CN114330448A - 一种危险驾驶检测方法、装置、设备及可读存储介质 - Google Patents
一种危险驾驶检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN114330448A CN114330448A CN202111670111.XA CN202111670111A CN114330448A CN 114330448 A CN114330448 A CN 114330448A CN 202111670111 A CN202111670111 A CN 202111670111A CN 114330448 A CN114330448 A CN 114330448A
- Authority
- CN
- China
- Prior art keywords
- spectrogram
- action
- real
- respiratory
- dangerous 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
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请涉及一种危险驾驶检测方法、装置、设备及可读存储介质,涉及安全驾驶技术领域,包括:基于毫米波雷达分别采集驾驶员的实时手部动作数据和实时胸腔运动数据;对实时手部动作数据进行FFT变换,得到动作频谱图;将动作频谱图导入XGBoost分类器,以检测动作频谱图对应的动作是否为手持通话动作;若是,则对实时胸腔运动数据进行FFT变换,得到呼吸频谱图;将呼吸频谱图导入支持向量机,以检测呼吸频谱图对应的动作是否为说话动作;若是,则判定驾驶员处于危险驾驶状态。本申请可有效实现驾驶员危险行为的检测,且在保证准确率的同时实现了对用户的隐私保护,还能够适应复杂的环境。
Description
技术领域
本申请涉及安全驾驶技术领域,特别涉及一种危险驾驶检测方法、装置、设备及可读存储介质。
背景技术
驾驶员的驾驶专注程度决定了汽车行驶过程的安全性。其中。在行车过程中,驾驶员拿着手机通话的行为往往会分散驾驶员的注意力,以致发生道路安全事故的概率提高了数倍。因此,如何实时地检测驾驶员是否正在拿着手机通话,并及时阻止这种危险驾驶行为是一个值得思考的问题。
相关技术中,往往是基于图像或者声音特征来实现驾驶员的通话检测。比如,通过摄像头对驾驶员行为进行实时拍摄,再对拍摄图像进行处理,最后根据图像处理结果判断驾驶员是否存在危险驾驶的行为。该方法虽然能够实现驾驶员的通话检测,但是,其对驾驶员的隐私保护不足,同时其检测的准确率受光照强度、背景噪声等环境因素影响较大,以致对环境的依赖程度较大。
发明内容
本申请提供一种危险驾驶检测方法、装置、设备及可读存储介质,以解决相关技术中基于图像或者声音特征来实现驾驶员的通话检测而导致的对驾驶员的隐私保护不足且准确率受环境因素影响大的问题。
第一方面,提供了一种危险驾驶检测方法,包括以下步骤:
基于毫米波雷达分别采集驾驶员的实时手部动作数据和实时胸腔运动数据;
对所述实时手部动作数据进行FFT变换,得到动作频谱图;
将所述动作频谱图导入XGBoost分类器,以检测所述动作频谱图对应的动作是否为手持通话动作;
若是,则对所述实时胸腔运动数据进行FFT变换,得到呼吸频谱图;
将所述呼吸频谱图导入支持向量机,以检测所述呼吸频谱图对应的动作是否为说话动作,若是,则判定驾驶员处于危险驾驶状态。
一些实施例中,所述对所述实时手部动作数据进行FFT变换,得到动作频谱图,包括:
提取所述实时手部动作数据中的中频信号;
对所述中频信号依次进行距离FFT变换、多普勒FFT变换,得到动作频谱图。
一些实施例中,在所述将所述动作频谱图导入XGBoost分类器的步骤之前,还包括:
基于帧差法对所述动作频谱图进行去噪处理,得到去噪后的动作频谱图。
一些实施例中,在所述将所述呼吸频谱图导入支持向量机的步骤之前,还包括:
以呼吸周期为单位,基于滑动窗口算法对所述呼吸频谱图进行切分,得到切分后的呼吸频谱图。
第二方面,提供了一种危险驾驶检测装置,包括:
毫米波雷达单元,其用于分别采集驾驶员的实时手部动作数据和实时胸腔运动数据;
第一处理单元,其用于对所述实时手部动作数据进行FFT变换,得到动作频谱图;
第一检测单元,其用于将所述动作频谱图导入XGBoost分类器,以检测所述动作频谱图对应的动作是否为手持通话动作;
第二处理单元,其用于若是,则对所述实时胸腔运动数据进行FFT变换,得到呼吸频谱图;
第二检测单元,其用于将所述呼吸频谱图导入支持向量机,以检测所述呼吸频谱图对应的动作是否为说话动作;若是,则判定驾驶员处于危险驾驶状态。
一些实施例中,所述第一处理单元具体用于:
提取所述实时手部动作数据中的中频信号;
