CN112102586B - 一种疲劳驾驶告警方法、装置及设备 - Google Patents
一种疲劳驾驶告警方法、装置及设备 Download PDFInfo
- Publication number
- CN112102586B CN112102586B CN202010979305.7A CN202010979305A CN112102586B CN 112102586 B CN112102586 B CN 112102586B CN 202010979305 A CN202010979305 A CN 202010979305A CN 112102586 B CN112102586 B CN 112102586B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driving
- alarm
- fatigue
- historical
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
- A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6893—Cars
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
Abstract
本发明实施例提供了一种疲劳驾驶告警方法、装置及设备,方法包括:在判定驾驶员处于疲劳状态的情况下,并不立即进行疲劳驾驶告警,而是继续获取与车辆相关联的行驶状态信息;基于行驶状态信息,确定车辆行驶的危险系数;在危险系数满足预设告警条件的情况下,再进行疲劳驾驶告警;这样,第一方面,减少了告警次数,降低了频繁告警带来的不良影响,第二方面,在车辆的危险系数满足预设告警条件的情况下进行疲劳驾驶告警,提高了行车安全性。
Description
技术领域
本发明涉及交通运输技术领域,特别涉及一种疲劳驾驶告警方法、装置及设备。
背景技术
疲劳驾驶容易引发交通事故,因此需要对驾驶员疲劳驾驶的情况进行告警,以提高行车安全性。相关告警方案一般包括:采集驾驶员的视频图像,利用图像识别算法对该视频图像进行识别,判断驾驶员是否出现打哈欠、闭眼等疲劳状态,如果是,表示驾驶员处于疲劳驾驶状态,进行疲劳驾驶告警。
但是,目前的图像识别算法的精度有限,采用上述方案产生的误报情况较多,也就是说,上述方案可能会导致频繁的告警。频繁的告警会带来一些不良影响,比如,会影响驾驶员的情绪;再比如,一些情况下,进行疲劳驾驶告警后,需要相关监控人员采取相应的措施,这种情况下,频繁的告警还会对监控人员产生干扰。
因此,需要提供一种在不降低行车安全的情况下,减少频繁告警的方案。
发明内容
本发明实施例的目的在于提供一种疲劳驾驶检测方法、装置及设备,以提供一种在不降低行车安全的情况下,减少频繁告警的方案。
为达到上述目的,本发明实施例提供了一种疲劳驾驶告警方法,包括:
在基于传感数据判定驾驶员处于疲劳状态的情况下,获取与车辆相关联的行驶状态信息;其中,所述传感数据为预先配置的传感器针对驾驶员采集得到的;
基于所述行驶状态信息,确定车辆行驶的危险系数;
在所述危险系数满足预设告警条件的情况下,进行疲劳驾驶告警。
可选的,所述获取与车辆相关联的行驶状态信息之前,还包括:
获取图像传感器针对驾驶员采集的图像数据;基于所述图像数据判断所述驾驶员是否处于疲劳状态;
和/或,获取人体传感器针对驾驶员采集的人体传感数据;基于所述人体传感数据判断所述驾驶员是否处于疲劳状态。
可选的,所述行驶状态信息包括车辆的当前行驶状态信息;所述基于所述行驶状态信息,确定车辆行驶的危险系数,包括:基于所述当前行驶状态信息,确定车辆行驶的第一类危险系数;
和/或,所述行驶状态信息包括车辆的历史行驶状态信息;所述基于所述行驶状态信息,确定车辆行驶的危险系数,包括:基于所述历史行驶状态信息,确定车辆行驶的第二类危险系数。
可选的,所述当前行驶状态信息包括以下任意一种或多种:所述车辆的当前地理环境信息、所述车辆的属性信息、以及所述驾驶员的连续驾驶时长;
所述基于所述当前行驶状态信息,确定车辆行驶的第一类危险系数,包括:
若所述当前行驶状态信息包括所述车辆的当前地理环境信息,则基于所述车辆的当前地理环境信息,确定车辆行驶的第一危险系数;
若所述当前行驶状态信息包括所述车辆的属性信息,则基于所述车辆的属性信息,确定车辆行驶的第二危险系数;
若所述当前行驶状态信息包括所述驾驶员的驾驶时长,则基于所述驾驶时长,确定车辆行驶的第三危险系数。
可选的,所述当前地理环境信息包括以下任意一种或多种:道路类型、海拔、道路中心线的曲率半径;
所述车辆的属性信息包括以下任意一种或多种:车辆的行驶速度、重量、使用年限。
可选的,所述历史行驶状态信息包括以下任意一种或多种:在判定驾驶员处于疲劳状态之前的预设时间段内,统计得到的行车数据;与当前路段相关联的第一历史告警系数;以及与当前时段相关联的第二历史告警系数;
所述基于所述历史行驶状态信息,确定车辆行驶的第二类危险系数,包括:
若所述历史行驶状态信息包括所述行车数据,则基于所述行车数据,确定车辆行驶的第四危险系数;
若所述历史行驶状态信息包括所述第一历史告警系数,则基于所述第一历史告警系数,确定车辆行驶的第五危险系数;
若所述历史行驶状态信息包括所述第二历史告警系数,则基于所述第二历史告警系数,确定车辆行驶的第六危险系数。
可选的,所述行车数据包括以下任意一种或多种:在判定驾驶员处于疲劳状态之前的预设时间段内,统计得到的车辆急减速预警次数、急转弯预警次数、偏离车道预警次数、碰撞预警次数;
所述第一历史告警系数包括以下任意一种或多种:第一预设周期中,当前路段所属位置范围内发生的疲劳告警次数、事故发生次数、发生疲劳告警的路段与当前路段的距离、发生事故的路段与当前路段的距离;
所述第二历史告警系数包括以下任意一种或多种:第二预设周期中,当前时段对应的历史时段所属时间范围内发生的疲劳告警次数、事故发生次数、发生疲劳告警的时段与所述历史时段的时间间隔、发生事故的时段与所述历史时段的时间间隔。
可选的,所述进行疲劳驾驶告警之后,还包括:
展示针对所述驾驶员采集的图像数据,以使监控人员基于所述图像数据判断所述疲劳驾驶告警是否为误报;
如果接收到监控人员的误报指示,将所述图像数据确定为图像识别算法的负样本。
可选的,所述方法还包括:
统计疲劳驾驶告警的误报次数;
在所述误报次数满足预设校正条件的情况下,对所述告警条件进行校正。
为达到上述目的,本发明实施例还提供了一种疲劳驾驶告警装置,包括:
第一获取模块,用于在基于传感数据判定驾驶员处于疲劳状态的情况下,获取与车辆相关联的行驶状态信息;其中,所述传感数据为预先配置的传感器针对驾驶员采集得到的;
第一确定模块,用于基于所述行驶状态信息,确定车辆行驶的危险系数;
告警模块,用于在所述危险系数满足预设告警条件的情况下,进行疲劳驾驶告警。
可选的,所述装置还包括:
第二获取模块,用于获取图像传感器针对驾驶员采集的图像数据;基于所述图像数据判断所述驾驶员是否处于疲劳状态;和/或,获取人体传感器针对驾驶员采集的人体传感数据;基于所述人体传感数据判断所述驾驶员是否处于疲劳状态。
可选的,所述行驶状态信息包括车辆的当前行驶状态信息;所述第一确定模块,具体用于:基于所述当前行驶状态信息,确定车辆行驶的第一类危险系数;
和/或,所述行驶状态信息包括车辆的历史行驶状态信息;所述第一确定模块,具体用于:基于所述历史行驶状态信息,确定车辆行驶的第二类危险系数。
可选的,所述当前行驶状态信息包括以下任意一种或多种:所述车辆的当前地理环境信息、所述车辆的属性信息、以及所述驾驶员的连续驾驶时长;
所述第一确定模块,具体用于:
若所述当前行驶状态信息包括所述车辆的当前地理环境信息,则基于所述车辆的当前地理环境信息,确定车辆行驶的第一危险系数;
若所述当前行驶状态信息包括所述车辆的属性信息,则基于所述车辆的属性信息,确定车辆行驶的第二危险系数;
若所述当前行驶状态信息包括所述驾驶员的驾驶时长,则基于所述驾驶时长,确定车辆行驶的第三危险系数。
可选的,所述当前地理环境信息包括以下任意一种或多种:道路类型、海拔、道路中心线的曲率半径;
所述车辆的属性信息包括以下任意一种或多种:车辆的行驶速度、重量、使用年限。
可选的,所述历史行驶状态信息包括以下任意一种或多种:在判定驾驶员处于疲劳状态之前的预设时间段内,统计得到的行车数据;与当前路段相关联的第一历史告警系数;以及与当前时段相关联的第二历史告警系数;
所述第一确定模块,具体用于:
若所述历史行驶状态信息包括所述行车数据,则基于所述行车数据,确定车辆行驶的第四危险系数;
若所述历史行驶状态信息包括所述第一历史告警系数,则基于所述第一历史告警系数,确定车辆行驶的第五危险系数;
