一種基于在線行為建模的駕駛員異常行為檢測方法
【專利摘要】本發(fā)明涉及一種基于在線行為建模的駕駛員異常行為檢測方法，屬于圖像識別及監(jiān)測【技術(shù)領(lǐng)域】。該方法基于視頻分析技術(shù)，通過對駕駛員的正常行為建模來檢測駕駛員的異常行為，主要包括以下步驟：一、初始化，建立初始模型或?qū)σ延械哪Ｐ瓦M行更新；二、對駕駛過程中駕駛員的行為進行特征提取；三、結(jié)合初始模型和駕駛員的行為特征判斷駕駛員的行為是否正常；四、對模型進行更新。本發(fā)明提供的一種基于在線行為建模的駕駛員異常行為檢測方法，采用novelty detection的方式檢測異常行為，采用多模態(tài)建模的方法，能對多種正常行為和多種異常行為進行處理，輔以人工標(biāo)注的方法排除虛警，增加了方案的穩(wěn)定性，減少了方案的錯誤率。
【專利說明】-種基于在線行為建模的駕駛員異常行為檢測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種駕駛員異常行為檢測方法，特別設(shè)及一種基于在線行為建模的駕 駛員異常行為檢測方法。

【背景技術(shù)】
[0002] 車載視覺系統(tǒng)已成為圖像處理、視頻分析領(lǐng)域的新興應(yīng)用方向，對駕駛員異常行 為檢測的研究，屬于智能交通領(lǐng)域，是智能輔助駕駛的一項關(guān)鍵技術(shù)，此技術(shù)通過檢測駕 駛員異常行為并發(fā)出警告，避免交通事故的發(fā)生，有重要應(yīng)用價值和社會意義。
[0003] 現(xiàn)階段國內(nèi)外諸多國家在此領(lǐng)域的研發(fā)都受限于異常行為自身特點，比如異常行 為種類多，包括駕駛員長時間閉眼、打哈欠、揉眼、點頭等疲勞行為；不正當(dāng)駕駛行為類別復(fù) 雜，包括打電話、吃零食、抽煙、左顧右盼等；數(shù)據(jù)采集較難，由于駕駛員絕大部分時間行為 正常，因此異常行為出現(xiàn)次數(shù)一般較少。因此，已有技術(shù)基本分為兩類；一種是只是針對某 個特定異常行為進行檢測，該種方法只針對疲勞駕駛行為進行檢測，但不同駕駛員的異常 行為具體表現(xiàn)可能不同；另一種是訓(xùn)練的方式單一，由于異常行為次數(shù)少，樣本采集較難， 所W絕大多是方案都是利用人為模擬的數(shù)據(jù)，采用離線方式進行訓(xùn)練，但模擬的數(shù)據(jù)又通 常不夠真實，因此訓(xùn)練的模型在使用過程中出現(xiàn)問題的可能性較大，該也給離線訓(xùn)練方法 的使用造成了困難。


【發(fā)明內(nèi)容】

[0004] 有鑒于此，本發(fā)明的目的在于提供一種基于在線行為建模的駕駛員異常行為檢測 方法。
[0005] 為達到上述目的，本發(fā)明提供如下技術(shù)方案：
[0006] 一種基于在線行為建模的駕駛員異常行為檢測方法，該方法基于視頻分析技術(shù)， 通過對駕駛員的正常行為建模來檢測駕駛員的異常行為，具體包括W下步驟：
[0007] 步驟一；初始化，初始化過程中駕駛員的行為為正常行為，對駕駛員的行為進行特 征提取，對模型進行訓(xùn)練，建立初始模型或?qū)σ延械哪Ｐ瓦M行更新；
[000引步驟二：對駕駛過程中駕駛員的行為進行特征提取；
[0009] 步驟結(jié)合初始模型和駕駛員的行為特征判斷駕駛員的行為是否正常；
[0010] 步驟四：對模型進行更新。
[0011] 進一步，所述步驟一中的初始模型為：巧。二 i=\
[001引其中，P(Ft)為t時刻特征Ft發(fā)生的概率，K為分布數(shù)量，n (F。2i，t)為時刻 t第i個高斯分布，為其權(quán)重，y ,t，分別為其均值和協(xié)方差矩陣。
[0013] 進一步，所述步驟二中對駕駛員的行為進行特征提取的方法是，對連續(xù)n帖圖像 提取特征，n> = 1，t 時刻像素（X，y)處的特征 Ft (X，y) = [It (X，y)，It_i (X，y)，. . .，It_w (X ，y)]，其中It(x，y)為時刻t位置（x，y)的像素值，共n維。
[0014] 進一步，所述步驟二中對駕駛員的行為進行特征提取的方法還可W為，把圖像分 成有交疊的圖像塊，對每一塊區(qū)域內(nèi)連續(xù)n帖提取特征（如SIFT特征），然后將特征組合起 來構(gòu)成最后的特征。
[0015] 進一步，所述步驟S具體包括W下步驟：
[0016] 1)通過W下公式判斷Ft是否和K個高斯混合模型中的第i個高斯模型匹配，i = 1，…，K;
[0017] 《T ;
[0018] T為匹配闊值，小于等于此闊值說明特征屬于此高斯模型；
[0019] 若果滿足上述公式，則跳轉(zhuǎn)至步驟2)，否則跳轉(zhuǎn)至步驟3);
[0020] 2)判斷與Ft匹配的模型i是否為正常行為模型，若是則判定駕駛員的行為是正常 行為；
[0021] 否則，判定駕駛員的行為為異常行為，發(fā)出報警；
[0022] 3)Ft不與K個高斯混合模型中的任何一個模型匹配，判定駕駛員行為為異常行為， 發(fā)出
[0023] 報警，并增加一個高斯模型并將其權(quán)重置為一個不滿足

