CN107844777B - 用于生成信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：获取驾驶人员在驾驶过程中的第一驾驶视频；获取该驾驶人员在该驾驶过程中的、视频采集时间在该第一驾驶视频之前的第二驾驶视频；将该第一驾驶视频和该第二驾驶视频导入预先建立的对比模型，生成指示信息，其中，该对比模型用于表征第一驾驶视频和第二驾驶视频两者与指示信息之间的对应关系，指示信息用于指示第一驾驶视频和第二驾驶视频中的、在视频采集期间驾驶人员更为疲惫的驾驶视频。该实施方式丰富了所生成的信息的种类。

Description

用于生成信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及车辆技术领域，尤其涉及用于生成信息的方法和装置。

背景技术

驾驶疲劳，是指驾驶员在长时间连续行车后，产生生理机能和心理机能的失调，而在客观上出现驾驶技能下降的现象。驾驶员睡眠质量差或不足，长时间驾驶车辆，容易出现疲劳。驾驶疲劳会影响到驾驶员的注意、感觉、知觉、思维、判断、意志、决定和运动等诸方面。

现有的用于检测疲劳驾驶的方法，通常是根据驾驶人员的脸部特征，生成疲劳值。

发明内容

本申请实施例提出了用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成信息的方法，包括：获取驾驶人员在驾驶过程中的第一驾驶视频；获取上述驾驶人员在上述驾驶过程中的、视频采集时间在上述第一驾驶视频之前的第二驾驶视频；将上述第一驾驶视频和上述第二驾驶视频导入预先建立的对比模型，生成指示信息，其中，上述对比模型用于表征第一驾驶视频和第二驾驶视频两者与指示信息之间的对应关系，指示信息用于指示第一驾驶视频和第二驾驶视频中的、在视频采集期间驾驶人员更为疲惫的驾驶视频。

在一些实施例中，上述第二驾驶视频对应设置有评分，其中，评分用于表征在视频采集期间上述驾驶人员的疲惫程度；以及上述方法还包括：根据上述第二驾驶视频对应的评分和上述指示信息，确定上述第一驾驶视频对应的评分。

在一些实施例中，上述根据上述第二驾驶视频对应的评分和上述指示信息，确定上述第一驾驶视频对应的评分，包括：响应于确定上述指示信息指示上述第一驾驶视频，将上述第二驾驶视频对应的评分减去预设数值的差，确定为上述第一驾驶视频对应的评分；响应于确定上述指示信息指示上述第二驾驶视频，将上述第二驾驶视频对应的评分与预设数值的和，确定为上述第一驾驶视频对应的评分。

在一些实施例中，上述方法还包括：获取上述驾驶人员在上述驾驶过程中的、视频采集时间在上述第二驾驶视频之前的至少一个历史驾驶视频，其中，对于上述至少一个历史驾驶视频中的每个历史驾驶视频，该历史驾驶视频对应设置有评分，并且，该历史驾驶视频的评分是根据上述对比模型和视频采集时间在该历史驾驶视频之前的历史驾驶视频而确定的。

在一些实施例中，上述方法还包括：根据上述第一驾驶视频、上述第二驾驶视频和上述至少一个历史驾驶视频分别对应的评分，生成二维图形信息，其中，上述二维图形信息的横轴用于指示视频采集时间，纵轴用于指示评分。

在一些实施例中，上述方法还包括：展示上述二维图形信息。

在一些实施例中，上述方法还包括：获取样本集，其中，样本包括第一视频和第二视频，并且样本标注有训练用指示信息，上述训练用指示信息用于指示第一视频和第二视频中的、在视频采集期间人员更为疲惫的视频；利用上述样本集，训练初始神经网络，得到上述对比模型。

在一些实施例中，上述对比模型包括：第一特征提取网络、第二特征提取网络和全连接层，其中：上述第一特征提取网络的输入为第一驾驶视频，上述第二特征提取网络的输入为第二驾驶视频，上述第一特征提取网络的输出和上述第二特征提取网络的输出为上述全连接层的输入，上述全连接层的输出为指示信息。

在一些实施例中，上述第一特征提取网络包括第一卷积神经网络和与上述第一卷积神经网络连接的第一循环神经网络，上述第二特征提取网络包括第二卷积神经网络和与上述第二卷积神经网络连接的第二循环神经网络，上述第一卷积神经网络的输入为第一驾驶视频，上述第二卷积神经网络的输入为第二驾驶视频，上述第一循环神经网络和上述第二循环神经网络的输出为上述全连接层的输入。