对所述中频信号依次进行距离FFT变换、多普勒FFT变换,得到动作频谱图。
一些实施例中,所述第一处理单元还用于:
基于帧差法对所述动作频谱图进行去噪处理,得到去噪后的动作频谱图。
一些实施例中,所述第二处理单元还用于:
以呼吸周期为单位,基于滑动窗口算法对所述呼吸频谱图进行切分,得到切分后的呼吸频谱图。
第三方面,提供了一种危险驾驶检测设备,包括:存储器和处理器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行,以实现前述的危险驾驶检测方法。
第四方面,提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,当所述计算机程序被处理器执行时,以实现前述的危险驾驶检测方法。
本申请提供的技术方案带来的有益效果包括:可有效实现驾驶员危险行为的检测,且在保证准确率的同时实现了对用户的隐私保护,还能够适应复杂的环境。
本申请提供了一种危险驾驶检测方法、装置、设备及可读存储介质,包括:基于毫米波雷达分别采集驾驶员的实时手部动作数据和实时胸腔运动数据;对所述实时手部动作数据进行FFT变换,得到动作频谱图;将所述动作频谱图导入XGBoost分类器,以检测所述动作频谱图对应的动作是否为手持通话动作;若是,则对所述实时胸腔运动数据进行FFT变换,得到呼吸频谱图;将所述呼吸频谱图导入支持向量机,以检测所述呼吸频谱图对应的动作是否为说话动作;若是,则判定驾驶员处于危险驾驶状态。本申请通过毫米波雷达实现对驾驶员的驾驶动作数据和呼吸数据的采集,并基于XGBoost分类器和支持向量机实现对采集到的驾驶动作数据和呼吸数据进行分析,进而识别出驾驶员是否有手持通话的动作发生以及是否正在说话,从而实现驾驶员危险驾驶行为的有效检测。由此可见,本申请在实现驾驶员危险行为的检测时,不仅不受环境因素影响,且无需对驾驶员的驾驶行为进行摄像和录音,在保证准确率的同时实现了对用户的隐私保护,还能够适应复杂的环境。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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为本申请实施例提供的一种危险驾驶检测方法的流程示意图;
图2为本申请实施例提供的危险驾驶检测方法原理示意图;
图3为本申请实施例提供的一种危险驾驶检测装置的结构示意图;
图4为本申请实施例提供的一种危险驾驶检测设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供了一种危险驾驶检测方法、装置、设备及可读存储介质,其能解决相关技术中基于图像或者声音特征来实现驾驶员的通话检测而导致的对驾驶员的隐私保护不足且准确率受环境因素影响大的问题。
参见图1和图2所示,本申请实施例提供了一种危险驾驶检测方法,包括以下步骤:
步骤S10:基于毫米波雷达分别采集驾驶员的实时手部动作数据和实时胸腔运动数据;
示范性的,在本申请实施例中,首先对毫米波雷达的调制参数进行设置,参见表1所示,比如:每帧设置128个chirp(线性调频脉冲)、每个chirp设置128个采样点、帧长为50ms、扫频时长为50μs,且持续时间为2s共40帧;然后基于毫米波雷达开始对实时手部动作数据和实时胸腔运动数据进行采集,得到原始数据样本。
表1雷达信号调制参数表
参数设置 | 数值 |
载波频率 | 77GHz |
工作带宽 | 4GHz |
发射通道 | 3个 |
接收通道 | 4个 |
调频脉冲频率 | 300MHz/μs |
帧长 | 50ms |
每帧chirp数 | 128 |
扫频时长 | 50μs |
chirp采样数 | 128个 |
信号强度 | 30dB |
需要说明的是,上述表1中雷达信号中各个参数数值的设置仅是实施例的呈现,还可根据实际需求确定,在此不作限定。
步骤S20:对所述实时手部动作数据进行FFT(Fast Fourier Transform,快速傅立叶变换)变换,得到动作频谱图;
进一步的,所述对所述实时手部动作数据进行FFT变换,得到动作频谱图,具体包括以下步骤:
提取所述实时手部动作数据中的中频信号;
对所述中频信号依次进行距离FFT变换、多普勒FFT变换,得到动作频谱图。
示范性的,在本申请实施例中,由于雷达发射的信号采用的是频率调制,通过天线向外发射一系列连续调频毫米波,并接收目标的反射信号,其工作原理就是用回波信号和发射信号的一部分进行相干混频,得到包含目标的距离和速度信息的中频信号,再对中频信号进行检测即可得到目标的距离和速度。因此,本实施例中,先将实时手部动作数据中的中频信号提取出来,然后通过以太网将该中频信号的信号采样传输到主机,并按照16进制进行存储,形成bin文件,作为待处理的手部动作数据。
