CN112633247A - 驾驶状态监测方法和装置 - Google Patents
驾驶状态监测方法和装置 Download PDFInfo
- Publication number
- CN112633247A CN112633247A CN202110004406.7A CN202110004406A CN112633247A CN 112633247 A CN112633247 A CN 112633247A CN 202110004406 A CN202110004406 A CN 202110004406A CN 112633247 A CN112633247 A CN 112633247A
- Authority
- CN
- China
- Prior art keywords
- state
- driver
- map
- area map
- driving
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 71
- 230000004044 response Effects 0.000 claims abstract description 38
- 238000004891 communication Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 72
- 230000000391 smoking effect Effects 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 210000003128 head Anatomy 0.000 description 34
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000013145 classification model Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 208000028752 abnormal posture Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/107—Static hand or arm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了驾驶状态监测方法和装置。该方法的一具体实施方式包括:响应于接收到通信连接的图像采集设备采集的驾驶员的驾驶图像,将驾驶图像输入预先训练的区域目标检测模型,得到与驾驶图像对应的目标区域图组,其中,目标区域图组包括以下任意一项或多项:脸部区域图、眼部区域图、嘴部区域图和手部区域图;基于目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定驾驶员的驾驶状态。该实施方式有助于实现有效确定驾驶员在驾驶过程中的驾驶状态,从而保障驾驶员的安全。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及驾驶状态监测方法和装置。
背景技术
随着交通运输业的发展,大批量的高速公路的修建以及机动车辆保有量迅速增加,交通事故率上升趋势明显。
相关技术中,需要对驾驶员在驾驶过程中的驾驶状态进行监测,以保障驾驶员的安全。
发明内容
本公开的实施例提出了驾驶状态监测方法和装置。
第一方面,本公开的实施例提供了一种驾驶状态监测方法,该方法包括:响应于接收到通信连接的图像采集设备采集的驾驶员的驾驶图像,将驾驶图像输入预先训练的区域目标检测模型,得到与驾驶图像对应的目标区域图组,其中,目标区域图组包括以下任意一项或多项:脸部区域图、眼部区域图、嘴部区域图和手部区域图;基于目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定驾驶员的驾驶状态。
在一些实施例中,基于目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定驾驶员的驾驶状态,包括:响应于目标区域图组中不存在脸部区域图,确定驾驶员的驾驶状态为用于指示脸部区域图不存在的状态。
在一些实施例中,基于目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定驾驶员的驾驶状态,包括:响应于目标区域图组中存在手部区域图,将手部区域图输入预先训练的第一状态确定模型,得到与手部区域图对应的手部状态,其中,手部状态包括用于指示驾驶员抽烟的状态,用于指示驾驶员打电话的状态,用于指示驾驶员正常的状态;响应于手部状态属于目标状态,将手部状态确定为驾驶状态,其中,目标状态包括以下任意一项或多项:用于指示驾驶员抽烟的状态,用于指示驾驶员打电话的状态。
在一些实施例中,基于目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定驾驶员的驾驶状态,包括:响应于满足预设触发条件且目标区域图组中包括脸部区域图、眼部区域图和嘴部区域图,将目标区域图组所包括的脸部区域图、眼部区域图和嘴部区域图输入预先训练的第二状态确定模型,得到与所输入的脸部区域图、眼部区域图和嘴部区域图对应的头部状态,以及将头部状态确定为驾驶状态;其中,头部状态包括:用于指示驾驶员抽烟的状态,用于指示驾驶员疲劳的状态,用于指示驾驶员分心的状态,用于指示驾驶员正常的状态,触发条件包括:目标区域图组中不存在手部区域图,目标区域图组中存在手部区域图且手部区域图对应的手部状态为用于指示驾驶员正常的状态。
在一些实施例中,将目标区域图组所包括的脸部区域图、眼部区域图和嘴部区域图输入预先训练的第二状态确定模型,得到与所输入的脸部区域图、眼部区域图和嘴部区域图对应的头部状态,包括:按照预设拼接规则,将目标区域图组所包括的脸部区域图、眼部区域图和嘴部区域图拼接成拼接图;将拼接图输入第二状态确定模型,得到与拼接图对应的头部状态。
