[发明专利]基于深度学习的驾驶提醒方法、装置、设备及存储介质

说明书

本发明公开了一种基于深度学习的驾驶提醒方法、装置、设备及存储介质，所述基于深度学习的驾驶提醒方法包括：实时获取针对车辆驾驶员的监控视频，以获取所述监控视频的图像数据；将所述图像数据作为输入数据输入至预设三维卷积神经网络模型中，以判断所述车辆驾驶员是否存在隐患行为；若所述车辆驾驶员存在隐患行为，则输出预设提醒信息以提醒所述驾驶员。本发明解决现有技术中车辆驾驶员的危险驾驶动作行为多，易增加交通意外的概率，影响行驶安全体验的技术问题。

技术领域

本发明涉及神经网络技术领域，尤其涉及一种基于深度学习的驾驶提醒方法、装置、设备及存储介质。

背景技术

在车辆行驶过程中，很多车辆驾驶员都或多或少有过影响行驶安全的动作行为，比如疲劳驾驶等情况，在现有技术中，往往是通过采集车辆驾驶时间等识别影响行驶安全的动作行为，而通过采集车辆驾驶时间等识别影响行驶安全的动作行为，存在识别准确度低的技术问题。

发明内容

本发明的主要目的在于提供一种基于深度学习的驾驶提醒方法、装置、设备及存储介质，旨在解决现有技术中对车辆驾驶员的危险驾驶动作行为，存在识别准确度低的技术问题。

为实现上述目的，本发明提供一种基于深度学习的驾驶提醒方法，所述基于深度学习的驾驶提醒方法应用于浏览器，所述基于深度学习的驾驶提醒方法包括：

实时获取针对车辆驾驶员的监控视频，以获取所述监控视频的图像数据；

将所述图像数据作为输入数据输入至预设三维卷积神经网络模型中，以判断所述车辆驾驶员是否存在隐患行为；

若所述车辆驾驶员存在隐患行为，则输出预设提醒信息以提醒所述驾驶员。

可选地，所述将所述图像数据作为输入数据输入至预设三维卷积神经网络模型中，以判断所述车辆驾驶员是否存在隐患行为步骤包括：

将所述图像数据作为输入数据输入至预设三维卷积神经网络模型中，以对所述输入数据进行预设次数的卷积与池化交替处理，得到初始处理结果；

对所述初始处理结果进行分类处理，以判断所述车辆驾驶员是否存在隐患行为。

可选地，所述将所述图像数据作为输入数据输入至预设三维卷积神经网络模型中，以对所述输入数据进行预设次数的卷积与池化交替处理，得到初始处理结果步骤包括：

将所述图像数据作为输入数据输入至预设三维卷积神经网络模型中；

获取所述预设三维卷积神经网络模型中针对所述驾驶员隐患行为识别的多个预设动作行为特征，以及所述多个预设动作行为特征对应统计特性分别对应的权值矩阵；

根据所述多个预设动作行为特征与所述权值矩阵，对所述图像数据进行滤波卷积处理，得到卷积处理结果；

对所述卷积处理结果进行池化处理，以得到池化处理结果；

根据所述预设次数，对所述池化处理结果再次进行相应次数的卷积与池化交替处理，以得到初始处理结果。

可选地，所述对所述卷积处理结果进行池化处理，以得到池化处理结果步骤包括：

将所述卷积处理结果分割为多个大小一致的预设尺寸的图像矩阵；

获取所述预设尺寸的图像矩阵中的最大像素值，将所述最大像素值代替所述预设尺寸的图像矩阵，以得到新的图像矩阵；

将所述新的图像矩阵设为所述池化处理结果。

可选地，所述对所述初始处理结果进行分类处理，以判断所述车辆驾驶员是否存在隐患行为步骤包括：

获取所述车辆的类型，根据所述车辆的类型确定所述车辆的分类阀值；