若所述历史行驶状态信息包括所述第二历史告警系数,则基于所述第二历史告警系数,确定车辆行驶的第六危险系数。
可选的,所述行车数据包括以下任意一种或多种:在判定驾驶员处于疲劳状态之前的预设时间段内,统计得到的车辆急减速预警次数、急转弯预警次数、偏离车道预警次数、碰撞预警次数;
所述第一历史告警系数包括以下任意一种或多种:第一预设周期中,当前路段所属位置范围内发生的疲劳告警次数、事故发生次数、发生疲劳告警的路段与当前路段的距离、发生事故的路段与当前路段的距离;
所述第二历史告警系数包括以下任意一种或多种:第二预设周期中,当前时段对应的历史时段所属时间范围内发生的疲劳告警次数、事故发生次数、发生疲劳告警的时段与所述历史时段的时间间隔、发生事故的时段与所述历史时段的时间间隔。
可选的,所述装置还包括:
展示模块,用于展示针对所述驾驶员采集的图像数据,以使监控人员基于所述图像数据判断所述疲劳驾驶告警是否为误报;
第二确定模块,用于在接收到监控人员的误报指示的情况下,将所述图像数据确定为图像识别算法的负样本。
可选的,所述装置还包括:
统计模块,用于统计疲劳驾驶告警的误报次数;
校正模块,用于在所述误报次数满足预设校正条件的情况下,对所述告警条件进行校正。
为达到上述目的,本发明实施例还提供了一种电子设备,包括处理器和存储器;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任意一种疲劳驾驶告警方法。
应用本发明所示实施例,在判定驾驶员处于疲劳状态的情况下,并不立即进行疲劳驾驶告警,而是继续获取与车辆相关联的行驶状态信息;基于行驶状态信息,确定车辆行驶的危险系数;在危险系数满足预设告警条件的情况下,再进行疲劳驾驶告警;这样,第一方面,减少了告警次数,降低了频繁告警带来的不良影响,第二方面,在车辆的危险系数满足预设告警条件的情况下进行疲劳驾驶告警,提高了行车安全性。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的疲劳驾驶告警方法的第一种流程示意图;
图2为本发明实施例提供的疲劳驾驶告警方法的第二种流程示意图;
图3为本发明实施例提供的一种疲劳驾驶告警装置的结构示意图;
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了达到上述目的,本发明实施例提供了一种疲劳驾驶告警方法、装置及设备,该方法及装置可以应用于车载设备,也可以应用于与车载设备通信连接的后端设备,比如道路运输管理平台等等,具体不做限定。下面首先对该疲劳驾驶告警方法进行详细介绍。
图1为本发明实施例提供的疲劳驾驶告警方法的第一种流程示意图,包括:
S101:在基于传感数据判定驾驶员处于疲劳状态的情况下,获取与车辆相关联的行驶状态信息。其中,所述传感数据为预先配置的传感器针对驾驶员采集得到的。
一种实施方式中,可以获取图像传感器针对驾驶员采集的图像数据;基于所述图像数据判断所述驾驶员是否处于疲劳状态。
举例来说,可以预先在驾驶室内配置图像传感器,图像传感器针对驾驶员进行图像采集。图像传感器可以为人脸抓拍机、摄像头等等,具体类型不做限定。可以利用图像识别算法对图像传感器采集的图像数据进行识别,基于识别结果判断驾驶员是否处于疲劳状态。
比如,识别图像中的眼部区域,判断驾驶员是否闭眼,如果闭眼,则判定驾驶员处于疲劳状态。再比如,识别图像中的嘴部区域,判断驾驶员是否打呵欠,如果打呵欠,则判定驾驶员处于疲劳状态。再比如,识别图像中的手部区域,判断手部区域是否位于方向盘上,如果手部区域脱离方向盘,则判定驾驶员处于疲劳状态。等等,具体识别方式不做限定。
另一种实施方式中,可以获取人体传感器针对驾驶员采集的人体传感数据;基于所述人体传感数据判断所述驾驶员是否处于疲劳状态。
举例来说,可以在驾驶员的头皮、手腕或者其他身体部位佩戴一些人体传感器,以采集驾驶员的脑电波、肌电波等人体特征,根据该人体特征判断驾驶员是否处于处于疲劳状态。
本发明所示实施例中,在判定驾驶员处于疲劳状态的情况下,并不立即进行疲劳驾驶告警,而是获取与车辆相关联的行驶状态信息。
S102:基于行驶状态信息,确定车辆行驶的危险系数。
一种实施方式中,该行驶状态信息可以包括车辆的当前行驶状态信息。车辆的当前行驶状态信息可以理解为:当前状态下,与车辆行驶有关的信息,例如,车辆的当前地理环境信息、车辆的属性信息、驾驶员的连续驾驶时长,等等。
这种实施方式中,S102可以包括:基于所述当前行驶状态信息,确定车辆行驶的第一类危险系数。举例来说,若所述当前行驶状态信息包括所述车辆的当前地理环境信息,则基于所述车辆的当前地理环境信息,确定车辆行驶的第一危险系数。若所述当前行驶状态信息包括所述车辆的属性信息,则基于所述车辆的属性信息,确定车辆行驶的第二危险系数。若所述当前行驶状态信息包括所述驾驶员的驾驶时长,则基于所述驾驶时长,确定车辆行驶的第三危险系数。第一危险系数、第二危险系数和第三危险系数均属于第一类危险系数。
下面首先介绍车辆的当前地理环境信息:
举例来说,可以基于车辆的定位装置以及获取到的路网信息,确定车辆的当前地理环境信息。路网信息可以理解为:包含道路路网边界坐标、以及各种矢量图形的地图数据。该当前地理环境信息可以包括以下任意一种或多种:道路类型、海拔、道路中心线的曲率半径。
道路类型可以包括:桥梁、隧道、高速公路、国道等等,或者也可以包括:连续起伏、连续弯道等类型,具体类型不再一一列举。可以预先设定每种道路类型对应的第一危险系数,比如,桥梁、隧道对应的第一危险系数高于高速公路、国道的第一危险系数;再比如,连续起伏的道路类型对应的第一危险系数高于非连续起伏的道路类型对应的第一危险系数,连续弯道的道路类型对应的第一危险系数高于非连续弯道的道路类型对应的第一危险系数,具体设定的危险系数不做限定。
一种情况下,可以设定道路类型对应的第一危险系数包括:da1,da2,da3,如果当前地理环境信息中包括的道路类型为桥梁或隧道,则da1为1,否则为0,如果当前地理环境信息中包括的道路类型为连续起伏,则da2为1,否则为0,如果当前地理环境信息中包括的道路类型为连续弯道,则da3为1,否则为0。
如果当前地理环境信息中包括海拔,则海拔越高,第一危险系数越大。举例来说,可以对海拔进行归一化处理,将归一化处理结果作为第一危险系数。一种情况下,可以利用如下算式,计算海拔对应的第一危险系数:
其中,da4表示海拔对应的第一危险系数,H表示当前地理环境信息中包括的海拔,Hmax表示最高海拔,Hmax可以为8844,具体数值不做限定。如果H小于0,则da4可以为0。
如果当前地理环境信息中包括道路中心线的曲率半径,则道路中心线的曲率半径越小,第一危险系数越大。举例来说,可以对该曲率半径进行归一化处理,将归一化处理结果作为第一危险系数。一种情况下,可以利用如下算式,计算曲率半径对应的第一危险系数:
da5=aa5 R
其中,da5表示曲率半径对应的第一危险系数,R表示当前地理环境信息中包括的道路中心线的曲率半径,aa5表示曲率半径对应的调节系数,aa5可以取0-1,具体数值不做限定。
下面介绍车辆的属性信息:
车辆的属性信息包括以下任意一种或多种:车辆的行驶速度、重量、使用年限。
如果车辆的属性信息中包括车辆的行驶速度,则车辆的行驶速度越快,其对应的第二危险系数越大。举例来说,可以对该行驶速度进行归一化处理,将归一化处理结果作为第二危险系数。一种情况下,可以利用如下算式,计算行驶速度对应的第二危险系数:
dv1=1-av1 V
其中,dv1表示行驶速度对应的第二危险系数,v表示车辆的行驶速度,av1表示行驶速度对应的调节系数,av1可以取0-1,具体数值不做限定。
如果车辆的属性信息中包括车辆的重量,则车辆的重量越大,其对应的第二危险系数越大。举例来说,可以对该重量进行归一化处理,将归一化处理结果作为第二危险系数。一种情况下,可以利用如下算式,计算重量对应的第二危险系数:
dv2=1-av2 M
其中,dv2表示重量对应的第二危险系数,M表示车辆的重量,av2表示重量对应的调节系数,av2可以取0-1,具体数值不做限定。
如果车辆的属性信息中包括车辆的使用年限,则车辆的使用年限越长,其对应的第二危险系数越大。举例来说,可以对该使用年限进行归一化处理,将归一化处理结果作为第二危险系数。一种情况下,可以利用如下算式,计算使用年限对应的第二危险系数:
dv3=1-av3 N
其中,dv3表示使用年限对应的第二危险系数,N表示车辆的使用年限,av3表示使用年限对应的调节系数,av3可以取0-1,具体数值不做限定。
下面介绍驾驶员的连续驾驶时长:
