1.一种驾驶分心检测模型,其特征在于,包括:
图像获取模块:用于获取包含驾驶员姿态的RGB图像;
图像处理模块:基于Sobel算子对所述RGB图像进行图像边缘处理,获取边缘图像;
特征向量提取模块:包括若干个特征提取单元,每个所述特征提取单元依次对所述边缘图像进行卷积操作,获取特征向量;
特征向量降维输出模块:用于降低所述特征向量维度并输出预测结果。
2.根据权利要求1所述的一种驾驶分心检测模型,其特征在于,每个所述特征提取单元分别至少完成对于所述边缘图像的归一化处理和平均值池化。
3.根据权利要求1所述的一种驾驶分心检测模型,其特征在于,所述特征提取单元包括依次设置的第一特征提取单元、第二特征提取单元、第三特征提取单元和第四特征提取单元;
所述第一特征提取单元、第二特征提取单元、第三特征提取单元和第四特征提取单元均包括依次设置的卷积层、归一化层、激励层和平均池化层;
所述第一特征提取单元、第二特征提取单元、第三特征提取单元和第四特征提取单元中,所述卷积层的卷积核数依次增大;所述激励层所采用的激活函数为ReLU函数。
4.根据权利要求3所述的一种驾驶分心检测模型,其特征在于,所述第一特征提取单元的卷积核数为32、卷积核大小为6×6;
所述第二特征提取单元的卷积核数为64、卷积核大小为6×6;
所述第三特征提取单元的卷积核数为128、卷积核大小为6×6;
所述第四特征提取单元的卷积核数为128、卷积核大小为6×6。
5.根据权利要求1所述的一种驾驶分心检测模型,其特征在于,所述模型还包括多尺度全局注意力模块,所述多尺度全局注意力模块与所述特征向量提取模块连接;
所述多尺度全局注意力模块包括若干不同的分支卷积层,获取卷积特征向量和多尺度深度可分离卷积特征向量,对所述卷积特征向量和所述多尺度深度可分离卷积特征向量进行特征融合,获取增强特征向量;
所述特征融合为采用残差连接的方法将所述卷积特征向量和所述多尺度深度可分离卷积特征向量进行连接。
6.根据权利要求5所述的一种驾驶分心检测模型,其特征在于,所述多尺度全局注意力模块包括第一分支卷积层、第一分支卷积层和第三分支卷积层,所述第一个分支卷积层是一个卷积核大小为1×1的卷积,所述第二分支卷积层由一个卷积核大小为3×3的深度卷积和一个卷积核大小为1×1的点卷积组成,所述第三分支卷积层由一个卷积核大小为5×5的深度卷积和一个卷积核大小为1×1的点卷积组成;
假设x1'为所述第一个分支卷积层输出的特征向量,x2'为所述第一个分支卷积层输出的特征向量,x3'为所述第三个分支卷积层输出的特征向量,则增强特征向量x为:。
7.根据权利要求5所述的一种驾驶分心检测模型,其特征在于,所述特征向量降维输出模块包括池化层和全连接层,所述池化层和全连接层依次与所述多尺度全局注意力模块连接,用于对所述增强特征向量进行自适应最大值池化和全连接操作,将特征向量维度由256降为n,其中n为所需预测的检测类别的个数。
8.一种驾驶分心检测方法,其特征在于,应用权利要求1-7任一所述的驾驶分心检测模型,包括以下步骤:S1、获取包含驾驶员姿态的RGB图像;
S2、将RGB图像经过Sobel算子进行图像边缘处理,获取边缘图像;
S3、按顺序将边缘图像输入特征提取单元中,获取特征向量;
S4、将获取的特征信息经过自适应最大池化和全连接操作后,输出分心驾驶的种类。
9.根据权利要求8所述的一种驾驶分心检测方法,其特征在于,所述步骤S3获取特征向量具体包括:将边缘图像使用32个卷积核、卷积核大小为6×6的、激活函数为ReLU、包含BatchNorm和平均值池化的卷积进行1次卷积操作;再使用64个卷积核、卷积核大小为6×6的、激活函数为ReLU、包含BatchNorm和平均值池化的卷积进行1次卷积操作;再使用128个卷积核、卷积核大小为6×6的、激活函数为ReLU、包含BatchNorm和平均值池化的卷积进行1次卷积操作;最后使用256个卷积核、卷积核大小为6×6的、激活函数为ReLU、包含BatchNorm和平均值池化的卷积进行1次卷积操作,获取特征向量。
10.根据权利要求9所述的一种驾驶分心检测方法,其特征在于,将步骤S3中获取的特征向量送入多尺度全局注意力模块,将第一个分支提取到的特征向量和后两个分支得到的特征向量通过元素相乘与相加的形式进行特征融合,将捕捉到的驾驶员手部和身体的动作特征用于对分心驾驶行为进行分类。