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！

龙图腾网获悉重庆邮电大学申请的专利一种融合时空特征的疲劳驾驶检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116012819B 。

龙图腾网通过国家知识产权局官网在2025-12-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211614846.5，技术领域涉及：G06V20/59；该发明授权一种融合时空特征的疲劳驾驶检测方法是由刘伯红;谢小金设计研发完成，并于2022-12-14向国家知识产权局提交的专利申请。

本一种融合时空特征的疲劳驾驶检测方法在说明书摘要公布了：本发明涉及一种融合时空特征的疲劳驾驶检测方法，属于疲劳驾驶领域。针对现有的疲劳驾驶检测方法忽略疲劳的时间特征，难以检测疲劳的动态和关键特征，使得疲劳检测的准确性不高等问题，提出了一种融合空间特征和时间特征的疲劳驾驶检测方法。首先将目标驾驶视频采用多任务卷积神经网络进行人脸检测，提取驾驶员全局人脸的深层疲劳空间特征，然后采用LSTM‑FCN网络来研究疲劳视频帧序列之间的长期依赖关系，提取疲劳的时间特征，最终完成疲劳驾驶的检测。该方法探索了连续疲劳视频帧之间的潜在非线性关系，疲劳驾驶检测的准确率较高，并且能够实时检测，有效进行疲劳判断。

本发明授权一种融合时空特征的疲劳驾驶检测方法在权利要求书中公布了：1.一种融合时空特征的疲劳驾驶检测方法，其特征在于：该方法包括以下步骤： S1：输入驾驶视频；包括以下的步骤： 将输入的驾驶员面部视频进行分割，每个视频里面混合疲劳和不疲劳的状态，每个视频将按照对应的疲劳标签进行切割，保证每个视频只有疲劳或不疲劳一种状态，将切分后的视频随选划分为训练集和测试集，训练集占比80％，测试集占比20％； S2：进行人脸检测；包括以下的步骤： S2-1：采用多任务卷积神经网络MTCNN将步骤S1中切分好的视频进行人脸检测，提取人脸区域；将检测出来的人脸区域扩充40个像素点，最终得到分辨率为160×160的人脸面部区域视频帧序列图像； S2-2：将提取到的人脸视频帧序列图像转换为numpy数组，保存在npy文件中； S3：Drowsy-CNN网络提取人脸面部空间特征；包括以下的步骤： S3-1：将步骤S2中提取的人脸视频帧序列送入到Drowsy-CNN网络中训练，提取驾驶员面部空间疲劳特征；Drowsy-CNN网络是以Xception网络为基础神经网络模型，融合nonlocal注意力机制的网络模型； S3-2：计算nonlocal自注意力模块，其计算公式为： 其中xi和xj分别表示输入的视频帧中某个时空位置，fxi,xj为相似性度量函数，采用EmbeddedGaussian函数来计算相似度，其计算公式为： 其中θ和函数分别表示对xi和xj做线性变换，即卷积操作，相似性度量函数对应的归一化函数Cx为： S3-3：non-local注意力模块首先是对输入的featuremap分别进行三个1×1×1卷积操作，得到θ、φ、g特征，然后对θ和φ进行点乘操作，计算出特征中的自相关性；对自相关特征进行softmax操作，计算归一化的注意力权重系数，接着再将这个系数对应作用到特征矩阵g中，再进行1×1×1的卷积，最后与原输入的featuremap进行残差连接，最终输出驾驶员的面部空间特征向量； S4：LSTM-FCN提取时间特征；包括以下步骤： S4-1：将步骤S3-3中得到的空间特征向量输入到LSTM-FCN网络中挖掘疲劳视频中的长期时间依赖关系； S4-2：LSTM网络包含两层LSTM，第一层LSTM有1024个隐藏单元，其输入为S3-3中的输出，第二层有512个隐藏单元，其输入为第一层LSTM的输出，每一层后面都加入一层dropout层，防止过拟合； S4-3：FCN网络包含三个一维的时间卷积块，该时间卷积块通常在输入序列上应用多个1×k的1D滤波器来提取时间特征，每个时间卷积块都伴随着批量归一化层BN和一个ReLU激活层，BN层加速网络的训练和提高网络的泛化能力，ReLU激活层使得网络具有非线性拟合能力；FCN中时间卷积块每层的公式为： s＝BNy h＝ReLUs 其中表示卷积操作，每个时间卷积块中的滤波器大小分别为64、128、256，步长分别为1、2、4； S5：Softmax分类判断是否疲劳。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。