一种驾驶员疲劳检测模型构建方法、装置、设备及介质与流程

本发明涉及车辆控制，具体地说，涉及一种驾驶员疲劳检测模型构建方法、装置、设备及介质。

背景技术：

1、在交通安全领域疲劳驾驶是造成交通事故的重要因素之一，统计的交通事故中，车祸中25～30％是由于疲劳驾驶造成的，而在重大交通事故中，40％是由于疲劳驾驶造成；高速路上70％的驾驶员存在疲劳驾驶的经历。驾驶员疲劳检测模型构建对于行车安全来说非常重要。

2、但是现有的疲劳检测方法的检测模型训练需要花费大量的训练时间，模型训练效率较低，且训练的模型性能有限。

技术实现思路

1、为了解决上述问题，本发明提出一种驾驶员疲劳检测模型构建方法、装置、设备及介质，构建一种训练高效、性能优异的疲劳检测模型。

2、本发明实施例提供一种驾驶员疲劳检测模型构建方法，所述方法包括：

3、采集驾驶员在不同疲劳状态下的面部图像数据作为数据集；

4、采用预建的特征提取模型从所述数据集中提取驾驶员的特征信息；

5、将采集的特征信息输入到包含生成器和判别器的生成对抗网络中进行训练，根据所述生成器生成样本被所述判别器识别的准确率的变化趋势，调整所述生成器生成的对抗样本的强度；

6、将训练的生成对抗网络作为疲劳检测模型。

7、优选地，所述方法还包括：

8、采集驾驶员的面部图像，提取对应的特征信息；

9、将提取的特征信息输入到所述疲劳检测模型中，由所述疲劳检测模型的生成器生成对应的疲劳状态特征，再由判定器根据疲劳状态特征输出疲劳状态值；

10、根据疲劳状态值判定驾驶员是否处于疲劳状态。

11、进一步地，所述根据疲劳状态值判定驾驶员是否处于疲劳状态，具体包括：

12、当所述疲劳状态值超过预设阈值时，判定驾驶员处于疲劳状态；

13、当所述疲劳状态值未超过预设阈值时，判定驾驶员不处于疲劳状态。

14、作为上述方案的改进，所述特征信息具体包括通过预先训练的卷积神经网络提取的面部特征、眼睛动作和头部特征，以及通过面部识别算法提取的眼睛闭合程度；

15、所述卷积神经网络具体为vgg-16网络架构或深度残差网络模型；

16、所述面部识别算法具体包括dlib库。

17、优选地，所述将采集的特征信息输入到包含生成器和判别器的生成对抗网络中进行训练，根据所述生成器生成样本被所述判别器识别的准确率的变化趋势，调整所述生成器生成的对抗样本的强度，具体包括：

18、采用生成器根据提取的训练样本生成一个对应的对抗样本，并采用判别器判断输入样本是否为对抗样本；

19、确定验证集中生成器生成的样本被所述判别器识别的准确率的变化趋势；

20、当若干轮训练中识别的准确率提升幅度均低于预设阈值时，提高生成器的对抗扰动强度参数。

21、优选地，所述生成对抗网络的生成器的损失函数为：lg＝-log(d(g(z)))；

22、所述生成对抗网络的判别器的损失函数为ld＝-log(d(x))-log(1-d(g(z)))；

23、其中，z是随机噪声，x是真实样本，g(z)是生成器产生的对抗样本，d(x)是判别器对真实样本的判断结果，d(g(z))是判别器对生成的对抗样本的判断结果。

24、作为一种优选方案，所述生成器使用反向传播方法和梯度下降算法，以当前参数和训练样本x为输入，生成对样样本

25、其中，∈是对抗扰动强度，l(θ,x,y)为生成对抗网络在当前参数θ下的损失函数值，y为训练样本的真实标签，为样本x的梯度。

26、本发明实施例还提供一种驾驶员疲劳检测模型构建装置，所述装置包括：

27、数据获取模块，用于采集驾驶员在不同疲劳状态下的面部图像数据作为数据集；

28、特征提取模块，用于采用预建的特征提取模型从所述数据集中提取驾驶员的特征信息；

29、模型训练模块，用于将采集的特征信息输入到包含生成器和判别器的生成对抗网络中进行训练，根据所述生成器生成样本被所述判别器识别的准确率的变化趋势，调整所述生成器生成的对抗样本的强度；

30、模型输出模块，用于将训练的生成对抗网络作为疲劳检测模型。

31、优选地，所述装置还包括状态检测模块，用于：

32、采集驾驶员的面部图像，提取对应的特征信息；

33、将提取的特征信息输入到所述疲劳检测模型中，由所述疲劳检测模型的生成器生成对应的疲劳状态特征，再由判定器根据疲劳状态特征输出疲劳状态值；

34、根据疲劳状态值判定驾驶员是否处于疲劳状态。

35、进一步地，所述状态检测模块具体用于：

36、当所述疲劳状态值超过预设阈值时，判定驾驶员处于疲劳状态；

37、当所述疲劳状态值未超过预设阈值时，判定驾驶员不处于疲劳状态。

38、优选地，所述特征信息具体包括通过预先训练的卷积神经网络提取的面部特征、眼睛动作和头部特征，以及通过面部识别算法提取的眼睛闭合程度；

39、所述卷积神经网络具体为vgg-16网络架构或深度残差网络模型；

40、所述面部识别算法具体包括dlib库。

41、作为一种优选方案，所述模型训练模块具体用于：

42、采用生成器根据提取的训练样本生成一个对应的对抗样本，并采用判别器判断输入样本是否为对抗样本；

43、确定验证集中生成器生成的样本被所述判别器识别的准确率的变化趋势；

44、当若干轮训练中识别的准确率提升幅度均低于预设阈值时，提高生成器的对抗扰动强度参数。

45、优选地，所述生成对抗网络的生成器的损失函数为：lg＝-log(d(g(z)))；

46、所述生成对抗网络的判别器的损失函数为ld＝-log(d(x))-log(1-d(g(z)))；

47、其中，z是随机噪声，x是真实样本，g(z)是生成器产生的对抗样本，d(x)是判别器对真实样本的判断结果，d(g(z))是判别器对生成的对抗样本的判断结果。

48、作为一种优选方案，所述生成器使用反向传播方法和梯度下降算法，以当前参数和训练样本x为输入，生成对样样本

49、其中，∈是对抗扰动强度，l(θ,x,y)为生成对抗网络在当前参数θ下的损失函数值，y为训练样本的真实标签，为样本x的梯度。

50、本发明实施例还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项实施例所述的一种驾驶员疲劳检测模型构建方法。

51、本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一项实施例所述的一种驾驶员疲劳检测模型构建方法。

52、本发明提供一种驾驶员疲劳检测模型构建方法、装置、设备及介质，通过采集驾驶员在不同疲劳状态下的面部图像数据作为数据集；采用预建的特征提取模型从所述数据集中提取驾驶员的特征信息；将采集的特征信息输入到包含生成器和判别器的生成对抗网络中进行训练，根据所述生成器生成样本被所述判别器识别的准确率的变化趋势，调整所述生成器生成的对抗样本的强度；将训练的生成对抗网络作为疲劳检测模型。构建一种训练高效、性能优异的疲劳检测模型。