在一些实施例中,方法还包括:响应于确定驾驶员的驾驶状态连续预设数目次为同一状态,且同一状态属于异常状态,向目标终端发送预设预警信息;其中,异常状态包括:用于指示驾驶员打电话的状态,用于指示驾驶员抽烟的状态,用于指示驾驶员疲劳的状态,用于指示驾驶员分心的状态,用于指示脸部区域图不存在的状态。
在一些实施例中,区域目标检测模型通过如下步骤训练得到:获取预先生成的训练样本集,其中,训练样本集中的训练样本包括样本驾驶图像和对应于样本驾驶图像的样本目标区域图组,样本目标区域图组包括:样本脸部区域图、样本眼部区域图、样本嘴部区域图和样本手部区域图;从训练样本集中选取训练样本,执行如下训练步骤:将所选取的训练样本中的样本驾驶图像输入初始区域目标检测模型,得到实际输出;根据与输入的样本驾驶图像相对应的样本目标区域图组和所得到的实际输出的差异,调整初始区域目标检测模型的参数,以得到调整后的初始区域目标检测模型;确定训练样本集中是否存在未被选取的训练样本;响应于确定不存在,将调整后的初始区域目标检测模型确定为区域目标检测模型;响应于确定存在,使用调整后的初始区域目标检测模型作为初始区域目标检测模型,从训练样本集中选取未选取过的训练样本,继续执行训练步骤。
第二方面,本公开的实施例提供了一种驾驶状态监测装置,该装置包括:区域检测单元,被配置成响应于接收到通信连接的图像采集设备采集的驾驶员的驾驶图像,将驾驶图像输入预先训练的区域目标检测模型,得到与驾驶图像对应的目标区域图组,其中,目标区域图组包括以下任意一项或多项:脸部区域图、眼部区域图、嘴部区域图和手部区域图;状态确定单元,被配置成基于目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定驾驶员的驾驶状态。
在一些实施例中,状态确定单元,被进一步配置成响应于目标区域图组中不存在脸部区域图,确定驾驶员的驾驶状态为用于指示脸部区域图不存在的状态。
在一些实施例中,状态确定单元,被进一步配置成响应于目标区域图组中存在手部区域图,将手部区域图输入预先训练的第一状态确定模型,得到与手部区域图对应的手部状态,其中,手部状态包括用于指示驾驶员抽烟的状态,用于指示驾驶员打电话的状态,用于指示驾驶员正常的状态;响应于手部状态属于目标状态,将手部状态确定为驾驶状态,其中,目标状态包括以下任意一项或多项:用于指示驾驶员抽烟的状态,用于指示驾驶员打电话的状态。
在一些实施例中,状态确定单元,被进一步配置成响应于满足预设触发条件且目标区域图组中包括脸部区域图、眼部区域图和嘴部区域图,将目标区域图组所包括的脸部区域图、眼部区域图和嘴部区域图输入预先训练的第二状态确定模型,得到与所输入的脸部区域图、眼部区域图和嘴部区域图对应的头部状态,以及将头部状态确定为驾驶状态;其中,头部状态包括:用于指示驾驶员抽烟的状态,用于指示驾驶员疲劳的状态,用于指示驾驶员分心的状态,用于指示驾驶员正常的状态,触发条件包括:目标区域图组中不存在手部区域图,目标区域图组中存在手部区域图且手部区域图对应的手部状态为用于指示驾驶员正常的状态。
在一些实施例中,将目标区域图组所包括的脸部区域图、眼部区域图和嘴部区域图输入预先训练的第二状态确定模型,得到与所输入的脸部区域图、眼部区域图和嘴部区域图对应的头部状态,包括:按照预设拼接规则,将目标区域图组所包括的脸部区域图、眼部区域图和嘴部区域图拼接成拼接图;将拼接图输入第二状态确定模型,得到与拼接图对应的头部状态。
在一些实施例中,装置还包括信息预警单元,被配置成响应于确定驾驶员的驾驶状态连续预设数目次为同一状态,且同一状态属于异常状态,向目标终端发送预设预警信息;其中,异常状态包括:用于指示驾驶员打电话的状态,用于指示驾驶员抽烟的状态,用于指示驾驶员疲劳的状态,用于指示驾驶员分心的状态,用于指示脸部区域图不存在的状态。
在一些实施例中,区域目标检测模型通过如下步骤训练得到:
获取预先生成的训练样本集,其中,训练样本集中的训练样本包括样本驾驶图像和对应于样本驾驶图像的样本目标区域图组,样本目标区域图组包括:样本脸部区域图、样本眼部区域图、样本嘴部区域图和样本手部区域图;从训练样本集中选取训练样本,执行如下训练步骤:将所选取的训练样本中的样本驾驶图像输入初始区域目标检测模型,得到实际输出;根据与输入的样本驾驶图像相对应的样本目标区域图组和所得到的实际输出的差异,调整初始区域目标检测模型的参数,以得到调整后的初始区域目标检测模型;确定训练样本集中是否存在未被选取的训练样本;响应于确定不存在,将调整后的初始区域目标检测模型确定为区域目标检测模型;响应于确定存在,使用调整后的初始区域目标检测模型作为初始区域目标检测模型,从训练样本集中选取未选取过的训练样本,继续执行训练步骤。
第三方面,本公开的实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;当该一个或多个程序被该一个或多个处理器执行,使得该一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,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中任一实现方式描述的方法。
本公开的实施例提供的驾驶状态监测方法和装置,可以响应于接收到通信连接的图像采集设备采集的驾驶员的驾驶图像,将驾驶图像输入预先训练的区域目标检测模型,得到与驾驶图像对应的目标区域图组。其中,目标区域图组包括以下任意一项或多项:脸部区域图、眼部区域图、嘴部区域图和手部区域图。然后,基于目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定驾驶员的驾驶状态。本公开的实施例提供的方法和装置,通过预先训练的区域目标检测模型,检测得到驾驶图像对应的目标区域图组,从而通过对目标区域图组进行分析,实现得到驾驶员的驾驶状态。有助于实现有效确定驾驶员在驾驶过程中的驾驶状态,从而保障驾驶员的安全。另外,从驾驶图像所呈现的驾驶员的脸部、眼部、嘴部和手部对驾驶员的驾驶状态进行综合分析,有助于实现对驾驶状态进行准确分析,从而提高对驾驶中的驾驶员的驾驶状态进行监测的准确率。