举例来说,如果执行主体为车载设备,车载设备可以计算车辆连续行驶时间,此外,可以通过图像传感器采集的图像数据,判断车辆行驶过程中是否更换了驾驶员,如果未更换,则将车辆连续行驶时间确定为驾驶员的连续驾驶时长,如果更换过驾驶员,则将更换驾驶员之后的车辆连续行驶时间确定为驾驶员的连续驾驶时长。
如果执行主体为后端设备,车载设备可以周期性地向后端设备发送在线报文,后端设备根据接收到的在线报文,计算车辆连续行驶时间,此外,后端设备可以通过图像传感器采集的图像数据,判断车辆行驶过程中是否更换了驾驶员,如果未更换,则将车辆连续行驶时间确定为驾驶员的连续驾驶时长,如果更换过驾驶员,则将更换驾驶员之后的车辆连续行驶时间确定为驾驶员的连续驾驶时长。
驾驶员的连续驾驶时长越长,其对应的第三危险系数越高,一种情况下,可以利用如下算式,计算驾驶员的连续驾驶时长对应的第三危险系数:
其中,dtl表示驾驶员的连续驾驶时长对应的第三危险系数,T1表示驾驶员的连续驾驶时长,atl表示驾驶员的连续驾驶时长对应的调节系数,atl可以取0-1,具体数值不做限定。
一种实施方式中,该行驶状态信息可以包括车辆的历史行驶状态信息。车辆的历史行驶状态信息可以理解为:与当前状态相关联的历史状态下,与车辆行驶有关的信息,例如,在判定驾驶员处于疲劳状态之前的预设时间段内,统计得到的行车数据;与当前路段相关联的第一历史告警系数;以及与当前时段相关联的第二历史告警系数,等等。
这种实施方式中,S102可以包括:基于所述历史行驶状态信息,确定车辆行驶的第二类危险系数。举例来说,若所述历史行驶状态信息包括所述行车数据,则基于所述行车数据,确定车辆行驶的第四危险系数;若所述历史行驶状态信息包括所述第一历史告警系数,则基于所述第一历史告警系数,确定车辆行驶的第五危险系数;若所述历史行驶状态信息包括所述第二历史告警系数,则基于所述第二历史告警系数,确定车辆行驶的第六危险系数。第四危险系数、第五危险系数和第六危险系数均属于第二类危险系数。
下面介绍上述行车数据:
行车数据包括以下任意一种或多种:在判定驾驶员处于疲劳状态之前的预设时间段内,统计得到的车辆急减速预警次数、急转弯预警次数、偏离车道预警次数、碰撞预警次数。
举例来说,该预设时间段可以为判定驾驶员处于疲劳状态之前的一个小时、或者两个小时、或者100分钟,等等,具体时间段不做限定。可以通过车辆中配置的ADAS(Advanced Driving Assistance System,高级驾驶辅助系统),进行静态物体及动态物体的辨识、侦测与追踪,结合车辆中配置的导航仪采集的地图数据,可以识别车辆的急减速、急转弯(包括向左转弯和向右转弯等情况)、偏离车道(包括向左偏离和向右偏离等情况)等情况,还可以在可能发生碰撞时进行碰撞告警。这些情况出现的次数越多,其对应的第四危险系数越高。
假设统计得到车辆急减速预警次数为Nd1,急转弯预警次数为Nd2、偏离车道预警次数Nd3、碰撞预警次数为Nd4,可以对这些数据进行归一化处理,将归一化处理结果作为第四危险系数。一种情况下,可以利用如下算式,分别对上述行车数据进行归一化处理:
其中,dd1表示车辆急减速预警次数对应的第四危险系数,ad1表示车辆急减速预警次数对应的调节系数,dd2表示车辆急转弯预警次数对应的第四危险系数,ad2表示车辆急转弯预警次数对应的调节系数,dd3表示车辆偏离车道预警次数对应的第四危险系数,ad3表示车辆偏离车道预警次数对应的调节系数,dd4表示车辆碰撞预警次数对应的第四危险系数,ad4表示车辆碰撞预警次数对应的调节系数,ad1、ad2、ad3和ad4可以取0-1,具体数值不做限定。
下面介绍第一历史告警系数:
举例来说,可以对一些交通网络中的公开数据进行汇总分析,得到该第一历史告警系数。第一历史告警系数可以包括以下任意一种或多种:第一预设周期中,当前路段所属位置范围内发生的疲劳告警次数、事故发生次数、发生疲劳告警的路段与当前路段的距离、发生事故的路段与当前路段的距离。
举例来说,第一预设周期可以为一年,具体不做限定。对于一些线路较固定的车辆来说,比如,校车、油罐车、省际班车等运营车辆,可以统计该线路在一年中每天发生的疲劳告警数据、事故发生数据。假设车辆的当前路段为X,第一历史告警系数可以包括以下任意一种或多种:X所属位置范围内的线路在一年中发生的疲劳告警次数、事故发生次数、发生疲劳告警的路段与X的距离、发生事故的路段与X的距离。X所属位置范围可以为:与X的距离小于预设阈值的范围,具体不做限定。对于一个路段所属位置范围来说,在该范围中的疲劳告警次数、事故发生次数越多,第五危险系数越大,发生疲劳告警的路段与该路段的距离、发生事故的路段与该路段的距离越近,第五危险系数越大。
第一历史告警系数可以理解为线路维度下的历史告警系数。假设第一历史告警系数包括:疲劳告警次数Nr1,发生疲劳告警的路段与当前路段的距离Lr1,事故发生次数Nr2,发生事故的路段与当前路段的距离Lr2,可以对这些数据进行归一化处理,将归一化处理结果作为第四危险系数。一种情况下,可以利用如下算式,分别对这些数据进行归一化处理:
其中,dr1表示线路维度下疲劳告警对应的第五危险系数,ar1表示线路维度下疲劳告警对应的调整系数,ar1可以取0-1,具体数值不做限定。dr2表示线路维度下发生事故对应的第五危险系数,ar2表示线路维度下发生事故对应的调整系数,ar2可以取0-1,具体数值不做限定。
下面介绍第二历史告警系数:
举例来说,可以对一些交通网络中的公开数据进行汇总分析,得到该第二历史告警系数。第二历史告警系数可以包括以下任意一种或多种:第二预设周期中,当前时段对应的历史时段所属时间范围内发生的疲劳告警次数、事故发生次数、发生疲劳告警的时段与历史时段的时间间隔、发生事故的时段与历史时段的时间间隔。
举例来说,第二预设周期可以为一年,具体不做限定。对于一些线路较固定的车辆来说,比如,校车、油罐车、省际班车等运营车辆,可以统计该线路在一年中每天发生的疲劳告警数据、事故发生数据。当前时段对应的历史时段可以理解为一天中的同一时段,例如,假设当前时段为早上8点至9点,则历史时段可以为一年中每天早上8点至9点。或者,当前时段对应的历史时段可以理解为每个月中的同一时段,例如,假设当前时段为某月第一天早上8点至9点,则历史时段可以为一年中每月第一天早上8点至9点。历史时段具体不做限定。
假设当前时段对应的历史时段为Y,第二历史告警系数可以包括以下任意一种或多种:一年中Y所属时间范围内发生的疲劳告警次数、事故发生次数、发生疲劳告警的时段与Y的时间间隔、发生事故的时段与Y的时间间隔。对于一个时段所属时间范围来说,在该范围中疲劳告警次数、事故发生次数越多,第五危险系数越大,发生疲劳告警的时段与该时段的时间间隔、发生事故的时段与该时段的时间间隔越小,第五危险系数越大。
第二历史告警系数可以理解为时间维度下的历史告警系数。假设第二历史告警系数包括:疲劳告警次数Nt1,发生疲劳告警的时段与历史时段的时间间隔Lt1,事故发生次数Nt2,发生事故的时段与历史时段的时间间隔Lt2,可以对这些数据进行归一化处理,将归一化处理结果作为第五危险系数。一种情况下,可以利用如下算式,分别对这些数据进行归一化处理:
其中,dt1表示时间维度下疲劳告警对应的第六危险系数,at1表示时间维度下疲劳告警对应的调整系数,at1可以取0-1,具体数值不做限定。dt2表示时间维度下发生事故对应的第六危险系数,at2表示时间维度下发生事故对应的调整系数,at2可以取0-1,具体数值不做限定。
S103:在危险系数满足预设告警条件的情况下,进行疲劳驾驶告警。
上述内容中介绍了6种危险系数,可以基于这6种危险系数中的任意一种或多种危险系数进行疲劳驾驶告警。一种实施方式中,可以基于这6种危险系数进行疲劳驾驶告警,比如,对这6种危险系数进行加权求和,判断加权求和的结果是否大于预设阈值,如果大于,则进行疲劳驾驶告警。再比如,对这6种危险系数进行加权求平均值,判断加权求平均值的结果是否大于预设阈值,如果大于,则进行疲劳驾驶告警。
一种实施方式中,可以基于上述6种危险系数以及疲劳判定结果,计算告警参数值,判断该告警参数值是否大于预设阈值,如果大于,则进行疲劳驾驶告警。
举例来说,可以采用如下算式,计算告警参数值:
其中,d表示告警参数值,dai表示上述第一危险系数,dai包括:da1-da5,da1表示道路类型是否为桥梁或隧道(1为是,0为否),da2表示道路类型是否为连续起伏(1为是,0为否),da3表示道路类型是否为连续弯道(1为是,0为否),da4表示海拔对应的第一危险系数,da5表示曲率半径对应的第一危险系数,wai表示各第一危险系数对应的权重。
dvi表示上述第二危险系数,dvi包括:dv1-da3,dv1表示行驶速度对应的第二危险系数,dv2表示重量对应的第二危险系数,dv3表示使用年限对应的第二危险系数,wvi表示各第二危险系数对应的权重。
