CN116749988A - 一种驾驶员疲劳预警方法、装置、电子设备及存储介质 - Google Patents
一种驾驶员疲劳预警方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116749988A CN116749988A CN202310735995.5A CN202310735995A CN116749988A CN 116749988 A CN116749988 A CN 116749988A CN 202310735995 A CN202310735995 A CN 202310735995A CN 116749988 A CN116749988 A CN 116749988A
- Authority
- CN
- China
- Prior art keywords
- fatigue
- driver
- degree
- time
- percentage
- 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 49
- 210000001508 eye Anatomy 0.000 claims abstract description 124
- 238000001514 detection method Methods 0.000 claims abstract description 68
- 241001282135 Poromitra oscitans Species 0.000 claims abstract description 36
- 206010048232 Yawning Diseases 0.000 claims abstract description 36
- 238000004590 computer program Methods 0.000 claims description 16
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 15
- 229910052760 oxygen Inorganic materials 0.000 claims description 15
- 239000001301 oxygen Substances 0.000 claims description 15
- 239000008280 blood Substances 0.000 claims description 14
- 210000004369 blood Anatomy 0.000 claims description 14
- 230000004399 eye closure Effects 0.000 claims description 9
- 210000000744 eyelid Anatomy 0.000 claims description 8
- 210000005252 bulbus oculi Anatomy 0.000 claims description 6
- 239000004973 liquid crystal related substance Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001815 facial effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000036541 health Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 241000542420 Sphyrna tudes Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000010241 blood sampling Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008433 psychological processes and functions Effects 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W2040/0818—Inactivity or incapacity of driver
- B60W2040/0827—Inactivity or incapacity of driver due to sleepiness
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2540/00—Input parameters relating to occupants
