【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及人工智能，尤其涉及一種機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)方法。
技術(shù)介紹
1、機(jī)車(chē)司機(jī)在長(zhǎng)時(shí)間駕駛過(guò)程中可能出現(xiàn)疲勞問(wèn)題，這種疲勞狀態(tài)如果不及時(shí)識(shí)別和處理，可能導(dǎo)致嚴(yán)重的安全事故。傳統(tǒng)的疲勞檢測(cè)方法依賴于司機(jī)的主觀反饋或者較為簡(jiǎn)單的生理指標(biāo)監(jiān)測(cè)，這些方法不僅反應(yīng)遲緩，而且容易受到個(gè)體差異的影響，難以準(zhǔn)確評(píng)估司機(jī)的實(shí)時(shí)疲勞狀態(tài)。
2、申請(qǐng)?zhí)枮閏n202111174577.0的中國(guó)專利技術(shù)專利提出一種基于多源視覺(jué)信息融合的疲勞駕駛檢測(cè)方法，該方法包括：建立疲勞駕駛狀態(tài)下的用戶圖像樣本數(shù)據(jù)集；基于所述用戶圖像樣本數(shù)據(jù)集，提取并融合多維面部動(dòng)作單元和頭部姿態(tài)特征、多維眼部紋理特征與多維額部紋理特征，獲得多維疲勞特征向量；利用mi-fcbf算法對(duì)所述多維疲勞特征向量進(jìn)行選擇，獲得低維疲勞特征；根據(jù)所述低維疲勞特征，訓(xùn)練adaboost分類(lèi)器，生成可用于識(shí)別疲勞駕駛狀態(tài)的分類(lèi)模型；根據(jù)所述分類(lèi)模型監(jiān)測(cè)用戶駕駛狀態(tài)。上述基于多源視覺(jué)信息融合的疲勞駕駛檢測(cè)方法，將可見(jiàn)光下的面部視覺(jué)特征和面部紅外熱像圖紋理信息在特征層進(jìn)行融合，可以綜合視覺(jué)信號(hào)和生理信號(hào)評(píng)價(jià)疲勞狀態(tài)，檢測(cè)結(jié)果較為客觀。
3、本申請(qǐng)的專利技術(shù)人認(rèn)為現(xiàn)有技術(shù)中存在以下問(wèn)題：
4、（1）在訓(xùn)練數(shù)據(jù)采集和利用方面，常見(jiàn)的監(jiān)控系統(tǒng)數(shù)據(jù)不足以支撐有效的模型訓(xùn)練，導(dǎo)致模型泛化能力差。
5、（2）現(xiàn)有的神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中存在收斂速度慢的問(wèn)題，影響訓(xùn)練效率。
6、（3）現(xiàn)有的特征提取方法在處理高維數(shù)據(jù)時(shí)常常導(dǎo)致較大的信息丟失，影響了模型的
7、（4）現(xiàn)有的分類(lèi)器在處理復(fù)雜數(shù)據(jù)時(shí)容易出現(xiàn)梯度消失問(wèn)題，降低了模型在復(fù)雜狀況下的分類(lèi)效果和穩(wěn)定性。
8、基于此，開(kāi)發(fā)一種高效、自動(dòng)化并能實(shí)時(shí)監(jiān)控和評(píng)估司機(jī)疲勞狀態(tài)的方法顯得尤為重要。
技術(shù)實(shí)現(xiàn)思路
1、有鑒于此，基于現(xiàn)有技術(shù)中存在的機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)準(zhǔn)確性較低，，難以針對(duì)機(jī)車(chē)司機(jī)疲勞狀態(tài)場(chǎng)景形成大規(guī)模訓(xùn)練集，且不同地點(diǎn)或設(shè)備捕獲的圖像之間存在較大偏差，難以直接用于模型訓(xùn)練的問(wèn)題，本專利技術(shù)提出了一種機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)方法、裝置、設(shè)備及介質(zhì)。
2、基于以上目的，本專利技術(shù)的一個(gè)方面，提供了一種機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)方法，包括以下步驟：
3、s1、建立機(jī)車(chē)司機(jī)疲勞狀態(tài)的用戶圖像樣本數(shù)據(jù)集并標(biāo)記疲勞等級(jí)；
4、s2、將用戶圖像樣本數(shù)據(jù)集輸入生成對(duì)抗網(wǎng)絡(luò)模型，訓(xùn)練生成對(duì)抗網(wǎng)絡(luò)模型的生成器和判別器以進(jìn)行數(shù)據(jù)擴(kuò)充；
5、s3、將數(shù)據(jù)擴(kuò)充后的用戶圖像樣本數(shù)據(jù)集分別輸入特征提取模型、特征降維模型和分類(lèi)器模型，基于全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取模型訓(xùn)練、基于正則化損失的自編碼器算法進(jìn)行特征降維模型訓(xùn)練，基于高階神經(jīng)網(wǎng)絡(luò)算法進(jìn)行分類(lèi)器模型訓(xùn)練，得到訓(xùn)練完成的用戶圖像樣本模型；
6、s4、基于訓(xùn)練完成的用戶圖像樣本模型，實(shí)時(shí)監(jiān)測(cè)機(jī)車(chē)司機(jī)的疲勞等級(jí)，并給出相應(yīng)的安全措施；