首先,在快时间域上对每一个扫频周期内的中频信号进行距离FFT变换(即Range-FFT变换),求出每个chirp中的单个扫频信号的距离频谱向量di,并基于一帧内所有chirp的距离频谱向量di求出对应一帧内扫频信号的距离频谱矩阵Di。具体的,扫频信号每个采样点对应的瞬时信号点b[n,m]可以用以下公式(1)表示:
其中,n为扫频采样点数,比如n等于128,m为每帧的扫频信号数量,Tslow和Tfast分别表示帧持续时间和扫频周期,Am为常数,j为复数,B为扫频信号的工作带宽,且B=g·c,g为扫频信号的斜率,c为光速,l为目标物体与毫米波雷达之间的距离,且l=f·c/(2g),f为信号分量的频率,f0为信号分量的初始频率,v为运动物体的速度,通过计算多个连续chirp间的相位差Δφ进行速度测量,即v=λΔφ/(4πT),此处T为一个扫频周期,λ为波长。
通过公式(2)对上述瞬时信号点进行Range-FFT变换:
其中,i表示第某个扫频信号,n为扫频采样点数,m为每帧的扫频信号数量,b[n,m]为瞬时信号点。
由上可得,单个扫频信号的距离频谱向量di及一帧内扫频信号的距离频谱矩阵Di可由以下公式(3)和公式(4)表示:
Di=[d1,d2,...,dm]T (4)
其中,fft为FFT变换函数。
取每帧内所有距离频谱向量di的均值,即对距离频谱矩阵Di的每一列取均值,作为该帧的代表向量,以增强峰值信号,并对杂波进行滤除,提高信号的信噪比;然后再使用门限降噪的方法对经过Range-FFT变换后的数据进行降噪。
最后在慢时间域上,对距离频谱矩阵Di进行多普勒FFT变换(即Doppler-FFT变换),即可计算出实时手部动作所对应的动作模式信号,进而得到动作频谱图,即距离-速度多普勒频谱图(RDM)。
步骤S30:将所述动作频谱图导入XGBoost分类器,以检测所述动作频谱图对应的动作是否为手持通话动作;
进一步的,在所述将所述动作频谱图导入XGBoost分类器的步骤之前,还包括以下步骤:
基于帧差法对所述动作频谱图进行去噪处理,得到去噪后的动作频谱图。
示范性的,在本申请实施例中,使用XGBoost(eXtreme Gradient Boosting,极致梯度提升)分类器对动作进行分类,完成手持通话的动作检测,并以此作为本实施例的一级分类器;不过在将动作频谱图导入XGBoost分类器进行动作检测之前,先使用帧差法去除动作频谱图中环境的静态噪声干扰,以提高动作频谱图的信噪比,即得到去噪后的动作模式信号。具体的,使用公式(5)求出背景帧Xbk的值:
其中,xk为运动样本的所有帧(矩阵形式),即静态噪声;i、j、d等参数均用于迭代函数,m和n分别为动作对应动作频谱图中矩阵的长和宽,在本实例中均可设为128,S代表一个动作的所有帧数,公式(5)中的第一项代表多普勒频谱不为零的区域,即为有速度值的区域,该区域基本为噪声点,故直接取所有帧的均值作为背景帧;而第二项为多普勒频谱为零的区域,此处为感兴趣的区域,因此背景帧在该列上的值应当设置为其他速度不为零区域的均值。在得到背景帧后,将一个动作样本内所有的帧减去背景帧即可实现对噪声的平滑,提高动作频谱图的信噪比。
然后,将经过去噪后的动作频谱图导入已经训练好的XGBoost分类器中,XGBoost分类器即可实现动作频谱图对应动作的识别。
其中,对于XGBoost分类器的训练部分,使用毫米波雷达采集常见驾驶动作(即合规驾驶动作)与手持通话动作(即非合规驾驶动作)的数据;具体的,在本实施例中设计了六种动作:接电话、摸头、摸鼻子、模拟转动方向盘、模拟挂挡和静坐;5位志愿者坐在离雷达0.5-1m的距离范围内,将上述六种动作重复进行50遍,每个动作采集时间为2s,一共形成了1500个样本,最后再通过人工标注的形式对样本所属的动作类型进行标注,构建XGBoost分类器的原始数据集。不过,由于每个动作样本一共采集了2s,一共40帧,而完成一个动作只需要0.5s到0.8s左右的时间;根据实验观察可知,志愿者在听到指令完成相应动作时,需要一定的反应时间,以致数据的前10帧都是动作尚未开始的数据帧,因此,本实施例中选取动作样本的第11帧到第40帧作为一个动作样本。针对每个动作样本,可以提取得到30×128×128的特征矩阵,其中,30代表帧的数量,后两维分别表示Range-FFT的采样点数和Doppler-FFT的采样点数,即RDM对应的频谱图大小。
步骤S40:若是,则对所述实时胸腔运动数据进行FFT变换,得到呼吸频谱图;
示范性的,在本申请实施例中,如果步骤S30中XGBoost分类器识别到动作频谱图对应的动作不是手持通话动作,那么就说明动作频谱图所对应的手部动作为合规驾驶动作,即驾驶员未做出危险驾驶的动作,因此不需要再做进一步的说话判断,继续采集驾驶员实时手部动作数据,以进行下一轮手部动作检测和识别;而若步骤S30中XGBoost分类器识别到动作频谱图对应的动作是手持通话动作,那么就说明动作频谱图所对应的手部动作可能为非合规驾驶动作,即驾驶员可能正在做危险驾驶的动作,此时需要对驾驶员的说话进行进一步判断,才能确定驾驶员正在拿着手机通话中。