ddi表示上述第四危险系数,ddi包括:dd1-dd4,dd1表示车辆急减速预警次数对应的第四危险系数,dd2表示车辆急转弯预警次数对应的第四危险系数,dd3表示车辆偏离车道预警次数对应的第四危险系数,dd4示车辆碰撞预警次数对应的第四危险系数,wdi表示各第二危险系数对应的权重。
dri表示上述第五危险系数,dri包括:dr1-dr2,dr1表示线路维度下疲劳告警对应的第五危险系数,dr2表示线路维度下发生事故对应的第五危险系数,wri表示各第五危险系数对应的权重。
dti表示上述第六危险系数,dti包括:dt1-dt2,dt1表示时间维度下疲劳告警对应的第六危险系数,dt2表示时间维度下发生事故对应的第五危险系数,wti表示各第六危险系数对应的权重。
dtl表示上述第三危险系数,wtl表示第三危险系数对应的权重。dp表示疲劳判定结果,判定结果为疲劳状态时dp为1,wp表示疲劳判定结果对应的权重。分母表示共有18种危险系数。
可以根据实际情况,为各种危险系数设定不同的权重。这样,能够考虑到各种车辆的运营环境中不同要素的重要性,提高危险识别的准确率,进一步提高行车安全。
或者,另一种情况下,疲劳判定结果也可以不参与计算告警参数值,这种情况下,可以采用如下算式,计算告警参数值:
上述两种计算告警参数值的算式仅为举例说明,算式中的参数及参数的设定值可以根据实际情况进行设定,并不对告警参数值的计算方式构成限定。
疲劳驾驶告警的方式有多种,比如语音提醒驾驶员及时休息,或者以闪烁灯光的方式提醒驾驶员,等等,具体告警方式不做限定。
如上所述,本发明实施例可以应用于后端设备,这种情况下,可以向使用后端设备的监控人员进行告警。
一种实施方式中,S103之后,可以展示针对所述驾驶员采集的图像数据,以使监控人员基于所述图像数据判断所述疲劳驾驶告警是否为误报;如果接收到监控人员的误报指示,将所述图像数据确定为图像识别算法的负样本。
本实施方式中,在向监控人员进行疲劳驾驶告警之后,可以向监控人员展示针对驾驶员采集的图像数据,该图像数据可以为实时采集的图像数据,也可以为告警之前一段时间内采集的图像数据,具体不做限定。
监控人员通过观看该图像数据,判断驾驶员是不是处于疲劳状态,如果驾驶员并不是处于疲劳状态,则表示该告警为误报。这种情况下,可以将该图像数据确定为图像识别算法的负样本。举例来说,可以将疲劳驾驶告警前后15s的图像数据作为负样本,图像数据的时长及采集时段不做限定。
可见,负样本为容易识别错误的图像数据,基于该负样本对图像识别算法进行调整,可以提高算法精度,降低误报率。此外,定期收集负样本,并基于负样本对算法进行调整,解决了算法版本升级缓慢,以及样本收集困难的问题。
如果监控人员将本次告警确定为误报,则上述内容中统计疲劳告警数据时,可以不将本次告警统计在内。
一种实施方式中,可以统计疲劳驾驶告警的误报次数;在所述误报次数满足预设校正条件的情况下,对所述告警条件进行校正。
举例来说,可以每隔一段时间,统计该段时间内疲劳驾驶告警的误报次数。如果误报率较高,则表示告警条件设定的偏低,可以适当调高告警条件。上述一种实施方式中,设定告警参数值对应的预设阈值,如果告警参数值大于该阈值,进行疲劳驾驶告警;这种实施方式中,如果误报率较高,可以适当调高该阈值。类似的,如果告警次数较少,表示告警条件设定的偏高,可以适当调低告警条件。
预设校正条件可以包括:误报次数大于第一阈值,以及误报次数小于第二阈值;相应的,如果误报次数大于第一阈值,则调高告警条件,如果报次数小于第二阈值,则调低告警条件。
如果监控人员观看图像数据,判定驾驶员确实处于疲劳状态,这种情况下,监控人员可以通过车载设备进行远程对讲,提醒驾驶员注意休息。如果驾驶员无回复,或者通过图像数据发现驾驶员已进入睡眠状态,监控人员可以远程控制车辆双闪灯光和减速,保证人身财产安全。
应用本发明所示实施例,在判定驾驶员处于疲劳状态的情况下,并不立即进行疲劳驾驶告警,而是继续获取与车辆相关联的行驶状态信息;基于行驶状态信息,确定车辆行驶的危险系数;在危险系数满足预设告警条件的情况下,再进行疲劳驾驶告警;这样,第一方面,减少了告警次数,降低了频繁告警带来的不良影响,第二方面,在车辆的危险系数满足预设告警条件的情况下进行疲劳驾驶告警,提高了行车安全性。
图2为本发明实施例提供的疲劳驾驶告警方法的第二种流程示意图,包括:
S201:获取图像传感器针对驾驶员采集的图像数据。
举例来说,可以预先在驾驶室内配置图像传感器,图像传感器针对驾驶员进行图像采集。图像传感器可以为人脸抓拍机、摄像头等等,具体类型不做限定。
S202:基于该图像数据判断驾驶员是否处于疲劳状态,如果是,执行S203。
可以利用图像识别算法对图像传感器采集的图像数据进行识别,基于识别结果判断驾驶员是否处于疲劳状态。
比如,识别图像中的眼部区域,判断驾驶员是否闭眼,如果闭眼,则判定驾驶员处于疲劳状态。再比如,识别图像中的嘴部区域,判断驾驶员是否打呵欠,如果打呵欠,则判定驾驶员处于疲劳状态。再比如,识别图像中的手部区域,判断手部区域是否位于方向盘上,如果手部区域脱离方向盘,则判定驾驶员处于疲劳状态。等等,具体识别方式不做限定。
S203:获取车辆的当前地理环境信息、车辆的属性信息、驾驶员的连续驾驶时长、在判定驾驶员处于疲劳状态之前的预设时间段内统计得到的行车数据、与当前路段相关联的第一历史告警系数、以及与当前时段相关联的第二历史告警系数。
举例来说,图2所示实施例中的车辆可以为校车、油罐车、省际班车等运营车辆,这些车辆通常有固定的行驶线路和行驶时间,符合交通运输部JT/T1094-2016的标准,车辆上通常安装有主动安全防御和车载视频设备,有统一的道路运输管理平台和监控人员进行监督管理。图2所示实施例的执行主体可以为道路运输管理平台。
关于当前地理环境信息:可以通过车载定位装置,例如北斗定位装置或者GPS(Global Positioning System,全球定位系统),以及获取到的路网信息,确定车辆的当前地理环境信息。该当前地理环境信息可以包括以下任意一种或多种:道路类型、海拔、道路中心线的曲率半径。道路类型可以包括:桥梁、隧道、连续起伏、连续弯道等类型,具体类型不再一一列举。
关于车辆的属性信息:车辆的属性信息包括以下任意一种或多种:车辆的行驶速度、重量、使用年限。
关于驾驶员的连续驾驶时长:车载设备可以周期性地向道路运输管理平台发送在线报文,道路运输管理平台根据接收到的在线报文,计算车辆连续行驶时间,此外,道路运输管理平台可以通过图像传感器采集的图像数据,判断车辆行驶过程中是否更换了驾驶员,如果未更换,则将车辆连续行驶时间确定为驾驶员的连续驾驶时长,如果更换过驾驶员,则将更换驾驶员之后的车辆连续行驶时间确定为驾驶员的连续驾驶时长。
关于行车数据:行车数据包括以下任意一种或多种:在判定驾驶员处于疲劳状态之前的预设时间段内,统计得到的车辆急减速预警次数、急转弯预警次数、偏离车道预警次数、碰撞预警次数。
举例来说,该预设时间段可以为判定驾驶员处于疲劳状态之前的一个小时、或者两个小时、或者100分钟,等等,具体时间段不做限定。可以通过车辆中配置的ADAS,进行静态物体及动态物体的辨识、侦测与追踪,结合车辆中配置的导航仪采集的地图数据,可以识别车辆的急减速、急转弯(包括向左转弯和向右转弯等情况)、偏离车道(包括向左偏离和向右偏离等情况)等情况,还可以在可能发生碰撞时进行碰撞告警。
关于第一历史告警系数:举例来说,可以对一些交通网络中的公开数据进行汇总分析,得到该第一历史告警系数。第一历史告警系数可以包括以下任意一种或多种:第一预设周期中,当前路段所属位置范围内发生的疲劳告警次数、事故发生次数、发生疲劳告警的路段与当前路段的距离、发生事故的路段与当前路段的距离。
举例来说,第一预设周期可以为一年,具体不做限定。可以统计车辆的行驶线路在一年中每天发生的疲劳告警数据、事故发生数据。假设车辆的当前路段为X,第一历史告警系数可以包括以下任意一种或多种:X所属位置范围内的线路在一年中发生的疲劳告警次数、事故发生次数、发生疲劳告警的路段与X的距离、发生事故的路段与X的距离。X所属位置范围可以为:与X的距离小于预设阈值的范围,具体不做限定。
第一历史告警系数可以理解为线路维度下的历史告警系数。
关于第二历史告警系数:举例来说,可以对一些交通网络中的公开数据进行汇总分析,得到该第二历史告警系数。第二历史告警系数可以包括以下任意一种或多种:第二预设周期中,当前时段对应的历史时段所属时间范围内发生的疲劳告警次数、事故发生次数、发生疲劳告警的时段与历史时段的时间间隔、发生事故的时段与历史时段的时间间隔。
