WO2019095733A1 - 用于发出告警信号的方法及装置 - Google Patents

Abstract

本申请实施例公开了用于发出告警信号的方法及装置。该方法的一具体实施方式包括：实时获取行驶状态数据；将上述行驶状态数据导入预先训练的疲劳识别模型，得到疲劳类型和对应疲劳类型的疲劳数值；将上述疲劳类型和疲劳数值导入预先训练的注意力值计算模型，得到注意力数值；判断注意力数值所在的注意力阈值范围，根据上述注意力阈值范围发出告警信号。该实施方式提高了对驾驶员的疲劳程度识别的准确率。

Description

用于发出告警信号的方法及装置

相关申请的交叉引用

本专利申请要求于2017年11月16日提交的、申请号为201711140773.X、申请人为百度在线网络技术(北京)有限公司、发明名称为“用于发出告警信号的方法及装置”的中国专利申请的优先权，该申请的全文以引用的方式并入本申请中。

技术领域

本申请实施例涉及计算机技术领域，具体涉及车辆控制技术领域，尤其涉及用于发出告警信号的方法及装置。

背景技术

汽车拓展了人们出行的范围，给人们的出行带来了便利，提高了人们的生活质量。随着科技的发展和进步，通过智能系统控制的无人驾驶车辆能够获取比有人驾驶的汽车更多的行驶信息，具备更高的安全性，成为未来汽车发展的一个重要趋势。

车辆行驶过程中，驾驶员在疲劳驾驶时容易出现交通事故。为了降低交通事故的发生，现有技术通过对驾驶员的眼睛动作进行监测等方法来判断驾驶员的是否疲劳驾驶。

发明内容

本申请实施例的目的在于提出了用于发出告警信号的方法及装置。

第一方面，本申请实施例提供了一种用于发出告警信号的方法，该方法包括：实时获取行驶状态数据，上述行驶状态数据包括驾驶员状态数据、驾驶环境数据和车辆状态数据，上述驾驶员状态数据包括手部动作数据、嘴部动作数据、头部动作数据和眼部动作数据，上述驾驶环境数据包括车道线数据、车辆距离数据，上述车辆状态数据包 括速度数据、方向数据；将上述行驶状态数据导入预先训练的疲劳识别模型，得到疲劳类型和对应疲劳类型的疲劳数值，上述疲劳识别模型用于通过行驶状态数据确定疲劳类型和疲劳数值，上述疲劳数值用于表征对应疲劳类型的程度；将上述疲劳类型和疲劳数值导入预先训练的注意力值计算模型，得到注意力数值，上述注意力值计算模型用于通过疲劳类型和疲劳数值计算注意力数值，上述注意力数值用于表征驾驶员的疲劳程度；判断注意力数值所在的注意力阈值范围，根据上述注意力阈值范围发出告警信号，上述注意力阈值范围通过预设的注意力阈值确定。

在一些实施例中，上述方法包括构建疲劳识别模型的步骤，上述构建疲劳识别模型的步骤包括：分别从驾驶员状态数据集合、驾驶环境数据集合和车辆状态数据集合中提取时间上同步的驾驶员状态数据、驾驶环境数据和车辆状态数据；分别对驾驶员状态数据、驾驶环境数据和车辆状态数据进行特征提取，得到驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据；根据上述驾驶员状态特征数据确定疲劳类型，上述疲劳类型包括以下至少一项：闭眼类型、打哈欠类型、视线偏移类型、打电话类型；通过驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据计算疲劳数值；利用机器学习方法，将驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据作为输入，将疲劳类型和对应的疲劳类型的疲劳数值作为输出，训练得到疲劳识别模型。

