[发明专利]一种基于深度学习的驾驶员疲劳监测系统

说明书

本发明公开了一种基于深度学习的驾驶员疲劳监测系统及其使用方法，一种基于深度学习的驾驶员疲劳监测系统，包括图像获取模块、人脸检测模块、图像处理模块与服务器模块；本发明提供了一种基于深度学习的驾驶员疲劳监测系统及其使用方法，可利用此疲劳检测系统可在现今硬件平台上实现监测驾驶员疲劳驾驶、危险驾驶、视线偏离等行为。

技术领域

本发明涉及视频图像处理与视觉监测技术领域，尤其是一种基于深度学习的驾驶员疲劳监测系统。

背景技术

汽车安全越来越成为人们必须要考虑的一个问题。除了汽车本身，如果驾驶员没有良好的驾驶习惯，乘车人员也是不安全的，甚至会使安全设备无法发挥其应有的作用。如疲劳驾驶，酒驾，吸烟驾驶，超速，驾乘不系安全带等，一旦发生意外后果将会不堪设想，所以具有安全意识是汽车行驶的第一重点！人的违法行为是造成交通事故的主要原因，由于人的道路交通违法行为造成的事故起数比例为95.24%，死亡人数为95.42%。

道路交通的基本要素就是人、车和道路，其中驾驶员具有特别重要的作用。据交通事故统计表明，在发生车祸的直接或间接原因中，有80%~90%与驾驶员有关系，驾驶人安全意识不强，应对突发情况能力缺失。根据分析，导致事故最直接的原因是驾驶员驾驶行为不佳，其中包括超速，注意力不集中以及操作不当等行为，而疲劳往往是导致产生这些状态的罪魁祸首。

驾驶疲劳是由于驾驶员不间断的持续驾驶所引起的身体机能下降现象，其影响驾驶员的感知、思维判断及肢体协调能力，从而引发交通事故。驾驶疲劳在驾驶员的生理与车辆运行状态上均有直接表现：在生理变化上，主要表现为手脚反应迟钝、眼神呆滞、心情烦躁等，在重度疲劳时甚至会出现连续哈欠、闭眼、低头等现象；在车辆运行状态上，主要表现为车辆的转向频率降低、偏离当前车道等。已有研究表明，在轻度驾驶疲劳状态下，通过适当的语音提醒或音乐播放可恢复驾驶员的部分驾驶能力；但当处于中度甚至重度疲劳时，需要根据实际情况给予车辆主动的干预控制，以避免事故的发生。因此，针对驾驶疲劳研发相应的安全辅助驾驶系统（AdvancedDrivingAssistantSystem，ADAS），实现对驾驶员状态的实时辨识具有重要的实际应用价值。

目前，在驾驶员监测领域，从特征来源来看，主要包括：驾驶员生理参数、车辆操纵信息和驾驶员面部图像等。其中，基于图像表观特征的疲劳检测方法由于其对驾驶员无干扰、视觉系统易于实现的优点，已成为该领域研究的热点。然而，基于图像表观特征的方法由于其自身受外部光照环境及图像背景的影响较大，因此易造成检测算法的检测效能下降。此外，基于静态图像特征的检测方法没有考虑疲劳特征的动态变化特性，这在一定程度上也不利于所开发系统的检测性能提升。

发明内容

为解决上述技术问题，本发明提供了一种基于深度学习的驾驶员疲劳监测系统。

本发明的技术方案为：一种基于深度学习的驾驶员疲劳监测系统，包括图像获取模块、人脸检测模块、图像处理模块与服务器模块；

图像获取模块：用于获取原始图像；

人脸检测模块：利用YOLO v3深度学习算法，进行人脸检测，获得人脸的位置；

图像处理模块：主要包括人脸关键点检测、疲劳状态判断、视野偏离估计与危险驾驶行为识别，所述疲劳状态判断与视野偏离估计前提是需要提取出人脸关键点检测，所述人脸关键点检测根据回归树的人脸关键点检测算法对获取的人脸的位置进行处理，当获得一帧图片后，人脸关键点检测算法会根据人脸检测出的位置坐标，在人脸区域内将默认的特征点位置作为检测的初始位置，之后通过将均方误差作为损失函数进行迭代回归，得到最终的人脸特征点位置，通过计算出的68个特征点能够定位出人脸轮廓、眉毛、眼睛、鼻子和嘴巴部分，完成人脸关键点检测；

某一帧图像迭代的公式表示如下所示：

其中表示第t＋1次迭代估计的位置，表示第t次迭代估计的位置，表示本次迭代的回归器；