- B60W2540/229—Attention level, e.g. attentive to driving, reading or sleeping
Abstract
本发明公开了一种驾驶员疲劳预警方法、装置、电子设备及存储介质。该方法包括：在车辆车速不为零的情况下，获取驾驶员的人脸特征；基于所述人脸特征，计算眼睛闭合程度和嘴巴张开程度；根据所述眼睛闭合程度、预设初始眼睛闭合程度和预设检测时间，确定单位时间内闭眼时长所占百分比；以及，根据所述嘴巴张开程度、预设初始嘴巴张开程度和预设检测时间，确定单位时间内打哈欠时长所占百分比；根据所述单位时间内闭眼时长所占百分比和单位时间内打哈欠时长所占百分比，确定驾驶员的疲劳程度，并根据所述疲劳程度进行疲劳预警。本技术方案，能够提高驾驶员疲劳程度检测的准确性，从而能够提高疲劳预警的可靠性。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种驾驶员疲劳预警方法、装置、电子设备及存储介质。
背景技术
疲劳驾驶是指驾驶员在长时间连续行车后，产生生理机能和心理机能的失调，而在客观上出现驾驶技能下降的现象。疲劳驾驶极易引起交通事故，因此，对驾驶员进行疲劳预警是十分必要的。
现阶段车辆驾驶员监控系统中针对驾驶员疲劳的非接触式检测主要有两种实现策略：一是基于图像通过对眼睛状态、嘴巴状态、头部姿态、凝视方向等动作的检测，得到PERCLOS(单位时间内眼睛闭合程度超过某一阈值的时间占总时间的百分比)、眨眼频率、嘴巴张开程度、嘴巴张开时长等特征，再基于规则或分类器判断疲劳程度；二是基于图像与毫米波雷达，通过IPPG技术估算心率变异性、皮肤电阻、血氧饱和度、血压、呼吸频率、年龄、性别等生理指标，再根据规则或分类器判断疲劳程度。
由于不同驾驶员眼睛大小、眼睛结构、嘴巴大小、嘴巴结构的不同，第一种方法对不同的人检测效果有较为明显的差异，尤其是对于小眼睛驾驶员，算法的误报率明显高于其它驾驶员。虽然生理指标对疲劳的判断比较精准，但是由于IPPG技术其对运动物体与人体侧脸的检测精度较低，使得生理指标的获取的可靠性低。
发明内容
本发明提供了一种驾驶员疲劳预警方法、装置、电子设备及存储介质，能够提高驾驶员疲劳程度检测的准确性，从而能够提高疲劳预警的可靠性。
根据本发明的一方面，提供了一种驾驶员疲劳预警方法，该方法包括：
在车辆车速不为零的情况下，获取驾驶员的人脸特征；
基于所述人脸特征，计算眼睛闭合程度和嘴巴张开程度；
根据所述眼睛闭合程度、预设初始眼睛闭合程度和预设检测时间，确定单位时间内闭眼时长所占百分比；以及，根据所述嘴巴张开程度、预设初始嘴巴张开程度和预设检测时间，确定单位时间内打哈欠时长所占百分比；其中，预设初始眼睛闭合程度和预设初始嘴巴张开程度是基于与驾驶员身份对应的配置文件计算得到的；
根据所述单位时间内闭眼时长所占百分比和单位时间内打哈欠时长所占百分比，确定驾驶员的疲劳程度，并根据所述疲劳程度进行疲劳预警。
根据本发明的另一方面，提供了一种驾驶员疲劳预警装置，该装置包括：
人脸特征获取模块，用于在车辆车速不为零的情况下，获取驾驶员的人脸特征；
人脸特征计算模块，用于基于所述人脸特征，计算眼睛闭合程度和嘴巴张开程度；
闭眼时长和打哈欠时长确定模块，用于根据所述眼睛闭合程度、预设初始眼睛闭合程度和预设检测时间，确定单位时间内闭眼时长所占百分比；以及，根据所述嘴巴张开程度、预设初始嘴巴张开程度和预设检测时间，确定单位时间内打哈欠时长所占百分比；其中，预设初始眼睛闭合程度和预设初始嘴巴张开程度是基于与驾驶员身份对应的配置文件计算得到的；
疲劳预警模块，用于根据所述单位时间内闭眼时长所占百分比和单位时间内打哈欠时长所占百分比，确定驾驶员的疲劳程度，并根据所述疲劳程度进行疲劳预警。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的一种驾驶员疲劳预警方法。
根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的一种驾驶员疲劳预警方法。
本发明实施例的技术方案，通过在车辆车速不为零的情况下，获取驾驶员的人脸特征，然后基于人脸特征，计算眼睛闭合程度和嘴巴张开程度；根据眼睛闭合程度、预设初始眼睛闭合程度和预设检测时间，确定单位时间内闭眼时长所占百分比；以及，根据嘴巴张开程度、预设初始嘴巴张开程度和预设检测时间，确定单位时间内打哈欠时长所占百分比，并根据单位时间内闭眼时长所占百分比和单位时间内打哈欠时长所占百分比，确定驾驶员的疲劳程度，并根据疲劳程度进行疲劳预警。本技术方案，通过对驾驶员进行疲劳驾驶检测，并基于疲劳驾驶检测结果对驾驶员进行疲劳预警，能够提高驾驶员疲劳程度检测的准确性，从而能够提高疲劳预警的可靠性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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是根据本发明实施例一提供的一种驾驶员疲劳预警方法的流程图；
