1.一种判断驾驶员是否打喷嚏的方法,其特征在于,包括如下过程:
利用数据库训练神经网络模型,得到训练好的神经网络模型,所述数据库包括驾驶员打喷嚏时的声音特征数据、眼部特征数据和口部特征数据;
利用训练好的神经网络模型对实时采集的驾驶员的眼部特征数据、口部特征数据以及声音特征数据进行处理,分别得到驾驶员的眼部特征、口部特征以及声音特征对应的特征数据;
根据驾驶员的眼部特征、口部特征以及声音特征对应的特征数据判断驾驶员是否打喷嚏;
所述眼部特征对应的特征数据为包含眼部图像特征和闭眼时长数据的数据,口部特征对应的特征数据为包含嘴部张大程度的数据,声音特征对应的特征数据为包含音量、频率和音长的数据;
根据驾驶员的眼部特征、口部特征以及声音特征对应的特征数据判断驾驶员是否打喷嚏的过程包括:若驾驶员闭眼、闭眼时长达到预设的打喷嚏时眼睛的闭眼时长、嘴部张大程度达到打喷嚏时嘴部张大程度以及驾驶员发出的声音为打喷嚏时的阿嚏声,则判断驾驶员此时打喷嚏,否则判断驾驶员未打喷嚏;
所述闭眼时长的数据提取过程包括:将采集的闭眼时长数据整合换算为一个一维向量的时间数据,将该一维向量的时间数据作为闭眼时长数据;
所述嘴部张大程度的提取过程包括:将采集的嘴部的原始图片进行图像变换、图像编码压缩、图像增强和复原以及图像分割,得到嘴部的二维图像数据,将所述嘴部的二维图像数据作为嘴部图像特征,所述嘴部图像特征中包含嘴部张大程度的特征。
2.根据权利要求1所述的一种判断驾驶员是否打喷嚏的方法,其特征在于,所述眼部图像特征的提取过程包括:将采集的眼部的原始图片进行图像变换、图像编码压缩、图像增强和复原以及图像分割,得到眼部的二维图像数据,将所述眼部的二维图像数据作为眼部图像特征。
3.根据权利要求1所述的一种判断驾驶员是否打喷嚏的方法,其特征在于,所述声音特征数据的提取过程包括:将采集的声音的音频进行降噪处理和压缩,再分别提取所得音频的音量、频率和音长,最后对所提取的音量、频率和音长进行分级量化后得到一个一维向量,将该一维向量作为声音特征数据。
4.根据权利要求1所述的一种判断驾驶员是否打喷嚏的方法,其特征在于,利用训练好的神经网络模型对实时采集的驾驶员的眼部特征数据、口部特征数据以及声音特征数据进行处理,分别得到驾驶员的眼部特征、口部特征以及声音特征对应的特征数据的过程包括:利用训练好的神经网络模型对眼部图像特征进行处理,判断驾驶员是否闭眼;
利用训练好的神经网络模型对闭眼时长数据进行处理,判断闭眼时长是否达到预设的打喷嚏时眼睛的闭眼时长;
利用训练好的神经网络模型对包含嘴部张大程度的数据进行处理,判断嘴部张大程度是否达到驾驶员打喷嚏时嘴部张大程度;
利用训练好的神经网络模型对声音特征数据进行处理,判断驾驶员发出的声音是否为打喷嚏时的阿嚏声。
5.一种判断驾驶员是否打喷嚏的系统,其特征在于,用于实现权利要求1-4任意一项所述的判断驾驶员是否打喷嚏的方法,包括:眼部特征数据获取单元:用于实时记录驾驶员眼部动作信息,从驾驶员眼部动作信息中提取驾驶员的眼部特征数据;
口部特征数据获取单元:用于实时记录驾驶员口部动作信息,从驾驶员口部动作信息中提取驾驶员的口部特征数据;
声音特征数据获取单元,用于实时采集驾驶员发出的声音,从驾驶员发出的声音中提取声音特征数据;
数据处理单元:用于利用神经网络模型对实时采集的驾驶员的眼部特征数据、口部特征数据以及声音特征数据进行处理,分别得到驾驶员的眼部特征、口部特征以及声音特征对应的特征数据;
判断模块:用于根据驾驶员的眼部特征、口部特征以及声音特征对应的特征数据判断驾驶员是否打喷嚏;
所述神经网络模型包括二维卷积神经网络模型和一维卷积神经网络模型;
判断驾驶员是否闭眼时,利用所述二维卷积神经网络模型对眼部图像特征进行处理;
判断闭眼时长是否达到预设的打喷嚏时眼睛的闭眼时长时,利用所述一维卷积神经网络模型对闭眼时长数据进行处理;
判断嘴部张大程度是否达到驾驶员打喷嚏时嘴部张大程度时,利用所述二维卷积神经网络模型对包含嘴部张大程度的数据进行处理;
利用训练好的神经网络模型对声音特征数据进行处理,判断驾驶员发出的声音是否为打喷嚏时的阿嚏声;
所述二维卷积神经网络的基本结构包含一个输入层、六个卷积块、三个全连接层和一个输出层;其中,输入层输入数据的大小为224*224,通道数为3,每个元素代表一个灰度值;每个卷积块包含一个卷积层和一个池化层,每个卷积层是含有100个大小为3*3的卷积核,移动步长为2;池化层采用最大池化层,其中池化区域大小为3*3,经过卷积块提取隐藏特征后,将元素矩阵打平,送入到全连接层,在全连接层中添加了Dropuut层,选择的激活函数为Relu函数,目标函数为MSE,输出层为两个神经元,0表示否,1表示是;
所述一维卷积神经网络的基本结构包含一个输入层、六个卷积块、三个全连接层和一个输出层;其中输入层输入数据的大小为128*1,输入数据是一个一维向量;每个卷积块包含一个卷积层和一个池化层,其中卷积层是含有80个大小为3*1的卷积核,移动步长为3;池化层采用最大池化层,其中池化区域大小为2*1,经过卷积块提取隐藏特征后,将元素矩阵打平,送入到全连接层,在全连接层中添加了Dropuut层,选择的激活函数为Relu函数,目标函数为MSE;输出层为两个神经元,0表示否,1表示是。