在一些实施例中，上述通过驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据计算疲劳数值包括：获取时间阈值范围、距离阈值范围和数据变化量阈值范围，其中，时间阈值范围包括由预先设置的时间阈值构成的多个时间阈值子范围，距离阈值范围包括由预先设置的距离阈值构成的多个距离阈值子范围，数据变化量阈值范围包括由预先设置的数据变化量阈值构成的多个数据变化量阈值子范围，每个时间阈值子范围对应一个时间权重值，每个距离阈值子范围对应一个距离权重值，每个数据变化量阈值子范围对应一个数据变化权重值；分别测量驾驶员状态特征数据对应的每种疲劳类型的疲劳类型持 续时间、驾驶环境特征数据对应的距离变化值和车辆状态特征数据对应的数据变化值，其中，疲劳类型持续时间通过驾驶员状态特征数据对应的指定疲劳类型对应的动作的持续时间来表征，距离变化值通过驾驶环境特征数据在单位时间内的变化量来表征，数据变化值通过车辆状态特征数据在单位时间内的变化量来表征；确定疲劳类型持续时间、距离变化值和数据变化值分别对应的时间阈值范围的时间阈值子范围的时间权重值、距离阈值范围的距离阈值子范围的距离权重值和数据变化量阈值范围的数据变化量阈值子范围的数据变化权重值；对时间权重值、距离权重值和数据变化权重值加权求和得到对应疲劳类型的疲劳数值。

在一些实施例中，上述方法包括构建注意力值计算模型的步骤，上述构建注意力值计算模型的步骤包括：按照疲劳类型将疲劳数值集合中的疲劳数值划分为对应疲劳类型的疲劳数值子集合；分别为每种疲劳类型设置类型权重值，将类型权重值与该类型权重值对应的疲劳数值子集合中的每个疲劳数值的乘积作为对应疲劳类型在取值为该疲劳数值时的注意力分量；利用机器学习方法，将疲劳类型和疲劳数值作为输入，将注意力分量作为输出，训练得到注意力值计算模型。

在一些实施例中，上述判断注意力数值所在的注意力阈值范围，根据上述注意力阈值范围发出告警信号包括：获取注意力阈值范围，上述注意力阈值范围包括由预先设置的注意力阈值构成的多个注意力阈值子范围，每个注意力阈值子范围对应一个告警信号，上述告警信号包括：声音告警信号、图像告警信号；响应于注意力数值对应的注意力阈值子范围，发出对应该注意力阈值子范围的告警信号。

在一些实施例中，上述判断上述注意力数值所在的注意力阈值范围，根据上述注意力阈值范围发出告警信号还包括：响应于注意力数值不在上述注意力阈值范围内时，启动自动驾驶模式。

第二方面，本申请实施例提供了一种用于发出告警信号的装置，上述该装置包括：行驶状态数据获取单元，用于实时获取行驶状态数据，上述行驶状态数据包括驾驶员状态数据、驾驶环境数据和车辆状态数据，上述驾驶员状态数据包括手部动作数据、嘴部动作数据、头 部动作数据和眼部动作数据，上述驾驶环境数据包括车道线数据、车辆距离数据，上述车辆状态数据包括速度数据、方向数据；疲劳数值获取单元，用于将上述行驶状态数据导入预先训练的疲劳识别模型，得到疲劳类型和对应疲劳类型的疲劳数值，上述疲劳识别模型用于通过行驶状态数据确定疲劳类型和疲劳数值，上述疲劳数值用于表征对应疲劳类型的程度；注意力数值获取单元，用于将上述疲劳类型和疲劳数值导入预先训练的注意力值计算模型，得到注意力数值，上述注意力值计算模型用于通过疲劳类型和疲劳数值计算注意力数值，上述注意力数值用于表征驾驶员的疲劳程度；告警单元，用于判断注意力数值所在的注意力阈值范围，根据上述注意力阈值范围发出告警信号，上述注意力阈值范围通过预设的注意力阈值确定。

