本申请公开了一种异常动作检测闭环迭代优化方法、系统、介质及设备，属于数据优化技术领域。该方法包括：在车载终端中，车载模型对收集的驾驶员脸部视频数据进行粗筛，得到海量低精度视频数据；在云端服务器中对海量低精度视频数据进行分类，得到第一正常数据、第一异常数据以及存疑数据；对存疑数据进行精确分类，分类为第二正常数据和第二异常数据；利用第一正常数据、第一异常数据、第二正常数据和第二异常数据进行模型训练，得到优化车载模型和优化判断模型，并进行更新。本申请通过采用高召回率低精度的数据收集方式对数据进行收集，并利用云端服务器上的模型对该收集的数据进行处理，提高数据处理的精度，使得数据的分类越来越准确。来越准确。来越准确。
【技术实现步骤摘要】
异常动作检测闭环迭代优化方法、系统、介质及设备
[0001]本申请涉及数据优化
，尤其涉及一种异常动作检测闭环迭代优化方法、系统、介质及设备。
技术介绍
[0002]在车辆驾驶过程中，驾驶员往往会出现一些危险的驾驶动作或行为。例如，驾驶过程中的抽烟、喝水、打哈欠、打电话以及闭眼等。因此，准确的进行驾驶员行为的检测，对于安全驾驶有着很大的重要性。现有技术的常规做法是在车端采用低召回率高精度的数据收集方式，进行驾驶员数据的收集，在车端完成数据的收集和驾驶员行为的分类处理后，将低召回率高精度数据中无法分析准确分析出驾驶员行为的数据通过人工标注的方式进行再确认。其中，由于通过低召回率高精度的数据收集方式，收集的数据本身的精度较高，人工再确认的过程显得多余；另外通过低召回率高精度的数据收集方式使得收集数据的数据量很少，很多包含各种行为信息的数据在低召回率高精度的收集方式下被滤除，使得在对模型进行进一步优化时，模型无法学习到更多的内容，模型的改进空间很小。
技术实现思路
[0003]针对现有技术中，在进行驾驶员行为的数据收集和处理时，在车载终端采用高精度低召回率的数据收集方式，使得将包含众多信息的数据滤除，导致可利用的数据量很少，无法利用该数据使得模型进一步优化的问题，本申请提出一种异常动作检测闭环迭代优化方法、系统、介质及设备。
[0004]在本申请的一个技术方案中，提供一种异常动作检测闭环迭代优化方法，包括：在车载终端中，车载模型对收集的驾驶员脸部视频数据进行粗筛，得到海量低精度视频数据；在云端服务器中通过判断模型对海量低精度视频数据进行分类，得到第一正常数据、第一异常数据以及存疑数据；对存疑数据进行精确分类，将存疑数据分类为第二正常数据和第二异常数据；利用第一正常数据、第一异常数据、第二正常数据和第二异常数据进行模型训练，得到优化车载模型和优化判断模型，并分别对车载模型和判断模型进行更新。
[0005]可选的，车载模型对收集的驾驶员脸部视频数据进行粗筛，得到海量低精度视频数据，包括：利用车载模型对脸部数据进行分析，确定脸部数据属于正常数据的第一概率和属于异常数据的第二概率；若第一概率或第二概率大于对应的第一预设阈值，则将该脸部数据作为海量低精度视频数据，并上传到云端服务器。
[0006]可选的，在云端服务器中通过判断模型对海量低精度视频数据进行分类，得到第一正常数据、第一异常数据以及存疑数据，包括：利用大模型对海量低精度视频数据进行滑窗处理，得到多个窗口数据；对各个窗口数据进行分析，分别确定其属于正常数据的第三概率和属于异常数据的第四概率；分别计算多个第三概率和第四概率的均值，若第三概率均值会第四概率均值大于对应的第二预设阈值，则将海量低精度视频数据确定为第一正常数据或第一异常数据，否则将海量低精度视频数据确定为存疑数据。
[0007]可选的，在云端服务器中通过判断模型对海量低精度视频数据进行分类，得到第一正常数据、第一异常数据以及存疑数据，还包括：利用时序模型对多个窗口数据进行分析，在时间维度上确定海量低精度视频数据属于正常数据或异常数据的第五概率；根据第五概率、第三概率均值和第四概率均值对海量低精度视频数据进行判断，确定海量低精度视频数据为第一正常数据，第一异常数据或存疑数据。
[0008]可选的，在云端服务器中通过判断模型对海量低精度视频数据进行分类，得到第一正常数据、第一异常数据以及存疑数据，还包括：利用辅助检测模型对海量低精度视频数据中驾驶员的姿势进行检测，获取海量低精度视频数据对应的判断分数；根据判断分数、第五概率、第三概率均值和第四概率均值对海量低精度视频数据进行判断，确定筛选视频数据为第一正常数据，第一异常数据或存疑数据。
[0009]可选的，利用第一正常数据、第一异常数据、第二正常数据和第二异常数据进行模型训练，得到优化车载模型和优化判断模型，包括：利用海量的第一正常数据、第一异常数据、第二正常数据和第二异常数据进行模型训练，对优化车载模型和优化判断模型分别进行优化。
