[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

说明书

基于CNN卷积神经网络的安全驾驶预警深度学习方法，所述学习方法包括以下步骤：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；根据信息矩阵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，以分析司机驾驶车辆是否实时报警；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进行分析判断；对研判矩阵进行分析判断，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。

技术领域：

本发明涉及基于CNN卷积神经网络的安全驾驶预警深度学习方法。

背景技术：

公路交通运输在我国经济和社会发展中发挥着重要的作用，维持公路交通网络的稳定和高效运转，对调整产业结构、推动就业和经济发展、加快城乡一体化建设进程具有重要的意义。

在驾驶员行车驾驶过程中，需要对驾驶员的驾驶行为进行检测评估，避免驾驶员出现危险驾驶行为，保证驾驶员能够全程安全驾驶；现有的智能报警终端大多是基于驾驶员的实时驾驶动作分析，以对驾驶员的危险驾驶行为进行准确的评估；但由于受到硬件设备的限制普遍采用语音报警方式，对所有的致险因子都采用同样的报警方式，没有强弱和多维方式刺激；所采用得报警评估标准单一，没有考虑到生理特征、驾龄、逆光等环境和驾驶习惯等因素，导致误报频繁；同时预测报警采集致险数据维度单一，仅采集驾驶员在行车中的面部图像数据判断，对光源、年龄、车速、路况、天气、区域等信息缺乏采集，也缺乏判断依据和多场景多角度判断，从而造成误判报警较多，最终影响对驾驶员安全驾驶的预警评估，致使目前大部分营运车辆智能视频报警装置没有作用。

发明内容：

本发明实施例提供了基于CNN卷积神经网络的安全驾驶预警深度学习方法，方法设计合理，在多个功能模块和算法的相互配合作用下，能够在驾驶员行车过程中，将多维致险因子数据层级叠加判断，动态完成精准预警，首先判断驾驶人员身份信息，下发预警模型至终端，进入动态判断，并将报警后的司机变化数据传递回数据平台，用于跟踪该模型判断是否符合驾驶人实际情况、是否需要调取其他模型或修正模型参数，同时按照人员身体状况、路况、光源、驾龄、连续驾驶、时长时间、速度等形成同类型群体的危险驾驶行为模型，避免出现误判报警，从而实现多维度致险因子数据采集和实时分析，保证驾驶员行车过程中进行安全驾驶，解决了现有技术中存在的问题。

本发明为解决上述技术问题所采用的技术方案是：

基于CNN卷积神经网络的安全驾驶预警深度学习方法，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；