因此,本实施例中,需要对实时胸腔运动数据进行FFT变换,得到呼吸频谱图。具体的,先将实时胸腔运动数据中的中频信号提取出来,然后通过以太网将该中频信号的信号采样传输到主机,并按照16进制进行存储,形成bin文件,作为待处理的胸腔运动数据;然后在快时间域上对中频信号进行采样,即取每帧第一个chirp产生的中频信号;并利用Range-FFT对每帧的第一个中频信号进行变换,分离出不同距离的物体,并根据中频信号的能量值确定胸腔起伏对应的信号分量,且在进行Range-FFT变换时,需采用长度为256的Hamming(哈明窗)观察窗口对Range-FFT变换进行加窗,取信号峰值对应的信号作为胸腔运动的信号分量。
胸腔运动信号在经过Range-FFT变换之后,即可得到信号的复数形式,复数对应的圆心角即为信号的初始相位;对胸腔起伏的复数信号的实部和虚部进行反正切运算,得到胸腔运动信号对应的相位角φ;此时,可能因不同象限间的变化会产生相位跃变现象,故需对相位进行解卷绕运算。解卷绕运算会判断当前相位角和前一个相位角之间的相位差的绝对值是否大于π,进而判断当前相位角是否需要进行解卷绕,若大于π,则进行相位解卷绕,具体参见如下公式(6)所示:
其次,对相邻两帧的相位进行求差,计算出帧间相位差,以反映胸腔在每一帧间的运动距离,从而体现出胸腔的运动模式;并对胸腔运动信号采用均值滤波技术,去除掉上述相位差中的尖刺信号,即判断当前帧与前后的帧之间的差值是否大于某一阈值,如果都超过阈值,则取前后两个帧的平均值代替当前帧,以达到对相位差的尖刺噪声进行平滑的目的;最后,对胸腔运动信号采用IIR数字滤波器(递归滤波器),从胸腔运动信号中分离出呼吸频率对应的信号,即得到最终的呼吸频谱图。具体的,可以选择4阶的Butterworth(巴特沃斯滤波器)带通滤波器,并根据呼吸的频率,将通带截止频率和阻带截止频率分别设置为0.1Hz和0.6Hz,最后胸腔运动信号在经过均值和带通滤波后的信号即可视为人体呼吸信号。
步骤S50:将所述呼吸频谱图导入支持向量机,以检测所述呼吸频谱图对应的动作是否为说话动作,若是,则判定驾驶员处于危险驾驶状态。
进一步的,在所述将所述呼吸频谱图导入支持向量机的步骤之前,还包括以下步骤:
以呼吸周期为单位,基于滑动窗口算法对所述呼吸频谱图进行切分,得到切分后的呼吸频谱图。
示范性的,在本申请实施例中,使用支持向量机(Support Vector Machine,SVM)对呼吸特征进行分类,识别驾驶员当前是否正在说话,并以此作为本实施例的二级分类器。不过,在将呼吸频谱图导入支持向量机之前,可以先利用滑动窗口算法对采集的呼吸信号进行切分;具体的,在数据切割的过程中,可将滑动窗口的长度设置为3.5s,该长度更为贴近呼吸的一个周期,因此窗口每次移动的距离也设置为3.5s,保证数据切分出的样本互不交叠。然后,对支持向量机的参数进行设置,具体可以进行如下设置:采用线性核进行分类,分类损失hinge(合页损失函数)函数作为模型的损失函数,并利用方差归一化对特征进行归一化处理;且通过PolynomialFeatures(多项式回归)对特征进行多项式构造,拟合特征的非线性分布。
最后将呼吸频谱图导入已经训练好的支持向量机中,支持向量机即可实现呼吸频谱图对应动作的识别。如果检测到呼吸频谱图对应的动作为非说话动作,则说明驾驶员当前未拿着手机等移动终端在通话,即处于非危险驾驶状态;而若检测到呼吸频谱图对应的动作为说话动作,则说明驾驶员正处于说话状态,且由于实时手部动作为手持通话动作,由此可见,驾驶员正拿着手机等移动终端在通话中,该动作为危险驾驶动作,其正处于危险驾驶状态。
其中,针对支持向量机的训练部分,对5名志愿者进行数据采集,每名志愿者数据采集时长为15分钟,每个样本总共包含18000帧胸腔起伏信号。具体的,本实施例中使志愿者分别处于静坐、说话、完成驾驶动作等三种状态,并基于毫米波雷达进行数据采集,得到雷达中频信号的原始数据,再使用信号处理方法,从原始数据中分离出人体胸腔的运动信号分量,并从胸腔运动信号中提取人体的呼吸模式。不过,在本实施例中,由于在采集数据的过程中,说话的时长小于平静状态的时长,因此需要对标签为说话的样本进行重采样,解决数据不均衡的问题,并再去除部分噪声数据后,得到了1979个样本构成支持向量机的呼吸模式数据集。
