[发明专利]一种基于注意力机制的驾驶风险监测方法

权利要求书

1.一种基于注意力机制的驾驶风险监测方法，其特征在于，包括：

获取包含标注信息的多种驾驶行为样本图像，形成驾驶图片数据集，其中，所述标注信息为对应的实际驾驶行为分类；

将所述驾驶图片数据集输入至神经网络的特征提取器进行特征提取后，依次输入至所述神经网络的通道注意力层和空间注意力层，形成特征矩阵后输入至所述神经网络的顶层分类器，输出预测驾驶行为分类；

根据所述实际驾驶行为分类和所述预测驾驶行为分类，对所述神经网络进行训练至收敛，确定训练完备的神经网络。

2.根据权利要求1所述的基于注意力机制的驾驶风险监测方法，其特征在于，所述获取标注信息的多种驾驶行为样本图像，形成驾驶图片数据集包括：

获取包含所述标注信息的多种所述驾驶行为样本图像；

将多种所述驾驶行为样本图像进行数据增强处理，形成对应的数据增强图像，其中，数据增强处理的方式包括随机翻转、随机旋转、随机剪裁中的至少一种；

将多种所述数据增强图像进行预处理，形成所述驾驶图片数据集。

3.根据权利要求1所述的基于注意力机制的驾驶风险监测方法，其特征在于，所述特征提取器采用去除模型顶层的全连接层的EfficientNet网络，采用了深度可分离卷积模块、SE注意力机制和swish激活函数。

4.根据权利要求1所述的基于注意力机制的驾驶风险监测方法，其特征在于，所述依次输入至所述神经网络的通道注意力层和空间注意力层包括：

将所述特征提取器提取的混合特征输入至所述通道注意力层，确定通道注意力权值；

将所述通道注意力权值与所述混合特征相乘，确定通道加权特征；

将所述通道加权特征输入至所述空间注意力层，确定空间注意力权值；

将所述通道加权特征和所述空间注意力权值相乘，确定最终的所述特征矩阵。

5.根据权利要求4所述的基于注意力机制的驾驶风险监测方法，其特征在于，所述将所述特征提取器提取的混合特征输入至所述通道注意力层，确定通道注意力权值包括：

将所述混合特征分别输入所述通道注意力层中的通道全局最大池化层和通道全局平均池化层，确定对应的通道最大特征和通道平均特征；

将所述通道最大特征和所述通道平均特征，输入至所述通道注意力层中的全连接层；

将所述通道注意力层中的全连接层的输出特征逐个元素对应相加，再经过激活函数，确定所述通道注意力权值。

6.根据权利要求4所述的基于注意力机制的驾驶风险监测方法，其特征在于，所述将所述通道加权特征输入至所述空间注意力层，确定空间注意力权值包括：

将所述通道加权特征分别输入所述空间注意力层中的空间全局最大池化层和空间全局平均池化层，确定对应的空间最大特征和空间平均特征；

将所述空间最大特征和所述空间平均特征基于通道维度进行拼接操作，确定拼接后特征图；

将所述拼接后特征图进行卷积操作，降维形成单通道维度的特征图后，再经过激活函数，生成所述空间注意力权值。

7.根据权利要求1所述的基于注意力机制的驾驶风险监测方法，其特征在于，所述顶层分类器依次包括全局平均池化层和至少一个全连接层。

8.根据权利要求1所述的基于注意力机制的驾驶风险监测方法，其特征在于，所述对所述神经网络进行训练至收敛，确定训练完备的神经网络包括：

使所述特征提取器的模型参数保持不变，迭代训练所述通道注意力层、所述空间注意力层和所述顶层分类器的模型参数，直至网络收敛，确定对应的第一训练网络；

对所述第一训练网络中的所述特征提取器的模型参数进行训练，同时迭代训练所述特征提取器、所述通道注意力层、所述空间注意力层和所述顶层分类器的模型参数，直至网络收敛，确定所述训练完备的神经网络。

9.根据权利要求8所述的基于注意力机制的驾驶风险监测方法，其特征在于，模型训练过程中，采用Hyperband超参数调节优化算法对模型的超参数进行优化。

10.根据权利要求1所述的基于注意力机制的驾驶风险监测方法，其特征在于，所述驾驶风险监测方法还包括：

将摄像头拍摄的驾驶员视频逐帧送入所述训练完备的神经网络，进行逐帧分析，确定每一帧对应的预测驾驶行为分类。