第二方面，本申请实施例提供了一种用于生成信息的装置，包括：第一获取单元，用于获取驾驶人员在驾驶过程中的第一驾驶视频；第二获取单元，用于获取上述驾驶人员在上述驾驶过程中的、视频采集时间在上述第一驾驶视频之前的第二驾驶视频；第一生成单元，用于将上述第一驾驶视频和上述第二驾驶视频导入预先建立的对比模型，生成指示信息，其中，上述对比模型用于表征第一驾驶视频和第二驾驶视频两者与指示信息之间的对应关系，指示信息用于指示第一驾驶视频和第二驾驶视频中的、在视频采集期间驾驶人员更为疲惫的驾驶视频。

在一些实施例中，上述第二驾驶视频对应设置有评分，其中，评分用于表征在视频采集期间上述驾驶人员的疲惫程度；以及上述装置还包括：第一确定单元，用于根据上述第二驾驶视频对应的评分和上述指示信息，确定上述第一驾驶视频对应的评分。

在一些实施例中，上述第一确定单元，还用于：响应于确定上述指示信息指示上述第一驾驶视频，将上述第二驾驶视频对应的评分减去预设数值的差，确定为上述第一驾驶视频对应的评分；响应于确定上述指示信息指示上述第二驾驶视频，将上述第二驾驶视频对应的评分与预设数值的和，确定为上述第一驾驶视频对应的评分。

在一些实施例中，上述装置还包括：第三获取单元，用于：获取上述驾驶人员在上述驾驶过程中的、视频采集时间在上述第二驾驶视频之前的至少一个历史驾驶视频，其中，对于上述至少一个历史驾驶视频中的每个历史驾驶视频，该历史驾驶视频对应设置有评分，并且，该历史驾驶视频的评分是根据上述对比模型和视频采集时间在该历史驾驶视频之前的历史驾驶视频而确定的。

在一些实施例中，上述装置还包括：第二生成单元，用于：根据上述第一驾驶视频、上述第二驾驶视频和上述至少一个历史驾驶视频分别对应的评分，生成二维图形信息，其中，上述二维图形信息的横轴用于指示视频采集时间，纵轴用于指示评分。

在一些实施例中，上述装置还包括：展示单元，用于：展示上述二维图形信息。

在一些实施例中，上述装置还包括：第四获取单元，用于获取样本集，其中，样本包括第一视频和第二视频，并且样本标注有训练用指示信息，上述训练用指示信息用于指示第一视频和第二视频中的、在视频采集期间人员更为疲惫的视频；训练单元，用于利用上述样本集，训练初始神经网络，得到上述对比模型。

在一些实施例中，上述对比模型包括：第一特征提取网络、第二特征提取网络和全连接层，其中：上述第一特征提取网络的输入为第一驾驶视频，上述第二特征提取网络的输入为第二驾驶视频，上述第一特征提取网络的输出和上述第二特征提取网络的输出为上述全连接层的输入，上述全连接层的输出为指示信息。

在一些实施例中，上述第一特征提取网络包括第一卷积神经网络和与上述第一卷积神经网络连接的第一循环神经网络，上述第二特征提取网络包括第二卷积神经网络和与上述第二卷积神经网络连接的第二循环神经网络，上述第一卷积神经网络的输入为第一驾驶视频，上述第二卷积神经网络的输入为第二驾驶视频，上述第一循环神经网络和上述第二循环神经网络的输出为上述全连接层的输入。

第三方面，本申请实施例提供了一种电子设备，上述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的方法。

本申请实施例提供的用于生成信息的方法和装置，通过获取驾驶人员在驾驶过程中的第一驾驶视频；获取上述驾驶人员在上述驾驶过程中的、视频采集时间在上述第一驾驶视频之前的第二驾驶视频；将上述第一驾驶视频和上述第二驾驶视频导入预先建立的对比模型，生成指示信息，其中，指示信息用于指示第一驾驶视频和第二驾驶视频中的、在视频采集期间驾驶人员更为疲惫的驾驶视频，丰富了所生成的信息的种类。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成信息的方法的一个实施例的流程图；