由于XGBoost分类器具有较好的动作识别性能和泛化能力,因此本实施例中选择XGBoost分类器作为第一级分类器,完成动作识别任务;并以支持向量机作为第二级分类器,完成说话识别任务,最后通过将两个分类器按照图2所示的流程图进行级联构成串联式通话检测模型。由此可见,本申请实施例通过毫米波雷达实现对驾驶员的驾驶动作数据和呼吸数据的采集,并基于XGBoost分类器和支持向量机实现对采集到的驾驶动作数据和呼吸数据进行分析,进而识别出驾驶员是否有手持通话的动作发生以及是否正在说话,从而实现驾驶员危险驾驶行为的有效检测。因此,本申请实施例在实现驾驶员危险行为的检测时,不仅不受环境因素影响,且无需对驾驶员的驾驶行为进行摄像和录音,在保证准确率的同时实现了对用户的隐私保护,还能够适应复杂的环境,即具有通用性高、隐私性强的优势。
参见图3所示,本申请实施例还提供了一种危险驾驶检测装置,包括:
毫米波雷达单元,其用于分别采集驾驶员的实时手部动作数据和实时胸腔运动数据;
第一处理单元,其用于对所述实时手部动作数据进行FFT变换,得到动作频谱图;
第一检测单元,其用于将所述动作频谱图导入XGBoost分类器,以检测所述动作频谱图对应的动作是否为手持通话动作;
第二处理单元,其用于若是,则对所述实时胸腔运动数据进行FFT变换,得到呼吸频谱图;
第二检测单元,其用于将所述呼吸频谱图导入支持向量机,以检测所述呼吸频谱图对应的动作是否为说话动作;若是,则判定驾驶员处于危险驾驶状态。
本申请实施例通过毫米波雷达实现对驾驶员的驾驶动作数据和呼吸数据的采集,并基于XGBoost分类器和支持向量机实现对采集到的驾驶动作数据和呼吸数据进行分析,进而识别出驾驶员是否有手持通话的动作发生以及是否正在说话,从而实现驾驶员危险驾驶行为的有效检测。因此,本申请实施例在实现驾驶员危险行为的检测时,不仅不受环境因素影响,且无需对驾驶员的驾驶行为进行摄像和录音,在保证准确率的同时实现了对用户的隐私保护,还能够适应复杂的环境,即具有通用性高、隐私性强的优势。
更进一步的,在本申请实施例中,所述第一处理单元具体用于:
提取所述实时手部动作数据中的中频信号;
对所述中频信号依次进行距离FFT变换、多普勒FFT变换,得到动作频谱图。
更进一步的,在本申请实施例中,所述第一处理单元还用于:
基于帧差法对所述动作频谱图进行去噪处理,得到去噪后的动作频谱图。
更进一步的,在本申请实施例中,所述第二处理单元还用于:
以呼吸周期为单位,基于滑动窗口算法对所述呼吸频谱图进行切分,得到切分后的呼吸频谱图。
需要说明的是,所属本领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和各单元的具体工作过程,可以参考前述危险驾驶检测方法实施例中的对应过程,在此不再赘述。
上述实施例提供的装置可以实现为一种计算机程序的形式,该计算机程序可以在如图4所示的危险驾驶检测设备上运行。
本申请实施例还提供了一种危险驾驶检测设备,包括:通过系统总线连接的存储器、处理器和网络接口,存储器中存储有至少一条指令,至少一条指令由处理器加载并执行,以实现前述的危险驾驶检测方法的全部步骤或部分步骤。
其中,网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
处理器可以是CPU,还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程逻辑门阵列(FieldProgrammable GateArray,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,处理器是计算机装置的控制中心,利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如视频播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如视频数据、图像数据等)等。此外,存储器可以包括高速随存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件或其他易失性固态存储器件。
本申请施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时,实现前述的危险驾驶检测方法的全部步骤或部分步骤。
本申请实施例实现前述的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法的步骤。其中,计算机程序包括计算机程序代码,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。计算机可读介质可以包括:能够携带计算机程序代码的仼何实体或装置、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(Read-Onlymemory,ROM)、随机存取存储器(RandomAccessmemory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,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电载波信号和电信信号。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、服务器或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种危险驾驶检测方法,其特征在于,包括以下步骤:
