[发明专利]疲劳驾驶预警系统、相应的预警方法及构建方法

权利要求书

1.一种疲劳驾驶预警系统的构建方法，所述疲劳驾驶预警系统的构建方法包括车载终端、可穿戴设备和服务器端，可穿戴设备通过蓝牙与车载终端相连；

所述车载终端包括图像采集模块、语音提示模块、本地监测评估模块、第一网络传输模块、第一数据加密及解密模块；

所述服务器端包括云监测评估模块、第二网络传输模块、第二数据加密及解密模块，所述云监测评估模块包括图像预处理模块和深度学习网络模型，图像预处理模块的输出端与深度学习网络模型输入端相连；

所述图像采集模块的输出端一方面与本地监测评估模块的输入端相连、另一方面通过第一数据加密及解密模块与第一网络传输模块的输入端相连，本地监测评估模块的输出端与语音提示模块的输入端相连；

所述第二网络传输模块通过5G网络与第一网络传输模块相连，进而与语音提示模块相连；

其特征在于：疲劳驾驶预警系统的构建方法包括车载终端设计、服务器端设计、定义数据加密解密流程和数据保护流程，所述服务器端设计包括训练深度学习网络模型；

所述训练深度学习网络模型的过程包括以下步骤，

①人工对DROZY数据集的部分数据进行人工标注形成少量人工疲劳特征标注的DROZY数据集，即数据集A；同时形成人脸区域特征的数据集，即数据集B；

所述DROZY数据集是指步骤一中图像采集模块和可穿戴设备采集的数据，包括人脸图像信息数据，心率、血压及血氧数据；Drozy数据集中除去用于人工标注形成数据集A和数据集B的部分数据之外的大规模未标注数据集为数据集C；

②使用Paddleseg图像分割库和数据集B，训练，得到PaddleSeg U-net模型；

③使用数据集A和PaddleSeg U-net 模型进行自动的图像分割得到图像分割后的疲劳标注数据集，即数据集D；

④使用数据集D进行数据增强，得到小型训练集，即数据集E；

⑤使用数据集E和BiLSTM+CNN神经网络进行训练，得到小型应用模型；

⑥使用数据集C与PaddleSeg U-net模型，进行分割，得到图像分割后大规模未标注数据集，即数据集F；

⑦使用小型应用模型和数据集F进行预测，得到大规模弱标注数据集，即数据集G；

⑧使用数据集G进行数据增强，得到增强后的大规模弱标注数据集，即数据集H；

⑨将数据集H随机拆分成两部分，其中70%组成训练集H1,30%组成测试集H2；

⑩使用训练集H1与BiLSTM+CNN神经网络，进行训练，得到BiLSTM+CNN疲劳驾驶检测深度学习网络模型;

⑪使用集测试集H2，测试BiLSTM+CNN疲劳驾驶检测深度学习网络模型的性能,若测试结果合格则结束训练深度学习网络模型的过程;若不合格，则调整BiLSTM+CNN神经网络的参数，重新从步骤⑩执行。

2.根据权利要求1所述的疲劳驾驶预警系统的构建方法，其特征在于：所述数据增强由空间几何变换、像素颜色变换、多样本合成三种方法融合实现；其中，空间几何变换包括以下四个过程，

A1、对数据集D/G中的人脸图像进行翻转处理，翻转处理过程包括水平翻转和垂直翻转；

A2、对数据集D/G中的人脸图像进行裁剪，模拟驾驶者驾驶过程中头部运动、摄像头未成功捕捉人脸图像的情况；

A3、对数据集D/G中的人脸图像进行旋转，模拟驾驶者驾驶过程中头部运动；

A4、对数据集D/G中的人脸图像进行仿射变换，同时对图片做裁剪、旋转、转换、模式调整操作，模拟获取驾驶者人脸图像时，驾驶者进行头部运动而出现图像变形时的情况。

3.根据权利要求2所述的疲劳驾驶预警系统的构建方法，其特征在于：像素颜色变换包括对数据集D/G中的人脸图像加入高斯噪声、彩色噪声，并进行高斯模糊、弹性变换，模拟在驾驶者行进中人脸图像获取出现的失真情况。