图3是根据本申请的对比模型的示例性结构示意图；

图4是根据本申请的用于生成信息的方法的又一个实施例的流程图；

图5是根据本申请的二维图形信息的示例性示意图；

图6是根据本申请的用于生成信息的装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的用于生成信息方法或用于生成信息的装置的示例性系统架构100。

如图1所示，系统架构100可以包括车辆101、网络102和服务器103。网络102用以在车辆101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

车辆101可以通过网络102与服务器103交互，以接收或发送消息等。车辆101可以安装有视频采集器件(例如摄像头、摄像机等)，用于采集驾驶员的驾车过程的视频。

服务器103可以是安装在车辆101上的车载处理器，也可以是用于控制车辆101的后台服务器。服务器103可以提供各种服务，例如，服务器103可以对获取到的记录有驾驶人员的驾车过程的驾驶视频等数据进行分析等处理，并生成信息(例如指示信息)。

需要说明的是，本申请实施例所提供的用于生成信息的方法一般由服务器103执行，相应地，用于生成信息的装置一般设置于服务器103中。

应该理解，图1中的车辆、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的车辆、网络和服务器。

继续参考图2，其示出了根据本申请的用于生成信息的方法的一个实施例的流程200。上述的用于生成信息的方法，包括以下步骤：

步骤201，获取驾驶人员在驾驶过程中的第一驾驶视频。

在本实施例中，用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器)可以获取驾驶人员在驾驶过程中的第一驾驶视频。

在本实施例中，上述服务器可以通过车辆上安装的视频采集器件获取驾驶人员在驾驶过程中的驾驶视频。

可选地，视频采集器件可以是摄像头、摄像机等。视频采集器件通常安装在汽车的前方，其镜头正对主驾驶位置，以便于采集驾驶员在驾车过程中的视频。

在本实施例中，驾驶过程可以是持续一段时间的驾驶行为所形成过程。上述第一驾驶视频可以是以当前时间点为基础向前推算预设时长的一段时间所采集的驾驶视频，也可以是历史时间段所采集的驾驶视频。

作为示例，驾驶人员在0点到1点之间持续驾驶，0点到1点之间的驾驶行为形成驾驶过程，第一驾驶视频可以是采集时间0点51分到1点之间的驾驶视频。

步骤202，获取驾驶人员在驾驶过程中的、视频采集时间在第一驾驶视频之前的第二驾驶视频。

在本实施例中，用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器)可以获取上述驾驶人员在上述驾驶过程中的、视频采集时间在上述第一驾驶视频之前的第二驾驶视频。

作为示例，驾驶人员在0点到1点之间持续驾驶，0点到1点之间的驾驶行为形成驾驶过程，第一驾驶视频可以是采集时间在0点51分到1点之间的驾驶视频。第二驾驶视频可以是视频采集时间在0点51分之前的驾驶视频，例如，第二驾驶视频可以是视频采集时间在0点41分到0点50之间的驾驶视频。

步骤203，将第一驾驶视频和第二驾驶视频导入预先建立的对比模型，生成指示信息。

在本实施例中，用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器)可以将上述第一驾驶视频和上述第二驾驶视频导入预先建立的对比模型，生成指示信息。

在本实施例中，上述对比模型用于表征第一驾驶视频和第二驾驶视频两者与指示信息之间的对应关系。

在本实施例中，指示信息用于指示第一驾驶视频和第二驾驶视频中的、在视频采集期间驾驶人员更为疲惫的驾驶视频。

作为示例，第一驾驶视频可以是采集时间在0点51分到1点之间的驾驶视频。第二驾驶视频可以是视频采集时间在0点41分到0点50之间的驾驶视频。如果指示信息指示第一驾驶视频，那么说明驾驶人员在0点51分到1点之间比在0点41分到0点50之间更为疲惫。如果指示信息指示第二驾驶视频，那么说明驾驶人员在0点41分到0点50之间比在0点51分到1点之间更为疲惫。

在本实施例的一些可选的实现方式中，上述对比模型可以是存储有视频对和指示信息的对应关系表。上述对应关系表可以是基于对大量的驾驶视频对进行分析并得到指示信息而生成的。在应用时，可以将上述第一驾驶视频和第二驾驶视频与驾驶视频对进行比对，并获取经比对最相似的驾驶视频对对应的指示信息。由此，生成上述第一驾驶视频和上述第二驾驶视频对应的指示信息。