在一些实施例中，上述装置包括疲劳识别模型构建单元，用于构建疲劳识别模型，上述疲劳识别模型构建单元包括：数据提取子单元，用于分别从驾驶员状态数据集合、驾驶环境数据集合和车辆状态数据集合中提取时间上同步的驾驶员状态数据、驾驶环境数据和车辆状态数据；体征提取子单元，用于分别对驾驶员状态数据、驾驶环境数据和车辆状态数据进行特征提取，得到驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据；疲劳类型确定子单元，用于根据上述驾驶员状态特征数据确定疲劳类型，上述疲劳类型包括以下至少一项：闭眼类型、打哈欠类型、视线偏移类型、打电话类型；疲劳数值计算子单元，用于通过驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据计算疲劳数值；疲劳识别模型构建子单元，用于利用机器学习方法，将驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据作为输入，将疲劳类型和对应的疲劳类型的疲劳数值作为输出，训练得到疲劳识别模型。

在一些实施例中，上述疲劳数值计算子单元包括：阈值范围获取模块，用于获取时间阈值范围、距离阈值范围和数据变化量阈值范围，其中，时间阈值范围包括由预先设置的时间阈值构成的多个时间阈值子范围，距离阈值范围包括由预先设置的距离阈值构成的多个距离阈值子范围，数据变化量阈值范围包括由预先设置的数据变化量阈值构 成的多个数据变化量阈值子范围，每个时间阈值子范围对应一个时间权重值，每个距离阈值子范围对应一个距离权重值，每个数据变化量阈值子范围对应一个数据变化权重值；数据测量模块，用于分别测量驾驶员状态特征数据对应的每种疲劳类型的疲劳类型持续时间、驾驶环境特征数据对应的距离变化值和车辆状态特征数据对应的数据变化值，其中，疲劳类型持续时间通过驾驶员状态特征数据对应的指定疲劳类型对应的动作的持续时间来表征，距离变化值通过驾驶环境特征数据在单位时间内的变化量来表征，数据变化值通过车辆状态特征数据在单位时间内的变化量来表征；权重值确定模块，用于确定疲劳类型持续时间、距离变化值和数据变化值分别对应的时间阈值范围的时间阈值子范围的时间权重值、距离阈值范围的距离阈值子范围的距离权重值和数据变化量阈值范围的数据变化量阈值子范围的数据变化权重值；疲劳数值计算模块，用于对时间权重值、距离权重值和数据变化权重值加权求和得到对应疲劳类型的疲劳数值。

在一些实施例中，上述装置包括注意力值计算模型构建单元，用于构建注意力值计算模型，上述注意力值计算模型构建单元包括：数据划分子单元，用于按照疲劳类型将疲劳数值集合中的疲劳数值划分为对应疲劳类型的疲劳数值子集合；注意力分量计算子单元，用于分别为每种疲劳类型设置类型权重值，将类型权重值与该类型权重值对应的疲劳数值子集合中的每个疲劳数值的乘积作为对应疲劳类型在取值为该疲劳数值时的注意力分量；注意力值计算模型构建子单元，用于利用机器学习方法，将疲劳类型和疲劳数值作为输入，将注意力分量作为输出，训练得到注意力值计算模型。

在一些实施例中，上述告警单元包括：注意力阈值范围获取子单元，用于获取注意力阈值范围，上述注意力阈值范围包括由预先设置的注意力阈值构成的多个注意力阈值子范围，每个注意力阈值子范围对应一个告警信号，上述告警信号包括：声音告警信号、图像告警信号；告警子单元，用于响应于注意力数值对应的注意力阈值子范围，发出对应该注意力阈值子范围的告警信号。

在一些实施例中，上述告警单元还包括：响应于注意力数值不在 上述注意力阈值范围内时，启动自动驾驶模式。

第三方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器执行上述第一方面的用于发出告警信号的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述第一方面的用于发出告警信号的方法。