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,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的实施例提供的一个驾驶状态监测方法的流程图;
图2是本公开的实施例提供的一个确定驾驶状态的流程图;
图3是本公开的实施例提供的另一个确定驾驶状态的流程图;
图4是本公开的实施例提供的拼接图的效果示意图;
图5是本公开的实施例提供的另一个驾驶状态监测方法的流程图;
图6是本公开的实施例提供的又一个驾驶状态监测方法的流程图;
图7是本公开的实施例提供的一个驾驶状态监测装置的结构示意图;
图8是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本公开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,本公开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公开。
图1示出了根据本公开的驾驶状态监测方法的一个实施例的流程。该驾驶状态监测方法,包括以下步骤:
步骤101,响应于接收到通信连接的图像采集设备采集的驾驶员的驾驶图像,将驾驶图像输入预先训练的区域目标检测模型,得到与驾驶图像对应的目标区域图组。
其中,目标区域图组包括以下任意一项或多项:脸部区域图、眼部区域图、嘴部区域图和手部区域图。这里,目标区域图组中的目标区域图像通常为驾驶图像的一部分。
在本实施例中,驾驶状态监测方法的执行主体可以为电子设备,如,车载终端设备。
其中,驾驶图像通常是呈现有驾驶员的图像。图像采集装置通常安装于车辆中,用于采集驾驶中的驾驶员的图像。
这里,图像采集装置可以按照预设的图像采集周期,如5秒,采集驾驶员的驾驶图像。在采集到驾驶图像后,图像采集装置可以通过有线连接方式或者无线连接方式,将所采集的驾驶图像发送至上述执行主体。这样,上述执行主体可以接收到驾驶图像,以及将所接收的驾驶图像输入预先训练的区域目标检测模型中,从而得到与驾驶图像对应的目标区域图组。
其中,区域目标检测模型可以用于表征驾驶图像与目标区域图组之间的对应关系。具体地,区域目标检测模型可以是基于对大量驾驶员的大量驾驶图像进行统计而生成的、存储有多个驾驶图像与目标区域图组的对应关系的对应关系表。也可以是基于训练样本,利用机器学习方法,对初始模型(例如卷积神经网络(Convolutional Neural Network,CNN)、残差网络(ResNet)等)进行训练后得到的模型。
在本实施例的一些可选的实现方式中,上述区域目标检测模型可以通过如下步骤训练得到:
第一步,获取预先生成的训练样本集。其中,训练样本集中的训练样本包括样本驾驶图像和对应于样本驾驶图像的样本目标区域图组,样本目标区域图组包括:样本脸部区域图、样本眼部区域图、样本嘴部区域图和样本手部区域图。
需要指出的是,由于训练样本为样本驾驶图像和对应于样本驾驶图像的样本脸部区域图、样本眼部区域图、样本嘴部区域图和样本手部区域图。在生成训练样本的过程中,由于从样本驾驶图像中标注样本脸部区域图、样本眼部区域图、样本嘴部区域图和样本手部区域图比较简单,各区域图仅需标注4个顶点,所需标注的总点数较少,有助于加快对样本驾驶图像进行标注的效率,从而提高生成训练样本集的效率。从而有助于提高训练得到区域目标检测模型的效率。
第二步,从训练样本集中选取训练样本,执行如下训练步骤:将所选取的训练样本中的样本驾驶图像输入初始区域目标检测模型,得到实际输出。然后,根据与输入的样本驾驶图像相对应的样本目标区域图组和所得到的实际输出的差异,调整初始区域目标检测模型的参数,以得到调整后的初始区域目标检测模型。之后,确定训练样本集中是否存在未被选取的训练样本。最后,响应于确定不存在,将调整后的初始区域目标检测模型确定为区域目标检测模型。
这里,作为示例,执行主体可以按照如下方式调整初始区域目标检测模型的参数:按照每次减少设定量值来调整初始区域目标检测模型的参数。进一步举例来说,若模型的某参数,调整前参数值是m,调整后变为m-h。待到下一次再调整,则调整为m-h-h。以此类推。
可选地,上述根据与输入的样本驾驶图像相对应的样本目标区域图组和所得到的实际输出的差异,调整初始区域目标检测模型的参数,可以包括:将与输入的样本图像相对应的样本目标区域图组和所得到的实际输出,输入预先确定的损失函数,得到损失值。响应于确定所得到的损失值大于预设的损失阈值,调整初始区域目标检测模型的参数。
其中,上述损失函数通常是用于描述实际输出与期望输出间的不一致程度的函数。作为示例,上述损失函数可以为统计实际输出的目标区域图与期望输出的目标区域图之间的像素值的差值总和的函数。
其中,上述损失阈值可以是预先设定的数值。
这里,作为示例,执行主体可以按照如下方式调整初始区域目标检测模型的参数:执行主体可以采用梯度下降法,计算损失函数对初始区域目标检测模型中的参数的梯度,然后根据梯度确定初始区域目标检测模型的参数的变化量,将参数与其变化量叠加形成调整后的参数。
第三步,响应于确定存在,使用调整后的初始区域目标检测模型作为初始区域目标检测模型,从训练样本集中选取未选取过的训练样本,继续执行训练步骤。
步骤102,基于目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定驾驶员的驾驶状态。
在本实施例中,上述执行主体可以基于目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定驾驶员的驾驶状态。
本公开的实施例提供的方法,通过预先训练的区域目标检测模型,检测得到驾驶图像对应的目标区域图组,从而通过对目标区域图组进行分析,实现得到驾驶员的驾驶状态。有助于实现有效确定驾驶员在驾驶过程中的驾驶状态,从而保障驾驶员的安全。另外,从驾驶图像所呈现的驾驶员的脸部、眼部、嘴部和手部对驾驶员的驾驶状态进行综合分析,有助于实现对驾驶状态进行准确分析,从而提高对驾驶中的驾驶员的驾驶状态进行监测的准确率。
