CN114463726A - 疲劳驾驶判别方法及相关装置 - Google Patents
疲劳驾驶判别方法及相关装置 Download PDFInfo
- Publication number
- CN114463726A CN114463726A CN202210017673.2A CN202210017673A CN114463726A CN 114463726 A CN114463726 A CN 114463726A CN 202210017673 A CN202210017673 A CN 202210017673A CN 114463726 A CN114463726 A CN 114463726A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- time period
- preset time
- standard deviation
- 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
Classifications
-
- 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
Abstract
本发明提供了一种疲劳驾驶判别方法及相关装置,该方法包括:确定车辆在预设时间段内的状态参数的值,状态参数包括车辆在预设时间段内的跟车时距标准差、车道线距离的标准差和航向角的标准差;将车辆在预设时间段内的状态参数的值输入预训练的判别模型中,获取第一判别结果,第一判别结果用于表示车辆的驾驶员处于疲劳状态的概率。本发明能够提高对驾驶员疲劳状态的判别精度。
Description
技术领域
本发明涉及安全驾驶技术领域,尤其涉及一种疲劳驾驶判别方法及相关装置。
背景技术
道路交通事故是造成人类伤亡的主要原因之一,其中,疲劳驾驶对交通安全的危害甚大,据相关统计,疲劳驾驶事故占总交通事故伤害的百分比逐年攀升。事实上,疲劳驾驶由于认定困难等因素,其造成交通事故的实际数量远高于交通管理部门的统计值。
对驾驶人员是否在疲劳驾驶进行检测并及时预警,能有效降低疲劳驾驶导致的交通事故,提高道路交通安全。其中,面部表情识别法采用机器视觉技术检测驾驶人眼部、嘴部或面部特征来判别驾驶人疲劳水平。该方法能够实时检测,且无需额外的传感器。但是,该方法受驾驶人姿态、光照、遮挡等因素的影响。难以适应实际道路环境下高性能的驾驶人疲劳状态辨识,容易出现误判。
因此,如何提高对驾驶人员的疲劳驾驶状态的检测精度,是现有技术急需解决的技术问题。
发明内容
有鉴于此,本发明提供了一种疲劳驾驶判别方法及相关装置,能够解决现有技术疲劳驾驶检测精度较低的问题。
第一方面,本发明实施例提供了一种疲劳驾驶判别方法,包括:
确定车辆在预设时间段内的状态参数的值,所述状态参数包括所述车辆在所述预设时间段内的跟车时距标准差、车道线距离的标准差和航向角的标准差;
将所述车辆在预设时间段内的状态参数的值输入预训练的判别模型中,获取第一判别结果,所述第一判别结果用于表示所述车辆的驾驶员处于疲劳状态的概率。
在一种可能的实现方式中,在所述确定车辆在预设时间段内的状态参数的值之前,该方法还包括:
获取多个数据样本,每个数据样本的输入参数为所述车辆的状态参数,每个数据样本的输出参数为驾驶员处于疲劳状态的概率;
通过所述多个样本数据对预设模型进行训练,得到所述判别模型。
在一种可能的实现方式中,确定所述车辆在所述预设时间段内的车道线距离的标准差包括:
针对所述车辆所在车道的左右车道线中的每一个车道线,根据所述车辆在所述预设时间段内与该车道线的距离获取所述车辆与该车道线距离的标准差,其中,在所述预设时间段内的任一时刻,若该时刻所述车辆在所述车道内,则所述车辆与该车道线的距离的值取正数,若该车辆压在该车道线上,则所述车辆与该车道线的距离的值为零,若所述车辆越过该车道线,则所述车辆与该车道线的距离的值取负数;
根据所述车辆与所述车道的左车道线距离的标准差,以及所述车辆与所述车道的右车道线距离的标准差,计算所述车辆在所述预设时间段内的车道线距离的标准差。
在一种可能的实现方式中,在确定所述车辆在所述预设时间段内的车道线距离的标准差之前,该方法还包括:
在所述预设时间段内,判断所述车辆是否由第一车道变道至第二车道;
若所述车辆由所述第一车道变道至所述第二车道,则获取所述车辆由所述第一车道变道至所述第二车道所对应的第一时间片段;