图2是本申请实施例一提供的一种疲劳预警的示意图；
图3为本发明实施例二提供的一种驾驶员疲劳预警过程的示意图；
图4为本发明实施例三提供的一种驾驶员疲劳预警装置的结构示意图；
图5是实现本发明实施例的一种驾驶员疲劳预警方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是根据本发明实施例一提供的一种驾驶员疲劳预警方法的流程图，本实施例可适用于对驾驶员进行疲劳预警的情况，该方法可以由一种驾驶员疲劳预警装置来执行，该驾驶员疲劳预警装置可以采用硬件和/或软件的形式实现，该驾驶员疲劳预警装置可配置于电子设备中。如图1所示，该方法包括：
S110、在车辆车速不为零的情况下，获取驾驶员的人脸特征。
在本实施例中，人脸特征可以是指用于机器视觉领域中的人脸识别问题的特征向量。
在本方案中，当驾驶员坐在驾驶位置上时，判断车辆车速是否为零。当车辆车速为零时，此时驾驶员没有驾驶车辆，则停止疲劳驾驶检测。当车辆车速不为零的情况下，此时驾驶员正在驾驶车辆，则对驾驶员进行疲劳驾驶检测，并基于疲劳驾驶检测结果对驾驶员进行疲劳预警。具体的，可以通过获取驾驶员的人脸特征实现对驾驶员的疲劳驾驶检测。
可选的，获取驾驶员的人脸特征，包括步骤A1-A2：
步骤A1、获取摄像头拍摄的视频流；
步骤A2、对所述视频流进行人脸特征点检测，得到驾驶员的人脸特征；其中，所述人脸特征包括上眼睑与眼球中心距离、左右眼角距离、上下嘴唇距离和左右嘴角距离。
在本实施例中，当车辆车速不为零的情况下，读取DMS(Driver Monitor System,驾驶员监控系统)摄像头视频流，并基于关键点检测算法对视频流进行人脸特征点检测，得到驾驶员的人脸特征。
在本方案中，图2是本申请实施例一提供的一种疲劳预警的示意图，如图2所示，当车辆车速不为零的情况下，读取视频流。
通过对驾驶员的人脸特征进行获取，能够基于人脸特征进行驾驶员疲劳驾驶检测。
S120、基于所述人脸特征，计算眼睛闭合程度和嘴巴张开程度。
在本方案中，可以通过计算驾驶员的眼睛闭合程度和嘴巴张开程度确定驾驶员的疲劳程度。具体的，可以通过对人脸特征进行计算，得到驾驶员的眼睛闭合程度和嘴巴张开程度。
可选的，基于所述人脸特征，计算眼睛闭合程度和嘴巴张开程度，包括步骤B1：
步骤B1、对所述上眼睑与眼球中心距离、左右眼角距离之间的比值进行计算，得到眼睛闭合程度；以及，对所述上下嘴唇距离、左右嘴角距离之间的比值进行计算，得到嘴巴张开程度。
具体的，可以采用如下公式计算眼睛闭合程度EAR；
EAR＝2×上眼睑与眼球中心距离/左右眼角距离。
进一步的，可以采用如下公式计算嘴巴张开程度MO；
MO＝上下嘴唇距离/左右嘴角距离。
通过计算眼睛闭合程度和嘴巴张开程度，可以基于眼睛闭合程度和嘴巴张开程度对驾驶员进行疲劳驾驶检测，提高了疲劳驾驶检测的准确性。
S130、根据所述眼睛闭合程度、预设初始眼睛闭合程度和预设检测时间，确定单位时间内闭眼时长所占百分比；以及，根据所述嘴巴张开程度、预设初始嘴巴张开程度和预设检测时间，确定单位时间内打哈欠时长所占百分比；其中，预设初始眼睛闭合程度和预设初始嘴巴张开程度是基于与驾驶员身份对应的配置文件计算得到的。
在本方案中，如图2所示，当驾驶员坐到驾驶位置上时，对其进行身份识别。当检测到可被识别的身份时，读取该身份对应的配置文件。其中，配置文件的内容包括上眼睑与眼球中心平均距离，左右眼角平均距离，嘴巴闭合时上下嘴唇的平均距离，嘴巴闭合时左右嘴角的平均距离，张嘴说话时上下嘴唇的平均距离，张嘴说话时左右嘴角的平均距离等。
其中，当身份不可识别时或者身份可识别但未找到对应的配置文件时，可以使用默认配置文件。其中，默认配置文件是基于多个配置文件进行均值运算得到的。
进一步的，可以基于配置文件中的上眼睑与眼球中心平均距离和左右眼角平均距离计算预设眼睛闭合程度EAR0；以及基于配置文件中的张嘴说话时上下嘴唇的平均距离和张嘴说话时左右嘴角的平均距离，计算初始嘴巴张开程度MO0。
在本实施例中，可以将预设检测时间内的眼睛闭合程度和预设初始眼睛闭合程度进行比对，确定单位时间内闭眼时长所占百分比；以及将预设检测时间内的嘴巴张开程度、预设初始嘴巴张开程度进行比对，确定单位时间内打哈欠时长所占百分比。
可选的，根据所述眼睛闭合程度、预设初始眼睛闭合程度和预设检测时间，确定单位时间内闭眼时长所占百分比，包括步骤C1-C2：
