一种用于智能驾考的车道变更判断方法与流程

本发明涉及驾照考试的人工智能判断技术领域，特别涉及一种用于智能驾考的车道变更判断方法。

背景技术：

随着汽车的快速普及，每年学习和考取机动车驾驶证的人也越来越多，从而导致驾照考试的培训和考试任务变得非常繁重。为了适应新形式下的驾培、考试行业发展要求，公安部于2012年修改了《中华人民共和国公共安庆行业标准——机动车驾驶人考试场地、系统及考试内容与要求》，并于2013年1月1日按《公安部第123号令》新标准执行。

其中，车道变更考试项目要求考生在变更车道前，通过内外后视镜观察，并向变更车道方向回头观察后方道路交通情况。

针对车道变更这个考试项目，传统的评判系统只能依靠人工监考；由监考老师全程跟踪，并判断驾驶员的行车及停车规范，这种方式需要消耗大量的人力，且效率低；针对如今大规模考生，已经无法满足驾考的需求。

技术实现要素：

本发明的目的是：提出一种智能驾考的车道变更判断方法，其能够采集驾驶员人脸信息结合道路检测技术从而判断考生的操作是否规范，以满足如今对智能驾考的需求。

本发明解决其技术问题所采用的技术方案是：

一种智能驾考的车道变更判断方法，包括如下步骤：

s1、记录驾驶员的人脸特征点信息，生成人脸关键点特征向量，并保存至数据库中；

s2、收到车道变更指令，打开转向灯；

s3、从数据库中提取人脸关键点特征向量，并判断驾驶员是否有观察内、外视镜的动作，若有则记录观察后视镜状态，并保存相关图片，并进行下一步判断；若无则直接进行下一步判断；

s4、根据提取的人脸关键点特征向量，判断驾驶员是否有向变更车道方向回头观察的动作，若有则记录回头观察状态，并保存相关图片，再进行下一步判断；若无则直接进行下一步判断；

s5、利用道路检测技术，判断是否已经变更到目标车道，若是则直接进行下一步，若否则返回步骤s3继续；

s6、检查记录中是否同时存在观察后视镜状态和回头观察状态，若是则输出本条违规状态0，并结束考试；若无则保存变更车道前滑动窗为2秒的图片，并输出本条违规状态1，结束考试。

进一步，所述人脸关键点特征向量的生成步骤如下：

s11、首先通过深度学习网络提取人脸关键特征点和人脸框坐标；

s12、由提取的人脸关键特征点和人脸框坐标计算出人脸关键点特征向量，由八组人脸姿态组成，包含：左大幅度转头、左小幅度转头、正视前方、低头、小幅度右转抬头、右下低头、右小幅度转头和右大幅度转头，分别对应驾驶员看左b柱、看左后视镜、看正前方、看仪表盘、看内后镜、看档位、看右后视镜和看右b柱八组动作；

s13、以一长度为8的数组，其包含元素分别对应驾驶员的八组脸部动作，当数组中某一元素为1时，表示当前驾驶员的脸部姿态检测为该元素对应的动作，如：数组当前取值为[1,0,0,0,0,0,0,0],对应驾驶员脸部姿态为“左大幅度转头”。

进一步，所述人脸关键特征点包括眼部、鼻尖和嘴角的特征点的坐标。

本发明的有益效果是：本发明主要应用于机动车驾驶人科目三道路考试现场停车项目的管理，其实现了对考试全程的智能判断，并适用于省、市及县一级驾考主管部门对所辖各分考场的集中管理和监控，考官在后台即可对考试道路停车环节进行监督，既节约了警力，又保证了考试工作的公平、公正和公开。

附图说明

图1是本发明的车道变更判断流程图。

图2是人脸关键点特征向量的生成流程图。

具体实施方式

以下结合附图。对本发明做进一步说明。

本发明的实施方式是基于以下二个模块，具体包括：人脸关注点判断模块和道路场景分割模块。

其中，人脸关注点判断模块，该模块是通过深度学习提取人脸的关键特征点来计算其姿态信息。

人脸关注点判断的具体方法包括：通过深度学习网络可提取人脸的关键特征点和人脸框；通过关键特征点和人脸框计算出人脸关注点的特征向量；再以一长度为8的数组所包含元素以表示驾驶员脸部姿态动作。

道路场景分割模块，该模块是通过使用segnet深度学习方法进行场景分割，从而分割出驾驶场景。然后找出道路位置，并在此范围检测出目标车道线，最后通过目标车道线在画面中的位置来判断车子是否变更到目标车道。

本发明的车道变更判断标准如下：变更车道前，未通过内、外后视镜观察，并向变更车道方向回头观察后方道路交通情况的。其中，“变更车道前”指的是，打了转向灯后。

左变道：左转头观察左后视镜，观察左侧车道有无车辆快速靠近；左转头90或超过90°观察左侧车道有无车辆快速靠近。

右变道：右转头观察右后视镜，观察右侧车道有无车辆快速靠近；右转头90或超过90°，观察右侧车道有无车辆快速靠近。

本发明的实施具体流程如图1所示，

一种智能驾考的车道变更判断方法，包括如下步骤：

s1、记录驾驶员的人脸特征点信息，生成人脸关键点特征向量，并保存至数据库中；

s2、收到车道变更指令，打开转向灯；

s3、从数据库中提取人脸关键点特征向量，并判断驾驶员是否有观察内、外视镜的动作，若有则记录观察后视镜状态，并保存相关图片，并进行下一步判断；若无则直接进行下一步判断；

s4、根据提取的人脸关键点特征向量，判断驾驶员是否有向变更车道方向回头观察的动作，若有则记录回头观察状态，并保存相关图片，再进行下一步判断；若无则直接进行下一步判断；

s5、利用道路检测技术，判断是否已经变更到目标车道，若是则直接进行下一步，若否则返回步骤s3继续；

s6、检查记录中是否同时存在观察后视镜状态和回头观察状态，若是则输出本条违规状态0，并结束考试；若无则保存变更车道前滑动窗为2秒的图片，并输出本条违规状态1，结束考试。

如图2所示，其中，人脸关键点特征向量的生成步骤如下：

s11、首先通过深度学习网络提取人脸关键特征点和人脸框坐标，所述人脸关键特征点包括眼部、鼻尖和嘴角的特征点的坐标

s12、由提取的人脸关键特征点和人脸框坐标计算出人脸关键点特征向量，由八组人脸姿态组成，包含：左大幅度转头、左小幅度转头、正视前方、低头、小幅度右转抬头、右下低头、右小幅度转头和右大幅度转头，分别对应驾驶员看左b柱、看左后视镜、看正前方、看仪表盘、看内后镜、看档位、看右后视镜和看右b柱八组动作；

s13、以一长度为8的数组，其包含元素分别对应驾驶员的八组脸部动作，当数组中某一元素为1时，表示当前驾驶员的脸部姿态检测为该元素对应的动作，如：数组当前取值为[1,0,0,0,0,0,0,0],对应驾驶员脸部姿态为“左大幅度转头”。

以上显示和描述了本方案的基本原理和主要特征和本方案的优点。本行业的技术人员应该了解，本方案不受上述实施例的限制，上述实施例和说明书中描述的只是说明本方案的原理，在不脱离本方案精神和范围的前提下，本方案还会有各种变化和改进，这些变化和改进都落入要求保护的本方案范围内。本方案要求保护范围由所附的权利要求书及其等效物界定。