所述获取所述车辆在所述预设时间段内的车道线距离的标准差包括:
删除所述第一时间片段所对应的数据后,计算所述车辆在所述预设时间段内的车道线距离的标准差。
在一种可能的实现方式中,确定所述车辆在所述预设时间段内的航向角的标准差包括:
根据所述车辆在所述预设时间段内的行驶数据,判断所述车辆在所述预设时间段内是否发生转弯行驶和/或掉头行驶;
若所述车辆在所述预设时间段内发生转弯行驶和/或掉头行驶,则获取所述车辆转弯行驶和/或掉头行驶所对应的第二时间片段;
删除所述第二时间片段所对应的数据后,计算所述车辆在所述预设时间段内的航向角的标准差。
在一种可能的实现方式中,该方法还包括:
获取通过对所述驾驶员进行面部特征识别所得到的第二判别结果,所述第二判别结果用于表示所述驾驶员处于疲劳状态的概率;
根据所述第一判别结果和所述第二判别结果,获取综合判别结果。
在一种可能的实现方式中,所述根据所述第一判别结果和所述第二判别结果,获取综合判别结果包括:
根据预设公式获取综合判别结果,所述预设公式为
S=α1S1+α2S2
在所述预设公式中,S为所述综合判别结果的值,α1为所述第一判别结果对应的预设系数,S1为所述第一判别结果所对应的概率值,α2为所述第二判别结果所对应的预设系数,S2为所述第二判别结果所对应的概率值,α1与α2的和为1。
在一种可能的实现方式中,所述状态参数还包括所述车辆在所述预设时间段的平均车速、车速的标准差、车道偏离预警的次数和所述驾驶员刹车的频率。
第二方面,本发明实施例提供了一种疲劳驾驶判别装置,包括:确定模块和判别模块;
所述确定模块,用于确定车辆在预设时间段内的状态参数的值,所述状态参数包括所述车辆在所述预设时间段内的跟车时距标准差、车道线距离的标准差和航向角的标准差;
所述判别模块,用于将所述车辆在预设时间段内的状态参数的值输入预训练的判别模型中,获取第一判别结果,所述第一判别结果用于表示所述车辆的驾驶员处于疲劳状态的概率。
第三方面,本发明实施例提供了一种控制装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施例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存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:
本发明通过车辆的状态变量中抽取多个状态参数,包括车辆在预设时间段内的跟车时距的标准差、车道线距离的标准差和航向角的标准差,作为驾驶员疲劳状态判别指标,构建用于驾驶人疲劳概率的特征空间,利用预训练的判别模型判别驾驶员处于疲劳状态的概率。本发明所提供的方法为非接触式检测,且不同于现有的通过面部识别判别疲劳状态的方法,本发明实施例所提供的方法不受实际道路环境中光照等因素的影响,能够提高疲劳判别的精准度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种疲劳驾驶判别方法的实现流程图;
图2是本发明实施例提供的一种确定车道线距离的标准差的示意图;
图3是本发明实施例提供的一种疲劳驾驶判别装置的结构示意图;
图4是本发明实施例提供的控制装置的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
参见图1,其示出了本发明实施例提供的疲劳驾驶判别方法的实现流程图,详述如下:
在步骤101中、确定车辆在预设时间段内的状态参数的值,状态参数包括车辆在预设时间段内的跟车时距标准差、车道线距离的标准差和航向角的标准差。
在一种可能的实现方式中,本发明实施例所提供的方法可以与现有的DMS(drivermonitorstatus,防疲劳预警系统)相结合,当DMS发出预警信号时,获取DMS发出预警信号的时间点,取以该时间点为结束点且位于该时间点之前的预设时长作为本发明实施例中的预设时间段,例如,DMS发出预警信号的时间为13时,将该时刻之前的4分钟,即12时56分至13时作为本发明实施例中的预设时间段。
在一种可能的实现方式中,本发明实施例所提供的方法也可单独使用,预设时间段为行车过程中根据预设规则选取的一个时间段。本发明实施例不对预设时间段进行限定。
在本发明实施例中,车辆在预设时间段的状态参数包括车辆在预设时间段内的跟车时距标准差、车道线距离的标准差和航向角的标准差。
