本发明专利技术涉及行为识别技术领域，尤其涉及一种驾驶行为检测方法、装置、设备及存储介质，该方法包括：获取驾驶员的当前驾驶行为图像；通过预设驾驶行为检测模型对当前驾驶行为图像进行检测，获得检测结果，改进后的驾驶行为检测模型包括：融合注意力和反残差模块，融合注意力和反残差模块用于对可变形卷积模块输出的特征数据进行处理，并将处理后的特征输出至特征可视化模块，以使特征可视化模块输出检测结果；由于本发明专利技术预设驾驶行为检测模型添加了融合注意力和反残差模块，从而能够在运算量较低的情况下提升检测精度，解决更高精度与更少参数之间的矛盾。参数之间的矛盾。参数之间的矛盾。
【技术实现步骤摘要】
驾驶行为检测方法、装置、设备及存储介质
[0001]本专利技术涉及行为识别
，尤其涉及一种驾驶行为检测方法、装置、设备及存储介质。
技术介绍
[0002]目前，卷积神经网络在驾驶行为检测方面展现出显著的优势，通过卷积神经网络模型的深度学习，达到对驾驶员行为识别的效果。
[0003]现有技术中，卷积神经网络由于固定的几何结构，为了提升检测精度，需要提供大量参数供卷积神经网络模型学习，但大量的参数学习导致运算量增加，进而如何解决更高精度与更少参数之间的矛盾，是一个亟待解决的问题。
[0004]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
[0005]本专利技术的主要目的在于提供了一种驾驶行为检测方法、装置、设备及存储介质，旨在解决更高精度与更少参数之间的矛盾的技术问题。
[0006]为实现上述目的，本专利技术提供了一种驾驶行为检测方法，所述方法包括以下步骤：
[0007]获取驾驶员的当前驾驶行为图像；
[0008]通过预设驾驶行为检测模型对所述当前驾驶行为图像进行检测，获得检测结果，所述预设驾驶行为检测模型包括：融合注意力和反残差模块，所述融合注意力和反残差模块，用于对可变形卷积模块基于接收到的当前驾驶行为图像输出的特征数据进行处理，并将处理后的特征数据输出至特征可视化模块，以使所述特征可视化模块输出结果。
[0009]可选地，所述融合注意力和反残差模块的数量为若干个，且若干个所述融合注意力和反残差模块依次连接，所述融合注意力和反残差模块包括：线性瓶颈反残差子模块和注意力机制子模块，所述线性瓶颈反残差子模块和所述注意力机制子模块设置在所述可变形卷积模块和所述特征可视化模块之间。
[0010]可选地，所述通过预设驾驶行为检测模型对所述当前驾驶行为图像进行检测，获得检测结果的步骤，包括：
[0011]通过所述可变形卷积模块对所述当前驾驶行为图像进行特征提取，获得初始特征图；
[0012]通过所述线性瓶颈反残差子模块增加所述初始特征图的特征维数，获得多维特征图；
[0013]通过所述注意力机制子模块对所述多维特征图进行噪声消除；
[0014]通过所述特征可视化模块对噪声消除后的多维特征图进行检测，输出结果。
[0015]可选地，所述通过所述注意力机制子模块对所述多维特征图进行噪声消除的步骤，包括：
[0016]根据所述注意力机制子模块确定所述多维特征图的目标阈值；
[0017]基于所述多维特征图和所述目标阈值，从预设软阈值注意力机制中选取目标注意力机制；
[0018]根据所述目标阈值以及所述目标注意力机制对所述多维特征图进行噪声消除。
[0019]可选地，所述获取驾驶员的当前驾驶行为图像的步骤之前，还包括：
[0020]将L2正则项添加至初始驾驶行为检测模型，获得待训练检测模型；
[0021]获取用于训练模型的训练数据集；
[0022]基于所述训练数据集对所述待训练检测模型进行训练，获得待测试检测模型；
[0023]获取用于测试模型的测试数据集；
[0024]基于所述测试数据集对所述待测试检测模型进行测试，并在测试结果满足预设条件时，将所述待检测试检测模型作为预设驾驶行为检测模型。
[0025]可选地，所述获取用于训练模型的训练数据集的步骤，包括：
[0026]获取公开数据集，基于图像增强技术对所述公开数据集进行扩展；
[0027]根据扩展后的数据集构建用于训练模型的训练数据集；
[0028]相应地，所述获取用于测试模型的测试数据集的步骤，包括：
[0029]根据所述扩展后的数据集构建用于测试模型的测试数据集。
[0030]所述基于所述测试数据集对所述待测试检测模型进行测试，并在测试结果满足预设条件时，将所述待检测试检测模型作为预设驾驶行为检测模型的步骤，包括：
[0031]基于所述测试数据集对所述待测试检测模型进行测试，并在测试结果满足预设条件时，将所述待测试检测模型作为待验证模型；
[0032]获取驾驶员的驾驶行为视频数据；
[0033]根据所述驾驶行为视频数据构建自建数据集；
[0034]基于所述自建数据集对所述待验证检测模型进行验证，并在验证通过时，将所述待验证模型作为预设驾驶行为检测模型。
