[发明专利]一种基于深度时空网络的疲劳检测方法

说明书

本发明实施例公开了一种基于深度时空网络的疲劳检测方法，涉及机器学习技术领域，所述方法包括：模拟驾驶环境，包括不同天气和路况下的驾驶环境；在所述驾驶环境下采集样本数据并进行分类，包括第一数据集和第二数据集；构建深度时空网络模型，生成特征提取器对样本数据中眼部特征进行提取；利用自动编解码器对第一数据集的眼部特征进行特征压缩并输入循环神经网络RNN；利用第二数据集对循环神经网络RNN进行训练，得到训练完成的疲劳检测模型；利用训练完成的疲劳检测模型进行实时检测，输出检测结果并通过警示模块做出反馈。本发明实施例能够解决现有技术中的疲劳检测方法不能精确分类疲劳程度、操作不方便等问题。

技术领域

本发明实施例涉及机器学习技术领域，具体涉及一种基于深度时空网络的疲劳检测方法。

背景技术

对于驾驶类岗位，需要操作人员保持清醒状态，在造成交通事故中频发的原因中，其中一个很重要的因素就是疲劳驾驶。驾驶员在长时间连续行车后，产生生理机能和心理机能的失调，出现驾驶技能下降的现象。疲劳驾驶会影响驾驶员的注意力、感觉、知觉、思维、判断、意志、决定和运动等诸方面。在相关统计中，如果能够检测驾驶员的疲劳状态并在发现出现疲劳驾驶时能及时提醒驾驶员，使其反应时间能够提高0.5秒，交通事故的发生可能性会降低60％。因此，对驾驶过程中驾驶员的疲劳状态进行实时监测，并且对驾驶员的疲劳状态进行判断对安全驾驶具有重要意义。

现有检测或者监测人的疲劳状态的常见方法包括：脑电波检测、眼部监测、面部状态检测以及血压、血氧量等生理指标检测。但现有的方法存在不能精确分类疲劳程度、湿式脑电电极操作繁琐，被测试者存在抵触情绪；基于自发脑电的疲劳检测，容易伪装疲劳；基于生理指标的设备结构复杂，不便携带等缺点。

因此，利用机器学习提供更好的疲劳检测方法很有必要。

发明内容

为此，本发明实施例提供一种基于深度时空网络的疲劳检测方法，以解决现有技术中的疲劳检测方法不能精确分类疲劳程度、操作不方便等问题。

为了实现上述目的，本发明的实施方式提供如下技术方案：

提供一种基于深度时空网络的疲劳检测方法，所述方法包括：模拟驾驶环境，包括不同天气和路况下的驾驶环境；在所述驾驶环境下采集样本数据并进行分类，包括第一数据集和第二数据集；构建深度时空网络模型，生成特征提取器对样本数据中眼部特征进行提取；利用自动编解码器对第一数据集的眼部特征进行特征压缩并输入循环神经网络RNN；利用第二数据集对循环神经网络RNN进行训练，得到训练完成的疲劳检测模型；利用训练完成的疲劳检测模型进行实时检测，输出检测结果并通过警示模块做出反馈。

优选地，所述方法包括：实验者模拟路况进行驾驶时，通过VR虚拟装置呈现不同的路况环境；在驾驶仓内设置温控装置、喷雾装置和吹风装置模拟不同的气候条件；通过脑电波分析仪采集实验者的脑电波；通过疲劳检测眼镜采集实验者的眼部图像和视频特征。

优选地，所述第一数据集包括若干帧清醒、疲劳状态和眨眼时的不同状态下的眼部图像，第一数据集还包括数据增强后的眼部图像，所述数据增强包括改变眼部图像的亮度、饱和度、对比度、锐度和旋转角度。

优选地，所述第二数据集包括若干眼部动态视频数据，所述眼部动态视频数据包括实验者处于不同场景、不同疲劳状态下的眼部动态视频数据，且根据脑电波分析仪的分析结果对所述眼部动态视频数据进行状态标注。

优选地，所述特征提取器包括具有全卷积网络的VGG19分类器网络模型，其中，使用特征提取器进行特征提取前，对第一数据集的图像进行预处理。