跟车时距用于指示本车辆与前车的时距,跟车时距越小,代表碰撞风险越高。当驾驶员非疲劳驾驶时,能够以一个较为稳定的跟车时距行驶,通常不会发生或者较少大幅度的变化,当驾驶员疲劳驾驶时,会出现跟车时距小于预设阈值的次数变多,急刹车导致跟车时距从很小突然变大的次数变多等。因此,通过计算预设时间段内的跟车时距的标准差,能够用于衡量车辆驾驶过程中跟车行为的稳定程度,作为一个重要维度判别驾驶员是否疲劳驾驶。
在本发明实施例中,车道线距离的标准差可以用于表示驾驶员驾驶车辆的稳定性,将车辆所在车道称为本车道,在一种可能的实现方式中,车道线距离的标准差可以是预设时间段内车辆与本车道的左车道线的距离的标准差,也可以是预设时间段内车辆与本车道右车道线的距离的标准差,还可以是车辆与本车道左车道线距离的标准差和右车道距离的标准差的平均值,本发明实施例对此不作限定。
在一种可能的实现方式中,在车辆上安装摄像头,用于识别车道线。
在一种可能的实现方式,车辆在预设时间段内的车道线距离的标准差的确定过程包括:针对车辆所在车道的左右车道线中的每一个车道线,根据车辆在预设时间段内与该车道线的距离获取车辆与该车道线距离的标准差,其中,在预设时间段内的任一时刻,若该时刻车辆在车道内,则车辆与该车道线的距离的值取正数,若该车辆压在该车道线上,则车辆与该车道线的距离的值为零,若车辆越过该车道线,则车辆与该车道线的距离的值取负数;根据车辆与车道的左车道线距离的标准差,以及车辆与车道的右车道线距离的标准差,计算车辆在预设时间段内的车道线距离的标准差。
结合图2,以获取车辆与左车道线的距离的标准差的过程为例进行说明:
当车辆在本车道行驶时,当车辆完全处于本车道内时,如图2所示,车辆在t1时刻距离左车道的距离为d1,则d1取正数,如车辆距离左车道线的距离为0.5米,则此时d1=0.5米,若车辆压在左车道线上,则此时d2=0,若车辆越过左车道线,且越过左车道线的距离为d3,则d3取对应距离值的负数,如车辆越过左车道线0.4米,则d3=-0.4米。
通过上述方法,获取该车辆在预设时间段内每个时刻的距离值,计算得到车辆与左车道线距离的标准差σ1,采用相同的方法,计算得到车辆与右车道线距离的标准差σ2,计算σ1和σ2的平均值,得到车辆在预设时间段内的车道线距离的标准差。
当驾驶员驾驶车辆时,会发生主动变道,属于正常的驾驶行为。但是车辆变道过程会使车辆的车道线距离的标准差发生较大改变,对判别驾驶员是否为疲劳驾驶带来一定的误差,为解决这一问题,提高疲劳状态判别的准确性,本发明实施例所提供的方法还包括:
在预设时间段内,判断车辆是否由第一车道变道至第二车道;若车辆由第一车道变道至第二车道,则获取车辆由第一车道变道至第二车道所对应的第一时间片段;获取车辆在预设时间段内的车道线距离的标准差包括:删除第一时间片段所对应的数据后,计算车辆在预设时间段内的车道线距离的标准差。
在本发明实施例中,车辆航向角可以指预设地面坐标系下,车辆质心速度与横轴的夹角,也可以指车辆车头或质心速度与正北方向的夹角。本发明实施例对此不作限定。在本发明实施例中,将车辆在预设时间段内航向角的标准差作为衡量车辆车头摆动幅度与驾驶过程稳定性的维度之一。
由于车辆掉头、车辆转弯等驾驶过程会使车辆的航向角发生较大改变,但该过程属于正常的驾驶过程,因此会对判别驾驶员是否为疲劳状态驾驶带来一定的误差,为解决这一问题,以提高疲劳状态判别的准确性,本发明实施例所提供的方法还包括:
根据车辆在预设时间段内的行驶数据,判断车辆在预设时间段内是否发生转弯行驶和/或掉头行驶;若车辆在预设时间段内发生转弯行驶和/或掉头行驶,则获取车辆转弯行驶和/或掉头行驶所对应的第二时间片段;删除第二时间片段所对应的数据后,计算车辆在预设时间段内的航向角的标准差。
在本发明实施例中,状态参数还包括车辆在预设时间段的平均车速、车速的标准差、车道偏离预警的次数和驾驶员刹车的频率。
其中,车辆在预设时间段内的车速的标准差可以用来表示车辆车速变化的幅度和频繁程度,车道偏离预警的次数可以用来评估驾驶员驾驶的稳定性,驾驶员刹车的频率可以用于评估驾驶员的驾驶的稳定性和是否存在异常行为。
在步骤102中、将车辆在预设时间段内的状态参数的值输入预训练的判别模型中,获取第一判别结果,第一判别结果用于表示车辆的驾驶员处于疲劳状态的概率。
在本发明实施例中,确定车辆在预设时间段内的状态参数后,将状态参数的值进行归一化处理后,输入预训练的判别模型中,模型的输出值即为驾驶员处于疲劳状态的概率。
