[發明專利]基于剪枝壓縮的疲勞駕駛快速檢測方法有效
| 申請號： | 202010973894.8 | 申請日： | 2020-09-16 |
| 公開（公告）號： | CN112070051B | 公開（公告）日： | 2022-09-20 |
| 發明（設計）人： | 戴麗珍;郭建欽;楊剛;楊輝;陸榮秀;李中奇;徐芳萍 | 申請（專利權）人： | 華東交通大學 |
| 主分類號： | G06V20/59 | 分類號： | G06V20/59;G06V40/16;G06V40/18;G06V10/762;G06V10/766;G06V10/82;G06N3/04;G06N3/08 |
| 代理公司： | 西安銘澤知識產權代理事務所(普通合伙) 61223 | 代理人： | 吳林 |
| 地址： | 330013 江西省南*** | 國省代碼： | 江西;36 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 剪枝 壓縮 疲勞 駕駛 快速 檢測 方法 | ||
1.基于剪枝壓縮的疲勞駕駛快速檢測方法，其特征在于，包括以下步驟：
S1：采用基本回歸樹的人臉對比算法，獲取各類人臉數據庫中的人臉樣本數據，構建人臉區域數據集，使用YawDD疲勞駕駛視頻數據和CEW閉眼數據集對人臉區域數據集進行擴充；將人臉樣本數據中的人臉、眼和嘴部區域進行標注，刪除復雜場景；
S2：定義損失函數，使用K-means算法對標注的臉部和眼部目標框的大小進行聚類，獲取若干個先驗框；采用YOLO V3模型通過DarkNet-53網絡結構對標注后的人臉樣本數據進行回歸訓練，獲取若干個預測框；求解預測框位置參數、類別置信度和類別信息；
S3：在YOLO V3模型中引入Batch Normalization層，對Batch Normalization層中的縮放因子γ進行L1正則化處理，判別出不重要的卷積通道或神經元通道；根據初始網絡規模及實際問題復雜程度，設定閾值，當其重要性小于閾值時，將相關通道剪掉；稀疏化訓練后根據剪枝率對模型進行剪枝壓縮，之后再對剪枝后的模型進行微調；
S4：采集駕駛員的駕駛視頻流，按幀提取視頻圖片并放入剪枝微調后的YOLO V3模型，采用檢測到的閉眼圖片數量在單位時間內所檢測圖片數量的占比來進行眼部疲勞判定；采用檢測到的嘴部張開圖片數量在單位時間內所檢測圖片數量的占比來進行嘴部哈欠判定，根據眼部疲勞判定和嘴部哈欠判定結果進行判斷是否屬于疲勞駕駛。
2.根據權利要求1所述的基于剪枝壓縮的疲勞駕駛快速檢測方法，其特征在于，所述S2中每個預測框的目標置信度如下：
其中，obj表示目標種類，一共5類，p(obj)表示網格是否存在該種類目標，存在時其值為1，不存在時其值為0；表示預測框Box(pred)和真實值Box(truth)的交并比。
3.根據權利要求1所述的基于剪枝壓縮的疲勞駕駛快速檢測方法，其特征在于，所述S2中還包括回歸邊框轉換：
bx＝σ(tx)+cx；
by＝σ(ty)+cy；
其中，tx和ty表示預測的坐標偏移值；pw和ph表示尺度縮放；bx、by、bw和bh表示目標的框體坐標和大小；σ(t)表示Logistic回歸函數；Cx和Cy表示單個預測網絡的偏移量。
4.根據權利要求3所述的基于剪枝壓縮的疲勞駕駛快速檢測方法，其特征在于，所述S2中損失函數loss定義如下：
loss＝-boxloss-conloss-claloss；
其中，boxloss表示邊框誤差，conloss表示置信度誤差，claloss表示分類誤差；
具體誤差如下式所示：
其中，用于協調不同框對誤差的影響；和分別為網絡預測及實際標記的矩形框中心坐標；表示標記邊框的寬高；表示第i個網格第j個邊框不負責該目標，即該框內不存在目標，需要減少置信度；表示第i個網格第j個邊框是負責這個類，含有標記框時真實標記框的為1，否則為0；
當且僅當存在目標置信度時，計算置信度誤差；當含有類別時類別概率為1，否則為0；當且僅當第i個網格第j個邊框負責某個真實值時，使用條件概率計算每種類別的概率誤差；置信度C和類別概率p以及tx和ty均經過sigmoid函數變換，輸出在0-1之間。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于華東交通大學，未經華東交通大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.17sss.com.cn/pat/books/202010973894.8/1.html，轉載請聲明來源鉆瓜專利網。
