[发明专利]一种基于面部关键点识别和支持向量机相结合的分心驾驶检测方法在审
申请号: | 202111195880.9 | 申请日: | 2021-10-14 |
公开(公告)号: | CN114049661A | 公开(公告)日: | 2022-02-15 |
发明(设计)人: | 蔡博文;徐荣娇;王雪松 | 申请(专利权)人: | 同济大学 |
主分类号: | G06V40/16 | 分类号: | G06V40/16;G06V20/59;G06N3/02 |
代理公司: | 上海科律专利代理事务所(特殊普通合伙) 31290 | 代理人: | 叶凤 |
地址: | 200092 *** | 国省代码: | 上海;31 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 面部 关键 识别 支持 向量 相结合 分心 驾驶 检测 方法 | ||
1.一种基于面部关键点识别和支持向量机相结合的分心驾驶检测方法,其特征在于,包括如下步骤:
1)将图像传感器采集到的视频流中的每一帧取出,利用构建主干网络结构用于关键点识别,并引入辅助神经网络以稳定地捕获面部关键点,再面部关键点识别模型(APractical Facial Landmark Detector,PLFD)进行人脸面部特征定位;
2)根据得到的人脸特征定位,提取98个特征关键点的横纵坐标,并将一段时间序列的关键点坐标形成一维数组作为后续模型输入;
3)利用核函数为线性核函数(Linear Kernel)的SVM支持向量机对各个驾驶人的面部视频关键点位置特征进行建模,对驾驶人的分心驾驶状态进行分类。
2.如权利要求1所述的一种基于面部关键点识别和支持向量机相结合的分心驾驶检测方法,其特征在于,所述步骤1)具体包括:
1.1首先将驾驶人面部视频的每一帧拆分成图片,并为图片人工加上标签,若驾驶人处于“左顾右盼”、“低头看手机”分心驾驶行为,则将图片标为“1”,若驾驶人处于无分心驾驶状态则标为“0”;提供给步骤2);
1.2利用MobileNet单元构建主干网络结构,得到关键点识别的主干网络;
1.3引入辅助神经网络,获取偏航角、俯仰角和侧倾角3D旋转信息;
1.4最后利用已有的PLFD模型对驾驶人面部图像进行关键点进行识别,每张图片会识别出98个面部关键点,并存储其位置信息。
3.如权利要求1所述的一种基于面部关键点识别和支持向量机相结合的分心驾驶检测方法,其特征在于,所述步骤2)具体包括:
2.1提取每张图片的98个面部关键点横纵坐标,其中第i个关键点的坐标为(xi,yi),i=1,2,…,98;将每张图像的关键点坐标组合为196维的特征V={x1,y1,x2,y2,…,x98,y98};
2.2选取20帧连续图像的关键点坐标数据作为SVM模型建模的输入单元;利用步长为1帧长度为20帧的移动时间窗对驾驶人图像片段进行平移,计算每个时间窗内图像的类别,大于50%的一类为即该片段的标签。
4.如权利要求1所述的一种基于面部关键点识别和支持向量机相结合的分心驾驶检测方法,其特征在于,所述步骤3)具体包括:
3.1 SVM模型建模:
利用SVM模型,即支持向量机模型(Support Vector Machines,SVM)在高维空间中构造超平面,实现最大的类间分离;
采用线性核函数(Linear Kernel)作为SVM模型的核函数,函数公式为K(xi,xj)=xiT·xj,其中K为核函数,xi,xj为各面部关键点坐标(即样本的特征向量);
3.2使用构建好的SVM模型对步骤2)关键点坐标特征的时间序列数组进行训练;SVM模型使用linear kernel核算法获得超平面,再通过间隔最大化找到该特征空间上的最优线性分类器,实现对驾驶人分心状态的二分类;确定最优分类器的过程就是确定权重向量w和最优分类面偏移b;空间分类面判别函数为g(x)=w·x,分类面可定义为:w·x+b=0,则样本x到最优分类面的几何距离为将g(x)归一化,则分类间隔构造最优分类面等价于
3.3将长度为20帧的驾驶人图像片段输入SVM模型,并设置当预测出的20帧数据标签中有50%以上的标签类别为“1”,则判定此片段驾驶人分心,否则此片段为无分心驾驶;对每个驾驶人的面部图像关键点特征数据单独进行建模,实现对各驾驶人分心状态的检测。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于同济大学,未经同济大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202111195880.9/1.html,转载请声明来源钻瓜专利网。