步骤C1、根据所述眼睛闭合程度和预设初始眼睛闭合程度，判断驾驶员是否闭眼；
步骤C2、若闭眼，则统计预设检测时间内的闭眼时长，并基于所述闭眼时长和检测时间，确定单位时间内闭眼时长所占百分比。
其中，检测时间可以根据驾驶员疲劳驾驶检测需求进行设置。例如，可以设置检测时间为5秒。
具体的，当EAR<0.2且EAR<0.75EAR0时，判定驾驶员闭眼。
在本方案中，可以统计预设检测时间内的闭眼时长，并将闭眼时长和检测时间进行相除，得到单位时间内闭眼时长所占百分比。
通过确定单位时间内闭眼时长所占百分比，能够基于单位时间内闭眼时长所占百分比对驾驶员进行疲劳驾驶检测，从而能够达到疲劳预警的目的。
可选的，根据所述嘴巴张开程度、预设初始嘴巴张开程度和预设检测时间，确定单位时间内打哈欠时长所占百分比，包括步骤D1-D2：
步骤D1、根据所述嘴巴张开程度和预设初始嘴巴张开程度，判断驾驶员是否打哈欠；
步骤D2、若打哈欠，则统计预设检测时间内的打哈欠时长，并基于所述打哈欠时长和检测时间，确定单位时间内打哈欠时长所占百分比。
在本实施例中，当MO>0.25且MO>1.5MO0时，判定驾驶员打哈欠。
在本方案中，可以统计预设检测时间内的打哈欠时长，并将打哈欠时长和检测时间进行相除，得到单位时间内打哈欠时长所占百分比。
通过确定单位时间内打哈欠时长所占百分比，能够基于单位时间内打哈欠时长所占百分比对驾驶员进行疲劳驾驶检测，从而能够达到疲劳预警的目的。
S140、根据所述单位时间内闭眼时长所占百分比和单位时间内打哈欠时长所占百分比，确定驾驶员的疲劳程度，并根据所述疲劳程度进行疲劳预警。
其中，疲劳程度可以分为严重疲劳、非疲劳和轻微疲劳。
在本方案中，可以将单位时间内闭眼时长所占百分比和单位时间内打哈欠时长所占百分比输入到预先训练好的分类器中，确定驾驶员的疲劳程度。
在本实施例中，可以通过语音提醒进行疲劳预警。不同疲劳程度对应的疲劳预警不同。例如，可以设置两个等级的语音提醒，第一等级语音提醒的声音大于第二等级语音提醒的声音。当检测到驾驶员的疲劳程度为严重疲劳时，可以采用第一等级语音提醒进行疲劳预警；当检测到驾驶员的疲劳程度为轻微疲劳时，可以采用第二等级语音提醒进行疲劳预警。其中，当疲劳程度为非疲劳时，此时不需要进行疲劳预警。
可选的，根据所述单位时间内闭眼时长所占百分比和单位时间内打哈欠时长所占百分比，确定驾驶员的疲劳程度，包括步骤E1-E2：
步骤E1、将所述单位时间内闭眼时长所占百分比和单位时间内打哈欠时长所占百分比输入到预先确定的第一分类器中，得到第一疲劳得分；
步骤E2、基于所述第一疲劳得分，确定驾驶员的疲劳程度。
其中，第一分类器是预先训练好的用于判断是否疲劳驾驶的分类器。
在本方案中，如图2所示，将单位时间内闭眼时长所占百分比和单位时间内打哈欠时长所占百分比输入到预先确定的第一分类器中，判断是否疲劳驾驶，将其置信度作为第一疲劳得分S1。
在本实施例中，如图2所示，当S1<0.05时，判定结果为非疲劳，同时非疲劳计时器加1；当S1≥0.05，计时器清零。当S1≥0.95时，判定结果为严重疲劳。
其中，当非疲劳计时器超过1小时，则根据获取到的人脸特征更新该驾驶员的配置文件。
基于第一疲劳得分，确定驾驶员的疲劳程度，能够提高驾驶员疲劳程度检测的准确性，从而能够提高疲劳预警的可靠性。
本发明实施例的技术方案，通过在车辆车速不为零的情况下，获取驾驶员的人脸特征，然后基于人脸特征，计算眼睛闭合程度和嘴巴张开程度；根据眼睛闭合程度、预设初始眼睛闭合程度和预设检测时间，确定单位时间内闭眼时长所占百分比；以及，根据嘴巴张开程度、预设初始嘴巴张开程度和预设检测时间，确定单位时间内打哈欠时长所占百分比，并根据单位时间内闭眼时长所占百分比和单位时间内打哈欠时长所占百分比，确定驾驶员的疲劳程度，并根据疲劳程度进行疲劳预警。通过执行本技术方案，通过对驾驶员进行疲劳驾驶检测，并基于疲劳驾驶检测结果对驾驶员进行疲劳预警，能够提高驾驶员疲劳程度检测的准确性，从而能够提高疲劳预警的可靠性。
实施例二
图3为本发明实施例二提供的一种驾驶员疲劳预警过程的示意图，本实施例与上述实施例之间的关系是对疲劳程度计算过程的详细描述。如图3所示，该方法包括：
S310、在车辆车速不为零的情况下，获取驾驶员的人脸特征。
S320、基于所述人脸特征，计算眼睛闭合程度和嘴巴张开程度。
S330、根据所述眼睛闭合程度、预设初始眼睛闭合程度和预设检测时间，确定单位时间内闭眼时长所占百分比；以及，根据所述嘴巴张开程度、预设初始嘴巴张开程度和预设检测时间，确定单位时间内打哈欠时长所占百分比；其中，预设初始眼睛闭合程度和预设初始嘴巴张开程度是基于与驾驶员身份对应的配置文件计算得到的。
S340、将所述单位时间内闭眼时长所占百分比和单位时间内打哈欠时长所占百分比输入到预先确定的第一分类器中，得到第一疲劳得分。