7、其中，訓(xùn)練生成對(duì)抗網(wǎng)絡(luò)模型的生成器和判別器包括利用梯度下降法調(diào)整生成器和判別器的參數(shù)，并結(jié)合動(dòng)態(tài)調(diào)整函數(shù)進(jìn)行生成器和判別器的參數(shù)更新；
8、通過(guò)用戶圖像樣本數(shù)據(jù)集的質(zhì)量和判別器的判別結(jié)果，動(dòng)態(tài)調(diào)整生成器的訓(xùn)練重點(diǎn)，采用動(dòng)態(tài)優(yōu)化策略，根據(jù)判別器的反饋動(dòng)態(tài)調(diào)整生成器的訓(xùn)練重點(diǎn)；
9、在每個(gè)訓(xùn)練周期后，對(duì)生成的圖像進(jìn)行特征級(jí)的評(píng)估，根據(jù)細(xì)粒度特征模塊的反饋調(diào)整損失函數(shù)，優(yōu)先提升特征表達(dá)不足的區(qū)域。
10、在一些實(shí)施例中，生成器和判別器的參數(shù)表示為：
11、
12、
13、式中，是生成器的損失函數(shù)，是判別器的損失函數(shù)，是對(duì)抗訓(xùn)練的學(xué)習(xí)率，為第次迭代的生成器的參數(shù)，為第次迭代的判別器的參數(shù)，為第次迭代的生成器的參數(shù)，為第次迭代的判別器的參數(shù)，為生成器的損失函數(shù)關(guān)于生成器參數(shù)的梯度，為判別器的損失函數(shù)關(guān)于判別器參數(shù)的梯度，是動(dòng)態(tài)調(diào)整函數(shù),為復(fù)合損失函數(shù)關(guān)于生成器參數(shù)的梯度，為復(fù)合損失函數(shù)，為復(fù)合損失函數(shù)關(guān)于判別器參數(shù)的梯度。
14、在一些實(shí)施例中，動(dòng)態(tài)調(diào)整函數(shù)的計(jì)算方式表示為：
15、
16、式中，代表生成的圖像數(shù)據(jù)，是特征重標(biāo)定因子，表征動(dòng)態(tài)調(diào)整的調(diào)整強(qiáng)度；為偏導(dǎo)數(shù)符號(hào)；
17、動(dòng)態(tài)調(diào)整函數(shù)利用特征重標(biāo)定因子影響判別器的判別側(cè)重點(diǎn)，促使生成器在生成新圖像時(shí)關(guān)注與疲勞狀態(tài)高度相關(guān)的特征；
18、生成圖像和真實(shí)圖像特征的條件概率分布的計(jì)算方式表示為：
19、
20、式中，代表真實(shí)圖像數(shù)據(jù)，是和兩者交集的概率，是真實(shí)圖像特征的邊緣概率，表示生成圖像和真實(shí)圖像特征的條件概率分布；
21、根據(jù)生成圖像和真實(shí)圖像特征的條件概率分布計(jì)算特征重標(biāo)定因子，計(jì)算方式表示為：
22、
23、式中，是用于調(diào)節(jié)重標(biāo)定影響的尺度參數(shù)。
24、在一些實(shí)施例中，特征增強(qiáng)函數(shù)的計(jì)算方式表示為：
25、
26、式中，為特征增強(qiáng)函數(shù)，代表真實(shí)圖像數(shù)據(jù)，是生成圖像的第個(gè)特征，是真實(shí)圖像的第個(gè)特征，是第個(gè)特征的特征權(quán)重，是相似度計(jì)算函數(shù)，是特征增強(qiáng)系數(shù)；為圖像的特征數(shù)量，也即像素點(diǎn)數(shù)量；
27、相似度計(jì)算函數(shù)的計(jì)算方式表示為：
28、
29、式中，表示生成圖像和真實(shí)圖像在第個(gè)特征維度的歐氏距離的平方，為l2范數(shù)，計(jì)算方式同歐氏距離計(jì)算方式；是第個(gè)特征的尺度參數(shù)，為訓(xùn)練參數(shù)，通過(guò)梯度下降法進(jìn)行調(diào)整，用于調(diào)整不同特征對(duì)總體相似度計(jì)算的貢獻(xiàn)；表示以自然常數(shù)為底的指數(shù)函數(shù)。
30、在一些實(shí)施例中，將特征增強(qiáng)函數(shù)表征為像素級(jí)損失，結(jié)合像素級(jí)損失和特征級(jí)損失進(jìn)行復(fù)合損失函數(shù)的調(diào)整，復(fù)合損失函數(shù)的計(jì)算方式表示為：
31、
32、式中，表示特征級(jí)損失，是復(fù)合損失平衡系數(shù)；
33、特征級(jí)損失的計(jì)算方式表示為：
34、
35、式中，和分別是生成和真實(shí)圖像的第個(gè)樣本的第個(gè)特征；為當(dāng)前批次輸入的樣本數(shù)量；是歸一化常數(shù)，確保不同特征間的損失可比性。
36、在一些實(shí)施例中，步驟s3中基于全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取模型訓(xùn)練具體為：
37、s301、初始化神經(jīng)網(wǎng)絡(luò)的參數(shù)，并設(shè)置初始的調(diào)整頻率和調(diào)整振幅，表示為：
38、
39、
40、式中，為調(diào)整頻率，為調(diào)整頻率的初始值，為調(diào)整振幅，為調(diào)整振幅的初始值，是根據(jù)網(wǎng)絡(luò)深度自適應(yīng)調(diào)整的超參數(shù)，是根據(jù)網(wǎng)絡(luò)寬度自適應(yīng)調(diào)整的超參數(shù)，為調(diào)整振幅的權(quán)重因子，為雙曲正切函數(shù)，為調(diào)整振幅的賦值參數(shù)；