本发明实施例还提供一种获取判别模型的方法,包括:获取多个数据样本,每个数据样本的输入参数为车辆的状态参数,每个数据样本的输出参数为驾驶员处于疲劳状态的概率;通过多个样本数据对预设模型进行训练,得到判别模型。
当获取第一判别结果后,在一种可能的实现方式中,还可以通过线性变化将驾驶员处于疲劳状态的概率转化为对应的得分,该得分也可以称为疲劳指数。概率越高,得分越低,风险越高。在一种可能的实现方式中,还可以根据得分划分风险等级,如小于等于43分,判定驾驶员处于疲劳驾驶的风险等级为高风险,大于43分小于等于60分,判定驾驶员处于疲劳驾驶的风险等级为中风险,大于60分,判定驾驶员处于疲劳驾驶的风险等级为低风险。
在一种可能的实现方式中,本发明实施例所提供的方法还包括:
获取通过对驾驶员进行面部特征识别所得到的第二判别结果,第二判别结果用于表示驾驶员处于疲劳状态的概率;根据第一判别结果和第二判别结果,获取综合判别结果。
在一种可能的实现方式中,根据预设公式获取综合判别结果,预设公式为
S=α1S1+α2S2
在预设公式中,S为综合判别结果的值,α1为第一判别结果对应的预设系数,S1为第一判别结果所对应的概率值,α2为第二判别结果所对应的预设系数,S2为第二判别结果所对应的概率值,α1与α2的和为1。
DMS系统通过对驾驶员的面部特征进行识别,得到第二判别结果,本发明实施例所提供的方法可以与DMS系统的判别结果相结合,得到综合判别结果,以进一步提高判别的准确性。
本发明通过车辆的状态变量中抽取多个状态参数,包括车辆在预设时间段内的跟车时距的标准差、车道线距离的标准差和航向角的标准差,作为驾驶员疲劳状态判别指标,构建用于驾驶人疲劳概率的特征空间,利用预训练的判别模型判别驾驶员处于疲劳状态的概率。本发明所提供的方法为非接触式检测,且不同于现有的通过面部识别判别疲劳状态的方法,本发明实施例所提供的方法不受实际道路环境中光照等因素的影响,能够提高疲劳判别的精准度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图3示出了本发明实施例提供的一种疲劳驾驶判别装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图3所示,疲劳驾驶判别装置3包括:确定模块31和判别模块32;
确定模块31,用于确定车辆在预设时间段内的状态参数的值,状态参数包括车辆在预设时间段内的跟车时距标准差、车道线距离的标准差和航向角的标准差;
判别模块32,用于将车辆在预设时间段内的状态参数的值输入预训练的判别模型中,获取第一判别结果,第一判别结果用于表示车辆的驾驶员处于疲劳状态的概率。
本发明通过车辆的状态变量中抽取多个状态参数,包括车辆在预设时间段内的跟车时距的标准差、车道线距离的标准差和航向角的标准差,作为驾驶员疲劳状态判别指标,构建用于驾驶人疲劳概率的特征空间,利用预训练的判别模型判别驾驶员处于疲劳状态的概率。本发明所提供的方法为非接触式检测,且不同于现有的通过面部识别判别疲劳状态的方法,本发明实施例所提供的方法不受实际道路环境中光照等因素的影响,能够提高疲劳判别的精准度。
在一种可能的实现方式中,判别模块32还用于:
获取多个数据样本,每个数据样本的输入参数为车辆的状态参数,每个数据样本的输出参数为驾驶员处于疲劳状态的概率;
通过多个样本数据对预设模型进行训练,得到判别模型。
在一种可能的实现方式中,确定模块31用于:
针对车辆所在车道的左右车道线中的每一个车道线,根据车辆在预设时间段内与该车道线的距离获取车辆与该车道线距离的标准差,其中,在预设时间段内的任一时刻,若该时刻车辆在车道内,则车辆与该车道线的距离的值取正数,若该车辆压在该车道线上,则车辆与该车道线的距离的值为零,若车辆越过该车道线,则车辆与该车道线的距离的值取负数;
根据车辆与车道的左车道线距离的标准差,以及车辆与车道的右车道线距离的标准差,计算车辆在预设时间段内的车道线距离的标准差。
在一种可能的实现方式中,确定模块31用于:
在预设时间段内,判断车辆是否由第一车道变道至第二车道;
若车辆由第一车道变道至第二车道,则获取车辆由第一车道变道至第二车道所对应的第一时间片段;
获取车辆在预设时间段内的车道线距离的标准差包括:
删除第一时间片段所对应的数据后,计算车辆在预设时间段内的车道线距离的标准差。
在一种可能的实现方式中,确定模块31用于:
根据车辆在预设时间段内的行驶数据,判断车辆在预设时间段内是否发生转弯行驶和/或掉头行驶;
