[发明专利]一种基于注意力机制的驾驶风险监测方法

说明书

本发明涉及一种基于注意力机制的驾驶风险监测方法，该方法包括：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。本发明能够大大提高识别误判率准确、实时识别分心驾驶行为，只需要少量样本，即可泛化到不同场景，更重要的是实时性得到了充分保证。

技术领域

本发明涉及驾驶风险识别技术领域，尤其涉及一种基于注意力机制的驾驶风险监测方法。

背景技术

根据世界卫生组织2018年的全球道路安全状况报告，道路交通事故是全球第八大死亡原因，每年有135万人死于交通事故，多达5000万人受伤.驾驶分心是导致驾驶风险的重要原因之一。驾驶员分心导致的道路事故数量逐年增加，约65％的临界碰撞和80％的车辆碰撞事故是司机分心驾驶导致的。驾驶疲劳和驾驶分心行为是造成驾驶风险的重要因素，准确且实时识别这类驾驶风险行为，能够及时对驾驶员预警，有效减少由分心驾驶行为造成的交通事故。

目前，通过对驾驶人的脑电信号(EEG)、心电信号(ECG)、肌电信号(EMG)等生理特征参数进行检测的方法准确度高，但是需要佩戴专业设备，对驾驶产生干扰。所以，一般采用安装在驾驶室内摄像头采集驾驶员的图片信息对驾驶员的驾驶状态进行监测。目前主要是通过各种图像识别算法识别驾驶员的面部特征，关注驾驶员的精神状态是否疲劳，以判断分心程度。这种方法局限于对驾驶员的精神状态是否疲劳的判断，只关注了驾驶员的局部特征，忽视了驾驶员可能发生的其它主观分心行为，如接打电话，喝水等。同时基于面部特征的检测方法图像分析方法准确率有待提高，如需精确判断眼部特征还必须佩戴眼动仪，且疲劳指标的判断主观性比较强。针对驾驶员主观分心行为，目前的出现了一些深度学习算法，主要是通过神经网络对驾驶员主观分心行为的动作图片进行分类，目前采用的神经网络架构参数量过于庞大，所需训练样本大，训练难度高，计算成本大，难以获得较好的带标签的样本，且泛化能力依然受到训练样本的影响，一旦改变光照条件和车内环境等外部因素，准确度大大降低，实时性难以保证，有时甚至表现低于传统算法，无法进行商用。因此，如何提高驾驶状态监测预警的实时性和高效性是亟待解决的问题。

发明内容

有鉴于此，有必要提供一种基于注意力机制的驾驶风险监测方法，用以克服现有技术中驾驶状态监测预警的实时性不强的问题。

本发明提供一种基于注意力机制的驾驶风险监测方法，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。

进一步地，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。

进一步地，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。