CN113331846A - 一种驾驶状态检测方法、检测装置及计算机可读存储介质 - Google Patents

一种驾驶状态检测方法、检测装置及计算机可读存储介质 Download PDF

Info

Publication number
CN113331846A
CN113331846A CN202110744726.6A CN202110744726A CN113331846A CN 113331846 A CN113331846 A CN 113331846A CN 202110744726 A CN202110744726 A CN 202110744726A CN 113331846 A CN113331846 A CN 113331846A
Authority
CN
China
Prior art keywords
result
driving state
information
driver
sub
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.)
Granted
Application number
CN202110744726.6A
Other languages
English (en)
Other versions
CN113331846B (zh
Inventor
冯超
王永彬
林思娜
迟婧
易文明
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.)
Neural Flex Technology Shenzhen Co Ltd
Original Assignee
Neural Flex Technology Shenzhen 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 Neural Flex Technology Shenzhen Co Ltd filed Critical Neural Flex Technology Shenzhen Co Ltd
Priority to CN202110744726.6A priority Critical patent/CN113331846B/zh
Publication of CN113331846A publication Critical patent/CN113331846A/zh
Application granted granted Critical
Publication of CN113331846B publication Critical patent/CN113331846B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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
    • A61B5/1103—Detecting eye twinkling
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/20—Workers
    • A61B2503/22—Motor vehicles operators, e.g. drivers, pilots, captains

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Ophthalmology & Optometry (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请适用于智能交通技术领域，提供一种驾驶状态检测方法、检测装置及计算机可读存储介质，包括：根据脑电采集装置采集的驾驶员的脑电信号，获取反映驾驶员驾驶状态的第一结果；根据心跳采集装置采集的驾驶员的心跳信号，获取反映驾驶员驾驶状态的第二结果；根据第一摄像头采集的驾驶员的人脸视频，获取反映驾驶员驾驶状态的第三结果；根据所述第一结果、第二结果和第三结果得到目标结果；根据所述目标结果检测驾驶员的驾驶状态；通过本申请可以解决驾驶状态检测时参考数据源单一、而导致的驾驶状态检测不准确的问题。

Description

一种驾驶状态检测方法、检测装置及计算机可读存储介质
技术领域
本申请属于智能交通技术领域，具体涉及一种驾驶状态检测方法、检测装置及计算机可读存储介质。
背景技术
交通事故的发生有很大一部分原因来自驾驶员的驾驶状态，过往研究中，常常通过分析驾驶员的驾驶时长来判断驾驶员是否疲劳驾驶。
然而仅仅通过驾驶时长来判断驾驶员的疲劳状态时，因为参考数据源单一、容易导致对驾驶员的驾驶状态出现误判的现象。
发明内容
有鉴于此，本申请提供了一种驾驶状态检测方法、检测装置及计算机可读存储介质，可以解决驾驶状态检测时参考数据源单一、而导致的驾驶状态检测不准确的问题。
本申请实施例的第一方面提供了一种驾驶状态检测方法，包括：
根据脑电采集装置采集的驾驶员的脑电信号，获取反映驾驶员驾驶状态的第一结果；根据心跳采集装置采集的驾驶员的心跳信号，获取反映驾驶员驾驶状态的第二结果；根据第一摄像头采集的驾驶员的人脸视频，获取反映驾驶员驾驶状态的第三结果；根据所述第一结果、所述第二结果和所述第三结果得到目标结果；根据所述目标结果检测驾驶员的驾驶状态。
本申请实施例的第二方面提供了一种驾驶状态检测装置，包括：
第一获取单元，用于根据脑电采集装置采集的驾驶员的脑电信号，获取反映驾驶员驾驶状态的第一结果；
第二获取单元，用于根据心跳采集装置采集的驾驶员的心跳信号，获取反映驾驶员驾驶状态的第二结果；
第三获取单元，用于根据第一摄像头采集的驾驶员的人脸视频，获取反映驾驶员驾驶状态的第三结果；
第四获取单元，用于根据所述第一结果、所述第二结果和所述第三结果得到目标结果；
第一确定单元，用于根据所述目标结果检测驾驶员的驾驶状态。
本申请实施例的第三方面提供了另一种驾驶状态检测装置，包括处理器，所述处理器用于运行存储器中存储的计算机程序，以实现如第一方面所述的驾驶状态检测方法。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储计算机程序，所述计算机程序在处理器上运行时实现如第一方面所述的驾驶状态检测方法。
本申请实施例在对驾驶员的驾驶状态进行检测时，根据采集的驾驶员的脑电信号、心跳信号以及拍摄的人脸图像获得了反映驾驶员驾驶状态的目标结果，然后根据目标结果来确定驾驶员的驾驶状态，由于获得驾驶状态时参考的数据源较多，因此驾驶状态检测更加准确。
附图说明
图1示出本申请实施例提供的一种驾驶状态检测方法的流程示意图；
图2示出本申请另一实施例提供的一种驾驶状态检测方法的流程示意图；
图3示出本申请实施例提供的一种驾驶状态检测装置的示意框图；