[0010]可选的，还包括：利用第一正常数据、第一异常数据、第二正常数据和第二异常数据进行数据评测，能够得到全面的驾驶员驾驶的评测结果。
[0011]在本申请的一个技术方案中，提供一种异常动作检测闭环迭代优化系统，包括：车载终端，其车载模型对收集的驾驶员脸部视频数据进行粗筛，得到海量低精度视频数据；云端服务器，其通过判断模型对海量低精度视频数据进行分类，得到第一正常数据、第一异常数据以及存疑数据，并对存疑数据进行精确分类，将存疑数据分类为第二正常数据和第二异常数据；后处理模块，其利用第一正常数据、第一异常数据、第二正常数据和第二异常数据进行模型训练，得到优化车载模型和优化判断模型，并分别对车载模型和判断模型进行更新。
[0012]在本申请的一个技术方案中，提供一种计算机可读存储介质，存储介质存储有计算机指令，计算机指令被操作以执行方案一中的方法。
[0013]在本申请的一个技术方案中，提供一种计算机设备，其包括处理器和存储器，存储器存储有计算机指令，其中：处理器操作计算机指令以执行方案一中的方法。
[0014]本申请的有益效果是：本申请通过采用高召回率低精度的数据收集方式对数据进行收集，获得大量充分的包含驾驶员行为信息的数据，并利用云端服务器上的模型对该收集的数据进行处理，提高数据处理的精度，并利用该数据进行模型的优化，使得优化的模型更能够准确的进行数据的处理，使得数据的分类越来越准确。
附图说明
[0015]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0016]图1是本申请异常动作检测闭环迭代优化方法的一个实施方式的流程示意图；
[0017]图2是本申请异常动作检测闭环迭代优化系统的一个实施方式的结构示意图；
[0018]图3是本申请异常动作检测闭环迭代优化系统的一个实例的结构示意图。
[0019]通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
[0020]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0021]本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种异常动作检测闭环迭代优化方法，其特征在于，包括：在车载终端中，车载模型对收集的驾驶员脸部视频数据进行粗筛，得到海量低精度视频数据；在云端服务器中通过判断模型对所述海量低精度视频数据进行分类，得到第一正常数据、第一异常数据以及存疑数据；对所述存疑数据进行精确分类，将所述存疑数据分类为第二正常数据和第二异常数据；利用所述第一正常数据、所述第一异常数据、所述第二正常数据和所述第二异常数据进行模型训练，得到优化车载模型和优化判断模型，并分别对所述车载模型和所述判断模型进行更新。2.根据权利要求1所述的异常动作检测闭环迭代优化方法，其特征在于，所述车载模型对收集的驾驶员脸部视频数据进行粗筛，得到海量低精度视频数据，包括：利用所述车载模型对所述脸部数据进行分析，确定所述脸部数据属于正常数据的第一概率和属于异常数据的第二概率；若所述第一概率或所述第二概率大于对应的第一预设阈值，则将该脸部数据作为所述海量低精度视频数据，并上传到所述云端服务器。3.根据权利要求1所述的异常动作检测闭环迭代优化方法，其特征在于，所述在云端服务器中通过判断模型对所述海量低精度视频数据进行分类，得到第一正常数据、第一异常数据以及存疑数据，包括：利用大模型对所述海量低精度视频数据进行滑窗处理，得到多个窗口数据；对各个所述窗口数据进行分析，分别确定其属于正常数据的第三概率和属于异常数据的第四概率；分别计算多个所述第三概率和所述第四概率的均值，若第三概率均值会第四概率均值大于对应的第二预设阈值，则将所述海量低精度视频数据确定为所述第一正常数据或第一异常数据，否则将所述海量低精度视频数据确定为所述存疑数据。4.根据权利要求3所述的异常动作检测闭环迭代优化方法，其特征在于，所述在云端服务器中通过判断模型对所述海量低精度视频数据进行分类，得到第一正常数据、第一异常数据以及存疑数据，还包括：利用时序模型对多个所述窗口数据进行分析，在时间维度上确定所述海量低精度视频数据属于正常数据或异常数据的第五概率；根据所述第五概率、所述第三概率均值和所述第四概率均值对所述海量低精度视频数据进行判断，确定所述海量低精度视频数据为所述第一正常数据，所述第一异常数据或所述存疑数据。5.根...
【专利技术属性】
技术研发人员：杨德尧，李成源，沈鹏程，陈友俊，穆北鹏，
申请(专利权)人：魔门塔苏州科技有限公司，
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。