清晰化。

进一步的，所述图像分析单元包括：眨眼频率分析单元，用于根据采集到的图像信息，分析司机的眨眼频率，得出眨眼频率分析结果；眨眼时间分析单元，用于根据采集到的图像信息，分析司机的眨眼时间；打哈欠分析单元，用于根据采集到的图像信息，对司机进行打哈欠分析。

进一步的，所述眨眼频率分析单元包括：眨眼频率深度学习模型训练单元，所述眨眼频率深度学习模型训练单元包括：眨眼频率模型获取单元，用于获取初始深度学习模型；眨眼频率样本获取单元，用于获取样本图像；眨眼频率样本划分单元，用于将所述样本图像划分成若干子图像，所述若干子图像包括第一子图像和第二子图像，并且所述若干子图像中的任意两个相邻的子图像具有部分重叠的区域；眨眼频率模型训练单元，用于基于所述若干子图像，训练所述初始深度学习模型，以得到经过训练的深度学习模型；眨眼频率图像处理单元，用于获取输入图像基于所述经过训练的深度学习模型处理所述输入图像，以产生处理结果。

进一步的，所述眨眼时间分析单元包括：眨眼时间深度学习模型训练单元，所述眨眼时间深度学习模型训练单元包括：眨眼时间模型获取单元，用于获取初始深度学习模型；眨眼时间样本获取单元，用于获取样本图像；眨眼时间样本划分单元，用于将所述样本图像划分成若干子图像，所述若干子图像包括第一子图像和第二子图像，并且所述若干子图像中的任意两个相邻的子图像具有部分重叠的区域；眨眼时间模型训练单元，用于基于所述若干子图像，训练所述初始深度学习模型，以得到经过训练的深度学习模型；眨眼时间图像处理单元，用于获取输入图像基于所述经过训练的深度学习模型处理所述输入图像，以产生处理结果。