图4示出本申请实施例提供的另一种驾驶状态检测装置的示意框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本申请所必须的，因此不能用于限制本申请的保护范围。
参见图1，是本发明实施例提供的一种驾驶状态检测方法的流程示意图，如图所示，该方法可以包括以下步骤：
S11，根据脑电采集装置采集的驾驶员的脑电信号，获取反映驾驶员驾驶状态的第一结果。
在本申请实施例中，脑电采集装置可以是安装有柔性电极的可以采集脑电信号的帽子；也可以是驾驶座位，其中，驾驶座位上安装有测量脑电信号的梳状电极，等等。脑电信号可以是脑电α波信号、脑电β波信号、脑电θ波信号、脑电σ波信号、左脑的脑电α波信号与右脑的脑电α波信号的电极差、左脑脑电β波信号与右脑脑电β波信号的电极差、左脑脑电θ波信号与右脑脑电θ波信号的电极差、左脑脑电σ波信号与右脑脑电σ波信号的电极差，等等，本申请对此不作限定。
为了便于描述，此处将根据脑电采集装置采集的驾驶员的脑电信号，获取的反映驾驶员驾驶状态的结果定义为第一结果。
在本申请另一实施例中，所述根据脑电采集装置采集的驾驶员的脑电信号，获取反映驾驶员驾驶状态的第一结果，包括：
S110，获取测量周期内所述脑电信号的第一数据。
本申请实施例中，测量周期可以根据实际应用场景选择设定。为了便于描述，此处将获取的测量周期内的脑电信号的数据定义为第一数据，第一数据包括脑电α波信号的振幅平均值或功率谱平均值、脑电β波信号的振幅平均值或功率谱平均值、脑电θ波信号的振幅平均值或功率谱平均值、脑电σ波信号的振幅平均值或功率谱平均值、左脑的脑电α波信号的振幅平均值/功率谱平均值与右脑的脑电α波信号的振幅平均值/功率谱平均值之间的差、左脑的脑电β波信号的振幅平均值/功率谱平均值与右脑的脑电β波信号的振幅平均值/功率谱平均值之间的差、左脑的脑电σ波信号的振幅平均值/功率谱平均值与右脑的脑电σ波信号的振幅平均值/功率谱平均值之间的差，等等，本申请对此不作限定。
S111，获取所述脑电信号的第一数据与第一阈值之间差值的绝对值，得到第一专注概率。
本申请实施例中，第一阈值是预先设定的。作为示例，假设第一数据为10分钟内获得的脑电α波的振幅平均值、且振幅平均值为60，预设的第一阈值为80，则第一专注概率就是|60-80|＝20。为了便于描述，此处将获取的脑电信号的第一数据与第一阈值的差值的绝对值定义为第一专注概率。
S112，若所述第一专注概率小于或等于所述第一阈值的第一预设比，则得到第一信息，所述第一信息用于表示驾驶状态正常。
本申请实施例中，第一预设比可以根据实际情况进行设定，第一信息可以是预先规定的用于表示驾驶状态正常的符号或者标识，第一信息可以是正、或负、或1，或0、或true、或false；当然，还可以采用其它方式来表征第一信息，本申请对此并不作限定。
作为示例，假设第一预设比为50％，第一阈值为S111中的80，第一专注概率为S111中的20，则第一阈值的第一预设比为80*50％＝40，由于第一专注概率20小于40，说明驾驶员的驾驶状态正常，因此得到用于表示驾驶员驾驶状态正常的第二信息。
S113，根据所述第一信息对所述第一专注概率进行归一化处理，得到第一一子结果。
本申请实施例中，假设驾驶员的驾驶状态正常为正、驾驶状态不正常为负，则归一化区间可以为[-100％，100％]、[-100，100]等区间，此处假设归一化区间为[-100，100]，则S112中的第一专注概率20会以第一信息为准，映射到[-100，100]区间中的[0-100]范围内。为了便于描述，此处将根据第一信息对第一专注概率进行归一化处理后得到的结果定义为第一一子结果。
S114，若所述第一专注概率大于所述第一阈值的第一预设比，则得到第二信息，所述第二信息用于表示驾驶状态不正常。
本申请实施例中，第二信息是与第一信息相对应的，若S112中的第一信息为正，则此处的第二信息即为负。
作为示例，假设第一预设比为50％，第一阈值为80，第一专注概率为50，则第一阈值的第一预设比为80*50％＝40，由于第一专注概率50大于40，因此得到用于表示驾驶状态为不正常的第二信息。
S115，根据所述第二信息对所述第一专注概率进行归一化处理，得到第一二子结果。
本申请实施例中，假设驾驶员的驾驶状态正常为正、驾驶状态不正常为负，则归一化区间可以为[-100％，100％]、[-100，100]等区间，此处假设归一化区间为[-100，100]，则S114中的第一专注概率50就会以第二信息为准，映射到[-100，100]区间中的[-100，0]范围内。为了便于描述，此处将根据第二信息对第一专注概率进行归一化处理后得到的结果定义为第一二子结果。
所述第一结果包括第一一子结果或第一二子结果。
S12，根据心跳采集装置采集的驾驶员的心跳信号，获取反映驾驶员驾驶状态的第二结果。
本申请实施例中，心跳采集装置可以是安全带，其中，安全带上安装有测量心率的传感器。为了便于描述，此处将根据心跳采集装置采集的驾驶员的心跳信号，获取的反映驾驶员驾驶状态的结果定义为第二结果。
在本申请另一实施例中，所述根据心跳采集装置采集的驾驶员的心跳信号，获取反映驾驶员驾驶状态的第二结果，包括：
S120，获取所述心跳信号的心跳频率。
本申请实施例中，心跳频率指的是一分钟内的心跳次数。
S121，获取测量周期内所述心跳信号的心跳频率位于第一预设区间的次数，得到第一疲劳概率。
本申请实施例中，第一预设区间是预先设定的，可根据实际情况进行调整。作为示例，假设测量周期为10分钟，第一预设区间为[60-100]，那么10分钟内可采集10次心跳频率，若10次心跳频率分别为65，68，70，75，78，64，62，58，55，56，则驾驶员的心跳频率位于第一预设区间的次数为7次，则第一疲劳概率就可以为70％。
为了便于描述，此处将获取的测量周期内心跳信号的心跳频率位于第一预设区间的次数定义为第一疲劳概率。
S122，若所述第一疲劳概率大于或等于第二阈值，则得到第三信息，所述第三信息用于表示驾驶状态正常。
本申请实施例中，第二阈值可以是根据实际情况而预先设定的，第三信息可以是预先规定的用于表示驾驶状态正常的符号或者标识，具体可参照S112中的描述，在此不再重复说明。
作为示例，假设第二阈值为60％，第一疲劳概率为S121中的70％，由于第一疲劳概率70％大于第二阈值60％，因此得到用于表示驾驶状态正常的第三信息。
S123，根据所述第三信息对所述第一疲劳概率进行归一化处理，得到第二一子结果。
本申请实施例中，假设驾驶员的驾驶状态正常为正、不正常为负，则归一化区间可以为[-100％，100％]、[-100，100]等区间，此处假设归一化区间为[-100，100]，则S122中的第一疲劳注概率70％就会以第三信息为准，映射到[-100，100]区间中[0-100]范围内。为了便于描述，此处将根据第三信息对第一疲劳概率进行归一化处理得到的结果定义为第二一子结果。
S124，若所述第一疲劳概率小于所述第二阈值，则得到第四信息，所述第四信息用于表示驾驶状态不正常。
