CN110021147A - 一种基于机器学习和数值标定的疲劳驾驶检测方法 - Google Patents

一种基于机器学习和数值标定的疲劳驾驶检测方法 Download PDF

Info

Publication number
CN110021147A
CN110021147A CN201910376358.7A CN201910376358A CN110021147A CN 110021147 A CN110021147 A CN 110021147A CN 201910376358 A CN201910376358 A CN 201910376358A CN 110021147 A CN110021147 A CN 110021147A
Authority
CN
China
Prior art keywords
calibration
fatigue driving
threshold value
demarcated
machine learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910376358.7A
Other languages
English (en)
Inventor
王成中
齐艳铭
杨贤柱
杨凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SICHUAN JIUZHOU VIDEO TECHNOLOGY Co Ltd
Original Assignee
SICHUAN JIUZHOU VIDEO TECHNOLOGY Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SICHUAN JIUZHOU VIDEO TECHNOLOGY Co Ltd filed Critical SICHUAN JIUZHOU VIDEO TECHNOLOGY Co Ltd
Priority to CN201910376358.7A priority Critical patent/CN110021147A/zh
Publication of CN110021147A publication Critical patent/CN110021147A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于机器学习和数值标定的疲劳驾驶检测方法，通过摄像头实时获取驾驶员的面部图像，并用机器学习训练好的模型提取面部特征部位的特征信息，对特征部位信息进行初始化处理，对特征部位的数据进行标定并设定各个特征信息的阈值，判断程序是否已经完成初始化工作，若未完成则将计算出的实时比值加入到标定总和中，并把标定次数加1，然后判断标定次数是否已经等于设定的标定次数的阈值，若已完成则将实时获取到的面部特征部位特征信息与各自的标定值进行求比值，将标定总和除以标定次数的阈值，得到标定值，完成数值的标定过程，并从头循环，判断计算出的比值中是否有大于设定的阈值，如果有判定被检测驾驶员处于疲劳驾驶。