本申请实施例提供的用于发出告警信号的方法及装置，实时获取行驶状态数据，上述行驶状态数据包括驾驶员状态数据、驾驶环境数据和车辆状态数据，实现了对驾驶员、行驶环境和车辆数据的数据对综合考虑，然后将行驶状态数据导入疲劳识别模型得到疲劳类型和对应疲劳类型的疲劳数值，并将疲劳类型和疲劳数值导入预先训练的注意力值计算模型，得到注意力数值，最后根据注意力数值所在的注意力阈值范围发出对应的告警信号，提高了对驾驶员的疲劳程度识别的准确率。

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，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于发出告警信号的方法的一个实施例的流程图；

图3是根据本申请的用于发出告警信号的方法的一个应用场景的示意图；

图4是根据本申请的用于发出告警信号的装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请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，本申请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申请。

图1示出了可以应用本申请的用于发出告警信号的方法或用于发出告警信号的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括第一摄像头101、第二摄像头102、车载终端103、网络104和服务器105。网络104用以在车载终端103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

第一摄像头101可以设置在车辆外部，用于采集当前车辆行驶过程中的图像，然后根据采集的图像计算出当前车辆与行驶道路上的其他车辆、行人之间的距离，还可以计算出当前车辆与车道线之间的距离；第二摄像头102可以设置在车辆内部，用于监测驾驶员的各种动作，包括手部动作、嘴部动作、头部动作和眼部动作等，并将这些动作转换为对应的数据；车载终端103可以接收第一摄像头101、第二摄像头102以及当前车辆的状态数据(例如可以是速度数据、方向数据等)，并对接收的数据进行处理，进而在驾驶员疲劳驾驶时发出对应的告警信号。

服务器105可以是提供各种服务的服务器，例如对车载终端103发来的数据进行处理的服务器，服务器105可以对车载终端103发来的数据进行数据处理，并将得到的注意力数值等数据发送给车载终端103。

需要说明的是，本申请实施例所提供的用于发出告警信号的方法一般由车载终端103执行，相应地，用于发出告警信号的装置一般设置于车载终端103中。

应该理解，图1中的第一摄像头101、第二摄像头102、车载终端103、网络104和服务器105的数目仅仅是示意性的。根据实现需要，可以具有任意数目的第一摄像头101、第二摄像头102、车载终端103、网络104和服务器105。

继续参考图2，示出了根据本申请的用于发出告警信号的方法的一个实施例的流程200。该用于发出告警信号的方法包括以下步骤：

步骤201，实时获取行驶状态数据。

在本实施例中，用于发出告警信号的方法运行于其上的电子设备(例如图1所示的车载终端103)可以通过有线连接方式或者无线连接方式接收行驶状态数据。其中，上述行驶状态数据可以包括驾驶员状态数据、驾驶环境数据和车辆状态数据，上述驾驶员状态数据可以包括手部动作数据、嘴部动作数据、头部动作数据和眼部动作数据，上述驾驶环境数据可以包括车道线数据、车辆距离数据，上述车辆状态数据可以包括速度数据、方向数据。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

当驾驶员驾驶车辆行驶时，可以实时获取驾驶员状态数据、驾驶环境数据和车辆状态数据。其中，驾驶员状态数据可以由设置在车内的第二摄像头102采集；驾驶环境数据可以由设置在车外的第一摄像头101采集；车辆状态数据可以直接从车辆获取。

步骤202，将上述行驶状态数据导入预先训练的疲劳识别模型，得到疲劳类型和对应疲劳类型的疲劳数值。

获取到行驶状态数据后，可以将行驶状态数据导入疲劳识别模型，得到疲劳类型(可以通过信息的形式表示)和对应疲劳类型的疲劳数值。其中，上述疲劳识别模型用于通过行驶状态数据确定疲劳类型和疲劳数值，上述疲劳数值用于表征对应疲劳类型的程度。疲劳数值可以通过多种形式表示。例如，疲劳数值的取值范围可以是0到1。当疲劳数值为0时，可以认为驾驶员不疲劳；当疲劳数值为1时，可以认为驾驶员处于严重疲劳。疲劳数值还可以通过0到100等其他形式 表示，此处不再一一赘述。