本申请实施例中，第四信息是与第三信息相对应的，若S122中的第三信息为true，则此处的第四信息即为false。
作为示例，假设第二阈值为60％，第一疲劳概率为50％，由于第一疲劳概率50％小于第二阈值60％，因此得到用于表示驾驶状态不正常的第四信息。
S125，根据所述第四信息对所述第一疲劳概率进行归一化处理，得到第二二子结果。
本申请实施例中，假设驾驶员的驾驶状态正常为正、驾驶状态不正常为负，则归一化区间可以为[-100％，100％]、[-100，100]等区间，此处假设归一化区间为[-100，100]，则S124中的第一疲劳注概率50％就会以第四信息为准，映射到[-100，100]区间中[-100，0]范围内。为了便于描述，此处将根据第四信息对第一疲劳概率进行归一化处理后得到的结果定义为第二二子结果。
本申请中第二结果包括第二一子结果或第二二子结果。
S13，根据第一摄像头采集的驾驶员的人脸视频，获取反映驾驶员驾驶状态的第三结果。
本申请实施例中，第一摄像头可以是CCD相机、CMOS相机，等等。
为了便于描述，此处将根据第一摄像头采集的驾驶员的人脸视频，获取的反映驾驶员驾驶状态的结果定义为第三结果。
在本申请另一实施例中，所述根据第一摄像头采集的驾驶员的人脸视频，获取反映驾驶员驾驶状态的第三结果，包括：
S130，根据所述人脸视频获取测量周期内驾驶员的第一眨眼频率。
本申请实施例中，驾驶员的眨眼频率可通过人脸疲劳检测模型对拍摄的人脸视频进行检测分析而获得，其中，人脸疲劳检测模型是预设的经过训练的机器学习模型。为了便于描述，此处将根据人脸视频获取的测量周期内驾驶员的眨眼频率定义为第一眨眼频率。
S131，若所述第一眨眼频率大于或等于第三阈值，则得到第五信息，所述第五信息用于表示驾驶状态正常。
本申请实施例中，第三阈值可以是根据实际情况预先设定的，第五信息可以是预先规定的用于表示驾驶状态正常的符号或者标识，具体可参照S112中的描述，在此不再重复说明。
作为示例，假设10分钟内测得的驾驶员的第一眨眼频率为120(即在10分钟时间内驾驶员眨眼120次)，第三阈值为100，由于第一眨眼频率120大于第三阈值100，说明驾驶员状态比较清醒，因此得到用于表示驾驶状态正常的第五信息。
S132，根据所述第五信息对所述第一眨眼频率进行归一化处理，得到第三一子结果。
本申请实施例中，假设驾驶员的驾驶状态正常为正、驾驶状态不正常为负，则归一化区间可以为[-100％，100％]、[-100，100]等区间，此处假设归一化区间为[-100，100]，则S131中的第一眨眼频率120就会以第五信息为准，映射到[-100，100]区间中[0，100]范围内。为了便于描述，此处将根据第五信息对第一眨眼频率进行归一化处理得到的结果定义为第三一子结果。
S133，若所述第一眨眼频率小于所述第三阈值，则得到第六信息，所述第六信息用于表示驾驶状态不正常。
本申请实施例中，第六信息是与第五信息相对应的，若S131中的第五信息为0，则此处的第六信息即为1。
作为示例，假设第三阈值为100，第一眨眼概率为90，由于第一眨眼频率90小于第三阈值100，说明驾驶员的驾驶状态不正常，因此得到用于表示驾驶员驾驶状态不正常的第六信息。
S134，根据所述第六信息对所述第一眨眼频率进行归一化处理，得到第三二子结果。
本申请实施例中，假设驾驶员的驾驶状态正常为正、驾驶状态不正常为负，则归一化区间可以为[-100％，100％]、[-100，100]等区间，此处假设归一化区间为[-100，100]，则S133中的第一眨眼概率90就会以第六信息为准，映射到[-100，100]区间中[-100，0]范围内。为了便于描述，此处将根据第六信息对第一眨眼概率进行归一化处理后得到的结果定义为第三二子结果。
在本申请另一实施例中，所述根据第一摄像头采集的驾驶员的人脸视频，获取反映驾驶员驾驶状态的第三结果，还可以包括：
S135，根据所述人脸视频获取测量周期内驾驶员的闭眼时间占测量周期的比例，得到第二疲劳概率。
本申请实施例中，驾驶员的闭眼时间可通过人脸疲劳检测模型对拍摄的人脸视频进行检测分析而获得，其中，人脸疲劳检测模型是预先训练过的机器学习模型。为了便于描述，此处将根据人脸视频获取的测量周期内驾驶员的闭眼时间占测量周期的比例定义为第二疲劳概率。
作为示例，假设10分钟内测得驾驶员的闭眼时间为2分钟，则得到的第二疲劳概率为20％。
S136，若所述第二疲劳概率小于或等于第四阈值，则得到第二疲劳概率和第七信息，所述第七信息用于表示驾驶状态正常。
本申请实施例中，第四阈值可以是根据实际情况预先设定的，第七信息可以是预先规定的用于表示驾驶状态正常的符号或者标识，具体可参照S112中的描述，在此不再重复说明。
本申请实施例中，假设第四阈值为10％，10分钟内测得的驾驶员的闭眼时间为30s，相对应的第二疲劳概率为5％，由于第二疲劳概率5％小于第四阈值10％，说明驾驶员状态比较清醒，因此得到用于表示驾驶状态正常的第七信息。
S137，根据所述第七信息对所述第二疲劳概率进行归一化处理，得到第三三子结果。
本申请实施例中，假设驾驶员的驾驶状态正常为正、驾驶状态不正常为负，则归一化区间可以为[-100％，100％]、[-100，100]等区间，此处假设归一化区间为[-100，100]，则S136中的第一眨眼频率5％就会以第七信息为准，映射到[-100，100]区间中[0，100]范围内。为了便于描述，此处将根据第七信息对第二疲劳概率进行归一化处理得到的结果定义为第三三子结果。
S138，若所述第二疲劳概率大于所述第四阈值，则得到第八信息，所述第八信息用于表示驾驶状态不正常。
本申请实施例中，第八信息是与第七信息相对应的，若第七信息为负，则第八信息即为正。
作为示例，假设第四阈值为10％，第二疲劳概率为12％，由于第二疲劳概率12％大于第四阈值10％，因此得到用于表示驾驶状态不正常的第八信息。
S139，根据所述第八信息对所述第二疲劳概率进行归一化处理，得到第三四子结果。
本申请实施例中，假设驾驶员的驾驶状态正常为正、驾驶状态不正常为负，则归一化区间可以为[-100％，100％]、[-100，100]等区间，此处假设归一化区间为[-100，100]，则S138中的第二疲劳概率12％就会以第八信息为准，映射到[-100，100]区间中[-100，0]范围内。为了便于描述，此处将根据第八信息对第二疲劳概率进行归一化处理后得到的结果定义为第三四子结果。
在本申请另一实施例中，所述根据第一摄像头采集的驾驶员的人脸视频，获取反映驾驶员驾驶状态的第三结果，还可以包括：
S1310，根据所述人脸视频获取测量周期内驾驶员的第一打哈欠频率。
本申请实施例中，驾驶员的打哈欠频率可通过人脸疲劳检测模型对拍摄的人脸视频进行检测分析而获得。为了便于描述，此处将根据人脸视频获取的测量周期内驾驶员的打哈欠频率定义为第一打哈欠频率。
作为示例，假设10分钟内测得驾驶员的打哈欠次数为6次，则得到的第一打哈欠频率为60％。