在本实施例的一些可选的实现方式中，上述对比模型可以通过以下方式得到：获取样本集；利用上述样本集，训练初始神经网络，得到上述对比模型。在这里，样本包括第一视频和第二视频，并且样本标注有训练用指示信息。上述训练用指示信息用于指示第一视频和第二视频中的、在视频采集器件人员更为疲惫的视频。

可选地，上述样本标注的训练用指示信息可以通过机器标注，也可以通过工作人员标注。

作为示例，可以获取记录有驾驶人员或非驾驶人员影像的视频，生成多个视频对。上述驾驶人员或非驾驶人员在视频采集期间完成指定的动作，根据动作的标准程度，确定视频对中的、驾驶人员或非驾驶人员在视频采集期间更为疲惫的视频。由此，可以实现机器标注样本。

在本实施例的一些可选的实现方式中，电子设备训练的可以是初始神经网络，初始神经网络可以是未经训练的神经网络或未训练完成的神经网络，初始神经网络的各层可以设置有初始参数，参数在训练过程中可以被不断地调整。初始神经网络可以是各种类型的未经训练或未训练完成的人工神经网络或者对多种未经训练或未训练完成的人工神经网络进行组合所得到，例如，初始神经网络可以是未经训练的卷积神经网络，也可以是未经训练的循环神经网络，还可以是对未经训练的卷积神经网络、未经训练的循环神经网络和未经训练的全连接层进行组合所得到的模型。

可选地，请参考图3，其示出了对比模型的一种可选的实现方式的示例性结构。

在本实施例的一些可选的实现方式中，上述对比模型可以包括：第一特征提取网络、第二特征提取网络和全连接层。在这里，上述第一特征提取网络的输入为第一驾驶视频，上述第二特征提取网络的输入为第二驾驶视频，上述第一特征提取网络的输出和上述第二特征提取网络的输出为上述全连接层的输入，上述全连接层的输出为指示信息。

可选地，上述第一特征提取网络用于提取第一驾驶视频的视频特征，并以特征向量的方式输出至上述全连接层。上述第二特征提取网络用于提取上述第二驾驶视频的视频特征，并以特征向量的方式输出至上述全连接层。

在本实施例的一些可选的实现方式中，全连接层的每一个节点都与特征提取网络的输出层的所有节点相连，用来把特征提取网络输出层输出的视频的特征向量综合起来。由于其全相连的特性，一般全连接层的参数也是最多的。同时，在利用全连接层的参数对视频的特征向量进行线性变换后，可以加上一个非线性激励函数对线性变换的结果进行转换，从而引入非线性因素，以增强对比模型的表达能力。其中，激励函数可以是sigma函数，sigma函数是人工神经网络中常见的一种激励函数，在此不再详细赘述。

在本实施例的一些可选的实现方式中，上述第一特征提取网络包括第一卷积神经网络和与上述第一卷积神经网络连接的第一循环神经网络，上述第二特征提取网络包括第二卷积神经网络和与上述第二卷积神经网络连接的第二循环神经网络。在这里，上述第一卷积神经网络的输入为第一驾驶视频，上述第二卷积神经网络的输入为第二驾驶视频，上述第一循环神经网络和上述第二循环神经网络的输出为上述全连接层的输入。

在本实施例的一些可选的实现方式中，卷积神经网络可以是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。通常，卷积神经网络的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。

在本实施例的一些可选的实现方式中，循环神经网络是一种节点定向连接成环的人工神经网络。这种网络的本质特征是在处理单元之间既有内部的反馈连接又有前馈连接，其内部状态可以展示动态时序行为。

在本实现方式中，对于第一驾驶视频和第二驾驶视频中的每个，将该驾驶视频的视频帧数据可以先通过卷积神经网络进行特征提取，然后经过循环神经网络编码成含有时序特征的信息。然后将第一驾驶视频和第二驾驶视频的含有时序特征的视频特征信息输入到全连接层，得到指示信息。

需要说明的是，深度学习模型中的卷积神经网络、循环神经网络和全连接层可以分开训练，也可以作为一个整体同时训练，本实施例对此不进行限定。

本申请的上述实施例提供的方法，通过获取驾驶人员在驾驶过程中的第一驾驶视频；获取上述驾驶人员在上述驾驶过程中的、视频采集时间在上述第一驾驶视频之前的第二驾驶视频；将上述第一驾驶视频和上述第二驾驶视频导入预先建立的对比模型，生成指示信息，其中，指示信息用于指示第一驾驶视频和第二驾驶视频中的、在视频采集期间驾驶人员更为疲惫的驾驶视频，丰富了所生成的信息的种类。

