[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

说明书

本发明公开了一种基于车规级芯片SoC的疲劳驾驶监测预警方法及系统，通过采集驾驶员面部图像，并采用混合去噪法对采集的驾驶员面部图像进行预处理，并利用基于块乘法算法构建的基于车规级芯片SoC的轻量化SSD网络模型提取预处理后面部图像中特征类别信息；对特征类别信息疲劳等级划分，并根据疲劳等级进行分级预警；本发明通过混合去噪法对采集的驾驶员面部图像进行预处理，优化了夜间传统图像传感器存在的噪声，构建基于车规级芯片SoC的轻量化SSD网络模型应用于TDA2x平台，提升了训练网络在车规级芯片SoC部署的识别效率以及鲁棒性，降低了系统资源占有率及SBL引导时间，有效提升系统的实时性与稳定性，实现在低成本车规级SoC系统上开发疲劳检测系统。

技术领域

本发明涉及车辆安全驾驶领域，具体涉及一种基于车规级芯片SoC的疲劳驾驶监测预警方法及系统。

背景技术

疲劳驾驶预警系统(Driver Fatigue Monitor System)能够在驾驶员行驶过程中，全天候监测驾驶员的疲劳状态、驾驶行为等。在发现驾驶员出现疲劳及其他错误驾驶的行为动作后，预警系统将会对此类行为进行及时的分析，并进行语音或灯光提示。疲劳驾驶监测系统的发展过程可以总结为从多参数传感器向图像传感器的过度，从传统机器视觉检测算法向深度学习检测的过度。从驾驶者的驾驶体验出发考虑，一定是需要一款能精准监测疲劳状态且不干扰驾驶过程的系统，但恰恰是高精度目标检测算法和低成本硬件之间的平衡问题制约了疲劳监测系统的研发和落地。传统的机器视觉算法虽然能满足一些特征的提取和跟踪功能，但是对于智能辅助驾驶行业而言，安全驾驶是关乎驾驶员、乘客及行人生命和财产的重要议题，驾驶过程中会面临很多突发状况、行驶路况、恶劣天气和噪声干扰等问题，这是传统机器视觉算法无法处理的难题。另一方面具有高精度、鲁棒性的深度学习算法模型需要搭载高性能高算力的处理器，这些高性能的处理器成本普遍偏高且难以集成在车规级芯片SoC(System On Chip)中；

疲劳驾驶监测作为ADAS中不可或缺的一项功能，不像前车碰撞预警(FCW)、车道保持辅助(LDW)这类功能需要高精度的传感器和高计算能力芯片做支撑，但随着嵌入式系统和深度学习的发展，疲劳驾驶监测也在逐渐取代传统视觉学习，向机器学习的智能化、精确化方向发展，亟待深度学习在嵌入式系统中的部署和应用，所以，在选择芯片和硬件平台时，既要保证芯片有足够的浮点运算速度，同时也要有成熟的软件开发框架及平台的保证，此外开发还需兼顾成本的考量，因此通过深度学习模型算法构建监测识别模型，并应用于低成本车规级芯片SoC，设计开发一款低成本的高精确度疲劳驾驶监测预警方法及系统，具有重要的现实意义和实用价值。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于车规级芯片SoC的疲劳驾驶监测预警方法及系统。

为了达到上述发明目的，本发明采用的技术方案为：

第一方面，基于车规级芯片SoC的疲劳驾驶监测预警方法，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。

进一步地，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；