【技术实现步骤摘要】
本专利技术涉及驾驶检测领域，特别是涉及一种打哈欠行为在线识别方法、设备、介质及产品。
技术介绍
1、传统的疲劳监测往往依靠物理传感设备，如眼睑运动监测装置或脑电波检测仪等，但这些方法存在操作复杂、成本高昂和对用户体验的负面影响等诸多不便。打哈欠，作为疲劳驾驶情况下一个常见的生理现象，其频繁出现预示着疲劳的加剧。目前，对驾驶员进行打哈欠识别的流行手段是对面部视频流进行分析，通过图像处理和特征识别技术，利用人工设计的特征提取算法来识别面部特征，如嘴部动态，从而进行疲劳预警。然而，打哈欠不仅需要考虑嘴部的变化，也应考虑到面部的其它部位如眼睛和鼻子的变化来综合进行判断。鉴于实际驾驶环境的复杂性、不同的驾驶角度以及多变的光照条件等，传统的人工特征识别手段逐渐显示出其局限。随着深度学习与计算机视觉技术的发展，采用人工智能进行疲劳检测成为可能。先进的卷积神经网络已被用于提取面部深层次特征，进而通过这些特征的综合分类，精准地识别出打哈欠行为。这种识别方式的关键在于保证其实时性和准确性，确保及时捕捉驾驶员的打哈欠信号，从而提升疲劳驾驶检测系统的效能。在此背景下，提出并实施一种更为精确和迅速的疲劳监测方法，对于确保道路行车安全具有非凡的意义。
2、现有的哈欠识别技术主要有两类，一类以手工设计特征提取方法为主，依靠分析和识别特定的面部特征来检测打哈欠行为，例如公开号为cn115457618a的中国专利技术专利和公开号为cn107247934a的中国专利技术专利都是此类的方法。它们通常包括以下几个步骤：1）面部检测：使用面部检测算法来定位图
3、另一类以深度学习方法为主，利用数据驱动的模式学习去自动提取和理解对于目标任务更为优化的特征，降低了人工参与的程度，且更能可靠地处理不同的环境和场景变化，例如公开号为cn110502995a的中国专利技术专利和公开号为cn109472228a的中国专利技术专利就是此类方法的代表。通常包括以下几个步骤：1）通过摄像头捕捉驾驶员面部，创建哈欠样本数据集；2）基于卷积神经网络等技术设计识别网络；3）在哈欠样本数据集上进行训练，获得识别模型；4）使用训练得到的模型进行打哈欠识别。基于深度学习的方法通过理解面部的整体特征，能够更好地捕捉到包括嘴巴、鼻子和眼睛在内的更多面部信号，这提高了打哈欠识别的准确性。此外，基于深度学习的方法能熟练处理新的或未曾见过的情况，比如不同人脸特征、表情差异、光照变化等，这为系统的稳定性和可靠性提供了基础。
4、基于深度学习的打哈欠识别方法虽然在许多方面表现突出，但仍存在一些缺陷和挑战：首先，深度学习模型通常需要大量的标注数据来进行有效的训练，如果训练数据不足或者样本多样性差，模型可能会在训练集上表现良好但在实际应用中泛化能力下降，这种过拟合现象限制了模型在现实世界的有效性。其次，深度学习模型尤其是卷积神经网络可能需要显著的计算资源用于训练和推断，这在有限的硬件资源特别是移动或嵌入式环境中是个限制因素，高精度的模型可能带来更高的计算负担，这可能影响模型在实时应用中的性能。
技术实现思路
1、本专利技术的目的是提供一种打哈欠行为在线识别方法、设备、介质及产品，以解决现有基于深度学习的打哈欠识别方法所存在的过拟合现象以及计算负担大的问题。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种打哈欠行为在线识别方法，包括：
4、搭建并预训练深度卷积神经网络模型，保存预训练好的模型参数；所述深度卷积神经网络模型包括多个倒残差块；所述倒残差块采用深度可分离卷积技术，所述倒残差块包括通道注意力层；其中，所述通道注意力层是通过压缩激励生成的；
5、将预训练的深度卷积神经网络模型中的通道注意力层替换为通过无降维的一维卷积方式生成的高效通道注意力层，构建哈欠检测模型；
6、根据预训练好的模型参数初始化所述哈欠检测模型的模型参数；
7、根据驾驶员图像训练初始化后的哈欠检测模型，生成训练好的哈欠检测模型；所述驾驶员图像根据打哈欠程度添加不同的标签；所述标签包括正常、轻微哈欠以及明显哈欠；
8、根据训练好的哈欠检测模型在线识别待测驾驶员的打哈欠行为。
9、一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述打哈欠行为在线识别方法。
10、一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述打哈欠行为在线识别方法。
11、一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述打哈欠行为在线识别方法。
12、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术采用包含使用了深度可分离卷积技术的倒残差块的深度卷积神经网络模型，并预训练深度卷积神经网络模型，在深度卷积神经网络模型基础上，将所述倒残差块中的通道注意力层替换为无降维的一维卷积方式生成的高效通道注意力层，构建哈欠检测模型，无需大量的标注数据对哈欠检测模型进行训练，降低了过拟合现象，提高了哈欠检测模型在现实世界的有效性；同时，使用高效通道注意力层引导哈欠检测模型关注图像中的重要特征以提升模型性能；此外，根据预训练好的模型参数初始化所述哈欠检测模型的模型参数，灵活运用了迁移学习的策略，先在其他大型数据集上预训练特征提取器，得到预训练好的模型参数，再将预训练好的模型参数应用于哈欠识别的驾驶员图像中，实现了模型对于图像特征的高效转移和复用，降低了计算负担。
本文档来自技高网...【技术保护点】
1.一种打哈欠行为在线识别方法，其特征在于，包括：
2.根据权利要求1所述的打哈欠行为在线识别方法，其特征在于，所述深度卷积神经网络模型，具体包括：
3.根据权利要求2所述的打哈欠行为在线识别方法，其特征在于，所述倒残差块，具体包括：
4.根据权利要求1所述的打哈欠行为在线识别方法，其特征在于，所述高效通道注意力层，具体包括：
5.根据权利要求1所述的打哈欠行为在线识别方法，其特征在于，根据驾驶员图像训练初始化后的哈欠检测模型，生成训练好的哈欠检测模型，具体包括：
6.根据权利要求1所述的打哈欠行为在线识别方法，其特征在于，根据驾驶员图像训练初始化后的哈欠检测模型，生成训练好的哈欠检测模型，之前还包括：
7.根据权利要求1所述的打哈欠行为在线识别方法，其特征在于，搭建并预训练深度卷积神经网络模型，保存预训练好的模型参数，具体包括：
8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述打哈欠
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述打哈欠行为在线识别方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述打哈欠行为在线识别方法。
...【技术特征摘要】
1.一种打哈欠行为在线识别方法，其特征在于，包括：
2.根据权利要求1所述的打哈欠行为在线识别方法，其特征在于，所述深度卷积神经网络模型，具体包括：
3.根据权利要求2所述的打哈欠行为在线识别方法，其特征在于，所述倒残差块，具体包括：
4.根据权利要求1所述的打哈欠行为在线识别方法，其特征在于，所述高效通道注意力层，具体包括：
5.根据权利要求1所述的打哈欠行为在线识别方法，其特征在于，根据驾驶员图像训练初始化后的哈欠检测模型，生成训练好的哈欠检测模型，具体包括：
6.根据权利要求1所述的打哈欠行为在线识别方法，其特征在于，根据驾驶员图像训练初始化后的哈欠检测模型，生成训练好的哈欠检测模型，...
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。