基于毫米波雷达分别采集驾驶员的实时手部动作数据和实时胸腔运动数据;
对所述实时手部动作数据进行FFT变换,得到动作频谱图;
将所述动作频谱图导入XGBoost分类器,以检测所述动作频谱图对应的动作是否为手持通话动作;
若是,则对所述实时胸腔运动数据进行FFT变换,得到呼吸频谱图;
将所述呼吸频谱图导入支持向量机,以检测所述呼吸频谱图对应的动作是否为说话动作,若是,则判定驾驶员处于危险驾驶状态。
2.如权利要求1所述的一种危险驾驶检测方法,其特征在于,所述对所述实时手部动作数据进行FFT变换,得到动作频谱图,包括:
提取所述实时手部动作数据中的中频信号;
对所述中频信号依次进行距离FFT变换、多普勒FFT变换,得到动作频谱图。
3.如权利要求1所述的一种危险驾驶检测方法,其特征在于,在所述将所述动作频谱图导入XGBoost分类器的步骤之前,还包括:
基于帧差法对所述动作频谱图进行去噪处理,得到去噪后的动作频谱图。
4.如权利要求1所述的一种危险驾驶检测方法,其特征在于,在所述将所述呼吸频谱图导入支持向量机的步骤之前,还包括:
以呼吸周期为单位,基于滑动窗口算法对所述呼吸频谱图进行切分,得到切分后的呼吸频谱图。
5.一种危险驾驶检测装置,其特征在于,包括:
毫米波雷达单元,其用于分别采集驾驶员的实时手部动作数据和实时胸腔运动数据;
第一处理单元,其用于对所述实时手部动作数据进行FFT变换,得到动作频谱图;
第一检测单元,其用于将所述动作频谱图导入XGBoost分类器,以检测所述动作频谱图对应的动作是否为手持通话动作;
第二处理单元,其用于若是,则对所述实时胸腔运动数据进行FFT变换,得到呼吸频谱图;
第二检测单元,其用于将所述呼吸频谱图导入支持向量机,以检测所述呼吸频谱图对应的动作是否为说话动作;若是,则判定驾驶员处于危险驾驶状态。
6.如权利要求5所述的一种危险驾驶检测装置,其特征在于,所述第一处理单元具体用于:
提取所述实时手部动作数据中的中频信号;
对所述中频信号依次进行距离FFT变换、多普勒FFT变换,得到动作频谱图。
7.如权利要求5所述的一种危险驾驶检测装置,其特征在于,所述第一处理单元还用于:
基于帧差法对所述动作频谱图进行去噪处理,得到去噪后的动作频谱图。
8.如权利要求5所述的一种危险驾驶检测装置,其特征在于,所述第二处理单元还用于:
以呼吸周期为单位,基于滑动窗口算法对所述呼吸频谱图进行切分,得到切分后的呼吸频谱图。
9.一种危险驾驶检测设备,其特征在于,包括:存储器和处理器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行,以实现权利要求1至4中任一项所述的危险驾驶检测方法。
10.一种计算机可读存储介质,其特征在于:所述计算机存储介质存储有计算机程序,当所述计算机程序被处理器执行时,以实现权利要求1至4中任一项所述的危险驾驶检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111670111.XA CN114330448A (zh) | 2021-12-31 | 2021-12-31 | 一种危险驾驶检测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111670111.XA CN114330448A (zh) | 2021-12-31 | 2021-12-31 | 一种危险驾驶检测方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330448A true CN114330448A (zh) | 2022-04-12 |
Family
ID=81020821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111670111.XA Pending CN114330448A (zh) | 2021-12-31 | 2021-12-31 | 一种危险驾驶检测方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330448A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115721294A (zh) * | 2022-11-24 | 2023-03-03 | 北京金茂绿建科技有限公司 | 基于毫米波感知的呼吸监测方法、装置、电子设备和介质 |
