[发明专利]驾驶员驾驶行为识别方法、装置、设备及可读存储介质

权利要求书

1.一种驾驶员驾驶行为识别方法，其特征在于，包括：

S101，获取包含有驾驶员驾驶行为的驾驶员图像；

S102，采用随机裁剪的数据增强技术处理所述驾驶员图像，以减少所述驾驶员图像的分辨率，从而获得三维张量格式的第一图像数据；

S103，使用卷积神经网络处理所述三维张量格式的第一图像数据，以生成第二图像数据；其中，卷积运算采用基于张量的三维卷积运算，以降低所述第一图像数据的维度，并创建对小失真和移位的不变性；

S104，将所述第二图像数据输入至构建好的CS_ResNet模型；其中，在所述CS_ResNet模型中，信道注意力模块和空间注意力模块串行连接嵌入在残差网络中，信道注意力模块和空间注意力模块利用最大池化和平均池化以降低模型计算复杂度和提高系统识别准确率；

S105，将残差网络模型输出通过全连接层来融合各局部特征形成全局特征，然后使用分类器来计算每一类别的得分；

S106，根据每一类别的得分来获得驾驶员行为识别结果。

2.根据权利要求1所述的驾驶员驾驶行为识别方法，其特征在于，驾驶员行为包括10种不同类型：C0:安全驾驶，C1:用右手发信息，C2:用左手发信息，C3:用右手打电话，C4:用左手打电话，C5:调整收音机，C6:饮酒，C7:伸手到后面，C8:用手摸头发/化妆，C9:与乘客交谈。

3.根据权利要求1所述的驾驶员驾驶行为识别方法，其特征在于，在步骤S102中，通过随机裁剪，将1920×1028×3的原始图像减小为224×224×3的第一图像。

4.根据权利要求1所述的驾驶员驾驶行为识别方法，其特征在于，所述卷积神经网络由三维卷积层、ReLU激活函数和池化层组成；其中：

在卷积神经网络的三维卷积层中，每个单元通过一组称为滤波器组的权重连接到上一层特征映射中的局部小块；在第i层的第j个特征映射中，单元在位置(x，y)处的卷积值计算为：

其中,b_i，j是第i层中第j个特征映射的偏差，是连接到第i层中第j个特征映射的第m的位置(p，q)的权重；是先前特征映射位置(x+p，y+q)的值，P_i和Q_i分别是内核的高度和宽度；

然后对卷积运算结果通过ReLU或Sigmoid进行非线性变换；ReLU是一个校正的线性单元，定义如下：

f(x)＝max(0，x)

其中,x是非线性函数的输入，层中的各种特征映射利用不同的过滤组，特征映射中的所有单元都共享同一个过滤组；

池化层用于融合类似的特征以可靠地检测模式；最大池化和平均池化是两种典型的池化方法；对于最大池化，单元的局部块的最大值由特征映射中的池化单元计算；平均池化法是计算局部单元块的平均值，块可以被多个行或列移动，并用作相邻池化单元的输入。