[发明专利]一种基于深度学习的疲劳驾驶预警方法

摘要

本发明公开了一种基于深度学习的疲劳驾驶预警方法，通过高效的人脸检测技术、人眼检测技术、模板匹配技术以及深度卷积神经网络检测并判断驾驶员1分钟之内眼睛的开合度变化数据，计算疲劳参数PERCLOS指标，当系统判断驾驶员处于疲劳状态时，系统会发出报警声音。在视频识别中，保存第一帧检测的人眼模板，在接下的检测中原图与模板计算距离相关系数，减少了检测眼睛区域的开销，大大提高了系统的运行效率。通过深度卷积神经网络的训练，其目的是使损失函数最小化。将人眼图像输入深度卷积神经网络计算后，输出2*2的2维矩阵，通过选取概率值最大类别数据，作为眼睛实时状态数据，具有更高的准确性。

主权项

1.一种基于深度学习的疲劳驾驶预警方法，其特征在于包括如下步骤：步骤S1：采用红外摄像头对驾驶员图像进行采集作为训练数据集，通过人脸检测技术提取图像中驾驶员人脸区域；步骤S2：根据人体生物学特征，将人脸区域按照1/2长和1/2宽进行划分4个区域，驾驶员右眼处于右上角区域，截取右上角区域图像，通过人眼检测技术，对截取图像进行人眼区域进一步截取；步骤S3：将提取人眼区域保存为模板，通过模板在人脸右上角区域的由左向右，由上至下滑动，寻找图像与模板最相似区域，其中在每个位置都进行一次度量计算来表明模板和人脸右上角区域图像该位置子图之间的相关系数，其公式为：其中，R(i,j)表示模板与人脸右上角区域图像(i,j)位置子图的相关系数，S_ij(m,n)表示子图(m,n)坐标的像素值，T(m,n)表示模板(m,n)坐标的像素值；截取该区域包含人眼特征图像，该图像分辨率为20*20，，作为深度神经网络输入；步骤S4：根据步骤S3所截取的分辨率为20*20的人眼图像，依据眼睛开闭状态生成训练数据集，通过训练数据集输入到深度卷积神经网络模型，采用随机梯度下降算法的扩展式Adam对模型进行训练，得到深度人眼状态检测模型，其中，深度卷积神经网络采用1层数据层，4层卷积层，2层池化层以及2层全连接层，在训练过程中，损失函数定义为：a＝softmax(σ(z))＝softmax(∑_jw_j*x_j+b)          (15)其中y表示期望输出，a表示神经元实际输出，w_j表示第j个神经元权重，x_j表示第j个神经元值；步骤S5：通过红外摄像头采集驾驶员实时图像数据，通过人脸检测、人眼检测、模板匹配、深度人眼状态检测模型判别，得到驾驶员实时人眼状态数据；步骤S6：通过步骤S5记录的疲劳驾驶状态数据，计算驾驶疲劳参数PERCLOS值：根据红外摄像头采集速率，获得一分钟之内人眼状态总帧数和闭眼状态帧数，PERCLOSE计算公式为：当PERCLOS值大于0.1且小于0.3时，则系统判断驾驶员处于轻度疲劳，输出轻度疲劳报警，当PERCLOS值大于0.3时，则系统判断驾驶员处于中度疲劳，输出中度疲劳报警。