[发明专利]一种基于CNN的驾驶违规行为的识别方法

说明书

本发明公开了一种基于CNN的驾驶违规行为的识别方法，用自主研发的人工智能框架设置训练参数，每层搭建CNN网络，进行每一层的图像识别训练。这个阶段是个迭代的过程，每一层网络是相对独立的训练任务，可以每层中控制训练效果，这样方便针对薄弱环节进行调控。最后将训练好的三个网络拼起来，就完成了从初始的监控视频到驾驶员违规行为。解决了传统的开源框架的局限性问题。

技术领域

本发明涉及视频识别领域，特别涉及一种基于CNN的驾驶违规行为的识别方法。

背景技术

我国道路交通事故中绝大部分事故是自于驾驶员操作失误和疲劳驾驶造成的，即便是优秀经验老道的驾驶员也不一定能长久保持良好的驾驶状态。因此，监控驾驶员的驾驶行为，能准确快速识别驾驶中的违规行为，从本质上减少交通事故状况的发生具有重要的意义。

目前，国内外再监控驾驶员驾驶行为方面已经取得了一些研究成果，大致可分为两种：一种是基于硬件设备的，根据驾驶员呼吸中的酒精含量判断是否饮酒；根据驾驶员的眼皮和眼球的相对反射原理来判断驾驶员是否疲劳驾驶；根据驾驶员的脑地那波或心电图来判断是否疲劳驾驶等一些监控驾驶员在生理上是否处于正常状态的装置来对驾驶员的驾驶状态进行评价。另一种是基于计算机图像处理和模式识别技术分析的，针对驾驶员头部活动情况、面部特征(如眼睛、头部脸部)变化等特征来判断驾驶员的驾驶行为和精神状态。后者由于技术水平有限，人工智能的技术应用较少，识别精度不高和速度较慢，经常需要辅以人工。对于数以万计的监控视频，采用半人工的方式监控驾驶违规也是不太科学的。因此以一种人工智能的方法，让计算机高精度去识别违规驾驶行为很有必要。

近年来，基于CNN(Convolution Neural Network，卷积神经网络)的特征学习方法在图像分类目标检测等方面取得了巨大成功，引起了计算机视觉领域的极大关注。

传统的开源框架的局限性。当前所有知名的人工智能学习框架均由美国的公司和机构发布，这些人工智能框架的功能、特征、倾向性均由这些发布组织所把持，这也是整个人工智能产业难以在不同领域实现商用的重要原因之一，因为中小型公司几乎只能使用这些公开的框架进行上层包装式研发，受限技术实力，缺乏根据真实需求和不同应用深度定制人工智能框架的能力。

发明内容

本发明的目的在于：提供了一种基于CNN的驾驶违规行为的识别方法，解决了传统的开源框架的局限性问题。

本发明采用的技术方案如下：

一种基于CNN的驾驶违规行为的识别方法，包括以下步骤：

S1、建立多层驾驶行为CNN识别网络，所述CNN识别网络包括三层网络；

S2、截取监控视频图像；

S3、将步骤S2截取的监控视频同学送入步骤S1建立的CNN识别网络的第一层，CNN识别网络的第一层识别视频图像属于车内场景还是车外场景，将属于车内场景的视频图像送入步骤S4，将属于车外场景的图像淘汰；

S4、CNN识别网络的第二层对步骤S3送入的视频图像进行识别，提取出视频图像中驾驶员人头部分送入步骤S5；

S5、CNN识别网络的第三层对步骤S4送入的视频图像进行识别，判断驾驶员的行为是否存在违规。

用自主研发的人工智能框架设置训练参数，每层搭建CNN网络，进行每一层的图像识别训练。这个阶段是个迭代的过程，每一层网络是相对独立的训练任务，可以每层中控制训练效果，这样方便针对薄弱环节进行调控。最后将训练好的三个网络拼起来，就完成了从初始的监控视频到驾驶员违规行为。

进一步的，所述步骤S1中建立建立多层驾驶行为CNN识别网络的方法包括以下步骤：

S101、建立第一层CNN识别网络；

S102、建立第二层CNN识别网络；