S350、若所述第一疲劳得分处于预设范围内，则获取驾驶员的血氧饱和度和心率变异性。
其中，预设范围可以是指0.05-0.95。
在本方案中，如图2所示，当0.05≤S1<0.95，则通过IPPG算法做进一步判断。其中，IPPG技术是一种非侵入式的血红蛋白氧饱和度监测技术，主要应用于医疗、健康监测、运动医疗等领域。IPPG技术的全称是间接脉冲光谱法，IPPG技术是利用人体皮肤和软组织对红外线和可见光的吸收特性不同，对皮肤表面发出的光信号进行处理和分析，计算出人体的血氧饱和度。IPPG技术的工作原理是将光源通过皮肤照射到人体组织中，这些光线会被皮肤和组织吸收，反射和散射，一部分经过反射和散射后达到光电传感器，然后通过对光电传感器所接收到的信号进行滤波、放大和处理等步骤，最终得到血氧饱和度的数值。IPPG技术的优点是非侵入式、简单易操作、无需进行血液采样等特点，广泛应用于医疗和健康领域，例如疾病监测、手术监测、健康评估、睡眠监测等。根据皮肤对不同波长光源的反射不同，可以根据不同波长光源测量不同生理指标，如绿色光源下，脉搏信号信噪比最高，所以通过绿色光源测量心率(假定心率和脉搏频率相同)。而红外光通常用于测量血氧饱和度。
具体的，使用IPPG算法得到驾驶员的血氧饱和度与心率变异性。
S360、将所述血氧饱和度和心率变异性输入到预先确定的第二分类器中，得到第二疲劳得分。
其中，第二分类器是预先训练好的用于判断是否疲劳驾驶的分类器。
在本实施例中，如图2所示，将血氧饱和度和心率变异性输入到预先确定的第二分类器中判断是否疲劳驾驶，将其置信度作为第二疲劳得分S2。
S370、基于所述第二疲劳得分，确定驾驶员的疲劳程度。
进一步的，如图2所示，当S2<0.68时，判定结果为非疲劳；当0.68≤S2<0.95时，判定结果为轻微疲劳；当S2≥0.95时，判定结果为严重疲劳。
本发明实施例的技术方案，通过在车辆车速不为零的情况下，获取驾驶员的人脸特征；基于人脸特征，计算眼睛闭合程度和嘴巴张开程度；根据眼睛闭合程度、预设初始眼睛闭合程度和预设检测时间，确定单位时间内闭眼时长所占百分比；以及，根据嘴巴张开程度、预设初始嘴巴张开程度和预设检测时间，确定单位时间内打哈欠时长所占百分比；将单位时间内闭眼时长所占百分比和单位时间内打哈欠时长所占百分比输入到预先确定的第一分类器中，得到第一疲劳得分；若第一疲劳得分处于预设范围内，则获取驾驶员的血氧饱和度和心率变异性；将血氧饱和度和心率变异性输入到预先确定的第二分类器中，得到第二疲劳得分；基于第二疲劳得分，确定驾驶员的疲劳程度。通过执行本技术方案，基于人脸特征的判断与基于IPPG的判断存在先后顺序。如果基于面部特征足够得出疲劳与否的结论，则IPPG算法不再运行，从而节约算力。
实施例三
图4为本发明实施例三提供的一种驾驶员疲劳预警装置的结构示意图。如图4所示，该装置包括：
人脸特征获取模块410，用于在车辆车速不为零的情况下，获取驾驶员的人脸特征；
人脸特征计算模块420，用于基于所述人脸特征，计算眼睛闭合程度和嘴巴张开程度；
闭眼时长和打哈欠时长确定模块430，用于根据所述眼睛闭合程度、预设初始眼睛闭合程度和预设检测时间，确定单位时间内闭眼时长所占百分比；以及，根据所述嘴巴张开程度、预设初始嘴巴张开程度和预设检测时间，确定单位时间内打哈欠时长所占百分比；其中，预设初始眼睛闭合程度和预设初始嘴巴张开程度是基于与驾驶员身份对应的配置文件计算得到的；
疲劳预警模块440，用于根据所述单位时间内闭眼时长所占百分比和单位时间内打哈欠时长所占百分比，确定驾驶员的疲劳程度，并根据所述疲劳程度进行疲劳预警。
可选的，人脸特征获取模块410，具体用于：
获取摄像头拍摄的视频流；
对所述视频流进行人脸特征点检测，得到驾驶员的人脸特征；其中，所述人脸特征包括上眼睑与眼球中心距离、左右眼角距离、上下嘴唇距离和左右嘴角距离。
可选的，人脸特征计算模块420，具体用于包括：
对所述上眼睑与眼球中心距离、左右眼角距离之间的比值进行计算，得到眼睛闭合程度；以及，对所述上下嘴唇距离、左右嘴角距离之间的比值进行计算，得到嘴巴张开程度。
可选的，闭眼时长和打哈欠时长确定模块430，具体用于：
根据所述眼睛闭合程度和预设初始眼睛闭合程度，判断驾驶员是否闭眼；
若闭眼，则统计预设检测时间内的闭眼时长，并基于所述闭眼时长和检测时间，确定单位时间内闭眼时长所占百分比。
可选的，闭眼时长和打哈欠时长确定模块430，具体用于：
根据所述嘴巴张开程度和预设初始嘴巴张开程度，判断驾驶员是否打哈欠；
若打哈欠，则统计预设检测时间内的打哈欠时长，并基于所述打哈欠时长和检测时间，确定单位时间内打哈欠时长所占百分比。
可选的，疲劳预警模块440，具体用于：