S1311，若所述第一打哈欠频率小于或等于第五阈值，则得到第九信息，所述第九信息用于表示驾驶状态正常。
本申请实施例中，第五阈值可以是根据实际情况预先设定的，第九信息可以是预先规定的用于表示驾驶状态正常的符号或者标识，具体可参照S112中的描述，在此不再重复说明。
本申请实施例中，假设第五阈值为50％，10分钟内测得的驾驶员的打哈欠频率为0次，相对应的第一打哈欠频率为0，由于第一打哈欠频率0小于第四阈值50％，说明驾驶员状态比较清醒，因此得到用于表示驾驶状态正常的第九信息。
S1312，根据所述第九信息对所述第一打哈欠频率进行归一化处理，得到第三五子结果。
本申请实施例中，假设驾驶员的驾驶状态正常为正、驾驶状态不正常为负，则归一化区间可以为[-100％，100％]、[-100，100]等区间，此处假设归一化区间为[-100，100]，则S1311中的第一打哈欠频率0就会以第九信息为准，映射到[-100，100]区间中[0，100]范围内。为了便于描述，此处将根据第九信息对第一打哈欠频率进行归一化处理得到的结果定义为第三五子结果。
S1313，若所述第一打哈欠频率大于所述第五阈值，则得到第十信息，所述第十信息用于表示驾驶状态不正常。
本申请实施例中，第十信息是与第九信息相对应的，若第九信息为true，则第十信息即为false。
作为示例，假设第五阈值为50％，第一打哈欠频率为60％，由于第一打哈欠频率60％大于第五阈值50％，因此得到用于表示驾驶状态不正常的第十信息。
S1314，根据所述第十信息对所述第一打哈欠频率进行归一化处理，得到第三六子结果。
本申请实施例中，假设驾驶员的驾驶状态正常为正、驾驶状态不正常为负，则归一化区间可以为[-100％，100％]、[-100，100]等区间，此处假设归一化区间为[-100，100]，则S1313中的第一打哈欠频率60％就会以第十信息为准，映射到[-100，100]区间中的[-100，0]范围内。为了便于描述，此处将根据第十信息对第一打哈欠频率进行归一化处理后得到的结果定义为第三六子结果。
其中，第三结果包括第三一子结果、第三二子结果、第三三子结果、第三四子结果、第三五子结果或第三六子结果。
需要补充说明的是，在实际应用中，也可以对上述得到的第一眨眼频率、第二疲劳概率、第一打哈欠频率进行加权平均，获得所述第三结果。
S14，根据所述第一结果、第二结果和第三结果得到目标结果。
本申请实施例中，经过S11得到的第一结果、S12得到的第二结果、S13得到的第三结果都是位于同一个归一化区间的结果。
本申请实施例中仅仅描述了在驾驶员驾驶状态正常为正，不正常为负并且预设区间为[-100，100]的条件下，本申请实施例的具体实施过程。当然，在实际应用中，还可以在其它条件下实施本申请提出的技术方案，在此不再一一列出，但是不管在哪种条件下实施本申请的技术方案，具体实施过程仍然可以参照上述描述中的内容。
此外，在本申请实施例中，目标结果是综合模块对第一结果、第二结果、第三结果进行加权平均后得到的结果。
S15，根据所述目标结果确定驾驶员的驾驶状态。
本申请实施例中，根据目标结果可以确定驾驶员当前是处于正常驾驶状态还是不正常驾驶状态。
参见图2，在本申请另一实施例中，所述驾驶状态检测方法还包括：
S24，根据第二摄像头采集车辆的车外视频，获取反映驾驶员驾驶状态的第四结果。
本申请实施例中，第二摄像头可以是行车记录仪或者安装于车辆顶部、可以拍摄车辆行驶环境的相机，其中，相机可以是工业CCD或者CMOS相机，本申请对此不作限定。
在本申请另一实施例中，所述根据第二摄像头采集的车辆的车外视频，获取反映驾驶员驾驶状态的第四结果，包括：
S240，根据所述车外视频获得测量周期内所述车辆的第一超车频率。
本申请实施例中，车辆的超车频率可通过车辆行驶状态检测模型对拍摄的车外视频进行检测分析而获得，其中，车辆行驶状态检测模型是预设的经过训练的机器学习模型。为了便于描述，此处将根据车外视频获得的测量周期内车辆的超车频率定义为第一超车频率。
S241，若所述第一超车频率小于或等于第六阈值时，则得到第十一信息，所述第十一信息用于表示驾驶状态正常。
本申请实施例中，第六阈值可以是根据实际情况预先设定的，第十一信息可以是预先规定的用于表示驾驶状态正常的符号或者标识，具体可参照S112中的描述，在此不再重复说明。
作为示例，假设第六阈值为30％，测量周期为10，10分钟内测得的车辆的超车次数为2次，对应的第一超车频率为20％(即在10分钟时间内车辆超车次数占测量周期的比例)，由于第一超车频率20％小于第六阈值30％，说明驾驶员当前的驾驶状态正常，因此得到用于表示驾驶状态正常的第十一信息。
S242，根据所述第十一信息对所述第一超车频率进行归一化处理，得到第四一子结果。
本申请实施例中，假设驾驶员的驾驶状态正常为正、驾驶状态不正常为负，则归一化区间可以为[-100％，100％]、[-100，100]等区间，此处假设归一化区间为[-100，100]，则S241中的第一超车频率20％就会以第十一信息为准，映射到[-100，100％]区间中[0，100]范围内。为了便于描述，此处将根据第十一信息对第一超车频率进行归一化处理得到的结果定义为第四一子结果。
S243，若所述第一超车频率大于所述第六阈值时，则得到第十二信息，所述第十二信息用于表示驾驶状态不正常。
本申请实施例中，第十二信息是与第十一信息相对应的，假设第十一信息为1，则第十二信息即为0。
作为示例，假设10分钟内测得的车辆的超车次数为7，对应的第一超车频率为70％(即在10分钟时间内车辆超车次数占测量周期的比例)，第六阈值为30％，由于第一超车频率70％大于第六阈值30％，说明驾驶员当前的驾驶状态不正常，因此得到用于表示驾驶状态不正常的第十二信息。
S244，根据所述第十二信息对所述第一超车频率进行归一化处理，得到第四二子结果。
本申请实施例中，假设驾驶员的驾驶状态正常为正、驾驶状态不正常为负，则归一化区间可以为[-100％，100％]、[-100，100]等区间，此处假设归一化区间为[-100，100]，则S243中的第一超车频率70％就会以第十二信息为准，映射到[-100％，100％]区间中[-100，0]范围内。为了便于描述，此处将根据第十二信息对第一超车频率进行归一化处理后得到的结果定义为第四二子结果。
在本申请另一实施例中，所述根据第二摄像头采集的车辆的车外视频，获取反映驾驶员驾驶状态的第四结果，还可以包括：
S245，根据所述车外视频确定所述车辆是否存在变道，并在所述车辆存在变道时获取所述车辆的第一变道速度。
本申请实施例中，车辆是否变道以及车辆变道时的变道速度可以通过车辆行驶状态检测模型对拍摄的车外视频进行检测分析而获得。为了便于描述，此处将根据车外视频确定车辆是否存在变道，并在所述车辆存在变道时获取车辆的变道速度定义为第一变道速度。