在本实施例的一些可选的实现方式中,上述基于目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定驾驶员的驾驶状态,可以包括:
响应于目标区域图组中不存在脸部区域图,确定驾驶员的驾驶状态为用于指示脸部区域图不存在的状态。
这里,若目标区域图组中不存在脸部区域图,即,区域目标检测模型没有检测到驾驶员的脸部区域。此时,上述执行主体可以直接确定驾驶员的驾驶状态为:用于指示脸部区域图不存在的状态。
在本实施例的一些可选的实现方式中,上述基于目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定驾驶员的驾驶状态,也可以包括步骤201-202。图2是本公开的实施例提供的确定驾驶状态的流程图。
步骤201,响应于目标区域图组中存在手部区域图,将手部区域图输入预先训练的第一状态确定模型,得到与手部区域图对应的手部状态。
其中,手部状态通常用于指示驾驶员的手部动作。手部状态可以包括但不限于:用于指示驾驶员抽烟的状态,用于指示驾驶员打电话的状态,用于指示驾驶员正常的状态。
这里,若目标区域图组中存在手部区域图,即,区域目标检测模型已检测到驾驶员的手部区域。此时,上述执行主体可以将手部区域图输入第一状态确定模型,以得到与所输入的手部区域图对应的手部状态。
其中,上述第一状态确定模型可以用于表征手部区域图与手部状态之间的对应关系。具体地,第一状态确定模型可以是基于对大量驾驶员的大量手部区域图进行统计而生成的、存储有多个手部区域图与手部状态的对应关系的对应关系表。也可以是基于训练样本,利用机器学习方法,对初始模型(例如,CNN、ResNet等)进行训练后得到的模型。
步骤202,响应于手部状态属于目标状态,将手部状态确定为驾驶状态。
其中,目标状态包括以下任意一项或多项:用于指示驾驶员抽烟的状态,用于指示驾驶员打电话的状态。作为示例,目标状态可以为用于指示驾驶员抽烟的状态,也可以为用于指示驾驶员打电话的状态。实践中,目标状态通常可以同时包括用于指示驾驶员抽烟的状态和用于指示驾驶员打电话的状态。
这里,若手部状态属于目标状态,如,手部状态为用于指示驾驶员抽烟的状态,或手部状态为用于指示驾驶员打电话的状态。此时,上述执行主体可以将该手部状态直接确定为驾驶员的驾驶状态。
本实现方式中,由于驾驶过程中,驾驶员通常处于坐姿状态,驾驶员的手部状态通常能比较准确地反映驾驶员的整体状况。因此,将手部状态确定为驾驶状态,能够实现对驾驶状态进行准确分析。另外,由于实际应用时驾驶员在驾驶的过程中,手需要时刻放在方向盘上。若驾驶员的手并非放于方向盘上,如,打电话或抽烟,则通常存在较大安全隐患。处于坐姿状态的驾驶中的驾驶员的手部动作通常比较简单,对手部区域图进行分析时,比较易于实现,有助于降低对驾驶状态进行监测的难度。即,通过对手部区域图进行分析,得到驾驶状态,可以降低计算复杂度,有助于加快数据处理效率,从而提高对驾驶状态进行监测的效率。
在本实施例的一些可选的实现方式中,上述基于目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定驾驶员的驾驶状态,也可以包括:
响应于满足预设触发条件且目标区域图组中包括脸部区域图、眼部区域图和嘴部区域图,将目标区域图组所包括的脸部区域图、眼部区域图和嘴部区域图输入预先训练的第二状态确定模型,得到与所输入的脸部区域图、眼部区域图和嘴部区域图对应的头部状态,以及将头部状态确定为驾驶状态。
其中,头部状态通常用于指示驾驶员的头部动作。头部状态可以包括但不限于:用于指示驾驶员抽烟的状态,用于指示驾驶员疲劳的状态,用于指示驾驶员分心的状态,用于指示驾驶员正常的状态。
这里,上述触发条件可以是预先设定的条件。实践中,上述触发条件可以为条件一,也可以为条件二。其中,
条件一为:目标区域图组中不存在手部区域图。
条件二为:目标区域图组中存在手部区域图,且手部区域图对应的手部状态为用于指示驾驶员正常的状态。
这里,在目标区域图组中不存在手部区域图。或者,目标区域图组中存在手部区域图,但手部区域图对应的手部状态指示驾驶员正常时。此时,上述执行主体可以采用头部相关的区域图,进一步确定驾驶员的头部动作是否正常。
具体地,上述执行主体可以将脸部区域图、眼部区域图和嘴部区域图输入第二状态确定模型,以得到与所输入的脸部区域图、眼部区域图和嘴部区域图对应的头部状态。
其中,上述第二状态确定模型可以用于表征脸部区域图、眼部区域图和嘴部区域图与头部状态之间的对应关系。具体地,第二状态确定模型可以是基于对大量驾驶员的大量脸部区域图、眼部区域图和嘴部区域图进行统计而生成的、存储有多个脸部区域图、眼部区域图和嘴部区域图与头部状态的对应关系的对应关系表。也可以是基于训练样本,利用机器学习方法,对初始模型(例如,CNN、ResNet等)进行训练后得到的模型。
本实现方式可以实现在未检测到手部区域图,或者所检测到的手部区域图指示手部状态正常时,进一步分析驾驶员的头部状态。只在满足触发条件的情形下,才进一步执行对驾驶员的头部状态进行分析,可以节约计算资源,有助于提高资源利用率。另外,将对驾驶员的头部状态进行分析,作为对驾驶员的手部状态进行分析的补充,可以实现更加准确地确定出驾驶员的驾驶状态,有助于提高对驾驶中的驾驶员的驾驶状态进行监测的准确率。
在本实施例的一些可选的实现方式中,上述将目标区域图组所包括的脸部区域图、眼部区域图和嘴部区域图输入预先训练的第二状态确定模型,得到与所输入的脸部区域图、眼部区域图和嘴部区域图对应的头部状态,可以包括步骤301和步骤302。图3是本公开的实施例提供的确定驾驶状态的流程图。
步骤301,按照预设拼接规则,将目标区域图组所包括的脸部区域图、眼部区域图和嘴部区域图拼接成拼接图。
其中,上述拼接规则可以是预先设定的规则。作为示例,上述拼接规则可以是按照从左往右的顺序将脸部区域图、眼部区域图和嘴部区域图拼接成一张图。作为另一示例,上述拼接规则也可以是按照从上往下的顺序将脸部区域图、眼部区域图和嘴部区域图拼接成一张图。
图4是本公开的实施例提供的拼接图的效果示意图。如图4所示地,脸部区域图位于拼接图的左侧,眼部区域图位于拼接图的右上侧,以及嘴部区域图位于拼接图的右下侧。
