[发明专利]基于CNN卷积神经网络的安全驾驶预警深度学习方法

权利要求书

1.基于CNN卷积神经网络的安全驾驶预警深度学习方法，其特征在于，所述学习方法包括以下步骤：

S1，采集报警装置进入工作状态，通过摄像头、车辆设备、驾驶员手环、资料录入多种方式采集构成信息矩阵κ_n(α_n,β_n,λ_n,δ_n)，α_n为驾驶员驾驶素质矩阵，参数包含驾驶员心率指标、驾驶员血氧指标、驾驶员血压指标、驾驶员身体素质评估指标、驾驶员年龄区间、驾驶员性别和驾驶员驾龄、驾驶员体温；β_n为驾驶员实时驾驶行为矩阵，参数包括眼部聚焦、眨眼、眼睑下垂、香烟判断指标和手机判断指标；λ_n为车辆实时行驶行为矩阵，参数包括速度指标、车道指标、前方遮挡距离指标、车辆颠簸指标、发动机转速指标和盲区监测指标；δ_n为外部实时环境矩阵，参数包括路况、光线和时间区间指标；

S2，根据信息矩阵κ_n(α_n,β_n,λ_n,δ_n)和参数偏差矩阵通过逻辑回归得到实时安全驾驶报警结果f_n(α_n,β_n,λ_n,δ_n)，以分析司机驾驶车辆是否实时报警；

S3，基于报警次数、报警持续时间、报警结束频率和人工报警处置判断指标对实时安全驾驶报警结果f_n(α_n,β_n,λ_n,δ_n)进行分析判断，得到一个周期内各类报警结果的研判矩阵g_n(α_n,β_n,λ_n,δ_n)，所述研判矩阵g_n(α_n,β_n,λ_n,δ_n)根据参数偏差矩阵结合迭代运算出新周期的偏差矩阵即

S4，对研判矩阵g_n(α_n,β_n,λ_n,δ_n)进行分析判断，逐步调整算法的各个指标，经由数据跟踪，对各个矩阵指标进行调整分析，得到安全驾驶行为与各个指标区间的分析报告，以对驾驶员安全驾驶行为进行评估预警。

2.根据权利要求1所述的基于CNN卷积神经网络的安全驾驶预警深度学习方法，其特征在于：所述采集报警装置包括报警组件、采集组件、数据平台、危险行为预警模型库、车载预警跟踪组件和报警模型算法训练库；所述报警组件用于驾驶员在行车过程中与数据平台建立通信通道，并将驾驶员身份校验信息、实时预警图像、路况和驾驶员身体情况信息上传至数据平台；所述报警组件包括通讯模块、声音报警模块、北斗定位模块、视频图像采集模块、内部计算模块和第一蓝牙模块。

3.根据权利要求2所述的基于CNN卷积神经网络的安全驾驶预警深度学习方法，其特征在于：所述内部计算模块为控制器，所述通讯模块为无线收发器，所述声音报警模块为语音播放器，所述视频图像采集模块为AD转换器和摄像头；所述控制器的型号为STM32F103C8T6，在控制器上设有64个引脚，所述控制器通过四号引脚与北斗定位模块相连，所述控制器通过五号引脚与第一蓝牙模块相连，所述控制器通过十五号引脚与AD转换器相连，所述控制器通过二十号引脚和二十一号引脚与无线收发器相连，所述控制器通过三十三号引脚与语音播放器相连。

4.根据权利要求3所述的基于CNN卷积神经网络的安全驾驶预警深度学习方法，其特征在于：所述AD转换器的型号为AD8551，在AD转换器上设有8个引脚，所述AD转换器通过六号引脚与控制器的十五号引脚相连，所述AD转换器通过三号引脚与摄像头相连。