进一步参考图4，其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400，包括以下步骤：

步骤401，获取驾驶人员在驾驶过程中的第一驾驶视频。

在本实施例中，用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器)可以获取驾驶人员在驾驶过程中的第一驾驶视频。

步骤402，获取驾驶人员在驾驶过程中的、视频采集时间在第一驾驶视频之前的第二驾驶视频。

在本实施例中，用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器)可以获取上述驾驶人员在上述驾驶过程中的、视频采集时间在上述第一驾驶视频之前的第二驾驶视频。

步骤403，将第一驾驶视频和第二驾驶视频导入预先建立的对比模型，生成指示信息。

在本实施例中，用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器)可以将上述第一驾驶视频和上述第二驾驶视频导入预先建立的对比模型，生成指示信息。

在本实施例中，上述对比模型用于表征第一驾驶视频和第二驾驶视频两者与指示信息之间的对应关系。

在本实施例中，指示信息用于指示第一驾驶视频和第二驾驶视频中的、在视频采集期间驾驶人员更为疲惫的驾驶视频。

需要说明的是，步骤401、步骤402以及步骤403的实现细节和技术效果可以参考对步骤201、步骤202以及步骤203的说明，在此不再赘述。

在本实施例中，第二驾驶视频对应设置有评分。在这里，评分用于表征在视频采集期间上述驾驶人员的疲惫程度。

步骤404，根据第二驾驶视频对应的评分和指示信息，确定第一驾驶视频对应的评分。

在本实施例中，用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器)可以根据上述第二驾驶视频对应的评分和上述指示信息，确定上述第一驾驶视频对应的评分。

在本实施例中，可以以预先设置的运算方式，根据指示信息，对第二驾驶视频对应的评分进行运算，确定第一驾驶视频对应的评分。

在本实施例的一些可选的实现方式中，步骤404可以通过以下方式实现：响应于确定上述指示信息指示第一驾驶视频，将上述第二驾驶视频对应的评分减去预设数值的差，确定为上述第一驾驶视频对应的评分。响应于确定上述指示信息指示第二驾驶视频，将上述第二驾驶视频对应的评分与预设数值的和，确定为上述第一驾驶视频对应的评分。

作为示例，第一驾驶视频可以是采集时间在0点51分到1点之间的驾驶视频。第二驾驶视频可以是视频采集时间在0点41分到0点50分之间的驾驶视频。第二驾驶视频对应的评分为5，预设数值为1。如果指示信息指示第一驾驶视频，那么说明驾驶人员在0点51分到1点之间比在0点41分到0点50之间更为疲惫，则将评分5和数值1之差4，确定为第一驾驶视频对应的评分。如果指示信息指示第二驾驶视频，那么说明驾驶人员在0点41分到0点50之间比在0点51分到1点之间更为疲惫，则将评分5和数值1之和，确定为第一驾驶视频对应的评分。

步骤405，获取驾驶人员在驾驶过程中的、视频采集时间在上述第二驾驶视频之前的至少一个历史驾驶视频。

在本实施例中，用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器)可以获取上述驾驶人员在上述驾驶过程中的、视频采集时间在上述第二驾驶视频之前的至少一个历史驾驶视频。

作为示例，第一驾驶视频可以是采集时间在0点51分到1点之间的驾驶视频。第二驾驶视频可以是视频采集时间在0点41分到0点50分之间的驾驶视频。所获取的至少一个历史视频，可以包括视频采集时间在0点31分到0点40分之间的驾驶视频A，还可以包括视频采集时间在0点21分到0点30分之间的驾驶视频B、视频采集时间在0点11分到0点20分之间的驾驶视频C以及视频采集时间在0点01分到0点10分之间的驾驶视频D。

在本实施例中，对于上述至少一个历史驾驶视频中的每个历史驾驶视频，该历史驾驶视频对应设置有评分，并且，该历史驾驶视频的评分是根据上述对比模型和视频采集时间在该历史驾驶视频之前的历史驾驶视频而确定的。