实践中,由于脸部区域通常比眼部区域和嘴部区域大,采用如图4所示的拼接方式得到拼接图,可以实现对脸部区域图、眼部区域图和嘴部区域图进行更有效地拼接。实际应用中,采用如图4所示的拼接方式得到的拼接图,可以实现对驾驶员的眼睛的开闭进行更准确地判断,可以有效解决难以提取到小眼睛的驾驶员的眼睛的开闭信息的问题。有助于更准确地确定出驾驶员的头部状态。
这里,上述执行主体可以按照拼接规则,将目标区域图组所包括的脸部区域图、眼部区域图和嘴部区域图拼接成拼接图。
步骤302,将拼接图输入第二状态确定模型,得到与拼接图对应的头部状态。
这里,在得到拼接图后,上述执行主体可以将拼接图输入第二状态模型,以得到拼接图对应的头部状态。
本实现方式中,由于对一个图进行分析通常比对三个图进行分析要简单,将脸部区域图、眼部区域图和嘴部区域图三个图拼接成一个拼接图,然后通过对拼接图进行分析,以得到头部状态。可以节约计算资源,有助于进一步提高对驾驶中的驾驶员的驾驶状态进行监测的效率。
请参阅图5,图5是本公开的实施例提供的驾驶状态监测方法的流程示意图。该驾驶状态监测方法,包括以下步骤:
步骤501,响应于接收到通信连接的图像采集设备采集的驾驶员的驾驶图像,将驾驶图像输入预先训练的区域目标检测模型,得到与驾驶图像对应的目标区域图组。
其中,目标区域图组包括以下任意一项或多项:脸部区域图、眼部区域图、嘴部区域图和手部区域图。
步骤502,基于目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定驾驶员的驾驶状态。
在本实施例中,步骤501-502的具体操作与图1所示的实施例中步骤101-102的操作基本相同,在此不再赘述。
步骤503,响应于确定驾驶员的驾驶状态连续预设数目次为同一状态,且同一状态属于异常状态,向目标终端发送预设预警信息。
其中,异常状态通常用于指示驾驶员未安全驾驶。异常状态可以包括但不限于:用于指示驾驶员打电话的状态,用于指示驾驶员抽烟的状态,用于指示驾驶员疲劳的状态,用于指示驾驶员分心的状态,用于指示脸部区域图不存在的状态。
上述预设数目可以是预先设定的数据值。预设数目的取值通常为正整数。作为示例,预设数目可以为3。
上述预警信息可以是预先设定的用于提示驾驶员处于异常状态的信息。实践中,预警信息的实现形式通常为语音形式。作为示例,上述预警信息可以为:驾驶时抽烟,好危险。
上述目标终端可以是预先设定的终端设备。如,目标终端可以是驾驶员的手机,也可以是驾驶员所驾驶的车辆中的语音播放设备等。
本实现方式中,在检测到同一异常状态连续出现多次时,上述执行主体可以较为准确地确定驾驶员当前确实处于某一异常状态,此时通过目标终端向驾驶员发送预警信息,有助于提醒驾驶员安全驾驶,从而保障驾驶员的安全。
请参阅图6,图6是本公开的实施例提供的驾驶状态监测方法的流程示意图。如图6所示地,驾驶状态监测方法可以包括步骤601-610。需要指出的是,步骤601-610的执行主体为电子设备。
步骤601,将从图像采集设备接收到的驾驶员的驾驶图像,输入区域目标检测模型。
步骤602,判断是否检测到脸部区域。若检测到脸部区域,则执行步骤604,否则,执行步骤603。
步骤603,将针对当前驾驶图像对应的驾驶状态确定为驾驶员姿势异常状态。
这里,驾驶员姿势异常状态,为前述用于指示脸部区域图不存在的状态。
步骤604,继续判断是否检测到手部区域。若检测到手部区域,则执行步骤605,否则,执行步骤608。
步骤605,将手部区域图输入三分类模型,以得到驾驶员的手部状态。
这里,三分类模型为前述第一状态确定模型。这里,可以得到的手部状态可以有:用于指示驾驶员抽烟的状态、用于指示驾驶员打电话的状态、用于指示驾驶员正常的状态。
步骤606,判断手部状态所指示的手部动作是否为打电话或者抽烟。若是打电话或者抽烟,则执行步骤607。否则,执行步骤608。
步骤607,将针对当前驾驶图像对应的驾驶状态确定为打电话状态或者抽烟状态。
这里,打电话状态为前述用于指示驾驶员打电话的状态。抽烟状态为前述用于指示驾驶员抽烟的状态。
步骤608,对检测到的脸部区域图、眼部区域图和嘴部区域图进行拼接,得到拼接图。
步骤609,将拼接图输入四分类模型,以得到驾驶员的头部状态。
这里,四分类模型为前述第二状态确定模型。这里,可以得到的头部状态可以有:用于指示驾驶员抽烟的状态,用于指示驾驶员疲劳的状态,用于指示驾驶员分心的状态,用于指示驾驶员正常的状态。
步骤610,根据四分类模型的输出,将针对当前驾驶图像对应的驾驶状态确定为疲劳、分心、抽烟或是正常状态。
进一步参考图7,作为对图1所示方法的实现,本公开提供了一种驾驶状态监测装置的一个实施例,该装置实施例与图1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7所示,本实施例的驾驶状态监测装置包括:区域检测单元701,被配置成响应于接收到通信连接的图像采集设备采集的驾驶员的驾驶图像,将驾驶图像输入预先训练的区域目标检测模型,得到与驾驶图像对应的目标区域图组,其中,目标区域图组包括以下任意一项或多项:脸部区域图、眼部区域图、嘴部区域图和手部区域图;状态确定单元702,被配置成基于目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定驾驶员的驾驶状态。
在本实施例的一些可选的实现方式中,状态确定单元702可以被进一步配置成:响应于目标区域图组中不存在脸部区域图,确定驾驶员的驾驶状态为用于指示脸部区域图不存在的状态。
在本实施例的一些可选的实现方式中,状态确定单元702可以被进一步配置成:响应于目标区域图组中存在手部区域图,将手部区域图输入预先训练的第一状态确定模型,得到与手部区域图对应的手部状态,其中,手部状态包括用于指示驾驶员抽烟的状态,用于指示驾驶员打电话的状态,用于指示驾驶员正常的状态;响应于手部状态属于目标状态,将手部状态确定为驾驶状态,其中,目标状态包括以下任意一项或多项:用于指示驾驶员抽烟的状态,用于指示驾驶员打电话的状态。