举例来说,第二预设周期可以为一年,具体不做限定。可以统计车辆的行驶线路在一年中每天发生的疲劳告警数据、事故发生数据。当前时段对应的历史时段可以理解为一天中的同一时段,例如,假设当前时段为早上8点至9点,则历史时段可以为一年中每天早上8点至9点。或者,当前时段对应的历史时段可以理解为每个月中的同一时段,例如,假设当前时段为某月第一天早上8点至9点,则历史时段可以为一年中每月第一天早上8点至9点。历史时段具体不做限定。
假设当前时段对应的历史时段为Y,第二历史告警系数可以包括以下任意一种或多种:一年中Y所属时间范围内发生的疲劳告警次数、事故发生次数、发生疲劳告警的时段与Y的时间间隔、发生事故的时段与Y的时间间隔。
第二历史告警系数可以理解为时间维度下的历史告警系数。
S204:基于车辆的当前地理环境信息,确定车辆行驶的第一危险系数;基于车辆的属性信息,确定车辆行驶的第二危险系数;基于驾驶员的连续驾驶时长,确定车辆行驶的第三危险系数;基于该行车数据,确定车辆行驶的第四危险系数;基于第一历史告警系数,确定车辆行驶的第五危险系数;基于第二历史告警系数,确定车辆行驶的第六危险系数。
关于第一危险系数:
可以设定道路类型对应的第一危险系数包括:da1,da2,da3,如果当前地理环境信息中包括的道路类型为桥梁或隧道,则da1为1,否则为0,如果当前地理环境信息中包括的道路类型为连续起伏,则da2为1,否则为0,如果当前地理环境信息中包括的道路类型为连续弯道,则da3为1,否则为0。
可以对海拔进行归一化处理,将归一化处理结果作为第一危险系数。一种情况下,可以利用如下算式,计算海拔对应的第一危险系数:
其中,da4表示海拔对应的第一危险系数,H表示当前地理环境信息中包括的海拔,Hmax表示最高海拔,Hmax可以为8844,具体数值不做限定。如果H小于0,则da4可以为0。
可以对曲率半径进行归一化处理,将归一化处理结果作为第一危险系数。一种情况下,可以利用如下算式,计算曲率半径对应的第一危险系数:
da5=aa5 R
其中,da5表示曲率半径对应的第一危险系数,R表示当前地理环境信息中包括的道路中心线的曲率半径,aa5表示曲率半径对应的调节系数,aa5可以取0-1,具体数值不做限定。
关于第二危险系数:
可以对车辆的行驶速度进行归一化处理,将归一化处理结果作为第二危险系数。一种情况下,可以利用如下算式,计算行驶速度对应的第二危险系数:
dv1=1-av1 V
其中,dv1表示行驶速度对应的第二危险系数,v表示车辆的行驶速度,av1表示行驶速度对应的调节系数,av1可以取0-1,具体数值不做限定。
可以对车辆的重量进行归一化处理,将归一化处理结果作为第二危险系数。一种情况下,可以利用如下算式,计算车辆的重量对应的第二危险系数:
dv2=1-av2 M
其中,dv2表示车辆的重量对应的第二危险系数,M表示车辆的重量,av2表示重量对应的调节系数,av2可以取0-1,具体数值不做限定。
可以对车辆的使用年限进行归一化处理,将归一化处理结果作为第二危险系数。一种情况下,可以利用如下算式,计算车辆的使用年限对应的第二危险系数:
dv3=1-av3 N
其中,dv3表示车辆的使用年限对应的第二危险系数,N表示车辆的使用年限,av3表示使用年限对应的调节系数,av3可以取0-1,具体数值不做限定。
关于第三危险系数:
驾驶员的连续驾驶时长越长,其对应的第三危险系数越高,一种情况下,可以利用如下算式,计算驾驶员的连续驾驶时长对应的第三危险系数:
其中,dtl表示驾驶员的连续驾驶时长对应的第三危险系数,T1表示驾驶员的连续驾驶时长,atl表示驾驶员的连续驾驶时长对应的调节系数,atl可以取0-1,具体数值不做限定。
关于第四危险系数:
假设统计得到车辆急减速预警次数为Nd1,急转弯预警次数为Nd2、偏离车道预警次数Nd3、碰撞预警次数为Nd4,可以对这些数据进行归一化处理,将归一化处理结果作为第四危险系数。一种情况下,可以利用如下算式,分别对上述行车数据进行归一化处理:
其中,dd1表示车辆急减速预警次数对应的第四危险系数,ad1表示车辆急减速预警次数对应的调节系数,dd2表示车辆急转弯预警次数对应的第四危险系数,ad2表示车辆急转弯预警次数对应的调节系数,dd3表示车辆偏离车道预警次数对应的第四危险系数,ad3表示车辆偏离车道预警次数对应的调节系数,dd4表示车辆碰撞预警次数对应的第四危险系数,ad4表示车辆碰撞预警次数对应的调节系数,ad1、ad2、ad3和ad4可以取0-1,具体数值不做限定。
关于第五危险系数:
假设第一历史告警系数包括:疲劳告警次数Nr1,发生疲劳告警的路段与当前路段的距离Lr1,事故发生次数Nr2,发生事故的路段与当前路段的距离Lr2,可以对这些数据进行归一化处理,将归一化处理结果作为第四危险系数。一种情况下,可以利用如下算式,分别对这些数据进行归一化处理:
其中,dr1表示线路维度下疲劳告警对应的第五危险系数,ar1表示线路维度下疲劳告警对应的调整系数,ar1可以取0-1,具体数值不做限定。dr2表示线路维度下发生事故对应的第五危险系数,ar2表示线路维度下发生事故对应的调整系数,ar2可以取0-1,具体数值不做限定。
关于第六危险系数:
假设第二历史告警系数包括:疲劳告警次数Nt1,发生疲劳告警的时段与历史时段的时间间隔Lt1,事故发生次数Nt2,发生事故的时段与历史时段的时间间隔Lt2,可以对这些数据进行归一化处理,将归一化处理结果作为第五危险系数。一种情况下,可以利用如下算式,分别对这些数据进行归一化处理:
其中,dt1表示时间维度下疲劳告警对应的第六危险系数,at1表示时间维度下疲劳告警对应的调整系数,at1可以取0-1,具体数值不做限定。dt2表示时间维度下发生事故对应的第六危险系数,at2表示时间维度下发生事故对应的调整系数,at2可以取0-1,具体数值不做限定。
S205:基于第一危险系数、第二危险系数、第三危险系数、第四危险系数、第五危险系数和第六危险系数,计算告警参数值。
比如,可以对这6种危险系数进行加权求和,将加权求和的结果作为告警参数值。再比如,对这6种危险系数进行加权求平均值,将加权求平均值的结果作为告警参数值。
一种实施方式中,可以基于上述6种危险系数以及疲劳判定结果,计算告警参数值。举例来说,可以采用如下算式,计算告警参数值:
其中,d表示告警参数值,dai表示上述第一危险系数,dai包括:da1-da5,da1表示道路类型是否为桥梁或隧道(1为是,0为否),da2表示道路类型是否为连续起伏(1为是,0为否),da3表示道路类型是否为连续弯道(1为是,0为否),da4表示海拔对应的第一危险系数,da5表示曲率半径对应的第一危险系数,wai表示各第一危险系数对应的权重。
dvi表示上述第二危险系数,dvi包括:dv1-da3,dv1表示行驶速度对应的第二危险系数,dv2表示重量对应的第二危险系数,dv3表示使用年限对应的第二危险系数,wvi表示各第二危险系数对应的权重。
ddi表示上述第四危险系数,ddi包括:dd1-dd4,dd1表示车辆急减速预警次数对应的第四危险系数,dd2表示车辆急转弯预警次数对应的第四危险系数,dd3表示车辆偏离车道预警次数对应的第四危险系数,dd4示车辆碰撞预警次数对应的第四危险系数,wdi表示各第二危险系数对应的权重。
dri表示上述第五危险系数,dri包括:dr1-dr2,dr1表示线路维度下疲劳告警对应的第五危险系数,dr2表示线路维度下发生事故对应的第五危险系数,wri表示各第五危险系数对应的权重。
dti表示上述第六危险系数,dti包括:dt1-dt2,dt1表示时间维度下疲劳告警对应的第六危险系数,dt2表示时间维度下发生事故对应的第五危险系数,wti表示各第六危险系数对应的权重。
dtl表示上述第三危险系数,wtl表示第三危险系数对应的权重。dp表示疲劳判定结果,判定结果为疲劳状态时dp为1,wp表示疲劳判定结果对应的权重。分母表示共有18种危险系数。
可以根据实际情况,为各种危险系数设定不同的权重。这样,能够考虑到各种车辆的运营环境中不同要素的重要性,提高危险识别的准确率,进一步提高行车安全。
或者,另一种情况下,疲劳判定结果也可以不参与计算告警参数值,这种情况下,可以采用如下算式,计算告警参数值:
上述两种计算告警参数值的算式仅为举例说明,算式中的参数及参数的设定值可以根据实际情况进行设定,并不对告警参数值的计算方式构成限定。
S206:判断告警参数值是否大于预设告警阈值,如果大于,执行S207。
S207:进行疲劳驾驶告警。
图2所示实施例中,可以向使用道路运输管理平台的监控人员进行疲劳驾驶告警,具体告警方式不做限定,比如语音提示、闪烁灯光等等,不再一一列举。
S208:展示针对驾驶员采集的图像数据,以使监控人员基于该图像数据判断所述疲劳驾驶告警是否为误报。
S209:如果接收到监控人员的误报指示,将该图像数据确定为图像识别算法的负样本。