作为示例，上述驾驶视频A对应的评分为6，上述驾驶视频B对应的评分为7，上述驾驶视频C对应的评分为8，上述驾驶视频D对应的评分为9。

作为示例，上述驾驶视频A对应的评分6，是根据上述驾驶视频B对应的评分7和上述对比模型确定的。例如，将上述驾驶视频A驾驶视频B导入上述对比模型，得到指示信息。如果这个指示信息指示上述驾驶视频B，那么可以将评分7和预设数值1之差6，确定为上述驾驶视频A对应的评分。上述驾驶视频B、上述驾驶视频C以及上述驾驶视频D对应的评分以此类推。

需要说明的是，现有技术中的通过视频进行疲劳识别的系统需要先找脸部特征点，再通过特征点识别眼部和嘴部形状，判断是否有眼睛变小，频繁眨眼或打哈切等疲劳现象，但在实际驾驶中，司机的疲劳状态各种各样，很难判定什么是疲劳和疲劳的级别，因此，现有技术中的系统复杂且实用性不强。

对比来说，本实施例所示方法，在疲劳的定义不清楚的情况下，绕过了这一命题，通过对比视频中哪个阶段的驾驶人员更疲惫，得到驾驶人员在驾驶过程中的疲惫状况趋势。

作为示例，可以在驾驶开始的时候设置一初始评分，然后，不用判断驾驶人员疲惫度的绝对值，而是在驾驶过程中对比各个阶段疲惫程度相对于上一阶段加重或减轻，由此得到以疲惫程度相对值表征的驾驶人员的疲惫程度趋势。

可以理解，如果疲惫程度一直在加重，虽然不能明确获知疲惫度的绝对值，但可以推测出驾驶人员已较为疲惫。

步骤406，根据第一驾驶视频、第二驾驶视频和至少一个历史驾驶视频分别对应的评分，生成二维图形信息。

在本实施例中，用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器)可以根据上述第一驾驶视频、上述第二驾驶视频和上述至少一个历史驾驶视频分别对应的评分，生成二维图形信息。

在本实施例中，上述二维图形信息的横轴用于指示视频采集时间，纵轴用于指示评分。需要说明的是，横轴指示视频采集时间，可以是按照视频采集时间的先后排布横轴元素，不一定必须是视频采集时间。

作为示例，上述至少一个历史视频包括驾驶视频A、驾驶视频B、上述驾驶视频C以及上述驾驶视频D。上述第一驾驶视频对应的评分为4，上述第二驾驶视频对应的评分为5，上述驾驶视频A对应的评分为6，上述驾驶视频B对应的评分为7，上述驾驶视频C对应的评分为8，上述驾驶视频D对应的评分为9。请参考图5，其是所生成的二维图形信息的一个示例性示意图，其中，横轴为按照视频采集时间排布的驾驶视频名称，纵轴为评分。在本示意图中，评分逐渐减低，说明驾驶人员的注意力集中程度降低，疲惫程度升高。

需要说明的是，上述二维图形信息可以以各种方式表示，在此不做限定。

步骤407，展示二维图形信息。

在本实施例中，用于生成信息的方法运行于其上的电子设备(例如图1所示的服务器)可以展示上述二维图形信息。

在本实施例中，上述电子设备可以直接展示上述二维图形信息，也可以通过其它电子设备间接展示上述二维图形信息。

需要说明的是，可以将上述二维图形信息展示给驾驶人员，驾驶人员可以实时查看自己的驾驶状态。由此，驾驶人员可以根据驾驶状态提醒自己，减少事故发生的可能性。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成信息的方法的流程400突出了结合历史驾驶视频对应的评分，生成并展示二维图形信息的步骤。由此，本实施例描述的方案可以引入更多与驾驶人员疲惫程度相关的参考数据，从而可以确定并展示更为准确的驾驶人员的疲惫程度的参考值。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例上述的用于生成信息的装置600包括：第一获取单元601、第二获取单元602和第一生成单元603。其中，第一获取单元，用于获取驾驶人员在驾驶过程中的第一驾驶视频；第二获取单元，用于获取上述驾驶人员在上述驾驶过程中的、视频采集时间在上述第一驾驶视频之前的第二驾驶视频；第一生成单元，用于将上述第一驾驶视频和上述第二驾驶视频导入预先建立的对比模型，生成指示信息，其中，上述对比模型用于表征第一驾驶视频和第二驾驶视频两者与指示信息之间的对应关系，指示信息用于指示第一驾驶视频和第二驾驶视频中的、在视频采集期间驾驶人员更为疲惫的驾驶视频。