在本实施例的一些可选的实现方式中,状态确定单元702可以被进一步配置成:响应于满足预设触发条件且目标区域图组中包括脸部区域图、眼部区域图和嘴部区域图,将目标区域图组所包括的脸部区域图、眼部区域图和嘴部区域图输入预先训练的第二状态确定模型,得到与所输入的脸部区域图、眼部区域图和嘴部区域图对应的头部状态,以及将头部状态确定为驾驶状态;其中,头部状态包括:用于指示驾驶员抽烟的状态,用于指示驾驶员疲劳的状态,用于指示驾驶员分心的状态,用于指示驾驶员正常的状态,触发条件包括:目标区域图组中不存在手部区域图,目标区域图组中存在手部区域图且手部区域图对应的手部状态为用于指示驾驶员正常的状态。
在本实施例的一些可选的实现方式中,将目标区域图组所包括的脸部区域图、眼部区域图和嘴部区域图输入预先训练的第二状态确定模型,得到与所输入的脸部区域图、眼部区域图和嘴部区域图对应的头部状态,包括:按照预设拼接规则,将目标区域图组所包括的脸部区域图、眼部区域图和嘴部区域图拼接成拼接图;将拼接图输入第二状态确定模型,得到与拼接图对应的头部状态。
在本实施例的一些可选的实现方式中,装置还可以包括信息预警单元(图中未示出)。信息预警单元可以被配置成响应于确定驾驶员的驾驶状态连续预设数目次为同一状态,且同一状态属于异常状态,向目标终端发送预设预警信息;其中,异常状态包括:用于指示驾驶员打电话的状态,用于指示驾驶员抽烟的状态,用于指示驾驶员疲劳的状态,用于指示驾驶员分心的状态,用于指示脸部区域图不存在的状态。
在本实施例的一些可选的实现方式中,区域目标检测模型通过如下步骤训练得到:获取预先生成的训练样本集,其中,训练样本集中的训练样本包括样本驾驶图像和对应于样本驾驶图像的样本目标区域图组,样本目标区域图组包括:样本脸部区域图、样本眼部区域图、样本嘴部区域图和样本手部区域图;从训练样本集中选取训练样本,执行如下训练步骤:将所选取的训练样本中的样本驾驶图像输入初始区域目标检测模型,得到实际输出;根据与输入的样本驾驶图像相对应的样本目标区域图组和所得到的实际输出的差异,调整初始区域目标检测模型的参数,以得到调整后的初始区域目标检测模型;确定训练样本集中是否存在未被选取的训练样本;响应于确定不存在,将调整后的初始区域目标检测模型确定为区域目标检测模型;响应于确定存在,使用调整后的初始区域目标检测模型作为初始区域目标检测模型,从训练样本集中选取未选取过的训练样本,继续执行训练步骤。
本公开的上述实施例提供的装置,通过预先训练的区域目标检测模型,检测得到驾驶图像对应的目标区域图组,从而通过对目标区域图组进行分析,实现得到驾驶员的驾驶状态。有助于实现有效确定驾驶员在驾驶过程中的驾驶状态,从而保障驾驶员的安全。另外,从驾驶图像所呈现的驾驶员的脸部、眼部、嘴部和手部对驾驶员的驾驶状态进行综合分析,有助于实现对驾驶状态进行准确分析,从而提高对驾驶中的驾驶员的驾驶状态进行监测的准确率。
下面参考图8,其示出了适于用来实现本公开的实施例的电子设备的结构示意图。图8示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图8所示,电子设备可以包括处理装置(例如中央处理单元(CPU)、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有电子设备操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805:包括例如触摸屏、触摸板、键盘、鼠标、图像采集装置、麦克风、加速度计、陀螺仪等的输入装置806;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808;以及通信装置809。通信装置809可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
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装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM 802被安装。在该计算机程序被处理装置801执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例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。在本公开的实施例中,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。而在本公开的实施例中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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电子设备执行时,可以使得该电子设备执行如下步骤:响应于接收到通信连接的图像采集设备采集的驾驶员的驾驶图像,将驾驶图像输入预先训练的区域目标检测模型,得到与驾驶图像对应的目标区域图组,其中,目标区域图组包括以下任意一项或多项:脸部区域图、眼部区域图、嘴部区域图和手部区域图;基于目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定驾驶员的驾驶状态。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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。
描述于本公开的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:一种处理器包括区域检测单元,状态确定单元。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,状态确定单元还可以被描述为“基于目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定驾驶员的驾驶状态的单元”。