将所述单位时间内闭眼时长所占百分比和单位时间内打哈欠时长所占百分比输入到预先确定的第一分类器中，得到第一疲劳得分；
基于所述第一疲劳得分，确定驾驶员的疲劳程度。
可选的，疲劳预警模块440，还用于：
若所述第一疲劳得分处于预设范围内，则获取驾驶员的血氧饱和度和心率变异性；
将所述血氧饱和度和心率变异性输入到预先确定的第二分类器中，得到第二疲劳得分；
基于所述第二疲劳得分，确定驾驶员的疲劳程度。
本发明实施例所提供的一种驾驶员疲劳预警装置可执行本发明任意实施例所提供的一种驾驶员疲劳预警方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如一种驾驶员疲劳预警方法。
在一些实施例中，一种驾驶员疲劳预警方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的一种驾驶员疲劳预警方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行一种驾驶员疲劳预警方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种驾驶员疲劳预警方法，其特征在于，包括：
在车辆车速不为零的情况下，获取驾驶员的人脸特征；
基于所述人脸特征，计算眼睛闭合程度和嘴巴张开程度；
根据所述眼睛闭合程度、预设初始眼睛闭合程度和预设检测时间，确定单位时间内闭眼时长所占百分比；以及，根据所述嘴巴张开程度、预设初始嘴巴张开程度和预设检测时间，确定单位时间内打哈欠时长所占百分比；其中，预设初始眼睛闭合程度和预设初始嘴巴张开程度是基于与驾驶员身份对应的配置文件计算得到的；
根据所述单位时间内闭眼时长所占百分比和单位时间内打哈欠时长所占百分比，确定驾驶员的疲劳程度，并根据所述疲劳程度进行疲劳预警。
2.根据权利要求1所述的方法，其特征在于，获取驾驶员的人脸特征，包括：
获取摄像头拍摄的视频流；
对所述视频流进行人脸特征点检测，得到驾驶员的人脸特征；其中，所述人脸特征包括上眼睑与眼球中心距离、左右眼角距离、上下嘴唇距离和左右嘴角距离。
3.根据权利要求2所述的方法，其特征在于，基于所述人脸特征，计算眼睛闭合程度和嘴巴张开程度，包括：
对所述上眼睑与眼球中心距离、左右眼角距离之间的比值进行计算，得到眼睛闭合程度；以及，对所述上下嘴唇距离、左右嘴角距离之间的比值进行计算，得到嘴巴张开程度。
4.根据权利要求1所述的方法，其特征在于，根据所述眼睛闭合程度、预设初始眼睛闭合程度和预设检测时间，确定单位时间内闭眼时长所占百分比，包括：
根据所述眼睛闭合程度和预设初始眼睛闭合程度，判断驾驶员是否闭眼；
若闭眼，则统计预设检测时间内的闭眼时长，并基于所述闭眼时长和检测时间，确定单位时间内闭眼时长所占百分比。
5.根据权利要求1所述的方法，其特征在于，根据所述嘴巴张开程度、预设初始嘴巴张开程度和预设检测时间，确定单位时间内打哈欠时长所占百分比，包括：
根据所述嘴巴张开程度和预设初始嘴巴张开程度，判断驾驶员是否打哈欠；
若打哈欠，则统计预设检测时间内的打哈欠时长，并基于所述打哈欠时长和检测时间，确定单位时间内打哈欠时长所占百分比。
6.根据权利要求1所述的方法，其特征在于，根据所述单位时间内闭眼时长所占百分比和单位时间内打哈欠时长所占百分比，确定驾驶员的疲劳程度，包括：
将所述单位时间内闭眼时长所占百分比和单位时间内打哈欠时长所占百分比输入到预先确定的第一分类器中，得到第一疲劳得分；
基于所述第一疲劳得分，确定驾驶员的疲劳程度。
7.根据权利要求6所述的方法，其特征在于，在得到第一疲劳得分之后，所述方法还包括：
若所述第一疲劳得分处于预设范围内，则获取驾驶员的血氧饱和度和心率变异性；
将所述血氧饱和度和心率变异性输入到预先确定的第二分类器中，得到第二疲劳得分；
基于所述第二疲劳得分，确定驾驶员的疲劳程度。
8.一种驾驶员疲劳预警装置，其特征在于，包括：
人脸特征获取模块，用于在车辆车速不为零的情况下，获取驾驶员的人脸特征；
人脸特征计算模块，用于基于所述人脸特征，计算眼睛闭合程度和嘴巴张开程度；
闭眼时长和打哈欠时长确定模块，用于根据所述眼睛闭合程度、预设初始眼睛闭合程度和预设检测时间，确定单位时间内闭眼时长所占百分比；以及，根据所述嘴巴张开程度、预设初始嘴巴张开程度和预设检测时间，确定单位时间内打哈欠时长所占百分比；其中，预设初始眼睛闭合程度和预设初始嘴巴张开程度是基于与驾驶员身份对应的配置文件计算得到的；
疲劳预警模块，用于根据所述单位时间内闭眼时长所占百分比和单位时间内打哈欠时长所占百分比，确定驾驶员的疲劳程度，并根据所述疲劳程度进行疲劳预警。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的一种驾驶员疲劳预警方法。