41、s302、輸入樣本并進(jìn)行前向傳播，計(jì)算網(wǎng)絡(luò)的輸出和實(shí)際輸出之間的誤差，表示為：
42、
43、
44、式中，為sigmoid激活函數(shù)；為神經(jīng)網(wǎng)絡(luò)的輸出，由神經(jīng)網(wǎng)絡(luò)最后一層神經(jīng)元的輸出經(jīng)softmax計(jì)算得到；為神經(jīng)網(wǎng)絡(luò)的權(quán)重，為神經(jīng)網(wǎng)絡(luò)的偏置，為神經(jīng)網(wǎng)絡(luò)的本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)方法，其特征在于，所述生成器和判別器的參數(shù)表示為：
3.根據(jù)權(quán)利要求1所述的機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)方法，其特征在于，所述動(dòng)態(tài)調(diào)整函數(shù)的計(jì)算方式表示為：
4.根據(jù)權(quán)利要求1所述的機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)方法，其特征在于，特征增強(qiáng)函數(shù)的計(jì)算方式表示為：
5.根據(jù)權(quán)利要求4所述的機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)方法，其特征在于，將所述特征增強(qiáng)函數(shù)表征為像素級(jí)損失，結(jié)合像素級(jí)損失和特征級(jí)損失進(jìn)行復(fù)合損失函數(shù)的調(diào)整，所述復(fù)合損失函數(shù)的計(jì)算方式表示為：
6.根據(jù)權(quán)利要求1所述的機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)方法，其特征在于，所述步驟S3中基于全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取模型訓(xùn)練具體為：
7.根據(jù)權(quán)利要求3所述的機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)方法，其特征在于，所述自編碼器的激活函數(shù)輸出特征的重要性評(píng)分的計(jì)算方式表示為：
8.根據(jù)權(quán)利要求1所述的機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)方法，其特征在于，通過(guò)統(tǒng)計(jì)所述激活值的稀疏性來(lái)判斷神經(jīng)元的重要性，所述自編碼器的第層
9.根據(jù)權(quán)利要求1所述的機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)方法，其特征在于，所述基于高階神經(jīng)網(wǎng)絡(luò)算法進(jìn)行分類(lèi)器模型訓(xùn)練包括：
10.根據(jù)權(quán)利要求1所述的機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)方法，其特征在于，采用梯度修正策略計(jì)算高階神經(jīng)網(wǎng)絡(luò)的參數(shù)增量，表示為：
...【技術(shù)特征摘要】
1.一種機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)方法，其特征在于，所述生成器和判別器的參數(shù)表示為：
3.根據(jù)權(quán)利要求1所述的機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)方法，其特征在于，所述動(dòng)態(tài)調(diào)整函數(shù)的計(jì)算方式表示為：
4.根據(jù)權(quán)利要求1所述的機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)方法，其特征在于，特征增強(qiáng)函數(shù)的計(jì)算方式表示為：
5.根據(jù)權(quán)利要求4所述的機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)方法，其特征在于，將所述特征增強(qiáng)函數(shù)表征為像素級(jí)損失，結(jié)合像素級(jí)損失和特征級(jí)損失進(jìn)行復(fù)合損失函數(shù)的調(diào)整，所述復(fù)合損失函數(shù)的計(jì)算方式表示為：
6.根據(jù)權(quán)利要求1所述的機(jī)車(chē)司機(jī)疲勞狀態(tài)檢測(cè)方法...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：付俊男，蔡志偉，王秀巖，高磊，王娜，鄭一飛，顏明，臧擎，任子豪，李顏東，
申請(qǐng)(專利權(quán))人：中車(chē)大連機(jī)車(chē)車(chē)輛有限公司，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。