[发明专利]基于高精度地图的驾驶辅助识别方法

权利要求书

1.基于高精度地图的驾驶辅助识别方法，其特征在于，包括以下步骤：

步骤1，汽车启动前，车内摄像头对驾驶员采集人脸图像，把图像传到MCU进行身份确认,同时判断驾驶人员是否是酒后驾驶，行车途中随机拍摄照片，检查判断驾驶员人脸状态，判断是否为疲劳驾驶；

步骤2，GIS集成学习模块通过卷积神经网络获取主干道路中车辆行驶状态信息、周围车辆状态信息和道路信息，实现像素级别端到端的语义分割，利用条件随机场优化语义分割将车辆、道路的彩色图像和深度图像转换为点云数据；所述主干道路车辆状态信息有速度、加速度和位置信息；周围车辆状态信息包括速度、加速度和位置信息；所述道路信息包括道路交通网、当前道路限速、道路警示牌、道路标志信息。

2.根据权利要求1所述的基于高精度地图的驾驶辅助识别方法，其特征在于，步骤1驾驶员采集人脸图像过程中，用于扫描人脸，采集人脸图像特征并将特征信息送入主控模块；车载控制模块根据主控模块送入的判断信息，生成车辆控制指令；驾驶账号等信息包括驾驶身份、借车人账号、时间戳、绑定账号口令。

3.根据权利要求1所述的基于高精度地图的驾驶辅助识别方法，其特征在于，行车途中随机拍摄照片，检查判断驾驶员人脸状态，判断是否为疲劳驾驶的具体过程为：

摄像头采集的人脸图像，设定车内j中有N_j个特征属于人脸，设其中o表示乘客人员，z表示潜在的主题，t表示每个座位信息所对应向量中的位置，且将{1,2,…,N_j}采取随机置换τ(g)，并令i∈{τ(1),...,τ(N_j)}，那么对于人脸特征(w_ji,v_ji)的一次识别过程如下：

将车内所有人脸特征(w_ji,v_ji)从它当前所属的类别中剔除：

主题分布：

通过学习对车内所有人脸选取其新的所属主题：

然后将特征重新加入它所属新的主题中：

固定更新特征向量，构建约束：

几何约束满足高斯分布其中χ_j表示高斯分布的均值，Ξ_j表示方差，重复(1)-(5)，经过多次迭代循环之后，得到车内人脸检测模型，人脸与非人脸对应不同分布如果面部表情，尤其是眼睛处在长时间的眨眼或者闭眼过程，则判断为疲劳驾驶。

4.根据权利要求3所述的基于高精度地图的驾驶辅助识别方法，其特征在于，还包括，调整摄像头摆放位置，使其尽可能在复杂场景下可以获取人脸较正面图像的视频，对目标人脸图像进行质量评估时，使用加权和归一人脸图像正面性、清晰度、光照强度、尺寸、运动变化强度的方式来作为综合评价依据，直观的选择较高质量的多帧来进行多帧超分辨率重建，进行多帧超分辨率重建时，可以将配准参数、模糊参数和超分辨率图像进行联合求解，提高重建的准确性；通过最小化重建图像和相应的高分辨率图像之间的损失函数来实现，得到需要的估计参数，最终实现了对监控视频中人脸图像的超分辨率重建。

5.根据权利要求1所述的基于高精度地图的驾驶辅助识别方法，其特征在于，通过卷积神经网络获取主干道路中车辆行驶状态信息、周围车辆状态信息和道路信息的具体过程为：

采用全卷积神经网络FCN，实现像素级别端到端的语义分割，然后利用条件随机场优化语义分割结果，区分彩色图像中的道路与道路两边景物、天空等无关特征，每个像素都有一个类别标签，以每个像素点作为节点，像素与像素间的联系作为边，就构成了一个条件随机场，通过观测变量x来推测像素对应的类别标签y，最大化条件概率函数：

式中x_ij是单个像素点的观测变量，y_ij是单个像素点的类别标签，y_(i+1)j，y_(i-1)j，y_i(j+1)，y_i(j+1)是相邻四个像素点的类别标签，Z是归一化因子；得到彩色图像像素级别的分割后，遍历彩色图像只保留彩色图像中的车辆、行人、道路、警示牌信息，然后遍历彩色图像对应的深度图像，只保留深度图像中车辆、行人、道路、警示牌的深度信息，然后读取车辆、行人、道路、警示牌的颜色信息和距离信息，计算出像素在相机坐标系下的坐标，根据相机内参计算一对彩色图像和深度图像对应的点云。