Description

一种基于机器学习和数值标定的疲劳驾驶检测方法
技术领域
本发明涉及计算机技术领域，具体的说，是一种基于机器学习和数值标定的疲劳驾驶检测方法。
背景技术
随着经济的发展，车的数量越来越多，也间接导致疲劳驾驶发生的可能性越来越大。当司机处于疲劳状态时常常出现眨眼、打哈欠以及点头频繁的情况，通过识别和监控这些动作的发生频率，就能实现疲劳状态的检测。传统的疲劳驾驶检测方法中往往需要使用许多辅助设备，这些设备通常用于监控心率、脑电波等生物信息，但这也造成了疲劳检测成本的提高。
发明内容
本发明的目的在于提供一种基于机器学习和数值标定的疲劳驾驶检测方法，用于解决现有技术中对于司机疲劳驾驶的检测需要使用大量辅助设备，检测成本高并且使用不方便的问题。
本发明通过下述技术方案解决上述问题：
一种基于机器学习和数值标定的疲劳驾驶检测方法，所述检测方法包括以下步骤：
步骤1：通过摄像头实时获取驾驶员的面部图像，并用机器学习训练好的模型提取面部特征部位的特征信息；
步骤2：根据步骤1所提取到的特征部位信息，对特征部位信息进行初始化处理，对特征部位的数据进行标定并设定各个特征信息的阈值；
步骤3：判断程序是否已经完成初始化工作，若未完成则跳转到步骤4，若已完成则跳转到步骤6；
步骤4：将计算出的实时比值加入到标定总和中，并把标定次数加1，然后判断标定次数是否已经等于设定的标定次数的阈值，如果等于，则跳转到第5步，如果不等于，则跳到步骤1，继续循环；
步骤5：将标定总和除以标定次数的阈值，得到标定值，完成数值的标定过程，并跳转到步骤1；
步骤6：将实时获取到的面部特征部位特征信息与各自的标定值进行求比值；
步骤7：判断计算出的比值中是否有大于设定的阈值，如果没有，则跳转到第1步，如果有则判定被检测驾驶员处于疲劳驾驶，触发警报。
本方法通过摄像头实时采集驾驶员特征部位的特征信息，将特征信息进行计算然后与设定的阈值相比较，若计算结果超过阈值，系统就判定驾驶员为疲劳驾驶，发出警报，不用通过监驾驶员的心率的等体征数据来判断驾驶员的状态，而是通过面部特征就行判断，省去了用于监测体征数据的设备，仅需要一个网络摄像头对驾驶员的面部特征信息进行采集，设备的成本得到大幅降低，并且安装变得简便。
优选地，所述特征部位包括眼部、鼻子和嘴部，所述特征信息包括眼睛睁开的距离、嘴巴张开的距离、鼻子的长度、鼻尖到鼻下点的长度以及鼻尖到鼻上点的长度，将嘴巴、眼睛的张开的距离与鼻子长度求比值，因为鼻子的长度是固定的，并且易测量因此与鼻子长度求比值更为准确合理，提升检测报警的准确性。
优选地，所述摄像头采集面部特征部位的特征信息时，记录特殊动作的次数以及发生时刻，在一定时间内特殊动作的次数超过阈值则判断为疲劳驾驶，触发警报，某些特定特殊动作只有在人非常疲倦的情况下才会出现，所以对特殊动作进行监控和统计，在一定时间内达到特殊动作达到一定次数则判定为疲劳驾驶。
优选地，所述特殊动作包括打哈欠、揉眼、点头和连续眨眼，这些动作是在人体非常疲倦的时候才会出现，对这些特定动作进行监控并统计，有助于提高疲劳驾驶的判断的准确性。
本发明与现有技术相比，具有以下优点及有益效果：
(1)本发明通过摄像头实时采集驾驶员特征部位的特征信息，将特征信息进行计算然后与设定的阈值相比较，若计算结果超过阈值，系统就判定驾驶员为疲劳驾驶，发出警报，不用通过监驾驶员的心率的等体征数据来判断驾驶员的状态，而是通过面部特征就行判断，省去了用于监测体征数据的设备，仅需要一个网络摄像头对驾驶员的面部特征信息进行采集，设备的成本得到大幅降低，并且安装变得简便。
(2)本发明摄像头采集面部特征部位的特征信息时，记录特殊动作的次数以及发生时刻，在一定时间内特殊动作的次数超过阈值则判断为疲劳驾驶，触发警报，某些特定特殊动作只有在人非常疲倦的情况下才会出现，所以对特殊动作进行监控和统计，在一定时间内达到特殊动作达到一定次数则判定为疲劳驾驶。
附图说明
图1为本发明的基于机器学习和数值标定的疲劳驾驶检测方法流程图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。
实施例1：
结合附图1所示，一种基于机器学习和数值标定的疲劳驾驶检测方法，所述检测方法包括以下步骤：
步骤1：通过摄像头实时获取驾驶员的面部图像，并用机器学习训练好的模型提取面部特征部位的特征信息，并记录特殊动作的次数以及发生时刻；
步骤2：根据步骤1所提取到的特征部位信息，对特征部位信息进行初始化处理，对特征部位的数据进行标定并设定各个特征信息的阈值；
步骤3：判断程序是否已经完成初始化工作，若未完成则跳转到步骤4，若已完成则跳转到步骤6；
步骤4：将计算出的实时比值加入到标定总和中，并把标定次数加1，然后判断标定次数是否已经等于设定的标定次数的阈值，如果等于，则跳转到第5步，如果不等于，则跳到步骤1，继续循环；
步骤5：将标定总和除以标定次数的阈值，得到标定值，完成数值的标定过程，并跳转到步骤1；
步骤6：将实时获取到的面部特征部位特征信息与各自的标定值进行求比值；
步骤7：判断计算出的比值中是否有大于设定的阈值，如果没有，则跳转到第1步，如果有则判定被检测驾驶员处于疲劳驾驶，触发警报。
本方法通过摄像头实时采集驾驶员特征部位的特征信息，将特征信息进行计算然后与设定的阈值相比较，若计算结果超过阈值，系统就判定驾驶员为疲劳驾驶，发出警报，不用通过监驾驶员的心率的等体征数据来判断驾驶员的状态，而是通过面部特征就行判断，省去了用于监测体征数据的设备，仅需要一个网络摄像头对驾驶员的面部特征信息进行采集，设备的成本得到大幅降低，并且安装变得简便。特征部位包括眼部、鼻子和嘴部，所述特征信息包括眼睛睁开的距离、嘴巴张开的距离、鼻子的长度、鼻尖到鼻下点的长度以及鼻尖到鼻上点的长度，将嘴巴、眼睛的张开的距离与鼻子长度求比值，因为鼻子的长度是固定的，并且易测量因此与鼻子长度求比值更为准确合理，提升检测报警的准确性。
摄像头采集面部特征部位的特征信息时，记录打哈欠、揉眼、点头和连续眨眼等特殊动作的次数以及发生时刻，在一定时间内特殊动作的次数超过阈值则判断为疲劳驾驶，触发警报，某些特定特殊动作只有在人非常疲倦的情况下才会出现，所以对特殊动作进行监控和统计，在一定时间内达到特殊动作达到一定次数则判定为疲劳驾驶，对这些特定动作进行监控并统计，有助于提高疲劳驾驶的判断的准确性。
尽管这里参照本发明的解释性实施例对本发明进行了描述，上述实施例仅为本发明较佳的实施方式，本发明的实施方式并不受上述实施例的限制，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。

