1.基于改进的yolov3驾驶员关键子区域识别和定位方法,其特征在于,包括如下步骤:
获取不同场景下的驾驶员图像,并将驾驶员从背景中进行分割;
将分割出来的驾驶员图像输入卷积神经网络,通过弱监督的卷积神经网络弱学习建立驾驶员的热成像图,通过热成像图获取驾驶员的关键子区域;
基于改进的yolov3算法构建驾驶员关键子区域定位模型,并通过驾驶员关键子区域对驾驶员关键子区域定位模型进行训练;
实时采集驾驶员图像,将分割后的驾驶员图像输入卷积神经网络,获取驾驶员的关键子区域,将驾驶员的关键子区域输入训练好的驾驶员关键子区域定位模型,得到驾驶员的关键子区域图像。
2.根据权利要求1所述的基于改进的yolov3驾驶员关键子区域识别和定位方法,其特征在于,通过弱监督的卷积神经网络弱学习建立驾驶员的热成像图的过程中,通过平均值池化层进行识别驾驶员图像各区域的激活情况,确定激活区域位置,得到驾驶员的热成像图。
3.根据权利要求1所述的基于改进的yolov3驾驶员关键子区域识别和定位方法,其特征在于,改进的yolov3算法包括如下改进:
1)对yolov3损失函数的修改:yolov3损失函数由类别损失函数和位置损失函数相加组成,通过增大类别损失函数的比重,完成yolov3损失函数的修改;
2)对yolov3输出层参数的调整:根据驾驶员的关键子区域的数量将yolov3的出层参数调整成特定的维度。
4.根据权利要求1所述的基于改进的yolov3驾驶员关键子区域识别和定位方法,其特征在于,所述驾驶员关键子区域定位模型包括改进的darknet-53、若干组残差网络、卷积层网络,所述darknet-53、残差网络、卷积层网络顺次连接。
5.根据权利要求4所述的基于改进的yolov3驾驶员关键子区域识别和定位方法,其特征在于,驾驶员关键子区域定位模型的训练包括如下步骤:
1)采用基于弱监督的图像区域自动标注算法对所获取的驾驶员关键子区域进行标注,得到训练样本集;
2)将训练样本集输入改进的darknet-53,提取驾驶员的多尺度图像特征;
3)将驾驶员的多尺度图像特征分别输入若干组残差网络,得到驾驶员的多组特征图,并对多组特征图进行多尺度特征融合;
4)将多组特征图进行多尺度特征融合结果输入卷积层网络,完成驾驶员关键子区域的识别定位,得到驾驶员关键子区域图像;
5)通过对驾驶员关键子区域定位模型的输出结果进行后验分析,完成驾驶员关键子区域定位模型的剪枝;
6)重复步骤2)-步骤5),完成驾驶员关键子区域定位模型的训练。
6.根据权利要求5所述的基于改进的yolov3驾驶员关键子区域识别和定位方法,其特征在于,通过pytorch训练深度学习模型对驾驶员关键子区域定位模型的输出结果进行后验分析。