[发明专利]基于车规级芯片SoC的疲劳驾驶监测预警方法及系统

权利要求书

1.一种基于车规级芯片SoC的疲劳驾驶监测预警方法，其特征在于，包括以下步骤：

S1、采集驾驶员面部图像；

S2、采用混合去噪法对步骤S1中面部图像进行预处理；

S3、基于块乘法算法构建基于车规级芯片SoC的轻量化SSD网络模型；

S4、利用步骤S3中轻量化SSD网络模型提取步骤S2中预处理后面部图像中特征类别信息；

S5、对步骤S4中特征类别信息进行疲劳等级划分；

S6、根据步骤S5中划分的疲劳等级进行分级预警。

2.根据权利要求1所述的基于车规级芯片SoC的疲劳驾驶监测预警方法，其特征在于，所述步骤S2具体包括以下分步骤：

S21、利用中值滤波过滤步骤S1采集的驾驶员面部图像中尖锐噪声，保留边缘高频；

S22、对步骤S21中过滤后的面部图像进行小波分解；

S23、对步骤S22中分解后面部图像的高频系数进行阈值处理；

S24、对步骤S23中处理后的图像进行重构。

3.根据权利要求1所述的基于车规级芯片SoC的疲劳驾驶监测预警方法，其特征在于，所述步骤S3具体包括以下分步骤：

S31、将SSD基础网络中全连接层替换为卷积层；

S32、对步骤S31中替换的卷积层进行稀松化处理；

S33、利用标定后训练样本对步骤S32中处理后的SSD网络进行训练，得到基于车规级芯片SoC的轻量化SSD网络模型。

4.根据权利要求3所述的基于车规级芯片SoC的疲劳驾驶监测预警方法，其特征在于，所述步骤S32具体包括以下分步骤：

S321、利用L₁正则化训练对卷积层权重系数进行快速稀松；

S322、利用非零稀松矩阵对步骤S321快速稀松后的权重系数进行微调；

S323、利用平均张力指数偏移数据量化步骤S322中微调后的权重张量；

S324、利用块乘法算法对步骤S324中权重张量进行卷积稀松。

5.根据权利要求3所述的基于车规级芯片SoC的疲劳驾驶监测预警方法，其特征在于，所述步骤S33具体为：

对训练样本进行标定，并构建一个与训练样本间类别信息与位置信息匹配的先验框，并设置损失函数来训练处理后的SSD网络，得到基于车规级芯片SoC的轻量化SSD网络模型。

6.根据权利要求1所述的基于车规级芯片SoC的疲劳驾驶监测预警方法，其特征在于，所述步骤S4具体包括以下分步骤：

S41、步骤S2预处理后面部图像进行网格划分；

S42、构建包含类别信息与位置信息的默认框；

S43、利用步骤S42中默认框检测步骤S41中网格区域图像信息，得到不同尺度特征图；

S44、对步骤S43中不同尺寸特征图进行卷积预测融合，得到特征类别信息。

7.根据权利要求1所述的基于车规级芯片SoC的疲劳驾驶监测预警方法，其特征在于，所述步骤S5具体包括以下分步骤：

S51、利用ASM算法提取步骤S4中特征类别信息的关键点，得到动作关键点与眼部关键点；

S52、根据步骤S51中动作关键点判断当前驾驶是否为危险动作驾驶，若是则判为轻度疲劳驾驶，否则进入步骤S53；

S53、根据步骤S51中面部关键点计算疲劳特征参数；

S54、根据步骤S53中疲劳特征参数判断当前驾驶是否满足预设第一疲劳驾驶标准，若满足则判为重度疲劳驾驶，并重置时间周期，否则进入步骤S55；

S55、判断步骤S53中疲劳特征参数是否满足预设第二疲劳驾驶标准，若满足则判为轻度疲劳驾驶，并重置时间周期，否则为清醒状态，并进入步骤S56；

S56、判断当前时间周期是否满足预设时间阈值，若满足则结束检测，否则返回步骤S1进行下一帧驾驶实时视频图像采集。