1.一种司机分心驾驶检测方法,其特征在于:包括以下步骤:
步骤1、构建训练集和测试集;具体步骤为:
步骤1‑1、将多帧车辆驾驶室内的司机图像均转化成大小为N*M的灰度图像,N和M均为正整数;
步骤1‑2、分别对步骤1‑1中的每帧N*M的灰度图像依次进行归一化处理和预处理,得到每帧司机图像所对应的第一图像;
步骤1‑3、提取每帧第一图像的轮廓纹理,得到每帧司机图像所对应的第二图像;
步骤1‑4、将所有的第二图像分成训练集和测试集,其中,训练集中每个训练样本包括每帧司机图像所对应的第二图像以及该司机图像对应的动作类别标签;
步骤2、构建卷积神经网络并对卷积神经网络进行训练,得到训练完成的卷积神经网络,具体步骤为:步骤2‑1、构建的卷积神经网络包括q个依次相连接的卷积层;其中第i个卷积层的卷积核大小为mi*mi;i=1、2…q,q为正整数;m1>m2>…mq;
步骤2‑2、将训练集中的某一帧司机图像所对应的第二图像输入到步骤2‑1中构建的卷积神经网络中,得到司机实际的动作类别;
步骤2‑3、根据训练样本中该司机图像对应的动作类别标签与步骤2‑2中得到的司机实际的动作类别,计算出卷积神经网络中的损失函数,并根据损失函数更新卷积神经网络中的初始化参数,得到训练更新后的卷积神经网络;
步骤2‑4、依次选择其他的训练样本,并依次使用步骤2‑2和步骤2‑3中相同的方法对训练更新后的卷积神经网络再进行训练,最终得到训练完成的卷积神经网络;
步骤3、在测试集中任意选择一帧待测试的司机图像所对应的第二图像,将其输入到步骤2训练完成的卷积神经网络中,即得到待测试的司机图像所对应的动作类别。
2.根据权利要求1所述的司机分心驾驶检测方法,其特征在于:所述步骤1‑3中第二图像的获取方法为:对每帧第一图像提取HOG特征,得到每帧第一图像对应的HOG特征向量,并将每帧第一图像对应的HOG特征向量转换成图像,即得到包括有轮廓纹理的第二图像。
3.根据权利要求1所述的司机分心驾驶检测方法,其特征在于:所述步骤2‑1中构建的卷积神经网络呈金字塔形状。
4.根据权利要求1所述的司机分心驾驶检测方法,其特征在于:所述步骤2‑1中构建的卷积神经网络还包括与第q个卷积层相连接的Dropout层、全局均值池化层和Softmax分类层,其中,每个卷积层的后端还依次连接有激活层、批量正则化层和池化层。
5.根据权利要求4所述的司机分心驾驶检测方法,其特征在于:所述激活层采用ReLU非线性激活函数,池化层采用最大池化方法。