科创中国

本发明公开了一种基于改进的卷积神经网络的驾驶员状态识别方法，包括：输入驾驶员驾驶视频V1，进行超分辨率处理后输出视频V2。搭建卷积神经网络，构造人体关键点检测识别模型M1。利用yolo算法对视频V2中的人物进行检测，输出单人体视频集V3，捕捉关键帧后，输出单人体关键帧集V4。使用模型M1对V4识别，构造人体关键点坐标集K1。对各种姿势关键点进行坐标点信息标记，计算得到人体姿势对应关键点坐标分布模型M2。对坐标集K1二次检测，使用正常坐标点计算人体关键点之间距离信息，和模型M2对照从而判定驾驶员驾驶状态。本发明利用已经标注好的人体关键点信息，结合机器学习和特征识别技术实现驾驶员驾驶时的姿势检测。

发明目的：针对现有技术中存在的问题，本发明提供一种基于卷积神经网络的驾驶员状态识别方法，针对大量公共汽车监控视频中存在的可分析的驾驶员驾驶状态数据，利用已经标注好的人体关键点信息，利用机器学习和特征识别技术来实现驾驶员驾驶时的姿势检测。

近年来，有各种人体姿势识别模型与算法涌现，在人体姿势识别这条道路上开辟了新的发展方式。特别是新颖的学习算法的出现，将原来一些无法实现的问题通过神经网络的方法加以实现。如卷积神经网络适合于图像的处理。虽然国内基础理论提出较少，可是于外界的学习之后衍生出了不少有实际应用价值的应用。近年来国内外也有许多较为基础的应用提出，比如说Facebook的Densepose、Google的Kinect、上交大的Alphapose等。这些研究都可以在人体姿势识别上加以应用。

现有公共交通驾驶室内配有监控相机，可以提供大量可分析的视频数据。但是在监控信息运用的过程中，监控视频的分析依靠人力完成，对监控视频中的有价值信息的挖掘量少，对公共交通驾驶员的监督力度不够，导致不规范行为的产生。故引入了以卷积神经网络为基础的驾驶员状态识别方法。而在实际图像处理技术中，存在如下问题：1)监控装置无法提供足够的分辨率，使得图像处理的准确率下降；2)直接使用卷积神经网络对图像进行分类，将图像一些不重要的部分，一起放入了卷积网络中进行训练，得到的模型准确度是不够高的，提取到的特征没有进一步查验，可能将非人体部分的错误结果一并输出；3)监控视频时间长，利用计算机对于所有监控视频进行分析，现阶段并不现实。

此技术是淮阴工学院李翔研发，淮阴工学院，位于江苏省淮安市，宗旨和业务范围是“培养高等学历人才，促进社会发展。工学类、理学类、经济学类、管理学类、文学类、法学类、艺术学类和农学类学科本科学历教育工程硕士研究生学历教育相关科学研究技术开发继续教育专业培训学术交流与咨询服务会议展览服务”。

与现有技术相比，此技术产生的有益效果：

本专发明利用了基于对抗生成网络的分辨率提升方法，使低分辨率下的图像问题轮廓清晰度得以提升。提出一种基于人体关键点的人体姿势识别方法，先利用卷积神经网络训练关键点识别模型，进而用在人体目标检测的基础上训练好的模型来对人体关键点进行识别。在得到关键点识别结果后，对其进行统计分析，得到人体状态的描述。这种方法对比传统的图像分类方法，免去了图像中不必要部分的提取，对于图像特征的描述更为精细化，提高了图像识别的准确性。对视频信息进行信息熵计算，计算更有分析价值的视频帧，进而减轻了整体的计算量。本发明通过改进的卷积神经网络，通过缩小卷积核尺寸、增加卷积层数的方式加强了神经网络对于图像信息的提取，加入了池化层步长的概念防止过拟合，提高了模型的泛化性能；在驾驶状态识别上采用基于人体关键点识别的回归分析，降低了状态识别的出错率，有利于应用场景的迁移。

技术转让，许可，合作所需资金需双方协商，此项技术想尽快落地保定，希望具备此项技术研发的技术方，能够尽快承接此项目。