以上描述仅为本公开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,本公开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。例如上述特征与本公开中公开的(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 (10)
1.一种驾驶状态监测方法,其中,所述方法包括:
响应于接收到通信连接的图像采集设备采集的驾驶员的驾驶图像,将所述驾驶图像输入预先训练的区域目标检测模型,得到与所述驾驶图像对应的目标区域图组,其中,所述目标区域图组包括以下任意一项或多项:脸部区域图、眼部区域图、嘴部区域图和手部区域图;
基于所述目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定所述驾驶员的驾驶状态。
2.根据权利要求1所述的驾驶状态监测方法,其中,所述基于所述目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定所述驾驶员的驾驶状态,包括:
响应于所述目标区域图组中不存在脸部区域图,确定所述驾驶员的驾驶状态为用于指示脸部区域图不存在的状态。
3.根据权利要求1所述的驾驶状态监测方法,其中,所述基于所述目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定所述驾驶员的驾驶状态,包括:
响应于所述目标区域图组中存在手部区域图,将所述手部区域图输入预先训练的第一状态确定模型,得到与所述手部区域图对应的手部状态,其中,所述手部状态包括用于指示驾驶员抽烟的状态,用于指示驾驶员打电话的状态,用于指示驾驶员正常的状态;
响应于所述手部状态属于目标状态,将所述手部状态确定为所述驾驶状态,其中,所述目标状态包括以下任意一项或多项:用于指示驾驶员抽烟的状态,用于指示驾驶员打电话的状态。
4.根据权利要求1所述的驾驶状态监测方法,其中,所述基于所述目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定所述驾驶员的驾驶状态,包括:
响应于满足预设触发条件且所述目标区域图组中包括脸部区域图、眼部区域图和嘴部区域图,将所述目标区域图组所包括的脸部区域图、眼部区域图和嘴部区域图输入预先训练的第二状态确定模型,得到与所输入的脸部区域图、眼部区域图和嘴部区域图对应的头部状态,以及将所述头部状态确定为所述驾驶状态;
其中,所述头部状态包括:用于指示驾驶员抽烟的状态,用于指示驾驶员疲劳的状态,用于指示驾驶员分心的状态,用于指示驾驶员正常的状态,所述触发条件包括:所述目标区域图组中不存在手部区域图,所述目标区域图组中存在手部区域图且所述手部区域图对应的手部状态为用于指示驾驶员正常的状态。
5.根据权利要求4所述的驾驶状态监测方法,其中,所述将所述目标区域图组所包括的脸部区域图、眼部区域图和嘴部区域图输入预先训练的第二状态确定模型,得到与所输入的脸部区域图、眼部区域图和嘴部区域图对应的头部状态,包括:
按照预设拼接规则,将所述目标区域图组所包括的脸部区域图、眼部区域图和嘴部区域图拼接成拼接图;
将所述拼接图输入所述第二状态确定模型,得到与所述拼接图对应的头部状态。
6.根据权利要求1所述的驾驶状态监测方法,其中,所述方法还包括:
响应于确定所述驾驶员的驾驶状态连续预设数目次为同一状态,且所述同一状态属于异常状态,向目标终端发送预设预警信息;
其中,所述异常状态包括:用于指示驾驶员打电话的状态,用于指示驾驶员抽烟的状态,用于指示驾驶员疲劳的状态,用于指示驾驶员分心的状态,用于指示脸部区域图不存在的状态。
7.根据权利要求1-6之一所述的驾驶状态监测方法,其中,区域目标检测模型通过如下步骤训练得到:
获取预先生成的训练样本集,其中,所述训练样本集中的训练样本包括样本驾驶图像和对应于样本驾驶图像的样本目标区域图组,样本目标区域图组包括:样本脸部区域图、样本眼部区域图、样本嘴部区域图和样本手部区域图;
从训练样本集中选取训练样本,执行如下训练步骤:将所选取的训练样本中的样本驾驶图像输入初始区域目标检测模型,得到实际输出;根据与输入的样本驾驶图像相对应的样本目标区域图组和所得到的实际输出的差异,调整初始区域目标检测模型的参数,以得到调整后的初始区域目标检测模型;确定所述训练样本集中是否存在未被选取的训练样本;响应于确定不存在,将调整后的初始区域目标检测模型确定为所述区域目标检测模型;
响应于确定存在,使用调整后的初始区域目标检测模型作为初始区域目标检测模型,从所述训练样本集中选取未选取过的训练样本,继续执行所述训练步骤。
8.一种驾驶状态监测装置,其中,所述装置包括:
区域检测单元,被配置成响应于接收到通信连接的图像采集设备采集的驾驶员的驾驶图像,将所述驾驶图像输入预先训练的区域目标检测模型,得到与所述驾驶图像对应的目标区域图组,其中,所述目标区域图组包括以下任意一项或多项:脸部区域图、眼部区域图、嘴部区域图和手部区域图;
状态确定单元,被配置成基于所述目标区域图组中各目标区域图所呈现的驾驶员的特征信息,确定所述驾驶员的驾驶状态。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,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1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110004406.7A CN112633247A (zh) | 2021-01-04 | 2021-01-04 | 驾驶状态监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110004406.7A CN112633247A (zh) | 2021-01-04 | 2021-01-04 | 驾驶状态监测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633247A true CN112633247A (zh) | 2021-04-09 |
