[发明专利]疲劳驾驶智能分析方法及装置

权利要求书

1.一种疲劳驾驶智能分析方法，其特征在于，所述方法包括：

接收驾驶启动指令，根据所述驾驶启动指令开启预先安装在驾驶舱内的监控设备；

利用所述监控设备实时捕捉驾驶者的驾驶状态，得到驾驶图片；

从所述驾驶图片中抠取驾驶者的原始人脸图片，对所述原始人脸图片拆分为多个人脸像素块；

将多个所述人脸像素块投射到预构建的坐标系中，得到多个人脸向量块；

对多个所述人脸向量块执行直方映射，得到人脸量化直方图；

计算所述人脸量化直方图的空间共生矩阵，其中计算方法如下：

其中，表示所述空间共生矩阵，表示所述空间共生矩阵的矩阵维度，表示所述空间共生矩阵的每个矩阵元素，和表示所述人脸图片第及个像素，和表示所述人脸量化直方图的第及第组，表示所述空间共生矩阵的每个矩阵元素和在所述坐标系中的切比雪夫距离；

将所述空间共生矩阵转变为马尔科夫矩阵，通过所述马尔科夫矩阵优化所述人脸像素块，得到优化人脸图片；

将所述优化人脸图片输入至预先训练完成的疲劳驾驶智能诊断模型，得到驾驶者的驾驶疲劳等级，其中所述疲劳驾驶智能诊断模型由卷积神经网络构建。

2.如权利要求1所述的疲劳驾驶智能分析方法，其特征在于，所述对所述原始人脸图片拆分为多个人脸像素块，包括：

使用滑动平均滤波器对所述原始人脸图片进行低通滤波预处理，得到初级人脸图片；

基于预先构建的滑动窗口，对所述初级人脸图片执行像素拆分，得到多个人脸像素块，其中人脸像素块的个数为：

其中为所述人脸像素块的个数，为所述初级人脸图片的图片规格。

3.如权利要求1所述的疲劳驾驶智能分析方法，其特征在于，所述对多个所述人脸向量块执行直方映射，得到人脸量化直方图，包括：

接收预先构建的向量直方块集，其中所述向量直方块集共有120个向量直方块，每个向量直方块均由列长为16的单维矢量组成；

将每个人脸向量块按照首尾连接的方式转为长度为16的单维向量；

依次计算每个1单维向量与所述向量直方块集中每个向量直方块的曼哈顿距离，选择出曼哈顿距离最小的向量直方块确定为人脸量化直方块；

将每个单维向量所对应的人脸量化直方块分组，构建得到所述人脸量化直方图。

4.如权利要求1所述的疲劳驾驶智能分析方法，其特征在于，所述将所述空间共生矩阵转变为马尔科夫矩阵，包括：

采用如下计算方法，将所述空间共生矩阵转变为马尔科夫矩阵：

其中，表示所述马尔科夫矩阵第行列的值，表示所述空间共生矩阵的每个矩阵元素，表示所述空间共生矩阵的矩阵维度。

5.如权利要求1所述的疲劳驾驶智能分析方法，其特征在于，所述通过所述马尔科夫矩阵优化所述人脸像素块，得到优化人脸图片，包括：

根据每个所述人脸像素块所计算得到散度矩阵；

计算所述马尔科夫矩阵的优化像素值集；

将所述优化像素值集按照位置对应关系，依次加入至所述散度矩阵，得到所述优化人脸图片。

6.如权利要求5所述的疲劳驾驶智能分析方法，其特征在于，所述根据每个所述人脸像素块所计算得到散度矩阵，包括：

根据如下计算公式，计算得到所述散度矩阵：

其中，表示所述散度矩阵，为所述人脸像素块的总块数，表示所述第个人脸像素块，为所有人脸像素块对应的均值。

7.如权利要求5所述的疲劳驾驶智能分析方法，其特征在于，所述计算所述马尔科夫矩阵的优化像素值集，包括：

采用如下计算公式，计算得到优化像素值集

其中，表示优化像素值集，表示马尔科夫矩阵的像素概率分布函数，表示马尔科夫矩阵的矩阵常数。