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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的一种驾驶员疲劳预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310735995.5A CN116749988A (zh) | 2023-06-20 | 2023-06-20 | 一种驾驶员疲劳预警方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310735995.5A CN116749988A (zh) | 2023-06-20 | 2023-06-20 | 一种驾驶员疲劳预警方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116749988A true CN116749988A (zh) | 2023-09-15 |
Family
ID=87960512
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310735995.5A Pending CN116749988A (zh) | 2023-06-20 | 2023-06-20 | 一种驾驶员疲劳预警方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116749988A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117115894A (zh) * | 2023-10-24 | 2023-11-24 | 吉林省田车科技有限公司 | 一种非接触式驾驶员疲劳状态分析方法、装置和设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012164040A (ja) * | 2011-02-04 | 2012-08-30 | Nissan Motor Co Ltd | 覚醒低下検出装置 |
| JP2014071519A (ja) * | 2012-09-27 | 2014-04-21 | Aisin Seiki Co Ltd | 状態判定装置、運転支援システム、状態判定方法及びプログラム |
| US20160001781A1 (en) * | 2013-03-15 | 2016-01-07 | Honda Motor Co., Ltd. | System and method for responding to driver state |
| CN111079476A (zh) * | 2018-10-19 | 2020-04-28 | 上海商汤智能科技有限公司 | 驾驶状态分析方法和装置、驾驶员监控系统、车辆 |
| CN113879314A (zh) * | 2020-07-01 | 2022-01-04 | 罗敏 | 一种用于监控人体生理数据的车载系统及其方法 |
| CN115830579A (zh) * | 2022-10-28 | 2023-03-21 | 长城汽车股份有限公司 | 一种驾驶状态监测方法、系统及车辆 |
-
2023
- 2023-06-20 CN CN202310735995.5A patent/CN116749988A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012164040A (ja) * | 2011-02-04 | 2012-08-30 | Nissan Motor Co Ltd | 覚醒低下検出装置 |
| JP2014071519A (ja) * | 2012-09-27 | 2014-04-21 | Aisin Seiki Co Ltd | 状態判定装置、運転支援システム、状態判定方法及びプログラム |
| US20160001781A1 (en) * | 2013-03-15 | 2016-01-07 | Honda Motor Co., Ltd. | System and method for responding to driver state |
| CN111079476A (zh) * | 2018-10-19 | 2020-04-28 | 上海商汤智能科技有限公司 | 驾驶状态分析方法和装置、驾驶员监控系统、车辆 |
| CN113879314A (zh) * | 2020-07-01 | 2022-01-04 | 罗敏 | 一种用于监控人体生理数据的车载系统及其方法 |