图2实施例中,道路运输管理平台在向监控人员进行疲劳驾驶告警之后,可以向监控人员展示针对驾驶员采集的图像数据,该图像数据可以为实时采集的图像数据,也可以为告警之前一段时间内采集的图像数据,具体不做限定。
监控人员通过观看该图像数据,判断驾驶员是不是处于疲劳状态,如果驾驶员并不是处于疲劳状态,则表示该告警为误报。这种情况下,可以将该图像数据确定为图像识别算法的负样本。举例来说,可以将疲劳驾驶告警前后15s的图像数据作为负样本,图像数据的时长及采集时段不做限定。
可见,负样本为容易识别错误的图像数据,基于该负样本对图像识别算法进行调整,可以提高算法精度,降低误报率。此外,定期收集负样本,并基于负样本对算法进行调整,解决了算法版本升级缓慢,以及样本收集困难的问题。
如果监控人员将本次告警确定为误报,则上述内容中统计疲劳告警数据时,可以不将本次告警统计在内。
S210:统计疲劳驾驶告警的误报次数;在误报次数满足预设校正条件的情况下,对该告警阈值进行校正。
举例来说,可以每隔一段时间,统计该段时间内疲劳驾驶告警的误报次数。如果误报率较高,可以适当调高该告警阈值。如果告警次数较少,可以适当调低该告警阈值。
如果监控人员观看图像数据,判定驾驶员确实处于疲劳状态,这种情况下,监控人员可以通过车载设备进行远程对讲,提醒驾驶员注意休息。如果驾驶员无回复,或者通过图像数据发现驾驶员已进入睡眠状态,监控人员可以远程控制车辆双闪灯光和减速,保证人身财产安全。
应用本发明图2所示实施例,在判定驾驶员处于疲劳状态的情况下,并不立即进行疲劳驾驶告警,而是继续获取与车辆相关联的行驶状态信息;基于行驶状态信息,确定车辆行驶的危险系数;在危险系数满足预设告警条件的情况下,再进行疲劳驾驶告警;这样,第一方面,减少了告警次数,降低了频繁告警带来的不良影响,第二方面,在车辆的危险系数满足预设告警条件的情况下进行疲劳驾驶告警,提高了行车安全性。第三方面,将误报情况下的图像数据确定为图像识别算法的负样本,该负样本为容易识别错误的图像数据,基于该负样本对图像识别算法进行调整,可以提高算法精度,降低误报率。第四方面,定期收集负样本,并基于负样本对算法进行调整,解决了算法版本升级缓慢,以及样本收集困难的问题。第五方面,通过统计误报次数,对告警阈值进行动态调整,实现了告警的闭环调整。第六方面,可以根据实际情况,为各种危险系数设定不同的权重,这样,能够考虑到各种车辆的运营环境中不同要素的重要性,提高危险识别的准确率,进一步提高行车安全。
与上述方法实施例相对应,本发明实施例还提供一种疲劳驾驶告警装置,如图3所示,包括:
第一获取模块301,用于在基于传感数据判定驾驶员处于疲劳状态的情况下,获取与车辆相关联的行驶状态信息;其中,所述传感数据为预先配置的传感器针对驾驶员采集得到的;
第一确定模块302,用于基于所述行驶状态信息,确定车辆行驶的危险系数;
告警模块303,用于在所述危险系数满足预设告警条件的情况下,进行疲劳驾驶告警。
一种实施方式中,所述装置还包括:
第二获取模块(图中未示出),用于获取图像传感器针对驾驶员采集的图像数据;基于所述图像数据判断所述驾驶员是否处于疲劳状态;和/或,获取人体传感器针对驾驶员采集的人体传感数据;基于所述人体传感数据判断所述驾驶员是否处于疲劳状态。
一种实施方式中,所述行驶状态信息包括车辆的当前行驶状态信息;第一确定模块302具体用于:基于所述当前行驶状态信息,确定车辆行驶的第一类危险系数。
一种实施方式中,所述行驶状态信息包括车辆的历史行驶状态信息;第一确定模块302具体用于:基于所述历史行驶状态信息,确定车辆行驶的第二类危险系数。
一种实施方式中,所述当前行驶状态信息包括以下任意一种或多种:所述车辆的当前地理环境信息、所述车辆的属性信息、以及所述驾驶员的连续驾驶时长;
第一确定模块302具体用于:若所述当前行驶状态信息包括所述车辆的当前地理环境信息,则基于所述车辆的当前地理环境信息,确定车辆行驶的第一危险系数;
若所述当前行驶状态信息包括所述车辆的属性信息,则基于所述车辆的属性信息,确定车辆行驶的第二危险系数;
若所述当前行驶状态信息包括所述驾驶员的驾驶时长,则基于所述驾驶时长,确定车辆行驶的第三危险系数。
一种实施方式中,所述当前地理环境信息包括以下任意一种或多种:道路类型、海拔、道路中心线的曲率半径;
所述车辆的属性信息包括以下任意一种或多种:车辆的行驶速度、重量、使用年限。
一种实施方式中,所述历史行驶状态信息包括以下任意一种或多种:在判定驾驶员处于疲劳状态之前的预设时间段内,统计得到的行车数据;与当前路段相关联的第一历史告警系数;以及与当前时段相关联的第二历史告警系数;
第一确定模块302具体用于:若所述历史行驶状态信息包括所述行车数据,则基于所述行车数据,确定车辆行驶的第四危险系数;
若所述历史行驶状态信息包括所述第一历史告警系数,则基于所述第一历史告警系数,确定车辆行驶的第五危险系数;
若所述历史行驶状态信息包括所述第二历史告警系数,则基于所述第二历史告警系数,确定车辆行驶的第六危险系数。
一种实施方式中,所述行车数据包括以下任意一种或多种:在判定驾驶员处于疲劳状态之前的预设时间段内,统计得到的车辆急减速预警次数、急转弯预警次数、偏离车道预警次数、碰撞预警次数;
所述第一历史告警系数包括以下任意一种或多种:第一预设周期中,当前路段所属位置范围内发生的疲劳告警次数、事故发生次数、发生疲劳告警的路段与当前路段的距离、发生事故的路段与当前路段的距离;
所述第二历史告警系数包括以下任意一种或多种:第二预设周期中,当前时段对应的历史时段所属时间范围内发生的疲劳告警次数、事故发生次数、发生疲劳告警的时段与所述历史时段的时间间隔、发生事故的时段与所述历史时段的时间间隔。
一种实施方式中,所述装置还包括:展示模块和第二确定模块(图中未示出),其中,
展示模块,用于展示针对所述驾驶员采集的图像数据,以使监控人员基于所述图像数据判断所述疲劳驾驶告警是否为误报;
第二确定模块,用于在接收到监控人员的误报指示的情况下,将所述图像数据确定为图像识别算法的负样本。
一种实施方式中,所述装置还包括:统计模块和校正模块(图中未示出),其中,
统计模块,用于统计疲劳驾驶告警的误报次数;
校正模块,用于在所述误报次数满足预设校正条件的情况下,对所述告警条件进行校正。
应用本发明图3所示实施例,在判定驾驶员处于疲劳状态的情况下,并不立即进行疲劳驾驶告警,而是继续获取与车辆相关联的行驶状态信息;基于行驶状态信息,确定车辆行驶的危险系数;在危险系数满足预设告警条件的情况下,再进行疲劳驾驶告警;这样,第一方面,减少了告警次数,降低了频繁告警带来的不良影响,第二方面,在车辆的危险系数满足预设告警条件的情况下进行疲劳驾驶告警,提高了行车安全性。第三方面,将误报情况下的图像数据确定为图像识别算法的负样本,该负样本为容易识别错误的图像数据,基于该负样本对图像识别算法进行调整,可以提高算法精度,降低误报率。第四方面,定期收集负样本,并基于负样本对算法进行调整,解决了算法版本升级缓慢,以及样本收集困难的问题。第五方面,通过统计误报次数,对告警阈值进行动态调整,实现了告警的闭环调整。第六方面,可以根据实际情况,为各种危险系数设定不同的权重,这样,能够考虑到各种车辆的运营环境中不同要素的重要性,提高危险识别的准确率,进一步提高行车安全。
本发明实施例还提供了一种电子设备,如图4所示,包括处理器401和存储器402,
存储器402,用于存放计算机程序;
处理器401,用于执行存储器402上所存放的程序时,实现上述任意一种疲劳驾驶告警方法。
上述电子设备提到的存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一种疲劳驾驶告警方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任意一种疲劳驾驶告警方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例、设备实施例、计算机可读存储介质实施例、以及计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (11)
1.一种疲劳驾驶告警方法,其特征在于,包括:
在基于传感数据判定驾驶员处于疲劳状态的情况下,获取与车辆相关联的行驶状态信息;其中,所述传感数据为预先配置的传感器针对驾驶员采集得到的,所述行驶状态信息包括车辆的当前行驶状态信息和历史行驶状态信息,所述历史行驶状态信息包括:在判定驾驶员处于疲劳状态之前的预设时间段内,统计得到的行车数据;与当前路段相关联的第一历史告警系数;以及与当前时段相关联的第二历史告警系数;
基于所述行驶状态信息,确定车辆行驶的多种危险系数;
在所述多种危险系数满足预设告警条件的情况下,进行疲劳驾驶告警;
所述在所述多种危险系数满足预设告警条件的情况下,进行疲劳驾驶告警的步骤,包括:
