[发明专利]基于5G通信下异常驾驶行为算法模型的验证实验方法

说明书

本发明公开基于5G通信下异常驾驶行为算法模型的验证实验方法，包括以下步骤：驾驶员背景分割、识别定位驾驶员关键子区域图像、识别驾驶员的行为动作状态与时间、验证分析和实验部署；本发明先设计基于改进Mask‑RCNN的驾驶员背景图像分割算法并对驾驶员背景图像进行分割，再设计基于改进的Yolov3目标检测算法并识别出分割图像后的驾驶员关键子区域图像，然后设计应用于驾驶异常行为识别场景的CNN‑LSTM融合分类算法并让其通过输入三种图像识别出驾驶员的动作状态与时间，最后构建小车实验系统并进行系统的综合验证分析与实验部署，最终实现算法模型的验证实验，实用性较高，使算法模型的精度和速度都得到了保障。

技术领域

本发明涉及异常驾驶行为检测技术领域，尤其涉及基于5G通信下异常驾驶行为算法模型的验证实验方法。

背景技术

对驾驶员异常行为检测的算法研究，属于智能交通领域，是智能辅助驾驶的一项关键技术,此技术通过检测驾驶员异常行为并发出警告，避免交通事故的发生，有重要应用价值和社会意义，现阶段国内外诸多国家在此领域的研发都受限于异常行为自身特点，比如异常行为种类多，包括驾驶员长时间闭眼、打哈欠、揉眼和点头等疲劳行为，不正当驾驶行为类别复杂，包括打电话、吃零食、抽烟、左顾右盼等，由于驾驶员绝大部分时间行为正常，因此异常行为出现次数一般较少，导致数据采集较难，所以需要可靠的算法模型对驾驶员异常行为进行检测；

而目前针对驾驶员异常行为检测而提出的一些驾驶员异常行为识别分类算法大都没有经过有效且可靠的验证分析和实验部署，导致其算法模型的精度和速度都无法保证，且综合性能和实用性也无法确定，因此，本发明提出基于5G通信下异常驾驶行为算法模型的验证实验方法以解决现有技术中存在的问题。

发明内容

针对上述问题，本发明的目的在于提出基于5G通信下异常驾驶行为算法模型的验证实验方法，该方法先验证分析最终算法模型的精度与速度，再对模型进行合理调参和剪枝，然后在服务器部署深度学习环境和框架并开发后台管理系统，最后基于5G通信进行车载与服务器实验的部署，方法简单可靠，具有较高的实用性。

为了实现本发明的目的，本发明通过以下技术方案实现：基于5G通信下异常驾驶行为算法模型的验证实验方法，包括以下步骤：

步骤一：驾驶员背景分割

在复杂的车内驾驶环境中，考虑到不同光照以及不同人物的情况下，先在数据增强的基础上对驾驶环境数据进行实时采集，再对采集到的驾驶环境数据进行预处理，然后将预处理后的数据制作成数据集让其检测速度达到实时的要求，并专门针对在驾驶环境下的这个特定场景提高检测精度，最后设计基于改进的Mask-RCNN的驾驶员背景图像分割算法并对驾驶员背景图像进行分割；

步骤二：识别定位驾驶员关键子区域图像

根据步骤一，先采用Mask-RCNN分割后的图像作为网络输入，在考虑到对小物体检测的精度损失的前提下采用多尺度预测提高对驾驶员关键子区域图像的检测精度，并通过搭载不同的尺度、不同的搭载方式和不同数量的融合，以及结合网络结构研究其网络提取特征的特性，再通过识别精度进行网络的可行性验证，得出最适用与该场景的网络模型，然后设计基于改进的Yolov3目标检测算法并识别出分割图像后的驾驶员关键子区域图像；

步骤三：识别驾驶员的行为动作状态与时间

根据步骤二，在得到目标检测模型检测出的分割图像后的驾驶员的关键子区域图像后，先将其输入到CNN去提取出feature map，再展开为向量输入到LSTM并寻求出CNN-LSTM时空特征的最优融合结构，然后设计应用于驾驶异常行为识别场景的CNN-LSTM融合分类算法并让其通过输入三种图像识别出驾驶员的动作状态与时间；

步骤四：验证分析