Claims (4)

1.一种基于机器学习和数值标定的疲劳驾驶检测方法，其特征在于，所述检测方法包括以下步骤：
步骤1：通过摄像头实时获取驾驶员的面部图像，并用机器学习训练好的模型提取面部特征部位的特征信息；
步骤2：根据步骤1所提取到的特征部位信息，对特征部位信息进行初始化处理，对特征部位的数据进行标定并设定各个特征信息的阈值；
步骤3：判断程序是否已经完成初始化工作，若未完成则跳转到步骤4，若已完成则跳转到步骤6；
步骤4：将计算出的实时比值加入到标定总和中，并把标定次数加1，然后判断标定次数是否已经等于设定的标定次数的阈值，如果等于，则跳转到第5步，如果不等于，则跳到步骤1，继续循环；
步骤5：将标定总和除以标定次数的阈值，得到标定值，完成数值的标定过程，并跳转到步骤1；
步骤6：将实时获取到的面部特征部位特征信息与各自的标定值进行求比值；
步骤7：判断计算出的比值中是否有大于设定的阈值，如果没有，则跳转到第1步，如果有则判定被检测驾驶员处于疲劳驾驶，触发警报。
2.根据权利要求1所述基于机器学习和数值标定的疲劳驾驶检测方法，其特征在于：所述特征部位包括眼部、鼻子和嘴部，所述特征信息包括眼睛睁开的距离、嘴巴张开的距离、鼻子的长度、鼻尖到鼻下点的长度以及鼻尖到鼻上点的长度。
3.根据权利要求1所述基于机器学习和数值标定的疲劳驾驶检测方法，其特征在于：所述摄像头采集面部特征部位的特征信息时，记录特殊动作的次数以及发生时刻，在一定时间内特殊动作的次数超过阈值则判断为疲劳驾驶，触发警报。
4.根据权利要求3所述基于机器学习和数值标定的疲劳驾驶检测方法，其特征在于：所述特殊动作包括打哈欠、揉眼、点头和连续眨眼。
CN201910376358.7A 2019-05-07 2019-05-07 一种基于机器学习和数值标定的疲劳驾驶检测方法 Pending CN110021147A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910376358.7A CN110021147A (zh) 2019-05-07 2019-05-07 一种基于机器学习和数值标定的疲劳驾驶检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910376358.7A CN110021147A (zh) 2019-05-07 2019-05-07 一种基于机器学习和数值标定的疲劳驾驶检测方法

Publications (1)

Publication Number Publication Date
CN110021147A true CN110021147A (zh) 2019-07-16

Family

ID=67193169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910376358.7A Pending CN110021147A (zh) 2019-05-07 2019-05-07 一种基于机器学习和数值标定的疲劳驾驶检测方法

Country Status (1)