-
2021
- 2021-12-31 CN CN202111670111.XA patent/CN114330448A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115721294A (zh) * | 2022-11-24 | 2023-03-03 | 北京金茂绿建科技有限公司 | 基于毫米波感知的呼吸监测方法、装置、电子设备和介质 |
CN115721294B (zh) * | 2022-11-24 | 2023-09-12 | 北京金茂绿建科技有限公司 | 基于毫米波感知的呼吸监测方法、装置、电子设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101910540B1 (ko) | 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치 및 방법 | |
CN107305774A (zh) | 语音检测方法和装置 | |
CN105989836B (zh) | 一种语音采集方法、装置及终端设备 | |
CN109584266B (zh) | 一种目标检测方法及装置 | |
CN110188614A (zh) | 一种基于皮裂纹分割的nlm滤波指静脉去噪方法 | |
CN114330448A (zh) | 一种危险驾驶检测方法、装置、设备及可读存储介质 | |
JPH0715363A (ja) | 雑音に埋没した信号を検出するためのエネルギ・ベースの検出方法 | |
Bindu et al. | Object detection from complex background image using circular hough transform | |
CN108682433A (zh) | 基于mfcc的一阶差分系数的心音类型识别方法 | |
CN114820351A (zh) | 高光谱噪声滤波方法、装置、设备和存储介质 | |
US20060178881A1 (en) | Method and apparatus for detecting voice region | |
Xue et al. | Background subtraction based on phase and distance transform under sudden illumination change | |
Leprettre et al. | Extraction of pertinent subsets from time–frequency representations for detection and recognition purposes | |
CN112315440A (zh) | 心率检测方法、可穿戴设备及可读存储介质 | |
CN113064118A (zh) | 声源定位方法和装置 | |
CN111968651A (zh) | 一种基于wt的声纹识别方法及系统 | |
US6901152B2 (en) | Visual profile classification | |
CN115905945A (zh) | 行人动作识别方法、装置、设备及存储介质 | |
Selesnick et al. | Doppler-streak attenuation via oscillatory-plus-transient decomposition of IQ data | |
CN116933002A (zh) | 一种动作检测方法、装置、终端设备和存储介质 | |
Isaacs et al. | Automated cable tracking in sonar imagery | |
Shakeel et al. | Efficient blind image deblurring method for palm print images | |
Zhang et al. | Classification of low probability of interception communication signal modulations based on time-frequency analysis and artificial neural network | |
CN116343812B (zh) | 一种语音处理方法 | |
RU2464633C1 (ru) | Способ распознавания радиосигналов |
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 |