在本实施例中，第一获取单元601、第二获取单元602和第一生成单元603的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202以及步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述第二驾驶视频对应设置有评分，其中，评分用于表征在视频采集期间上述驾驶人员的疲惫程度；以及上述装置还包括：第一确定单元(未示出)，用于根据上述第二驾驶视频对应的评分和上述指示信息，确定上述第一驾驶视频对应的评分。

在本实施例的一些可选的实现方式中，上述第一确定单元，还用于：响应于确定上述指示信息指示上述第一驾驶视频，将上述第二驾驶视频对应的评分减去预设数值的差，确定为上述第一驾驶视频对应的评分；响应于确定上述指示信息指示上述第二驾驶视频，将上述第二驾驶视频对应的评分与预设数值的和，确定为上述第一驾驶视频对应的评分。

在本实施例的一些可选的实现方式中，上述装置还包括：第三获取单元(未示出)，用于：获取上述驾驶人员在上述驾驶过程中的、视频采集时间在上述第二驾驶视频之前的至少一个历史驾驶视频，其中，对于上述至少一个历史驾驶视频中的每个历史驾驶视频，该历史驾驶视频对应设置有评分，并且，该历史驾驶视频的评分是根据上述对比模型和视频采集时间在该历史驾驶视频之前的历史驾驶视频而确定的。

在本实施例的一些可选的实现方式中，上述装置还包括：第二生成单元(未示出)，用于：根据上述第一驾驶视频、上述第二驾驶视频和上述至少一个历史驾驶视频分别对应的评分，生成二维图形信息，其中，上述二维图形信息的横轴用于指示视频采集时间，纵轴用于指示评分。

在本实施例的一些可选的实现方式中，上述装置还包括：展示单元(未示出)，用于：展示上述二维图形信息。

在本实施例的一些可选的实现方式中，上述装置还包括：第四获取单元(未示出)，用于获取样本集，其中，样本包括第一视频和第二视频，并且样本标注有训练用指示信息，上述训练用指示信息用于指示第一视频和第二视频中的、在视频采集期间人员更为疲惫的视频；训练单元(未示出)，用于利用上述样本集，训练初始神经网络，得到上述对比模型。

在本实施例的一些可选的实现方式中，上述对比模型包括：第一特征提取网络、第二特征提取网络和全连接层，其中：上述第一特征提取网络的输入为第一驾驶视频，上述第二特征提取网络的输入为第二驾驶视频，上述第一特征提取网络的输出和上述第二特征提取网络的输出为上述全连接层的输入，上述全连接层的输出为指示信息。

在本实施例的一些可选的实现方式中，上述第一特征提取网络包括第一卷积神经网络和与上述第一卷积神经网络连接的第一循环神经网络，上述第二特征提取网络包括第二卷积神经网络和与上述第二卷积神经网络连接的第二循环神经网络，上述第一卷积神经网络的输入为第一驾驶视频，上述第二卷积神经网络的输入为第二驾驶视频，上述第一循环神经网络和上述第二循环神经网络的输出为上述全连接层的输入。

需要说明的是，本实施例提供的用于生成信息的装置中各单元的实现细节和技术效果可以参考本申请中其它实施例的说明，在此不再赘述。

下面参考图7，其示出了适于用来实现本申请实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取单元、第二获取单元和第一生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取驾驶人员在驾驶过程中的第一驾驶视频的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取驾驶人员在驾驶过程中的第一驾驶视频；获取上述驾驶人员在上述驾驶过程中的、视频采集时间在上述第一驾驶视频之前的第二驾驶视频；将上述第一驾驶视频和上述第二驾驶视频导入预先建立的对比模型，生成指示信息，其中，上述对比模型用于表征第一驾驶视频和第二驾驶视频两者与指示信息之间的对应关系，指示信息用于指示第一驾驶视频和第二驾驶视频中的、在视频采集期间驾驶人员更为疲惫的驾驶视频。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (11)

1.一种用于生成信息的方法，包括：

获取驾驶人员在驾驶过程中的第一驾驶视频；

获取所述驾驶人员在所述驾驶过程中的、视频采集时间在所述第一驾驶视频之前的第二驾驶视频；

将所述第一驾驶视频和所述第二驾驶视频导入预先建立的对比模型，生成指示信息，其中，所述对比模型用于表征第一驾驶视频和第二驾驶视频两者与指示信息之间的对应关系，指示信息用于指示第一驾驶视频和第二驾驶视频中的、在视频采集期间驾驶人员更为疲惫的驾驶视频；