基于所述多种危险系数和每个危险系数对应的权重,计算告警参数值,判断所述告警参数值是否大于预设阈值,如果大于,则进行疲劳驾驶告警;
所述第一历史告警系数包括第一预设周期中,当前路段所属位置范围内发生的疲劳告警次数、事故发生次数,以及以下任意一种或多种:第一预设周期中,发生疲劳告警的路段与当前路段的距离、发生事故的路段与当前路段的距离;
所述第二历史告警系数包括第二预设周期中,当前时段对应的历史时段所属时间范围内发生的疲劳告警次数、事故发生次数,以及以下任意一种或多种:第二预设周期中,发生疲劳告警的时段与所述历史时段的时间间隔、发生事故的时段与所述历史时段的时间间隔。
2.根据权利要求1所述的方法,其特征在于,所述获取与车辆相关联的行驶状态信息之前,还包括:
获取图像传感器针对驾驶员采集的图像数据;基于所述图像数据判断所述驾驶员是否处于疲劳状态;
和/或,获取人体传感器针对驾驶员采集的人体传感数据;基于所述人体传感数据判断所述驾驶员是否处于疲劳状态。
3.根据权利要求1所述的方法,其特征在于,所述行驶状态信息包括车辆的当前行驶状态信息;所述基于所述行驶状态信息,确定车辆行驶的危险系数,包括:基于所述当前行驶状态信息,确定车辆行驶的第一类危险系数;
和/或,所述行驶状态信息包括车辆的历史行驶状态信息;所述基于所述行驶状态信息,确定车辆行驶的危险系数,包括:基于所述历史行驶状态信息,确定车辆行驶的第二类危险系数。
4.根据权利要求3所述的方法,其特征在于,所述当前行驶状态信息包括以下任意一种或多种:所述车辆的当前地理环境信息、所述车辆的属性信息、以及所述驾驶员的连续驾驶时长;
所述基于所述当前行驶状态信息,确定车辆行驶的第一类危险系数,包括:
若所述当前行驶状态信息包括所述车辆的当前地理环境信息,则基于所述车辆的当前地理环境信息,确定车辆行驶的第一危险系数;
若所述当前行驶状态信息包括所述车辆的属性信息,则基于所述车辆的属性信息,确定车辆行驶的第二危险系数;
若所述当前行驶状态信息包括所述驾驶员的驾驶时长,则基于所述驾驶时长,确定车辆行驶的第三危险系数。
5.根据权利要求4所述的方法,其特征在于,所述当前地理环境信息包括以下任意一种或多种:道路类型、海拔、道路中心线的曲率半径;
所述车辆的属性信息包括以下任意一种或多种:车辆的行驶速度、重量、使用年限。
6.根据权利要求3所述的方法,其特征在于,所述基于所述历史行驶状态信息,确定车辆行驶的第二类危险系数,包括:
若所述历史行驶状态信息包括所述行车数据,则基于所述行车数据,确定车辆行驶的第四危险系数;
若所述历史行驶状态信息包括所述第一历史告警系数,则基于所述第一历史告警系数,确定车辆行驶的第五危险系数;
若所述历史行驶状态信息包括所述第二历史告警系数,则基于所述第二历史告警系数,确定车辆行驶的第六危险系数。
7.根据权利要求6所述的方法,其特征在于,所述行车数据包括以下任意一种或多种:在判定驾驶员处于疲劳状态之前的预设时间段内,统计得到的车辆急减速预警次数、急转弯预警次数、偏离车道预警次数、碰撞预警次数。
8.根据权利要求1所述的方法,其特征在于,所述进行疲劳驾驶告警之后,还包括:
展示针对所述驾驶员采集的图像数据,以使监控人员基于所述图像数据判断所述疲劳驾驶告警是否为误报;
如果接收到监控人员的误报指示,将所述图像数据确定为图像识别算法的负样本。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
统计疲劳驾驶告警的误报次数;
在所述误报次数满足预设校正条件的情况下,对所述告警条件进行校正。
10.一种疲劳驾驶告警装置,其特征在于,包括:
第一获取模块,用于在基于传感数据判定驾驶员处于疲劳状态的情况下,获取与车辆相关联的行驶状态信息;其中,所述传感数据为预先配置的传感器针对驾驶员采集得到的,所述行驶状态信息包括车辆的当前行驶状态信息和历史行驶状态信息,所述历史行驶状态信息包括:在判定驾驶员处于疲劳状态之前的预设时间段内,统计得到的行车数据;与当前路段相关联的第一历史告警系数;以及与当前时段相关联的第二历史告警系数;
第一确定模块,用于基于所述行驶状态信息,确定车辆行驶的多种危险系数;
告警模块,用于在所述多种危险系数满足预设告警条件的情况下,进行疲劳驾驶告警;
所述告警模块,具体用于基于所述多种危险系数和每个危险系数对应的权重,计算告警参数值,判断所述告警参数值是否大于预设阈值,如果大于,则进行疲劳驾驶告警;
所述第一历史告警系数包括第一预设周期中,当前路段所属位置范围内发生的疲劳告警次数、事故发生次数,以及以下任意一种或多种:第一预设周期中,发生疲劳告警的路段与当前路段的距离、发生事故的路段与当前路段的距离;
所述第二历史告警系数包括第二预设周期中,当前时段对应的历史时段所属时间范围内发生的疲劳告警次数、事故发生次数,以及以下任意一种或多种:第二预设周期中,发生疲劳告警的时段与所述历史时段的时间间隔、发生事故的时段与所述历史时段的时间间隔。
11.一种电子设备,其特征在于,包括处理器和存储器;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-9任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010979305.7A CN112102586B (zh) | 2020-09-17 | 2020-09-17 | 一种疲劳驾驶告警方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010979305.7A CN112102586B (zh) | 2020-09-17 | 2020-09-17 | 一种疲劳驾驶告警方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112102586A CN112102586A (zh) | 2020-12-18 |
CN112102586B true CN112102586B (zh) | 2022-09-02 |
Family
ID=73759825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010979305.7A Active CN112102586B (zh) | 2020-09-17 | 2020-09-17 | 一种疲劳驾驶告警方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102586B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669583B (zh) * | 2020-12-31 | 2022-11-04 | 上海商汤临港智能科技有限公司 | 报警阈值调整方法及装置、电子设备和存储介质 |
CN113048996B (zh) * | 2021-02-19 | 2023-11-28 | 北京华油信通科技有限公司 | 基于位置数据的危险化学品道路运输司机画像生成方法 |
CN113247008B (zh) * | 2021-06-30 | 2021-10-26 | 中移(上海)信息通信科技有限公司 | 一种驾驶行为监控方法、装置及电子设备 |
CN114140985B (zh) * | 2021-11-09 | 2022-11-18 | 北京中交兴路车联网科技有限公司 | 基于知识图谱的车辆疲劳预警方法、装置、设备及介质 |
CN114066297B (zh) * | 2021-11-24 | 2023-04-18 | 西南交通大学 | 一种高速铁路行车调度员工作状态识别方法 |
WO2023178508A1 (zh) * | 2022-03-22 | 2023-09-28 | 华为技术有限公司 | 一种智能提醒方法及装置 |
CN114664056B (zh) * | 2022-03-29 | 2024-04-16 | 新奥新智科技有限公司 | 区分燃气泄漏和沼气超标的方法和系统 |
CN114758503B (zh) * | 2022-05-06 | 2023-06-20 | 浙江水晶光电科技股份有限公司 | 一种驾驶数据处理方法、设备、服务器及存储介质 |
CN114987502A (zh) * | 2022-06-27 | 2022-09-02 | 中国第一汽车股份有限公司 | 一种驾驶状态监测方法、装置、计算机设备以及存储介质 |