【權(quán)利要求】
1. 一種基于在線行為建模的駕駛員異常行為檢測方法，其特征在于：該方法基于視頻 分析技術(shù)，通過對駕駛員的正常行為建模來檢測駕駛員的異常行為，具體包括以下步驟： 步驟一：初始化，初始化過程中駕駛員的行為為正常行為，對駕駛員的行為進行特征提 取，對模型進行訓(xùn)練，建立初始模型或?qū)σ延械哪Ｐ瓦M行更新； 步驟二：對駕駛過程中駕駛員的行為進行特征提?。? 步驟三：結(jié)合初始模型和駕駛員的行為特征判斷駕駛員的行為是否正常； 步驟四：對模型進行更新。
2. 根據(jù)權(quán)利要求1所述的一種基于在線行為建模的駕駛員異常行為檢測方法，其特征
其中，P(Ft)為t時刻特征Ft發(fā)生的概率，K為分布數(shù)量，n(Ft，yu，Sit)為時刻t第i個高斯分布，《i;t為其權(quán)重，yi;t，Sit分別為其均值和協(xié)方差矩陣。
3. 根據(jù)權(quán)利要求1所述的一種基于在線行為建模的駕駛員異常行為檢測方法，其特征 在于：所述步驟二中對駕駛過程中駕駛員的行為進行特征提取的方法是，對連續(xù)n幀圖像 提取特征，n> = 1，t時刻像素（X，y)處的特征Ft (X，y) = [It (X，y)，Iw (X，y)，…，It_n+1(X ，7)]，其中11(17)為時刻七位置〇^，7)的像素值，共11維。
4. 根據(jù)權(quán)利要求1所述的一種基于在線行為建模的駕駛員異常行為檢測方法，其特征 在于：所述步驟二中對駕駛過程中駕駛員的行為進行特征提取的方法還可以為，把圖像分 成有交疊的圖像塊，對每一塊區(qū)域內(nèi)連續(xù)n幀圖像提取特征，然后將特征組合起來構(gòu)成最 后的特征。
5. 根據(jù)權(quán)利要求1所述的一種基于在線行為建模的駕駛員異常行為檢測方法，其特征 在于：所述步驟三具體包括以下步驟： 1) 通過以下公式判斷Ft是否和K個高斯混合模型中的第i個高斯模型匹配，i= 1，…，K ; (Ft-y,JtS-1 (Ft-Ui^t)T; T為匹配閾值，小于等于此閾值說明特征和模型i相匹配； 若果滿足上述公式，則跳轉(zhuǎn)至步驟2)，否則跳轉(zhuǎn)至步驟3); 2) 判斷與Ft匹配的模型i是否為正常行為模型，若是則判定駕駛員的行為是正常行 為；否則，判定駕駛員的行為為異常行為，發(fā)出報警； 3. Ft不與K個高斯混合模型中的任何一個模型匹配，判定駕駛員行為為異常行為，發(fā)出
6. 根據(jù)權(quán)利要求5所述的一種基于在線行為建模的駕駛員異常行為檢測方法，其特征 在于：正常行為模型獲取方法為：在模型中K個高斯混合模型中，根據(jù)《/traCe(2)由高
選取正常行為模型的閾值。
7. 根據(jù)權(quán)利要求1所述的一種基于在線行為建模的駕駛員異常行為檢測方法，其特征 在于：所述步驟四具體包括以下步驟： 1) 更新第i個模型的均值和協(xié)方差矩陣， Uit= (1-a)yi；t_!+aFt, 其中a為學(xué)習(xí)率； 2) 更新第i個模型的權(quán)重， wi,t= (1-0 ) ? i,t-i+0 (Mijt) ^ 其中0為學(xué)習(xí)率，Mi，t=l，i為被匹配模型；Mj，t=0,j為其它行為模型，即j乒i。
8. 根據(jù)權(quán)利要求1所述的一種基于在線行為建模的駕駛員異常行為檢測方法，其特征 在于：當(dāng)駕駛員的行為正常，而被檢測為異常行為時，可以人工設(shè)定Ft為虛警，并將它和其
行為異常，而被檢測為正常行為時，可以人工設(shè)定該行為為異常行為，并將降低和其匹配的 模型權(quán)重。
9. 根據(jù)權(quán)利要求1所述的一種基于在線行為建模的駕駛員異常行為檢測方法，其特征 在于：模型建立的方法包括GMM建模方法、onlineboosting、非參數(shù)方法。
10. 根據(jù)權(quán)利要求1所述的一種基于在線行為建模的駕駛員異常行為檢測方法，其特 征在于：異常行為檢測方法還可以通過判定在概率模型中概率較低者為異常行為。
【文檔編號】G06K9/62GK104504400SQ201510009061
【公開日】2015年4月8日 申請日期:2015年1月8日 優(yōu)先權(quán)日:2015年1月8日
【發(fā)明者】李遠錢, 周曦, 周祥東, 石宇, 顏卓 申請人:中國科學(xué)院重慶綠色智能技術(shù)研究院