(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111671824.8 (22)申请日 2021.12.31 (71)申请人 西安航空学院 地址 710000 陕西省西安市西二环 259号 (72)发明人 余曼　吴玲　燕姣　 (74)专利代理 机构 北京盛凡佳华专利代理事务 所(普通合伙) 11947 代理人 安学慧 (51)Int.Cl. G06V 20/59(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于YOLO神经网络的驾驶员专心度检 测方法 (57)摘要 本发明涉及计算机视觉技术领域， 特别涉及 一种基于YOLO神经网络的驾驶员专心度检测方 法， 包括如下步骤： 制作面部朝向图片训练数据 集； 基于所述数据集， 利用YOLOv5算法建立训练 模型； 将标注后的面部朝向图片输入到训练模型 中对模型进行训练； 在训练模型成熟之后， 基于 所述训练模 型建立判别模型； 将判别模型接入驾 驶室的监控摄像头进行实时监测和预警。 通过车 内摄像头实际捕捉驾驶员的面部朝向， 获取驾驶 员的头部状态。 比如转头时间过长， 判别模型就 可以判别驾驶员的专心度， 然后报警系统发出警 报， 该模型对于驾驶员疲劳的识别效果较好， 有 效地减少事故 发生。 权利要求书1页 说明书4页 附图1页 CN 114387586 A 2022.04.22 CN 114387586 A 1.一种基于 YOLO神经网络的驾驶员专 心度检测方法， 其特 征在于， 包括如下步骤： 制作面部朝向图片训练数据集； 基于所述数据集， 利用YOLOv5算法建立训练模型； 将标注后的面部朝向图片输入到训练模型中对 模型进行训练； 在训练模型成熟之后， 基于所述训练模型建立判别模型； 将判别模型接入驾驶室的监控摄 像头进行实时监测 和预警。 2.根据权利要求1所述的一种基于YOLO神经网络的驾驶员专心度检测方法， 其特征在 于， 其中， 所述数据集中包括训练集、 验证集和 测试集。 3.根据权利要求2所述的一种基于YOLO神经网络的驾驶员专心度检测方法， 其特征在 于， 所述训练模型中包括YOLO5神经网络 。 4.根据权利要求3所述的一种基于YOLO神经网络的驾驶员专心度检测方法， 其特征在 于， 所述训练集、 验证集和 测试集中的图片类型均包括 转头状态图片和正视状态图片。 5.根据权利要求4所述的一种基于YOLO神经网络的驾驶员专心度检测方法， 其特征在 于， 训练模型中包括训练算法， 该训练算法包括如下步骤： 面部朝向图片中的转头状态和正视状态区域标注二类的矩形框记录下全图中的位置 和动作属于的类别， 对于正常行为无需标注 矩形框； 对面部朝向图片进行人脸检测记录位置， 然后以人脸上边缘固定向下正方形扩大设定 倍数， 作为危险行为分析区域， 训练样本预处理直接重原图中截取并且大小归一化到设定 尺寸； 标签预处 理， 利于YOLO5神经网络对标注标签训练； 训练网络候选框的聚类选择， 通过k ‑mean算法聚类6个候选框比例， 其中6个候选框分 成2个网络尺度输出， 即每一个网络尺度输出包含3个比例候选框； 主干网络是参数量经过 大量裁减的VG G‑mobileNet， 模型训练使用深度学习框架caf fe； 训练内容： 输入图像预测是否存在危险驾驶行为， 并预测出发生 危险行为的准确位置； 模型选择与训练； 分类模型选择的是lightcnn网络结构， 网络的输出为2类， 分别为正 视状态类别为0， 转头状态类别为1； 使用Softmax交叉熵损失进行目标学习， caffe框架中自 带Softmax交叉熵损失函数的操作； 模型训练Softmax交叉熵损失稳定收敛在较小的区域 时， 模型训练完成。 6.根据权利要求1所述的一种基于YOLO神经网络的驾驶员专心度检测方法， 其特征在 于， 还包括检测系统， 所述检测系统与判别模型 连接， 所述检测系统连接有报警系统。权　利　要　求　书 1/1 页 2 CN 114387586 A 2一种基于 YOLO神经网络的驾驶员专心度检测方 法 技术领域 [0001]本发明属于计算机视觉技术领域， 特别涉及一种基于YOLO神经网络的驾  驶员专 心度检测方法。 背景技术 [0002]随着国内道 路基建发展越来越完善， 道路交通上运营车辆日益增多， 国家  也越发 关注道路安全情况。 行车过程中往往绝大部 分的交通事故是人为因素造  成的， 司机的疲劳 驾驶， 酒驾， 或者行车过程中的不正当操作都可能造成重大  交通事故以及重大经济损失。 因此， 检测司机驾驶过程中的危险动作行为是非  常重要的， 能有效减少交通事故的发生。 [0003]传统的交通违规检测是通过电子摄像头对车辆信息进行捕捉， 以达到检测  是否 闯红灯、 逆行、 轧线等违章行为的目的， 但这种检测对驾驶员的驾驶行为  不能做到很好的 监测， 不能够 及时的检测驾驶员的专 心度， 和提醒驾驶员。 发明内容 [0004]针对上述问题， 本发明提供了一种基于YOLO神经 网络的驾驶员专心度检  测方法， 包括如下步骤： [0005]制作面部朝向图片训练数据集； [0006]基于所述数据集， 利用YOLOv5算法建立训练模型； [0007]将标注后的面部朝向图片输入到训练模型中对 模型进行训练； [0008]在训练模型成熟之后， 基于所述训练模型建立判别模型； [0009]将判别模型接入驾驶室的监控摄 像头进行实时监测 和预警。 [0010]优选的， 其中， 所述数据集中包括训练集、 验证集和 测试集。 [0011]优选的， 所述训练模型中包括YOLO5神经网络 。 [0012]优选的， 所述训练集、 验证集和测试集中的图片类型均 包括转头状态图片  和正视 状态图片。 [0013]优选的， 训练模型中包括训练算法， 该训练算法包括如下步骤： [0014]面部朝向图片中的转头状态和正视状态区域标注二类的矩形框记录下全图  中的 位置和动作属于的类别， 对于正常行为无需标注 矩形框； [0015]对面部朝向图片进行人脸检测记录位置， 然后以人脸上边缘固定向下正方  形扩 大设定倍数， 作为危险行为分析区域， 训练样 本预处理直接重原图中截取  并且大小归一化 到设定尺寸； [0016]标签预处 理， 利于YOLO5神经网络对标注标签训练； [0017]训练网络候选框的聚类选择， 通过k ‑mean算法聚类6个候选框比例， 其中  6个候选 框分成2个网络尺度输出， 即每一个网络尺度输出包含3个比例候选  框； 主干网络是参数量 经过大量裁减的VG G‑mobileNet， 模型训练使用深度学  习框架caf fe； [0018]训练内容： 输入图像预测是否存在危险驾驶行为， 并预测出发生危险行为  的准确说　明　书 1/4 页 3 CN 114387586 A 3