作为示例，车辆行驶状态检测模型可以对测量周期内拍摄的车外视频进行检测分析，获得车外视频中本车辆的平均变道速度和变道是否违返交规的结果，然后根据车辆的平均变道速度和变道是否违返交规的结果，获得表征驾驶员驾驶状态的第一变道速度。
S246，若所述第一变道速度小于或等于第七阈值时，则得到第十三信息，所述第十三信息用于表示驾驶状态正常。
本申请实施例中，第七阈值可以是根据实际情况预先设定的，第十三信息可以是预先规定的用于表示驾驶状态正常的符号或者标识，具体可参照S112中的描述，在此不再重复说明。
本申请实施例中，假设第七阈值为60％，10分钟内测得的车辆的第一变道速度为50％，由于第一变道速度50％小于第七阈值60％，则说明此时驾驶员的驾驶状态正常，因此得到用于表示驾驶状态正常的第十三信息。
S247，根据所述第十三信息对所述第一变道速度进行归一化处理，得到第四三子结果。
本申请实施例中，假设驾驶员的驾驶状态正常为正、驾驶状态不正常为负，则归一化区间可以为[-100％，100％]、[-100，100]等区间，此处假设归一化区间为[-100％，100％]，则S246中的第一变道速度50％就会以第十三信息为准，映射到[-100％，100％]区间中[0，100]范围内。为了便于描述，此处将根据第十三信息对第一变道速度进行归一化处理得到的结果定义为第四三子结果。
S248，若所述第一变道速度大于所述第七阈值时，则得到第十四信息，所述第十四信息用于表示驾驶状态不正常。
本申请实施例中，第十四信息是与第十三信息相对应的，若第十三信息为负，则第十四信息则为正。
作为示例，假设第七阈值为60％，第一变道速度为70％，由于第一变道速度70％大于第七阈值60％，因此得到用于表示驾驶状态不正常的第十四信息。
S249，根据所述第十四信息对所述第一变道速度进行归一化处理，得到第四四子结果。
本申请实施例中，假设驾驶员的驾驶状态正常为正、驾驶状态不正常为负，则归一化区间可以为[-100％，100％]、[-100，100]等区间，此处假设归一化区间为[-100，100]，则S248中的第一变道速度70％就会以第十四信息为准，映射到[-100％，100％]区间中的[-100，0]范围内。为了便于描述，此处将根据第十四信息对第一变道速度进行归一化处理后得到的结果定义为第四四子结果。
本申请实施例中，第四结果包括第四一子结果、第四二子结果、第四三子结果或第四四子结果。
需要补充说明的是，在实际应用中，也可以对S24中得到的第一超车频率和第一变道速度进行加权平均，得到所述第四结果。
此外，还需要说明的是，上述中的第一信息、第三信息、第五信息、第七信息、第九信息、第十一信息、第十三信息可以是相同的符号或者标识，对应的，第二信息、第四信息、第六信息、第八信息、第十信息、第十二信息和第十四信息可以是相同的符号或标识。
相应的，所述根据所述第一结果、第二结果和第三结果得到目标结果，包括：
S25，根据所述第一结果、所述第二结果、所述第三结果和所述第四结果得到目标结果。
本申请实施例中，第一结果可通过S21获得，具体获得过程见S11；第二结果可通过S22获取，具体获取过程见S12；第三结果可通过S23获得，具体获取过程见S13；第四结果可通过S24获得。
在本申请另一实施例中，所述根据所述第一结果、所述第二结果、所述第三结果和所述第四结果得到目标结果，包括：
S250，获取所述第一结果、所述第二结果、所述第三结果和所述第四结果的初始权重。
本申请实施例中，第一结果、第二结果、第三结果和第四结果的初始权重可以相同可以不同，本申请对此不作限定。
作为示例，获取的第一结果的初始权重为W1，第二结果的初始权重为W2，第三结果的初始权重为W3，第四结果的初始权重为W4，其中，W1、W2、W3、W4可以相同，也可以各不相同。
S251，根据所述第一结果和所述第一结果的初始权重、所述第二结果和所述第二结果的初始权重、所述第三结果和所述第三结果的初始权重、所述第四结果和所述第四结果的初始权重，获得反映驾驶员是否正常驾驶的目标结果。
本申请实施例中，在S250之后，可以得到目标结果＝第一结果*W1+第二结果*W2+第三结果*W3+第四结果*W4。
在本申请另一实施例中，所述根据所述第一结果、所述第二结果、所述第三结果和所述第四结果得到目标结果，还包括：
S252，获取所述第一结果的第一动态权重、所述第二结果的第二动态权重、所述第三结果的第三动态权重和所述第四结果的第四动态权重。
本申请实施例中，第一动态权重是历史结果中第一结果出现的频率占历史结果出现频率总和的比例，其中，历史结果包括：历史出现的第一结果、历史出现的第二结果、历史出现的第三结果和历史出现的第四结果。
第二动态权重、第三动态权重、第四动态权重的获取可参照第一动态权重的获取过程。在此不再细述。
需要说明的是，此处通过获取第一结果出现的频率占历史结果的比例，第二结果出现的频率占历史结果的比例，第三结果出现的频率占历史结果的比例，以及第四结果出现的频率占历史结果的比例，分别得到第一结果的第一动态权重，第二结果的第二动态权重，第三结果的第三动态权重，第四结果的第四动态权重，从而使得到的目标结果能更加准确的反映出驾驶员的驾驶状态。
作为示例，假设第一结果的当前权重为A，第二结果的当前权重为B，第三结果的当前权重为C，第四结果的当前权重为D，当在测量周期内无法检测到第一结果时，可以将第一结果的权重A，分配给第二结果、第三结果和第四结果，其中，分配的原则可以是平均分配，即将第一结果的权重A平均分成三份，然后给到第二结果、第三结果和第四结果。
当然，也可以参考第二结果出现的频率占历史结果的比例，第三结果出现的频率占历史结果的比例，以及第四结果出现的频率占历史结果的比例，将第一结果的权重A划分成a1、a2、a3，然后将a1给到第二结果，将a2给到第三结果、将a3给到第四结果，从而得到第一结果的第一动态权重A1(此处为0)，第二结果的第二动态权重B1(B+a1)，第三结果的第三动态权重C1(C+a2)，第四结果的第四动态权重D1(D+a3)。
本申请中，为了便于描述，将获取的第一结果的动态权重定义为第一动态权重，将获取的第二结果的动态权重定义为第二动态权重，将获取的第三结果的动态权重定义为第三动态权重，将获取的第四结果的动态权重定义为第四动态权重。在实际应用中，第一动态权重、第二动态权重、第三动态权重、第四动态权重是动态变化的。
S253，根据所述第一结果和所述第一动态权重、所述第二结果和所述第二动态权重、所述第三结果和所述第三动态权重、所述第四结果和所述第四动态权重，获得反映驾驶员是否正常驾驶的目标结果。
在S252中，已经获得了第一结果的第一动态权重A1，第二结果的第二动态权重B1，第三结果的第三动态权重C1，第四结果的第四动态权重D1，那么，目标结果＝第一结果*A1+第二结果*B1+第三结果*C1+第四结果*D1。
图3示出本申请一实施例提供的驾驶状态检测装置的示意框图，为了便于说明，仅示出与本申请实施例相关的部分。所述驾驶状态检测装置3，包括：