若车辆在预设时间段内发生转弯行驶和/或掉头行驶,则获取车辆转弯行驶和/或掉头行驶所对应的第二时间片段;
删除第二时间片段所对应的数据后,计算车辆在预设时间段内的航向角的标准差。
在一种可能的实现方式中,判别模块32用于:
获取通过对驾驶员进行面部特征识别所得到的第二判别结果,第二判别结果用于表示驾驶员处于疲劳状态的概率;
根据第一判别结果和第二判别结果,获取综合判别结果。
在一种可能的实现方式中,判别模块32用于:
根据预设公式获取综合判别结果,预设公式为
S=α1S1+α2S2
在预设公式中,S为综合判别结果的值,α1为第一判别结果对应的预设系数,S1为第一判别结果所对应的概率值,α2为第二判别结果所对应的预设系数,S2为第二判别结果所对应的概率值,α1与α2的和为1。
在一种可能的实现方式中,状态参数还包括车辆在预设时间段的平均车速、车速的标准差、车道偏离预警的次数和驾驶员刹车的频率。
本实施例提供的疲劳驾驶判别装置,可用于执行上述疲劳驾驶判别方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
图4是本发明一实施例提供的控制装置的示意图。如图4所示,该实施例的控制装置4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个疲劳驾驶判别方法实施例中的步骤,例如图1所示的步骤101至步骤102。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能,例如图3所示单元31至32的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本发明。所述一个或多个模块/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42在所述控制装置4中的执行过程。
所述控制装置4可以是安装于车辆上的一个单独的控制模块/芯片/装置等。所述控制装置4可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是控制装置4的示例,并不构成对控制装置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,例如所述控制装置还可以包括输入输出设备、网络接入设备、总线等。
所述处理器40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41可以是所述控制装置4的内部存储单元,例如控制装置4的硬盘或内存。所述存储器41也可以是所述控制装置4的外部存储设备,例如所述控制装置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41还可以既包括所述控制装置4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述控制装置所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属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,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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单元及算法步骤,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发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/控制装置和方法,可以通过其它的方式实现。例如,以上所描述的装置/控制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,在本发明各个实施例中的各功能单元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。
