[发明专利]基于深度学习的机动车驾驶员危险驾驶行为检测方法

权利要求书

1.基于深度学习的机动车驾驶员危险驾驶行为检测方法，其特征在于：具体包括以下步骤：

步骤1、构建改进的Yolov5s轻量网络模型

s1.1、使用Mobilenet-v3结构替换Yolov5s backbone部分的CSP-Darknet53；

s1.2、在Mobilenet-v3神经网络的Mobilenet_Block后加入SPPF金字塔池化结构，用于将特征图转换成固定大小的特征向量；

s1.3、使用CBAM注意力机制结合Bottleneck，替换Yolov5s head部分的C3结构，使用改进的更加轻量高效的GhostNetConv替换原有的Conv，使得模型的大小更加精简；

s1.4、使用DIOU-NMS替换原有的NMS，其公式为：

其中，IoU表示两个区域的交并比，A、B分别表示两个区域，b、b^gt分别代表了预测框和真实框的中心点，ρ表示两个中心点间的欧氏距离，c代表能够同时包含预测框和真实框的最小闭包区域的对角线距离；

步骤2、构建训练数据集

收集多张机动车驾驶员进行不同危险驾驶动作时的图片，并随机进行翻转、裁剪、中心旋转或降噪以扩充数量，标注图片对应的危险驾驶动作类型后得到训练数据集；

步骤3、模型训练

使用步骤2构建的训练数据集对步骤1改进后的Yolov5s轻量网络模型进行训练，设置训练次数、初始学习率与步长，损失函数包括分类损失、定位损失和置信度损失；其中分类损失和定位损失使用二元交叉熵函数计算：

Loss＝l1+…+ln，ln＝-[yn·log(σ(xn))+(1-yn)·log(1-σ(xn))]

其中，l1,…,ln表示单个样本的损失函数，yn表示第n个样本的二元标签，σ(xn)表示Sigmoid函数，用于将数据映射到(0，1)的区间内；置信度损失计算使用IoU函数计算，激活函数为：

其中，Relu限制最大输出值为6的Relu激活函数；

步骤4、向步骤3训练后的网络模型输入驾驶员驾驶机动车时的图像或视频数据，识别驾驶员是否存在危险驾驶行为及具体类别。