03流程简单暴力

图1A 基于驾驶员表情和内部环境的集成信息检测驾驶员状况的系统框图

看上图，华为工程师构思的识别驾驶员状态的流程非常简洁。

在图1A的实施例中，结合有关驾驶员104的数据（例如，面部表情、手势和生理数据）分析汽车内部环境102的图像（例如，包括可疑物体或环境变化的图像），以了解所述驾驶员的意图和状况106。

这一步，就是搜集驾驶员和驾驶舱的数据。

酒驾状态下的驾驶员表情、手势信息以及车内情况，和平时总有区别。

将这些信息自动录入深度学习网络，人工智能会根据算法确定驾驶员状况或意图，并对安全做出决策，包括是否采取行动。

可能的行动包括提供告警、限制驾驶员对所述车辆控制的访问、拨打911以及提供口头告警（包括识别的危险类型或其任何适当组合）。

在不脱离本主题范围的情况下，可以提供其它行动或告警。

驾驶员确定的状况可包括多种分类，例如醉酒和困倦。

04如何对信息分类判定

图3A，根据各种实施例的用于对内部车辆驾驶环境进行分类的方法的流程图

看上图3A的流程，机器学习会对拍摄的驾驶员面部表情进行分类，也会对车内内部环境进行分类，通过卷积神经网络（convolutional neural network，简称CNN），识别车内环境。

确定车内是否存在问题，如可包括显示文本或其它应用的电话、酒精、毒品或枪支。

确定驾驶员状态，如分心、醉酒、困倦或沮丧状态。有些醉酒、疲倦的表情是经典姿态，比如下图，反复出现这类姿势，说明驾驶员的状态极为疲劳，容易发生交通风险。

05算法亮点？

整个流程，难的就是如何判定驾驶员出问题的算法，毕竟只是通过外部姿态、手势、表情，来确定驾驶员的实际情况，误判的情况非常多，如何提高准确率，才是核心。

华为工程师提供了一种算法模型。

图为根据各种实施例的计算给定驾驶员状况的概率流程图

看上图，对于驾驶员情绪表情Xi 1002和汽车环境状况Yj 1004的训练数据，使用以下公式计算1006状况概率：

其中，假设类别的数量和类型是固定的，所述状况概率越高，给定dp的cq越有可能。

所示实施例使用以下变量：

Vi＝（Xi，Yi）：标记数据集对，其是所述索引，Xi和Yi分别是驾驶员状况和内部环境条件的数据集。数据集可以是一个或多个图像或视频，使用以下变量：

G＝（g1，g2，．．．，gi，．．．）：每对数据集的标签，其中gi＝｛0，1｝，1表示人被标记为危险，0表示不危险。D＝（d1，d2，．．．，dp，．．．）：驾驶员状况的类别，p是索引。C＝（c1，c2，．．．，cq，．．．）：内部环境状况的类别，q是索引。

f：Xi，or Yi的分类。

P（cq∈C｜dp∈D）：或简单地P（cq｜dp），给定驾驶员状况的内部环境状况的状况概率。

ths：阈值。

给定所述驾驶员状况，可以减少检测内部环境状况所需的活动滤波器数量。

减少所述活动滤波器具有以下优点：使用相同的CNN结构而不用构建新的CNN结构；减少活动滤波器；降低计算复杂度；缩短计算时间；避免机器学习过度拟合。

当所述输入数据涉及驾驶员状况dp时，所述分类结果从C更改为相当于将的结果设置为0。

反向传播的一般公式是：

和给定dp的状况概率，可以将所述输出类减少到为了从所述减少的输出类别中获益但使用相同的CNN，可以重新训练CNN，为所述特定的dp和获取一组新的W，

即，根据链式法则，可以推导为的函数，即，其中g是函数。

当输出为0时，此项在训练中设置为0，这将导致零即不会更新。

在这种情况下，可视为所述偏移的一部分，并在初始化时将其设置为零，即不使用的相应滤波器。

此公式应用于直接连接到所述当前层的输出，因此，在训练期间，可以逐层传播此方法。

具体而言，从所述最后一层开始，对于每一层，如果所述层输出为z次，即在收敛中相对稳定；设置即不使用相应的滤波器，其中thr＿st和thr＿out都是阈值。

与阈值的这种比较确定是否触发自适应滤波器。

所示实施例使用以下变量：

与dp对应的内部环境条件的类别，其中始终大于所述阈值，即r是索引。

是C的子集，即W：CNN的权重F：成本函数b：偏移层k和滤波器f的权重（参数）与连接的输出。

请注意，输出可以连接多个权重。

使用机器学习方法处理驾驶员图像和内部车辆环境图像的框图

上述推导公式，知情郎一头雾水，大概意思是明白的。

一句话就是概率问题，当驾驶员在一段时间内出现的某种醉酒驾驶、疲劳驾驶的特征数据越明显、频次越高，自然风险越高，高到一定预设的阈值后，机器就会提示危险、发出警报了。