[发明专利]基于物体检测的疲劳驾驶检测方法

权利要求书

1.基于物体检测的疲劳驾驶检测方法，其特征在于，包括：

获取驾驶位置处的视频信息，并等间隔选取视频信息中的一帧测试图片；

输入所述测试图片至SSD模型，采用所述SSD模型计算所述测试图片与SSD模型内每个类别中每张训练图片之间的损失值：

将每层卷积层中卷积核所对应特征图划分成若干尺寸相同的特征图单元；

每个特征图单元均以其为中心生成若干默认框，并计算每个默认框的尺度：

其中，s_k为尺度；s_min为尺度的最小值；s_max为尺度的最大值；m为特征图所在卷积层的卷积核数量；k为特征图所对应卷积核在其所在卷积层中的序号；

根据横纵比和默认框的尺度，计算默认框的宽度和高度：

其中，为默认框的宽度；为默认框的高度；a_r为横纵比，

根据所述默认框的尺寸、宽度和高度，计算默认框与SSD模型中每个类别中正样本的匹配程度：

根据所述默认框的尺寸、宽度和高度，计算默认框与SSD模型中每个类别中正样本的相似度系数：

其中，a为默认框，b为真值背景框，|a∩b|为a与b交集的模，|a∪b|为a与b并集的模，J(a,b)为相似系数；

当默认框与至少一个正样本的相似系数大于第四设定阈值时，则默认框与正样本的匹配程度为1，否则为0；

采用目标损失函数计算特征图与正样本所在特征图间的损失值：

其中，L(x，c，l，g)为特征图的损失值；x为匹配程度；c为默认框的置信度；l为默认框；g为正样本；N为正样本的个数；L_conf为置信度损失函数；L_loc为定位损失函数；α为权重项；

累加SSD模型中所有特征图的损失值得到所述图片与正样本所在特征图对应训练图片间的损失值；

当所述测试图片与训练图片之间的损失值大于第一设定阈值时，则所述训练图片对应类别为所述测试图片的类别；

获取SSD模型的全连接层预测的测试图片中驾驶员的位置尺寸，并计算所述测试图片中驾驶员的位置尺寸与上一张测试图片中驾驶员的位置尺寸的差异；

当所述差异小于第二设定阈值，则将计数器数值累加一次，并判断计数器数值是否大于第三设定阈值；

若计数器数值大于第三设定阈值时，则提醒驾驶员其已处于疲劳驾驶；

当测试图片中驾驶员的位置尺寸与上一张测试图片中驾驶员的位置尺寸的差异大于等于第二设定阈值，且连续两张测试图片中驾驶员的位置尺寸与上一张测试图片中驾驶员的位置尺寸的差异大于等于第二设定阈值时，选取下一张测试图片，同时重置计数器数值；

所述驾驶员的位置尺寸包括驾驶员头像所在区域的中心坐标及长度和宽度，所述第二设定阈值包括中心阈值、长度阈值和宽度阈值。

2.根据权利要求1所述的基于物体检测的疲劳驾驶检测方法，其特征在于，当计数器数值小于等于第三设定阈值时，选取下一张测试图片。

3.根据权利要求1或2所述的基于物体检测的疲劳驾驶检测方法，其特征在于，所述SSD模型的构建方法包括：

采集多个驾驶员的图像作为训练图片；

输入所述训练图片至SSD模型，并将每层卷积层中卷积核所对应特征图划分成若干尺寸相同的特征图单元；

每个特征图单元均以其为中心生成若干默认框，并计算每个默认框的尺度；

根据横纵比和默认框的尺度，计算默认框的宽度和高度；

根据所述默认框的尺寸、宽度和高度，计算默认框与真值背景框的匹配程度，若匹配则设置为正样本，否则设置为负样本；

SSD模型采用真值背景框、正样本和负样本训练目标损失函数，直至目标损失函数收敛，输出SSD模型。

4.根据权利要求3所述的基于物体检测的疲劳驾驶检测方法，其特征在于，从视频信息中选取测试图片时，采用OpenCV等间隔选取视频信息中的一帧测试图片。