买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：无锡慧眼人工智能科技有限公司

摘要：本发明涉及驾驶员状态分析的技术领域，公开了一种基于深度学习神经元网络的驾驶员状态分析判断方法，所述方法包括：构建自适应驾驶场景生成模型并确定自适应驾驶场景生成优化目标函数；利用改进的L‑BFGS算法对目标函数进行优化求解得到最优模型，并将驾驶状态图像集合中的图像输入到模型中生成大量驾驶状态图像，对驾驶员状态分析神经网络进行训练，利用训练得到的驾驶员状态分析神经网络进行驾驶员状态分析判断。本发明利用编码模型从原始图像提取带有噪声的隐空间编码向量，进而将所提取的向量重构为生成图像，实现多场景驾驶状态图像生成，采用多粒子的改进L‑BFGS算法对自适应驾驶场景生成模型参数进行优化求解，快速得到最优模型参数。

主权项：1.一种基于深度学习神经元网络的驾驶员状态分析判断方法，其特征在于，所述方法包括：S1：采集驾驶员驾驶状态图像并进行预处理，得到规范化的驾驶状态图像集合；S2：构建自适应驾驶场景生成模型；包括：构建自适应驾驶场景生成模型，其中自适应驾驶场景生成模型包括编码模型以及解析模型，编码模型以规范化的驾驶状态图像为输入，以对应的隐空间编码向量为输出，解析模型以隐空间编码向量为输入，以生成的多场景驾驶状态图像为输出；基于自适应驾驶场景生成模型的多场景驾驶状态图像生成流程为：S21：计算所输入的第k张规范化的驾驶状态图像的像素分布xk：xk＝{pk，L|L∈[0，255]} 其中：pk，L表示第k张规范化的驾驶状态图像中灰度级L的概率分布，countL，k表示第k张规范化的驾驶状态图像中灰度值为L的像素数目，k∈[1，K]；S22：将像素分布xk输入到编码模型中： μk＝w2[tanhw1xk+b1]+b2 其中：qz|xk表示近似后验概率分布，z表示隐空间编码向量分布； 表示给定任意的xk，z都服从各维度独立的多元高斯分布I表示单位矩阵，表示z|xk服从的高斯分布参数；w1，w2，w3表示编码模型中隐藏层的权重系数，b1，b2，b3表示编码模型中隐藏层的偏置量；S23：编码模型基于求解得到的高斯分布参数μk，生成xk的隐空间编码向量：zk，s＝μk+σk⊙εs，εs～N0，1其中：zk，s表示所生成的添加第s个噪声εs的xk的隐空间编码向量，εs～N0，1表示噪声εs符合高斯分布，s∈[1，S]，S表示所添加噪声的种类数；⊙表示逐元素相乘；S24：将隐空间编码向量输入到解析模型中，得到真实后验概率分布pxk|zk，s：logpxk|zk,s＝xklogz′k，s+1-xklog1-z′k，sz′k，s＝ReLU[w5tanhw4zk，s+b4+b5]其中：w4,w5表示解析模型中隐藏层的权重系数，b4,b5表示解析模型中隐藏层的偏置量；ReLU·表示激活函数；从真实后验概率分布pxk|zk,s提取分布参数μ′k，s’σ′k，s2生成图像像素分布xks，其中xks＝μ′k，s＝w5tanhw4zk，s+b4+b5，像素分布xks的标准差σ′k，s为logσ′k，s2＝ReLU[w5tanhw4zk，s+b4+b5]；S25：基于图像像素分布xks生成驾驶状态图像；S3：根据构建的自适应驾驶场景生成模型确定自适应驾驶场景生成优化目标函数；S4：基于所采集的驾驶状态图像集合，利用改进的L-BFGS算法对自适应驾驶场景生成优化目标函数进行优化求解得到最优模型参数；包括：基于所采集的驾驶状态图像集合，利用改进的L-BFGS算法对自适应驾驶场景生成优化目标函数进行优化求解得到最优模型参数，其中待优化求解的模型参数包括编码模型参数θ1以及解析模型参数θ2，编码模型参数包括编码模型中隐藏层的权重系数以及偏置量，解析模型参数包括解析模型中隐藏层的权重系数以及偏置量；自适应驾驶场景生成优化目标函数的优化求解流程为：S41：初始化生成n个粒子，每个粒子的坐标维数为10，对应10个待优化求解的模型参数，其中任意第d个粒子的初始坐标locd0以及速度vd0为： 其中： 表示第d个粒子在第10维的初始坐标，维对应坐标的更新速度；S42：设置优化求解算法的当前迭代次数为t，最大迭代次数为Max，则任意第d个粒子在第t次迭代的坐标值为locdt，对应速度为vdt，其中t的初始值为1；S43：在每次迭代的开始时刻将n个粒子的坐标分别构建为编码模型以及解码模型，并将驾驶状态图像集合输入到所构建的编码模型以及解码模型中，得到每个粒子的自适应驾驶场景生成优化目标函数值F′locdt，其中F′locdt表示基于第t次迭代第d个粒子的坐标值所构建模型的自适应驾驶场景生成优化目标函数值；S44：结合L-BFGS算法对每个粒子的位置坐标进行更新： 其中：I为单位矩阵；at-1＝locdt-locdt-1，a0＝d0； D0为单位矩阵； 表示计算梯度；β1表示初始收缩系数，β1＝1；β2表示最终收缩系数，β2＝0.5；S45：对每个粒子的速度进行更新： 其中：α表示学习率，将其设置为0.2，表示位置坐标更新后，梯度变化率最小的粒子在第t-1次迭代的速度，其中第d个粒子在位置坐标更新后的梯度变化率为S46：计算每个粒子在第t次迭代后的梯度变化率，若存在粒子的梯度变化率小于预设值的阈值∈，则结束该粒子位置以及速度的更新迭代，令t＝t+1，返回步骤S43；S47：当所有粒子均结束迭代或达到最大迭代次数Max时，计算当前每个粒子的自适应驾驶场景生成优化目标函数值，选取自适应驾驶场景生成优化目标函数值最小的粒子位置作为求解得到的最优模型参数；S5：根据求解得到的最优模型参数构建最优自适应驾驶场景生成模型，并将驾驶状态图像集合中的图像输入到模型中生成大量驾驶状态图像；S6：将所采集以及生成的驾驶状态图像作为训练集，对驾驶员状态分析神经网络进行训练，利用训练得到的驾驶员状态分析神经网络进行驾驶员状态分析判断。

全文数据：

权利要求：

百度查询： 无锡慧眼人工智能科技有限公司 一种基于深度学习神经元网络的驾驶员状态分析判断方法