第一获取单元310，用于根据脑电采集装置采集的驾驶员的脑电信号，获取反映驾驶员驾驶状态的第一结果；
第二获取单元320，用于根据心跳采集装置采集的驾驶员的心跳信号，获取反映驾驶员驾驶状态的第二结果；
第三获取单元330，用于根据第一摄像头采集的驾驶员的人脸视频，获取反映驾驶员驾驶状态的第三结果；
第四获取单元340，用于根据所述第一结果、第二结果和第三结果得到目标结果；
第一确定单元350，用于根据所述目标结果确定驾驶员的驾驶状态。
上述方法实施例中的其他步骤可以通过上述示例中的任一单元实现，或上述示例中以外的单元实现，本申请实施例对此不做限定。
需要说明的是，上述装置/单元之间的执行过程和相互之间的信息交互与本申请实施例提供的驾驶状体检测方法基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图4是本申请另一实施例提供的一种驾驶状态检测装置的示意框图4。如图4所示，该实施例的驾驶状态检测装置400包括：
一个或多个处理器400、存储器410以及存储在所述存储器410中并可在所述处理器400上运行的计算机程序420。所述处理器400执行所述计算机程序420时实现上述各个方法实施例中的步骤，例如图1所示的S110至S150。或者，所述处理器400执行所述计算机程序420时实现上述装置实施例中各模块的功能，例如图3所示模块310至350的功能。
示例性的，所述计算机程序420可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器410中，并由所述处理器400执行，以完成本申请所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序420在所述驾驶状态检测装置4中的执行过程。例如，所述计算机程序420可以被分割成第一获取单元、第二获取单元、第三获取单元、第四获取单元和第一确定单元，这些单元实现的功能参照图3所示实施例的描述。
所述驾驶状态检测装置包括但不仅限于处理器400、存储器410。本领域技术人员可以理解，图4仅仅是驾驶状态检测装置4的一个示例，并不构成对驾驶状态检测装置4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述驾驶状态检测装置4还可以包括输入设备、输出设备、网络接入设备、总线等。
所述处理器400可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器410可以是所述驾驶状态检测装置4的内部存储单元，例如驾驶状态检测装置4的硬盘或内存。所述存储器410也可以是所述驾驶状态检测装置4的外部存储设备，例如所述驾驶状态检测装置4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器410还可以既包括所述驾驶状态检测装置4的内部存储单元也包括外部存储设备。所述存储器410用于存储所述计算机程序以及所述驾驶状态检测装置4所需的其他程序和数据。所述存储器410还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的驾驶状态检测装置和方法，可以通过其它的方式实现。例如，以上所描述的驾驶状态检测装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被一个或多个处理器执行时，可实现上述各个方法实施例的步骤。
同样，作为一种计算机程序产品，当计算机程序产品在驾驶状态检测装置上运行时，使得驾驶状态检测装置执行时实现可实现上述各个方法实施例中的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明仅用于帮助理解本申请的方法及其核心思想。同时，本领域技术人员依据本申请的思想，基于本申请的具体实施方式及应用范围上做出的改变或变形之处，都属于本申请保护的范围。综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种驾驶状态检测方法，其特征在于，包括：
根据脑电采集装置采集的驾驶员的脑电信号，获取反映驾驶员驾驶状态的第一结果；
根据心跳采集装置采集的驾驶员的心跳信号，获取反映驾驶员驾驶状态的第二结果；
根据第一摄像头采集的驾驶员的人脸视频，获取反映驾驶员驾驶状态的第三结果；
根据所述第一结果、所述第二结果和所述第三结果得到目标结果；
根据所述目标结果检测驾驶员的驾驶状态。
2.如权利要求1所述的驾驶状态检测方法，其特征在于，所述驾驶状态检测方法还包括：
根据第二摄像头采集车辆的车外视频，获取反映驾驶员驾驶状态的第四结果；
相应的，所述根据所述第一结果、所述第二结果和所述第三结果得到目标结果，包括：
根据所述第一结果、所述第二结果、所述第三结果和所述第四结果得到目标结果。
3.如权利要求1所述的驾驶状态检测方法，其特征在于，所述根据脑电采集装置采集的驾驶员的脑电信号，获取反映驾驶员驾驶状态的第一结果，包括：
获取测量周期内所述脑电信号的第一数据；
获取所述脑电信号的第一数据与第一阈值之间差值的绝对值，得到第一专注概率；
若所述第一专注概率小于或等于所述第一阈值的第一预设比，则得到第一信息，所述第一信息用于表示驾驶状态正常；
根据所述第一信息对所述第一专注概率进行归一化处理，得到第一一子结果；
若所述第一专注概率大于所述第一阈值的第一预设比，则得到第二信息，所述第二信息用于表示驾驶状态不正常；
根据所述第二信息对所述第一专注概率进行归一化处理，得到第一二子结果；
所述第一结果包括第一一子结果或第一二子结果。
4.如权利要求1所述的驾驶状态检测方法，其特征在于，所述根据心跳采集装置采集的驾驶员的心跳信号，获取反映驾驶员驾驶状态的第二结果，包括：
获取所述心跳信号的心跳频率；
获取测量周期内所述心跳信号的心跳频率位于第一预设区间的次数，得到第一疲劳概率；
若所述第一疲劳概率大于或等于第二阈值，则得到第三信息，所述第三信息用于表示驾驶状态正常；
根据所述第三信息对所述第一疲劳概率进行归一化处理，得到第二一子结果；
若所述第一疲劳概率小于所述第二阈值，则得到第四信息，所述第四信息用于表示驾驶状态不正常；
根据所述第四信息对所述第一疲劳概率进行归一化处理，得到第二二子结果；
所述第二结果包括第二一子结果或第二二子结果。
5.如权利要求1所述的驾驶状态检测方法，其特征在于，所述根据第一摄像头采集的驾驶员的人脸视频，获取反映驾驶员驾驶状态的第三结果，包括：
根据所述人脸视频获取测量周期内驾驶员的第一眨眼频率；
若所述第一眨眼频率大于或等于第三阈值，则得到第五信息，所述第五信息用于表示驾驶状态正常；
根据所述第五信息对所述第一眨眼频率进行归一化处理，得到第三一子结果；
若所述第一眨眼频率小于所述第三阈值，则得到第六信息，所述第六信息用于表示驾驶状态不正常；