获取所述驾驶人员在所述驾驶过程中的、视频采集时间在所述第二驾驶视频之前的至少一个历史驾驶视频，其中，对于所述至少一个历史驾驶视频中的每个历史驾驶视频，该历史驾驶视频对应设置有评分，并且，该历史驾驶视频的评分是根据所述对比模型和视频采集时间在该历史驾驶视频之前的历史驾驶视频而确定的。

2.根据权利要求1所述的方法，其中，所述第二驾驶视频对应设置有评分，其中，评分用于表征在视频采集期间所述驾驶人员的疲惫程度；以及

所述方法还包括：

根据所述第二驾驶视频对应的评分和所述指示信息，确定所述第一驾驶视频对应的评分。

3.根据权利要求2所述的方法，其中，所述根据所述第二驾驶视频对应的评分和所述指示信息，确定所述第一驾驶视频对应的评分，包括：

响应于确定所述指示信息指示所述第一驾驶视频，将所述第二驾驶视频对应的评分减去预设数值的差，确定为所述第一驾驶视频对应的评分；

响应于确定所述指示信息指示所述第二驾驶视频，将所述第二驾驶视频对应的评分与预设数值的和，确定为所述第一驾驶视频对应的评分。

4.根据权利要求3所述的方法，其中，所述方法还包括：

根据所述第一驾驶视频、所述第二驾驶视频和所述至少一个历史驾驶视频分别对应的评分，生成二维图形信息，其中，所述二维图形信息的横轴用于指示视频采集时间，纵轴用于指示评分。

5.根据权利要求4所述的方法，其中，所述方法还包括：

展示所述二维图形信息。

6.根据权利要求1-5中任一项所述的方法，其中，所述方法还包括：

获取样本集，其中，样本包括第一视频和第二视频，并且样本标注有训练用指示信息，所述训练用指示信息用于指示第一视频和第二视频中的、在视频采集期间人员更为疲惫的视频；

利用所述样本集，训练初始神经网络，得到所述对比模型。

7.根据权利要求6所述的方法，其中，所述对比模型包括：第一特征提取网络、第二特征提取网络和全连接层，其中：所述第一特征提取网络的输入为第一驾驶视频，所述第二特征提取网络的输入为第二驾驶视频，所述第一特征提取网络的输出和所述第二特征提取网络的输出为所述全连接层的输入，所述全连接层的输出为指示信息。

8.根据权利要求7所述的方法，其中，所述第一特征提取网络包括第一卷积神经网络和与所述第一卷积神经网络连接的第一循环神经网络，所述第二特征提取网络包括第二卷积神经网络和与所述第二卷积神经网络连接的第二循环神经网络，所述第一卷积神经网络的输入为第一驾驶视频，所述第二卷积神经网络的输入为第二驾驶视频，所述第一循环神经网络和所述第二循环神经网络的输出为所述全连接层的输入。

9.一种用于生成信息的装置，包括：

第一获取单元，用于获取驾驶人员在驾驶过程中的第一驾驶视频；

第二获取单元，用于获取所述驾驶人员在所述驾驶过程中的、视频采集时间在所述第一驾驶视频之前的第二驾驶视频；

第一生成单元，用于将所述第一驾驶视频和所述第二驾驶视频导入预先建立的对比模型，生成指示信息，其中，所述对比模型用于表征第一驾驶视频和第二驾驶视频两者与指示信息之间的对应关系，指示信息用于指示第一驾驶视频和第二驾驶视频中的、在视频采集期间驾驶人员更为疲惫的驾驶视频；

第三获取单元，用于获取上述驾驶人员在上述驾驶过程中的、视频采集时间在上述第二驾驶视频之前的至少一个历史驾驶视频，其中，对于上述至少一个历史驾驶视频中的每个历史驾驶视频，该历史驾驶视频对应设置有评分，并且，该历史驾驶视频的评分是根据上述对比模型和视频采集时间在该历史驾驶视频之前的历史驾驶视频而确定的。

10.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其中,该程序被处理器执行时实现如权利要求1-8中任一所述的方法。

Images