[发明专利]分心检测模型的训练方法、分心检测方法及装置

说明书

本申请提供了一种分心检测模型的训练方法、分心检测方法及装置，通过获取多个图像样本和多个图像样本各自对应的标签，并将多个图像样本分别输入初始分心检测模型中的第一特征提取模型和第二特征提取模型中，得到各图像样本对应的第一特征和第二特征，再将各图像样本对应的第一特征和第二特征输入初始分心检测模型中的分类模型中，得到各图像样本对应的驾驶状态预测结果，再根据各图像样本对应的驾驶状态预测结果和多个图像样本各自对应的标签，更新初始分心检测模型的网络参数，从而得到分心检测模型。本申请实施例可以降低分心检测的成本，而且可以保证提取到的特征更全面，提高了分心检测模型的准确性。

技术领域

本申请涉及图像处理技术领域，尤其涉及一种分心检测模型的训练方法、分心检测方法及装置。

背景技术

近年来，交通事故导致的死亡人数不断增加，分心驾驶更是造成交通事故发生的主要原因之一。“人”是驾驶的决定因素，分心驾驶行为往往是驾驶员下意识的行为，发生在不经意间。正因为如此，分心驾驶容易被驾驶员忽略而造成严重的交通事故。因此，快速准确检测出分心驾驶对于减少由于分心驾驶导致的道路交通事故，保护驾驶者的生命财产安全具有重要的现实意义。

目前，在进行分心驾驶的检测过程中，通常使用卷积神经网络模型进行检测。为了保证模型准确性，以及从卷积神经网络模型中提取的图像特征的全面性，通常会采用深层卷积神经网络进行特征提取。

然而，虽然深层卷积神经网络对于特征信息更敏感，但模型参数多，计算量大，导致分心检测的成本较高。

发明内容

本申请提供一种分心检测模型的训练方法、分心检测方法及装置，用以解决现有技术中从深层卷积神经网络模型中提取特征时，参数较多，计算量较大，导致分心检测成本较高的问题。

第一方面，本申请提供一种分心检测模型的训练方法，包括：

获取多个图像样本和多个图像样本各自对应的标签，标签用于表示图像样本中驾驶员的驾驶状态，驾驶状态包括正常驾驶状态和分心驾驶状态。

将多个图像样本分别输入初始分心检测模型中的第一特征提取模型和第二特征提取模型中，得到各图像样本对应的第一特征和第二特征，第一特征提取模型和第二特征提取模型均为轻量级网络模型。

将各图像样本对应的第一特征和第二特征输入初始分心检测模型中的分类模型中，得到各图像样本对应的驾驶状态预测结果。

根据各图像样本对应的驾驶状态预测结果和多个图像样本各自对应的标签，更新初始分心检测模型的网络参数。

可选的，将各图像样本对应的第一特征和第二特征输入初始分心检测模型中的分类模型中，得到各图像样本对应的驾驶状态预测结果，包括：

针对各图像样本，将图像样本对应的第一特征和第二特征进行融合，得到融合特征。

将融合特征输入初始分心检测模型中的多个膨胀卷积层，得到多尺度特征，并根据多尺度特征和分类模型，得到图像样本对应的驾驶状态预测结果。

可选的，根据多尺度特征和分类模型，得到图像样本对应的驾驶状态预测结果，包括：

通过最大池化方法，对多尺度特征进行池化处理，得到处理后的多尺度特征。

将处理后的多尺度特征进行融合，得到全局尺度特征。

将全局尺度特征输入分类模型中，得到图像样本对应的驾驶状态预测结果。

可选的，所述多个膨胀卷积层各自对应的膨胀率不同。

可选的，根据各图像样本对应的驾驶状态预测结果和标签，更新初始分心检测模型的网络参数，包括：

根据各图像样本对应的驾驶状态预测结果和标签，构造各图像样本对应的损失函数。