根据所述第六信息对所述第一眨眼频率进行归一化处理，得到第三二子结果；
或，
根据所述人脸视频获取测量周期内驾驶员的闭眼时间占测量周期的比例，得到第二疲劳概率；
若所述第二疲劳概率小于或等于第四阈值，则得到第七信息，所述第七信息用于表示驾驶状态正常；
根据所述第七信息对所述第二疲劳概率进行归一化处理，得到第三三子结果；
若所述第二疲劳概率大于所述第四阈值，则得到第八信息，所述第八信息用于表示驾驶状态不正常；
根据所述第八信息对所述第二疲劳概率进行归一化处理，得到第三四子结果；
或，
根据所述人脸视频获取测量周期内驾驶员的第一打哈欠频率；
若所述第一打哈欠频率小于或等于第五阈值，则得到第九信息，所述第九信息用于表示驾驶状态正常；
根据所述第九信息对所述第一打哈欠频率进行归一化处理，得到第三五子结果；
若所述第一打哈欠频率大于所述第五阈值，则得到第十信息，所述第十信息用于表示驾驶状态不正常；
根据所述第十信息对所述第一打哈欠频率进行归一化处理，得到第三六子结果；
所述第三结果包括第三一子结果、第三二子结果、第三三子结果、第三四子结果、第三五子结果或第三六子结果。
6.如权利要求2所述的驾驶状态检测方法，其特征在于，所述根据第二摄像头采集的车辆的车外视频，获取反映驾驶员驾驶状态的第四结果，包括：
根据所述车外视频获得测量周期内所述车辆的第一超车频率；
若所述第一超车频率小于或等于第六阈值时，则得到第十一信息，所述第十一信息用于表示驾驶状态正常；
根据所述第十一信息对所述第一超车频率进行归一化处理，得到第四一子结果；
若所述第一超车频率大于所述第六阈值时，则得到第十二信息，所述第十二信息用于表示驾驶状态不正常；
根据所述第十二信息对所述第一超车频率进行归一化处理，得到第四二子结果；
或，
根据所述车外视频确定所述车辆是否存在变道，并在所述车辆存在变道时获取所述车辆的第一变道速度；
若所述第一变道速度小于或等于第七阈值时，则得到第十三信息，所述第十三信息用于表示驾驶状态正常；
根据所述第十三信息对所述第一变道速度进行归一化处理，得到第四三子结果；
若所述第一变道速度大于所述第七阈值时，则得到第十四信息，所述第十四信息用于表示驾驶状态不正常；
根据所述第十四信息对所述第一变道速度进行归一化处理，得到第四四子结果；
所述第四结果包括第四一子结果、第四二子结果、第四三子结果或第四四子结果。
7.如权利要求2所述的驾驶状态检测方法，其特征在于，所述根据所述第一结果、所述第二结果、所述第三结果和所述第四结果得到目标结果，包括：
获取所述第一结果、所述第二结果、所述第三结果和所述第四结果的初始权重；
根据所述第一结果和所述第一结果的初始权重、所述第二结果和所述第二结果的初始权重、所述第三结果和所述第三结果的初始权重、所述第四结果和所述第四结果的初始权重，获得反映驾驶员是否正常驾驶的目标结果。
8.如权利要求2所述的驾驶状态检测方法，其特征在于，所述根据所述第一结果、所述第二结果、所述第三结果和所述第四结果得到目标结果，包括：
获取所述第一结果的第一动态权重、所述第二结果的第二动态权重、所述第三结果的第三动态权重和所述第四结果的第四动态权重；
根据所述第一结果和所述第一动态权重、所述第二结果和所述第二动态权重、所述第三结果和所述第三动态权重、所述第四结果和所述第四动态权重，获得反映驾驶员是否正常驾驶的目标结果；
其中，所述第一动态权重是历史结果中所述第一结果出现的频率占所述历史结果出现频率总和的比例，所述历史结果包括：历史出现的第一结果、历史出现的第二结果、历史出现的第三结果和历史出现的第四结果。
9.一种驾驶状态检测装置，其特征在于，包括处理器，所述处理器用于运行存储器中存储的计算机程序，以实现如权利要求1至8任一项所述的驾驶状态检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储计算机程序，所述计算机程序在处理器上运行时实现如权利要求1至8任一项所述的驾驶状态检测方法。
CN202110744726.6A 2021-06-30 2021-06-30 一种驾驶状态检测方法、检测装置及计算机可读存储介质 Active CN113331846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110744726.6A CN113331846B (zh) 2021-06-30 2021-06-30 一种驾驶状态检测方法、检测装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110744726.6A CN113331846B (zh) 2021-06-30 2021-06-30 一种驾驶状态检测方法、检测装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113331846A true CN113331846A (zh) 2021-09-03
CN113331846B CN113331846B (zh) 2024-01-02

Family

ID=77482048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110744726.6A Active CN113331846B (zh) 2021-06-30 2021-06-30 一种驾驶状态检测方法、检测装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113331846B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040201481A1 (en) * 2003-03-20 2004-10-14 Takeshi Yoshinori Vehicle tiredness alleviating system
CN104112335A (zh) * 2014-07-25 2014-10-22 北京机械设备研究所 一种基于多信息融合的疲劳驾驶检测方法
CN109358614A (zh) * 2018-08-30 2019-02-19 深圳市易成自动驾驶技术有限公司 自动驾驶方法、系统、装置及可读存储介质
CN109377061A (zh) * 2018-10-30 2019-02-22 百度在线网络技术（北京）有限公司 无人车的分级方法、装置、设备、存储介质和车辆
CN109367539A (zh) * 2018-11-01 2019-02-22 哈尔滨理工大学 一种检测疲劳驾驶的智能系统
CN109953763A (zh) * 2019-02-28 2019-07-02 扬州大学 一种基于深度学习的车载驾驶行为检测预警系统及方法
JP2019125255A (ja) * 2018-01-18 2019-07-25 トヨタ自動車株式会社 エージェント連携システム、エージェント連携方法およびデータ構造