| CN115830579A (zh) * | 2022-10-28 | 2023-03-21 | 长城汽车股份有限公司 | 一种驾驶状态监测方法、系统及车辆 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117115894A (zh) * | 2023-10-24 | 2023-11-24 | 吉林省田车科技有限公司 | 一种非接触式驾驶员疲劳状态分析方法、装置和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9286515B2 (en) | Doze detection method and apparatus thereof | |
| WO2019028798A1 (zh) | 驾驶状态监控方法、装置和电子设备 | |
| CN104794464B (zh) | 一种基于相对属性的活体检测方法 | |
| Kong et al. | A system of driving fatigue detection based on machine vision and its application on smart device | |
| WO2012160830A1 (ja) | 眠気推定装置及び眠気推定方法 | |
| WO2015122183A1 (ja) | 情報処理装置、情報処理方法及びプログラム記憶媒体 | |
| CN116749988A (zh) | 一种驾驶员疲劳预警方法、装置、电子设备及存储介质 | |
| WO2020232893A1 (zh) | 一种用户疲劳状态识别方法、装置、终端设备及介质 | |
| WO2019110312A1 (en) | A system and method for detecting motion sickness | |
| CN111415321A (zh) | 动脉瘤破裂风险检测装置及设备 | |
| Tang et al. | Real-time image-based driver fatigue detection and monitoring system for monitoring driver vigilance | |
| Liu et al. | Human body fall detection based on the Kinect sensor | |
| Lopez-Tiro et al. | Localization of blood vessels in in-vitro LSCI images with K-means | |
| JP2011229741A (ja) | 眠気度推定装置および眠気度推定方法 | |
| WO2019148670A1 (zh) | 一种功率控制方法、系统及穿戴设备 | |
| Yin et al. | A driver fatigue detection method based on multi-sensor signals | |
| US9826911B2 (en) | Wearable device and determination method thereof | |
| Ghadiri et al. | Retinal vessel tortuosity evaluation via circular Hough transform | |
| CN111956193A (zh) | 应用于智能耳机的健康状态检测方法、装置、介质及设备 | |
| Teja et al. | Real-time smart drivers drowsiness detection using dnn | |
| CN208092911U (zh) | 一种婴儿监控系统 | |
| Othman et al. | An efficient embedded security system for reduce car accident to build safer world based on IoT | |
| Zeng et al. | A driving assistant safety method based on human eye fatigue detection | |
| CN108921010A (zh) | 一种瞳孔检测方法及检测装置 | |
| Anguraj et al. | Analysis of facial paralysis disease using image processing technique |
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 |