所述集成的模块/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,本发明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,该计算机程序在被处理器执行时,可实现上述各个疲劳驾驶判别方法实施例的步骤。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 Access Memory)、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。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (11)
1.一种疲劳驾驶判别方法,其特征在于,包括:
确定车辆在预设时间段内的状态参数的值,所述状态参数包括所述车辆在所述预设时间段内的跟车时距标准差、车道线距离的标准差和航向角的标准差;
将所述车辆在预设时间段内的状态参数的值输入预训练的判别模型中,获取第一判别结果,所述第一判别结果用于表示所述车辆的驾驶员处于疲劳状态的概率。
2.根据权利要求1所述的方法,其特征在于,在所述确定车辆在预设时间段内的状态参数的值之前,该方法还包括:
获取多个数据样本,每个数据样本的输入参数为所述车辆的状态参数,每个数据样本的输出参数为驾驶员处于疲劳状态的概率;
通过所述多个样本数据对预设模型进行训练,得到所述判别模型。
3.根据权利要求1所述的方法,其特征在于,确定所述车辆在所述预设时间段内的车道线距离的标准差包括:
针对所述车辆所在车道的左右车道线中的每一个车道线,根据所述车辆在所述预设时间段内与该车道线的距离获取所述车辆与该车道线距离的标准差,其中,在所述预设时间段内的任一时刻,若该时刻所述车辆在所述车道内,则所述车辆与该车道线的距离的值取正数,若该车辆压在该车道线上,则所述车辆与该车道线的距离的值为零,若所述车辆越过该车道线,则所述车辆与该车道线的距离的值取负数;
根据所述车辆与所述车道的左车道线距离的标准差,以及所述车辆与所述车道的右车道线距离的标准差,计算所述车辆在所述预设时间段内的车道线距离的标准差。
4.根据权利要求3所述的方法,其特征在于,在确定所述车辆在所述预设时间段内的车道线距离的标准差之前,该方法还包括:
在所述预设时间段内,判断所述车辆是否由第一车道变道至第二车道;
若所述车辆由所述第一车道变道至所述第二车道,则获取所述车辆由所述第一车道变道至所述第二车道所对应的第一时间片段;
所述获取所述车辆在所述预设时间段内的车道线距离的标准差包括:
删除所述第一时间片段所对应的数据后,计算所述车辆在所述预设时间段内的车道线距离的标准差。
5.根据权利要求1所述的方法,其特征在于,确定所述车辆在所述预设时间段内的航向角的标准差包括:
根据所述车辆在所述预设时间段内的行驶数据,判断所述车辆在所述预设时间段内是否发生转弯行驶和/或掉头行驶;
若所述车辆在所述预设时间段内发生转弯行驶和/或掉头行驶,则获取所述车辆转弯行驶和/或掉头行驶所对应的第二时间片段;
删除所述第二时间片段所对应的数据后,计算所述车辆在所述预设时间段内的航向角的标准差。
6.根据权利要求1至5任一项所述的方法,其特征在于,该方法还包括:
获取通过对所述驾驶员进行面部特征识别所得到的第二判别结果,所述第二判别结果用于表示所述驾驶员处于疲劳状态的概率;
根据所述第一判别结果和所述第二判别结果,获取综合判别结果。
7.根据权利要求6所述的方法,其特征在于,所述根据所述第一判别结果和所述第二判别结果,获取综合判别结果包括:
根据预设公式获取综合判别结果,所述预设公式为
S=α1S1+α2S2
在所述预设公式中,S为所述综合判别结果的值,α1为所述第一判别结果对应的预设系数,S1为所述第一判别结果所对应的概率值,α2为所述第二判别结果所对应的预设系数,S2为所述第二判别结果所对应的概率值,α1与α2的和为1。
8.根据权利要求1至5任一项所述的方法,其特征在于,所述状态参数还包括所述车辆在所述预设时间段的平均车速、车速的标准差、车道偏离预警的次数和所述驾驶员刹车的频率。
9.一种疲劳驾驶判别装置,其特征在于,包括:确定模块和判别模块;
所述确定模块,用于确定车辆在预设时间段内的状态参数的值,所述状态参数包括所述车辆在所述预设时间段内的跟车时距标准差、车道线距离的标准差和航向角的标准差;
所述判别模块,用于将所述车辆在预设时间段内的状态参数的值输入预训练的判别模型中,获取第一判别结果,所述第一判别结果用于表示所述车辆的驾驶员处于疲劳状态的概率。
10.一种控制装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至8中任一项所述方法的步骤。