[0035]此外，为实现上述目的，本专利技术还提出一种驾驶行为检测装置，所述装置包括：
[0036]图像获取模块，用于获取驾驶员的当前驾驶行为图像；
[0037]图像检测模块，用于通过预设驾驶行为检测模型对所述当前驾驶行为图像进行检测，获得检测结果，所述预设驾驶行为检测模型包括：融合注意力和反残差模块，所述融合注意力和反残差模块，用于对可变形卷积模块基于接收到的当前驾驶行为图像输出的特征数据进行处理，并将处理后的特征数据输出至特征可视化模块，以使所述特征可视化模块输出结果。
[0038]此外，为实现上述目的，本专利技术还提出一种驾驶行为检测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的驾驶行为检测程序，所述驾驶行为检测程序配置为实现如上文所述的驾驶行为检测方法的步骤。
[0039]此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有驾驶行为检测程序，所述驾驶行为检测程序被处理器执行时实现如上文所述的驾驶行为检测方法的步骤。
[0040]在本专利技术中，公开了获取驾驶员的当前驾驶行为图像；通过预设驾驶行为检测模型对所述当前驾驶行为图像进行检测，获得检测结果，所述改进后的驾驶行为检测模型包
括：融合注意力和反残差模块，所述融合注意力和反残差模块用于对可变形卷积模块输出的特征数据进行处理，并将处理后的特征输出至特征可视化模块，以使所述特征可视化模块输出检测结果；由于本专利技术预设驾驶行为检测模型添加了融合注意力和反残差模块，从而能够在运算量较低的情况下提升检测精度，解决更高精度与更少参数之间的矛盾。
附图说明
[0041]图1为本专利技术实施例方案涉及的硬件运行环境的驾驶行为检测设备结构示意图；
[0042]图2为本专利技术驾驶行为检测方法第一实施例的流程示意图；
[0043]图3为预设驾驶行为检测模型的结构示意图；
[0044]图4为可变形卷积模块的结构示意图；
[0045]图5为变形卷积结构示意图；
[0046]图6为融合注意力和反残差模块的结构示意图；
[0047]图7为本专利技术驾驶行为检测方法第二实施例的流程示意图；
[0048]图8为本专利技术驾驶行为检测方法第三实施例的流程示意图；
[0049]图9为本专利技术驾驶行为检测装置第一实施例的结构框图。
[0050]附图标号说明：
[0051][0052]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种驾驶行为检测方法，其特征在于，所述方法包括以下步骤：获取驾驶员的当前驾驶行为图像；通过预设驾驶行为检测模型对所述当前驾驶行为图像进行检测，获得检测结果，所述预设驾驶行为检测模型包括：融合注意力和反残差模块，所述融合注意力和反残差模块，用于对可变形卷积模块基于接收到的当前驾驶行为图像输出的特征数据进行处理，并将处理后的特征数据输出至特征可视化模块，以使所述特征可视化模块输出结果。2.如权利要求1所述的驾驶行为检测方法，其特征在于，所述融合注意力和反残差模块的数量为若干个，且若干个所述融合注意力和反残差模块依次连接，所述融合注意力和反残差模块包括：线性瓶颈反残差子模块和注意力机制子模块，所述线性瓶颈反残差子模块和所述注意力机制子模块设置在所述可变形卷积模块和所述特征可视化模块之间。3.如权利要求2所述的驾驶行为检测方法，其特征在于，所述通过预设驾驶行为检测模型对所述当前驾驶行为图像进行检测，获得检测结果的步骤，包括：通过所述可变形卷积模块对所述当前驾驶行为图像进行特征提取，获得初始特征图；通过所述线性瓶颈反残差子模块增加所述初始特征图的特征维数，获得多维特征图；通过所述注意力机制子模块对所述多维特征图进行噪声消除；通过所述特征可视化模块对噪声消除后的多维特征图进行检测，输出结果。4.如权利要求3所述的驾驶行为检测方法，其特征在于，所述通过所述注意力机制子模块对所述多维特征图进行噪声消除的步骤，包括：根据所述注意力机制子模块确定所述多维特征图的目标阈值；基于所述多维特征图和所述目标阈值，从预设软阈值注意力机制中选取目标注意力机制；根据所述目标阈值以及所述目标注意力机制对所述多维特征图进行噪声消除。5.如权利要求4所述的驾驶行为检测方法，其特征在于，所述获取驾驶员的当前驾驶行为图像的步骤之前，还包括：将L2正则项添加至初始驾驶行为检测模型，获得待训练检测模型；获取用于训练模型的训练数据集；基于所述训练数据集对所述待训练检测模型进行训练，获得待测试检测模型；获取用于测试模型的测试数据集；基于所...
【专利技术属性】
技术研发人员：陈运星，吴华伟，郭必诚，王振勇，
申请(专利权)人：湖北文理学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。