CN115359627A (zh) * | 2022-08-11 | 2022-11-18 | 安徽虹湾信息技术有限公司 | 一种疲劳驾驶车辆稽查告警系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839411A (zh) * | 2014-03-20 | 2014-06-04 | 中国航天系统工程有限公司 | 一种基于动态交通信息的事故影响范围分析方法 |
CN106816020A (zh) * | 2015-12-02 | 2017-06-09 | 大陆汽车投资(上海)有限公司 | 基于数据分析的交通事故信息处理方法 |
CN108694813A (zh) * | 2018-07-11 | 2018-10-23 | 中国医学科学院生物医学工程研究所 | 基于驾驶行为判定疲劳驾驶的方法及装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794855B (zh) * | 2014-01-22 | 2018-06-22 | 径卫视觉科技(上海)有限公司 | 驾驶员注意力综合评估装置 |
DE102014216201A1 (de) * | 2014-08-14 | 2016-02-18 | Robert Bosch Gmbh | Fahrerassistenzsystem mit Müdigkeitserkennung und Verfahren zur Prädiktion eines Müdigkeitsgrads |
KR102278387B1 (ko) * | 2015-07-07 | 2021-07-16 | 주식회사 만도 | 거리 산출 장치, 거리 산출 방법, 운전 지원 장치 및 운전 지원 시스템 |
DE102015221651B4 (de) * | 2015-11-04 | 2018-03-01 | Ford Global Technologies, Llc | Verfahren und System zum Vermeiden von Konzentrationsfehlern beim Führen eines Kraftfahrzeugs |
CN106251667B (zh) * | 2016-08-18 | 2019-04-02 | 深圳市永兴元科技股份有限公司 | 车辆驾驶提示方法及装置 |
CN109801511B (zh) * | 2017-11-16 | 2021-01-05 | 华为技术有限公司 | 一种碰撞预警方法及装置 |
CN107945311A (zh) * | 2017-11-29 | 2018-04-20 | 深圳市轱辘车联数据技术有限公司 | 一种危险驾驶行为的预警方法、装置、存储介质及服务器 |
CN108230752B (zh) * | 2018-01-26 | 2019-10-25 | 山东省交通规划设计院 | 智能交通安全预警方法、云服务器、随车终端及系统 |
CN110459034B (zh) * | 2018-05-07 | 2022-08-19 | 厦门雅迅网络股份有限公司 | 一种疲劳驾驶预警方法和系统 |
CN109050520A (zh) * | 2018-08-16 | 2018-12-21 | 上海小蚁科技有限公司 | 车辆驾驶状态提醒方法及装置、计算机可读存储介质 |
CN111610787B (zh) * | 2020-05-29 | 2023-04-07 | 亚哲科技股份有限公司 | 自动驾驶汽车安全控制方法、计算机存储介质、电子设备 |
-
2020
- 2020-09-17 CN CN202010979305.7A patent/CN112102586B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839411A (zh) * | 2014-03-20 | 2014-06-04 | 中国航天系统工程有限公司 | 一种基于动态交通信息的事故影响范围分析方法 |
CN106816020A (zh) * | 2015-12-02 | 2017-06-09 | 大陆汽车投资(上海)有限公司 | 基于数据分析的交通事故信息处理方法 |
CN108694813A (zh) * | 2018-07-11 | 2018-10-23 | 中国医学科学院生物医学工程研究所 | 基于驾驶行为判定疲劳驾驶的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112102586A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112102586B (zh) | 一种疲劳驾驶告警方法、装置及设备 | |
US10977945B1 (en) | Vehicular driver warnings | |
CN109389824B (zh) | 一种驾驶风险的评估方法及装置 | |
US20220058701A1 (en) | System and Method for Estimation of Vehicle Accident Damage and Repair | |
US11027742B1 (en) | Traffic based driving analysis | |
US9676392B1 (en) | Traffic based driving analysis | |
CN110807930B (zh) | 危险车辆预警方法及装置 | |
EP3013643A2 (en) | Onboard vehicle accident detection and damage estimation system and method of use | |
US11170639B2 (en) | Transportation threat detection system | |
JP2009128486A (ja) | 安全運転診断システム及び自動車保険料設定システム | |
CN112289054A (zh) | 道路安全预警方法、obu、rsu、mec设备及系统 | |
US20220237956A1 (en) | Systems and methods for detecting full-stops to reduce vehicle accidents | |
WO2023080975A1 (en) | System and/or method for vehicle trip classification | |
Se et al. | Analysis of driver-injury severity: a comparison between speeding and non-speeding driving crash accounting for temporal and unobserved effects | |
KR20130092915A (ko) | 안전 운행 지수 산정 시스템에서 차량의 안전 운행 지수 산정 방법, 안전 운행 지수 산정 시스템을 이용한 자동차 보험료 산정 방법, 및 이를 적용한 안전 운행 지수 산정 시스템 | |
Allamehzadeh et al. | Cost-efficient driver state and road conditions monitoring system for conditional automation | |
CN114419888A (zh) | 一种货运车辆的安全预警方法、装置、设备及存储介质 | |
US11790458B1 (en) | Systems and methods for modeling telematics, positioning, and environmental data | |
JP7204527B2 (ja) | 事故確率分析装置および事故確率分析方法 | |
JP2018180906A (ja) | 混雑予測プログラム、混雑予測装置、及び混雑予測方法 | |
US11772675B2 (en) | On-board detection and logging of driver smartphone use | |
CN113038379B (zh) | 基于名单的预警处理方法、装置、电子设备与存储介质 | |
JP2008197819A (ja) | 識別装置及び識別方法 | |
Павлова et al. | AUTOMATED SYSTEM FOR DETERMINING SPEED OF CARS AHEAD | |
JP2021189597A (ja) | 事故予測装置および事故予測方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |