一种基于卷积神经网络的疲劳驾驶面部识别方法技术

本发明专利技术公开了一种基于卷积神经网络的疲劳驾驶面部识别方法，包括步骤：一、构建用于进行疲劳驾驶面部识别的卷积神经网络结构；二、训练卷积神经网络；三、利用卷积神经网络对疲劳驾驶面部图像进行识别。本发明专利技术方法步骤简单，实现方便，通过训练好的卷积神经网络对实时拍摄的图像进行疲劳驾驶面部识别，识别准确度高，能够成为有效判别驾驶员疲劳驾驶的手段，效果显著，便于推广。便于推广。

【技术实现步骤摘要】
一种基于卷积神经网络的疲劳驾驶面部识别方法


[0001]本专利技术属于疲劳驾驶检测
，具体涉及一种基于卷积神经网络的疲劳驾驶面部识别方法。

技术介绍

[0002]随着我国城市汽车数量的不断增长，频发的交通事故引发了全社会对交通安全的高度关注与重视。根据国内外对于交通事故的统计分析指出，引发交通事故的主要原因来于驾驶者本人，疲劳驾驶是引发交通事故的重要原因之一。目前尚无有效的方法来侦测疲劳驾驶，只能通过驾驶时间来判断是否疲劳，通过计时器来提醒，根据驾驶人的体质、车型以及精神状态不同，驾驶疲劳时间也不一样，判断效果并不是十分准确，也不适合一些跑长途的大客车、大货车司机的实际情况，因此该方法实际效果并不理想。