11.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210017673.2A CN114463726A (zh) | 2022-01-07 | 2022-01-07 | 疲劳驾驶判别方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210017673.2A CN114463726A (zh) | 2022-01-07 | 2022-01-07 | 疲劳驾驶判别方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114463726A true CN114463726A (zh) | 2022-05-10 |
Family
ID=81409735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210017673.2A Pending CN114463726A (zh) | 2022-01-07 | 2022-01-07 | 疲劳驾驶判别方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463726A (zh) |
-
2022
- 2022-01-07 CN CN202210017673.2A patent/CN114463726A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062240B (zh) | 汽车驾驶安全的监控方法、装置、计算机设备及存储介质 | |
CN108701229B (zh) | 驾驶行为分析方法及驾驶行为分析装置 | |
CN106585635B (zh) | 驾驶行为评分方法和装置 | |
You et al. | A fatigue driving detection algorithm based on facial motion information entropy | |
CN108248610B (zh) | 一种自适应分心驾驶行为的监测及干预装置 | |
CN110143202A (zh) | 一种危险驾驶识别与预警方法及系统 | |
CN108482382B (zh) | 驾驶技术评分方法、设备、存储介质及车辆 | |
CN110909718B (zh) | 驾驶状态识别方法、装置及车辆 | |
CN106408032A (zh) | 基于转向盘转角的疲劳驾驶检测方法 | |
CN114821968B (zh) | 动车司机疲劳驾驶干预方法、装置、设备及可读存储介质 | |
CN109543710B (zh) | 一种模型训练方法及相关设备 | |
CN109094574A (zh) | 一种基于台架的无人车驾驶状态测量控制系统 | |
CN113257039A (zh) | 基于大数据分析的驾驶预警方法及装置 | |
CN114463726A (zh) | 疲劳驾驶判别方法及相关装置 | |
CN110155069A (zh) | 驾驶员精神状态监测方法、装置、存储介质及终端设备 | |
CN115985137B (zh) | 一种隧道交通运行的风险评估方法、电子设备及存储介质 | |
CN113297939A (zh) | 障碍物检测方法、系统、终端设备及存储介质 | |
CN115392407B (zh) | 基于无监督学习的危险源预警方法、装置、设备及介质 | |
CN115169477A (zh) | 辅助驾驶系统的安全感评估方法、装置、设备及存储介质 | |
CN114475641B (zh) | 车道偏离预警方法、装置、控制装置及存储介质 | |
CN112277956B (zh) | 一种用方向盘检测酒驾行为的方法和装置 | |
CN113903017A (zh) | 一种疲劳驾驶检测方法和系统 | |
CN115265738A (zh) | 车辆载重判别方法、控制装置及存储介质 | |
CN114155513A (zh) | 一种基于人脸多参量检测的驾驶危险行为监控方法、系统、设备和可读存储介质 | |
CN111325869B (zh) | 一种车辆疲劳驾驶精确判断方法、终端设备及存储介质 |
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 |