Country Link
CN (1) CN110021147A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113096405A (zh) * 2021-06-10 2021-07-09 天津所托瑞安汽车科技有限公司 预测模型的构建方法、车辆事故预测方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104240446A (zh) * 2014-09-26 2014-12-24 长春工业大学 基于人脸识别的疲劳驾驶预警系统
CN104616438A (zh) * 2015-03-02 2015-05-13 重庆市科学技术研究院 一种用于疲劳驾驶检测的打哈欠动作检测方法
CN104688251A (zh) * 2015-03-02 2015-06-10 西安邦威电子科技有限公司 一种多姿态下的疲劳及非正常姿态驾驶检测方法
CN105354988A (zh) * 2015-12-11 2016-02-24 东北大学 一种基于机器视觉的驾驶员疲劳驾驶检测系统及检测方法
CN106295600A (zh) * 2016-08-18 2017-01-04 宁波傲视智绘光电科技有限公司 驾驶员状态实时检测方法和装置
CN106372621A (zh) * 2016-09-30 2017-02-01 防城港市港口区高创信息技术有限公司 基于人脸识别的疲劳驾驶检测方法
CN107229922A (zh) * 2017-06-12 2017-10-03 西南科技大学 一种疲劳驾驶监测方法及装置
CN108229245A (zh) * 2016-12-14 2018-06-29 贵港市瑞成科技有限公司 基于面部视频特征的疲劳驾驶检测方法
CN108573210A (zh) * 2018-03-02 2018-09-25 成都高原汽车工业有限公司 一种疲劳驾驶报警方法及装置
CN108961678A (zh) * 2018-04-26 2018-12-07 华慧视科技（天津）有限公司 一种基于人脸检测驾驶员疲劳检测系统及其检测方法
CN109543577A (zh) * 2018-11-09 2019-03-29 上海物联网有限公司 一种基于面部表情特征的疲劳驾驶检测预警方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104240446A (zh) * 2014-09-26 2014-12-24 长春工业大学 基于人脸识别的疲劳驾驶预警系统
CN104616438A (zh) * 2015-03-02 2015-05-13 重庆市科学技术研究院 一种用于疲劳驾驶检测的打哈欠动作检测方法
CN104688251A (zh) * 2015-03-02 2015-06-10 西安邦威电子科技有限公司 一种多姿态下的疲劳及非正常姿态驾驶检测方法
CN105354988A (zh) * 2015-12-11 2016-02-24 东北大学 一种基于机器视觉的驾驶员疲劳驾驶检测系统及检测方法
CN106295600A (zh) * 2016-08-18 2017-01-04 宁波傲视智绘光电科技有限公司 驾驶员状态实时检测方法和装置
CN106372621A (zh) * 2016-09-30 2017-02-01 防城港市港口区高创信息技术有限公司 基于人脸识别的疲劳驾驶检测方法
CN108229245A (zh) * 2016-12-14 2018-06-29 贵港市瑞成科技有限公司 基于面部视频特征的疲劳驾驶检测方法
CN107229922A (zh) * 2017-06-12 2017-10-03 西南科技大学 一种疲劳驾驶监测方法及装置
CN108573210A (zh) * 2018-03-02 2018-09-25 成都高原汽车工业有限公司 一种疲劳驾驶报警方法及装置
CN108961678A (zh) * 2018-04-26 2018-12-07 华慧视科技（天津）有限公司 一种基于人脸检测驾驶员疲劳检测系统及其检测方法
CN109543577A (zh) * 2018-11-09 2019-03-29 上海物联网有限公司 一种基于面部表情特征的疲劳驾驶检测预警方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113096405A (zh) * 2021-06-10 2021-07-09 天津所托瑞安汽车科技有限公司 预测模型的构建方法、车辆事故预测方法及装置

Similar Documents

Publication Publication Date Title
Donkin et al. Response times and decision-making
US7839292B2 (en) Real-time driving danger level prediction
US9113837B2 (en) Drowsiness detection method and associated device
García et al. Vision-based drowsiness detector for a realistic driving simulator
US20090082692A1 (en) System And Method For The Real-Time Evaluation Of Time-Locked Physiological Measures
CN112580552B (zh) 一种鼠类行为分析方法及装置
CN110588512A (zh) 一种危险驾驶识别与预警装置、方法及系统
CN114648354A (zh) 一种基于眼动追踪和情绪状态的广告测评方法和系统
CN101987017A (zh) 用于驾车司机警觉度测定的脑电信号识别检测方法
CN104068868A (zh) 一种基于机器视觉的驾驶人疲劳监测方法及装置
CN109543577A (zh) 一种基于面部表情特征的疲劳驾驶检测预警方法
CN112699793A (zh) 一种基于随机森林的疲劳驾驶检测优化识别方法
JP2008099884A (ja) 状態推定装置
CN108154095A (zh) 一种确定疲劳驾驶的方法、装置和车辆
Damousis et al. Fuzzy fusion of eyelid activity indicators for hypovigilance-related accident prediction
CN116738312A (zh) 基于车辆驾驶数据的危险驾驶行为识别预警方法及系统
CN110021147A (zh) 一种基于机器学习和数值标定的疲劳驾驶检测方法
CN108898795B (zh) 一种基于移动设备的行人状态实时分析方法及系统
Jiao et al. Detecting driver sleepiness from EEG alpha wave during daytime driving
CN117272155A (zh) 基于智能手表的驾驶人路怒症检测方法
CN108171187A (zh) 一种基于骨点提取的异常行为自动识别方法及装置
CN105894732A (zh) 一种疲劳驾驶监测系统
Wu et al. Driver Drowsiness Detection and Alert System Development Using Object Detection.
CN110705453A (zh) 一种实时的疲劳驾驶检测方法
CN114998874A (zh) 一种基于深度学习的驾驶员异常行为检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190716

RJ01 Rejection of invention patent application after publication