技术实现思路

[0003]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于卷积神经网络的疲劳驾驶面部识别方法，其步骤简单，实现方便，通过训练好的卷积神经网络对实时拍摄的图像进行疲劳驾驶面部识别，识别准确度高，能够成为有效判别驾驶员疲劳驾驶的手段，效果显著，便于推广。
[0004]为解决上述技术问题，本专利技术采用的技术方案是：一种基于卷积神经网络的疲劳驾驶面部识别方法，包括以下步骤：
[0005]步骤一、构建用于进行疲劳驾驶面部识别的卷积神经网络结构；
[0006]步骤二、训练卷积神经网络；
[0007]步骤三、利用卷积神经网络对疲劳驾驶面部图像进行识别。
[0008]上述的一种基于卷积神经网络的疲劳驾驶面部识别方法，步骤二中所述训练卷积神经网络的具体步骤为：
[0009]步骤201、选取多张原始图像，并对每张原始图像进行预处理，得到卷积神经网络的训练样本集；
[0010]步骤202、对步骤201中得到的训练样本集中的每个训练样本设定标签，记为“疲劳驾驶”和“非疲劳驾驶”；
[0011]步骤203、将步骤201得到各个训练样本与步骤202对应设定的标签一起输入到构建的卷积神经网络中进行训练，得到训练后的卷积神经网络模型。
[0012]上述的一种基于卷积神经网络的疲劳驾驶面部识别方法，步骤三中所述利用卷积神经网络对疲劳驾驶面部图像进行识别的具体步骤为：
[0013]步骤301、输入待识别的原始图像；
[0014]步骤302、从待识别的原始图像中分割出面部图像；
[0015]步骤303、将待识别的原始图像与步骤302得到的图像进行与操作，得到面部的真彩图像，作为识别样本；
[0016]步骤304、将步骤303中得到的识别样本输入到步骤203中得到的训练后的卷积神经网络模型中，进行疲劳驾驶面部识别，获得“疲劳驾驶”或“非疲劳驾驶”的识别结果。
[0017]上述的一种基于卷积神经网络的疲劳驾驶面部识别方法，步骤201中所述选取多张原始图像，并对每张原始图像进行预处理，得到卷积神经网络的训练样本集的具体步骤为：
[0018]步骤2011、输入每张原始图像；
[0019]步骤2012、从每张原始图像中分割出面部图像；
[0020]步骤2013、将各张原始图像与步骤2012得到的与原始图像对应的分割图像进行与操作，得到面部的真彩图像。
[0021]上述的一种基于卷积神经网络的疲劳驾驶面部识别方法，步骤2012中所述从每张原始图像中分割出面部图像的具体方法为：将每张原始图像中满足条件的像素分割出来，视为面部图像像素，原始图像中所有面部图像像素组成面部图像，其中，R(i,j)为RGB颜色空间中，位于图像坐标(i,j)处的R通道上的像素值，G(i,j)为RGB颜色空间中，位于图像坐标(i,j)处的G通道上的像素值，Y(i,j)为YCbCr颜色空间中，位于图像坐标(i,j)处的Y通道上的像素值，Y
mean
为YCbCr颜色空间中，Y通道上图像的平均像素值，Cb(i,j)为YCbCr颜色空间中，位于图像坐标(i,j)处的Cb通道上的像素值，Cb
mean
为YCbCr颜色空间中，Cb通道上图像的平均像素值，Cr(i,j)为YCbCr颜色空间中，位于图像坐标(i,j)处的Cr通道上的像素值，Cr
mean
为YCbCr颜色空间中，Cr通道上图像的平均像素值。
[0022]本专利技术与现有技术相比具有以下优点：本专利技术方法步骤简单，实现方便，通过训练好的卷积神经网络对实时拍摄的图像进行疲劳驾驶面部识别，识别准确度高，能够成为有效判别驾驶员疲劳驾驶的手段，效果显著，便于推广。
[0023]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0024]图1为本专利技术的方法流程框图。
具体实施方式
[0025]如图1所示，本专利技术的基于卷积神经网络的疲劳驾驶面部识别方法，包括以下步骤：
[0026]步骤一、构建用于进行疲劳驾驶面部识别的卷积神经网络结构；
[0027]步骤二、训练卷积神经网络；
[0028]步骤三、利用卷积神经网络对疲劳驾驶面部图像进行识别。
[0029]本方法中，步骤二中所述训练卷积神经网络的具体步骤为：
[0030]步骤201、选取多张原始图像，并对每张原始图像进行预处理，得到卷积神经网络的训练样本集；
[0031]步骤202、对步骤201中得到的训练样本集中的每个训练样本设定标签，记为“疲劳驾驶”和“非疲劳驾驶”；
[0032]步骤203、将步骤201得到各个训练样本与步骤202对应设定的标签一起输入到构建的卷积神经网络中进行训练，得到训练后的卷积神经网络模型。
[0033]本方法中，步骤三中所述利用卷积神经网络对疲劳驾驶面部图像进行识别的具体步骤为：
[0034]步骤301、输入待识别的原始图像；
[0035]步骤302、从待识别的原始图像中分割出面部图像；
[0036]步骤303、将待识别的原始图像与步骤302得到的图像进行与操作，得到面部的真彩图像，作为识别样本；
[0037]步骤304、将步骤303中得到的识别样本输入到步骤203中得到的训练后的卷积神经网络模型中，进行疲劳驾驶面部识别，获得“疲劳驾驶”或“非疲劳驾驶”的识别结果。
[0038]本方法中，步骤201中所述选取多张原始图像，并对每张原始图像进行预处理，得到卷积神经网络的训练样本集的具体步骤为：
[0039]步骤2011、输入每张原始图像；
[0040]步骤2012、从每张原始图像中分割出面部图像；
[0041]步骤2013、将各张原始图像与步骤2012得到的与原始图像对应的分割图像进行与操作，得到面部的真彩图像。
[0042]本方法中，步骤2012中所述从每张原始图像中分割出面部图像的具体方法为：将每张原始图像中满足条件的像素分割出来，视为面部图像像素，原始图像中所有面部图像像素组成面部图像，其中，R(i,j)为RGB颜色空间中，位于图像坐标(i,j)处的R通道上的像素值，G本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的疲劳驾驶面部识别方法，其特征在于：包括以下步骤：步骤一、构建用于进行疲劳驾驶面部识别的卷积神经网络结构；步骤二、训练卷积神经网络；步骤三、利用卷积神经网络对疲劳驾驶面部图像进行识别。2.按照权利要求1所述的一种基于卷积神经网络的疲劳驾驶面部识别方法，其特征在于：步骤二中所述训练卷积神经网络的具体步骤为：步骤201、选取多张原始图像，并对每张原始图像进行预处理，得到卷积神经网络的训练样本集；步骤202、对步骤201中得到的训练样本集中的每个训练样本设定标签，记为“疲劳驾驶”和“非疲劳驾驶”；步骤203、将步骤201得到各个训练样本与步骤202对应设定的标签一起输入到构建的卷积神经网络中进行训练，得到训练后的卷积神经网络模型。3.按照权利要求1所述的一种基于卷积神经网络的疲劳驾驶面部识别方法，其特征在于：步骤三中所述利用卷积神经网络对疲劳驾驶面部图像进行识别的具体步骤为：步骤301、输入待识别的原始图像；步骤302、从待识别的原始图像中分割出面部图像；步骤303、将待识别的原始图像与步骤302得到的图像进行与操作，得到面部的真彩图像，作为识别样本；步骤304、将步骤303中得到的识别样本输入到步骤203中得到的训练后的卷积神经网络模型中，进行疲劳驾驶面部识别，获得“疲劳驾驶”或“非疲劳驾驶”的识别结果。4.按照权利要求2所述的一种基于卷积神经网络的疲劳驾驶面部识别方法，其特征在于：步骤...

【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：牟茹月，
类型：发明
国别省市：