CN110733508A (zh) * 2019-10-29 2020-01-31 深圳联安通达科技有限公司 一种疲劳驾驶检测方法和装置
US20200302782A1 (en) * 2019-03-18 2020-09-24 Yazaki Corporation Storage system for vehicle
CN111754729A (zh) * 2020-06-23 2020-10-09 上汽大众汽车有限公司 疲劳驾驶提示装置及提示方法
CN111942397A (zh) * 2020-08-06 2020-11-17 华南理工大学 危险驾驶行为监控方法、装置、存储介质
CN112455452A (zh) * 2020-11-30 2021-03-09 恒大新能源汽车投资控股集团有限公司 驾驶状态的检测方法、装置及设备
CN112677983A (zh) * 2021-01-07 2021-04-20 浙江大学 一种识别驾驶员驾驶风格的系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040201481A1 (en) * 2003-03-20 2004-10-14 Takeshi Yoshinori Vehicle tiredness alleviating system
CN104112335A (zh) * 2014-07-25 2014-10-22 北京机械设备研究所 一种基于多信息融合的疲劳驾驶检测方法
JP2019125255A (ja) * 2018-01-18 2019-07-25 トヨタ自動車株式会社 エージェント連携システム、エージェント連携方法およびデータ構造
CN109358614A (zh) * 2018-08-30 2019-02-19 深圳市易成自动驾驶技术有限公司 自动驾驶方法、系统、装置及可读存储介质
CN109377061A (zh) * 2018-10-30 2019-02-22 百度在线网络技术（北京）有限公司 无人车的分级方法、装置、设备、存储介质和车辆
CN109367539A (zh) * 2018-11-01 2019-02-22 哈尔滨理工大学 一种检测疲劳驾驶的智能系统
CN109953763A (zh) * 2019-02-28 2019-07-02 扬州大学 一种基于深度学习的车载驾驶行为检测预警系统及方法
US20200302782A1 (en) * 2019-03-18 2020-09-24 Yazaki Corporation Storage system for vehicle
CN110733508A (zh) * 2019-10-29 2020-01-31 深圳联安通达科技有限公司 一种疲劳驾驶检测方法和装置
CN111754729A (zh) * 2020-06-23 2020-10-09 上汽大众汽车有限公司 疲劳驾驶提示装置及提示方法
CN111942397A (zh) * 2020-08-06 2020-11-17 华南理工大学 危险驾驶行为监控方法、装置、存储介质
CN112455452A (zh) * 2020-11-30 2021-03-09 恒大新能源汽车投资控股集团有限公司 驾驶状态的检测方法、装置及设备
CN112677983A (zh) * 2021-01-07 2021-04-20 浙江大学 一种识别驾驶员驾驶风格的系统

Also Published As

Publication number Publication date
CN113331846B (zh) 2024-01-02

Similar Documents

Publication Publication Date Title
CN108701229B (zh) 驾驶行为分析方法及驾驶行为分析装置
CN106934876B (zh) 一种车辆异常驾驶事件的识别方法及系统
CN110245574B (zh) 一种用户疲劳状态识别方法、装置及终端设备
EP3627468B1 (en) Fatigue state detection method, apparatus, and device
JP2011018240A (ja) 状態検出装置、状態検出方法及びプログラム
CN106913333B (zh) 一种持续性注意水平的敏感性特征指标的选取方法
Wu et al. Driving behaviour‐based event data recorder
CN107233103A (zh) 高铁调度员疲劳状态测评方法及系统
CN111626360B (zh) 用于检测锅炉故障类型的方法、装置、设备和存储介质
CN113257039A (zh) 基于大数据分析的驾驶预警方法及装置
CN116725553A (zh) 基于时频域关联特征的睡眠循环交替模式检测方法及装置
CN113907758A (zh) 一种驾驶员疲劳检测方法、装置、设备及存储介质
Thilagaraj et al. Identification of drivers drowsiness based on features extracted from EEG signal using SVM classifier
CN216848010U (zh) 一种边缘计算的电缆局放在线监测装置
CN115349865A (zh) 驾驶员心电信号分析方法、装置及存储介质
CN115713754A (zh) 基于驾驶员恐惧情绪识别的分阶段分级干预的方法及系统
CN113331846A (zh) 一种驾驶状态检测方法、检测装置及计算机可读存储介质
US20220351614A1 (en) Accident risk diagnosis method, accident risk diagnosis apparatus, and accident risk diagnosis system
CN114564110B (zh) 基于脑电数据的驾驶学习能力检测方法及系统
CN116563828A (zh) 驾驶员状态实时监控方法、装置、电子设备及存储介质
CN116798189A (zh) 一种状态的检测方法、装置及存储介质
JP2018537787A (ja) 車両の搭乗者の少なくとも１つの目の開眼データを分類する方法および装置、および、車両の搭乗者の眠気および／またはマイクロスリープを検出する方法および装置
CN114435373B (zh) 疲劳驾驶检测方法、装置、计算机设备和存储介质
WO2023142380A1 (zh) 一种车载人体信息获取方法、装置及车辆
JP2020194206A (ja) 学習方法、運転支援方法、学習プログラム、運転支援プログラム、学習装置、運転支援システム及び学習システム

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