Family
ID=75291307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110004406.7A Pending CN112633247A (zh) | 2021-01-04 | 2021-01-04 | 驾驶状态监测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633247A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663863A (zh) * | 2022-02-24 | 2022-06-24 | 北京百度网讯科技有限公司 | 图像处理方法、装置、电子设备和计算机存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564034A (zh) * | 2018-04-13 | 2018-09-21 | 湖北文理学院 | 一种驾驶员行车中操作手机行为的检测方法 |
CN109063686A (zh) * | 2018-08-29 | 2018-12-21 | 安徽华元智控科技有限公司 | 一种汽车驾驶员疲劳检测方法及系统 |
CN110728206A (zh) * | 2019-09-24 | 2020-01-24 | 捷开通讯(深圳)有限公司 | 疲劳驾驶检测方法、装置、计算机可读存储介质及终端 |
CN111079475A (zh) * | 2018-10-19 | 2020-04-28 | 上海商汤智能科技有限公司 | 驾驶状态检测方法和装置、驾驶员监控系统、车辆 |
-
2021
- 2021-01-04 CN CN202110004406.7A patent/CN112633247A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564034A (zh) * | 2018-04-13 | 2018-09-21 | 湖北文理学院 | 一种驾驶员行车中操作手机行为的检测方法 |
CN109063686A (zh) * | 2018-08-29 | 2018-12-21 | 安徽华元智控科技有限公司 | 一种汽车驾驶员疲劳检测方法及系统 |
CN111079475A (zh) * | 2018-10-19 | 2020-04-28 | 上海商汤智能科技有限公司 | 驾驶状态检测方法和装置、驾驶员监控系统、车辆 |
CN110728206A (zh) * | 2019-09-24 | 2020-01-24 | 捷开通讯(深圳)有限公司 | 疲劳驾驶检测方法、装置、计算机可读存储介质及终端 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663863A (zh) * | 2022-02-24 | 2022-06-24 | 北京百度网讯科技有限公司 | 图像处理方法、装置、电子设备和计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389068A (zh) | 用于识别驾驶行为的方法和装置 | |
JP2023547917A (ja) | 画像分割方法、装置、機器および記憶媒体 | |
CN110136054B (zh) | 图像处理方法和装置 | |
US20170294139A1 (en) | Systems and methods for individualized driver prediction | |
EP3798902A1 (en) | Method and apparatus for outputting information | |
CN109624994B (zh) | 一种车辆自动驾驶控制方法、装置、设备及终端 | |
CN110347875B (zh) | 一种视频场景分类方法、装置、移动终端及存储介质 | |
CN110728218A (zh) | 危险驾驶行为的预警方法、装置、电子设备及存储介质 | |
CN103761150B (zh) | 信息处理方法、信息处理装置和电子设备 | |
CN110287810B (zh) | 车门动作检测方法、装置和计算机可读存储介质 | |
CN106297184A (zh) | 监控移动终端周围环境的方法、装置及移动终端 | |
CN111144321A (zh) | 专注度检测方法、装置、设备和存储介质 | |
CN112651458A (zh) | 分类模型的训练方法、装置、电子设备及存储介质 | |
CN112633247A (zh) | 驾驶状态监测方法和装置 | |
CN112530205A (zh) | 机场停机坪飞机状态检测方法及装置 | |
CN111191556A (zh) | 人脸识别方法、装置及电子设备 | |
CN110853364B (zh) | 数据监控方法和装置 | |
CN114051116A (zh) | 一种驾考车辆的视频监控方法、装置以及系统 | |
CN111857482B (zh) | 一种互动方法、装置、设备和可读介质 | |
CN113283383A (zh) | 一种直播行为识别方法、装置、设备和可读介质 | |
CN107220257A (zh) | 电子地图绘制方法及装置 | |
CN109871465B (zh) | 一种时间轴计算方法、装置、电子设备及存储介质 | |
CN115631482B (zh) | 驾驶感知信息采集方法、装置、电子设备和可读介质 | |
CN116894996A (zh) | 视觉问答模型的训练、视觉问答任务处理方法及装置 | |
CN112965911B (zh) | 界面异常检测方法、装置、计算机设备及存储介质 |
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 |