在本实施例的一些可选的实现方式中，本实施例方法可以包括构建疲劳识别模型的步骤，上述构建疲劳识别模型的步骤可以包括以下步骤：

第一步，分别从驾驶员状态数据集合、驾驶环境数据集合和车辆状态数据集合中提取时间上同步的驾驶员状态数据、驾驶环境数据和车辆状态数据。

当驾驶员处于疲劳驾驶时，不仅驾驶员自身会表现出一些疲劳特征，同时，车辆也会因驾驶员的疲劳驾驶而出现行驶异常。因此，在判断驾驶员是否疲劳时，可以分别从驾驶员状态数据集合、驾驶环境数据集合和车辆状态数据集合中提取时间上同步的驾驶员状态数据、驾驶环境数据和车辆状态数据。需要说明的是，驾驶员状态数据、驾驶环境数据和车辆状态数据在时间上必须的同步(时间上相同)的，以便通过多种数据综合起来对驾驶员是否疲劳驾驶做出准确判断。

第二步，分别对驾驶员状态数据、驾驶环境数据和车辆状态数据进行特征提取，得到驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据。

驾驶员状态数据、驾驶环境数据和车辆状态数据通常是直接采集的。为了对驾驶员是否疲劳驾驶进行判断，需要分别对驾驶员状态数据、驾驶环境数据和车辆状态数据进行特征提取，得到驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据。即，驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据为与驾驶员疲劳驾驶相关的数据。例如，驾驶员状态特征数据可以是眼部闭合的时间值；驾驶环境特征数据可以是车辆距离的变化值；车辆状态特征数据可以是速度的变化值。驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据还可以是其他类型的数据，具体视实际需要而定。

第三步，根据上述驾驶员状态特征数据确定疲劳类型。

驾驶员状态数据可以包括驾驶员的手部动作数据、嘴部动作数据、头部动作数据和眼部动作数据等数据。当驾驶员出现了其中的一类数据或几类数据时，对应的动作数据可以通过驾驶员状态特征数据来表 现出来。如果出现了某一类或几类数据，则说明驾驶员表现出了对应的疲劳类型。上述疲劳类型包括以下至少一项：闭眼类型、打哈欠类型、视线偏移类型、打电话类型。

第四步，通过驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据计算疲劳数值。

获取到驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据后，通过一定的数据处理方式可以得到对应疲劳类型的疲劳数值。例如，可以分别计算驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据对应某一疲劳类型的数值，然后加权得到该疲劳类型的疲劳数值。

第五步，利用机器学习方法，将驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据作为输入，将疲劳类型和对应的疲劳类型的疲劳数值作为输出，训练得到疲劳识别模型。

疲劳识别模型可以是技术人员基于对大量的驾驶员状态特征数据、驾驶环境特征数据、车辆状态特征数据、疲劳类型和疲劳数值进行统计而预先制定的、存储有驾驶员状态特征数据、驾驶环境特征数据、车辆状态特征数据、疲劳类型和疲劳数值的对应关系的对应关系表；也可以是技术人员基于对大量数据的统计而预先设置并存储在上述电子设备中的，对驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据进行数值计算以得到用于表征疲劳类型的疲劳数值的计算结果的计算公式。例如，该计算公式可以是对驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据进行加权求和的公式，得到的结果可以用于表征对应疲劳类型的疲劳数值。

在本实施例的一些可选的实现方式中，上述通过驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据计算疲劳数值可以包括以下步骤：

第一步，获取时间阈值范围、距离阈值范围和数据变化量阈值范围。

通常，时间阈值范围、距离阈值范围和数据变化量阈值范围可以是预先设置好的。其中，时间阈值范围可以包括由预先设置的时间阈 值构成的多个时间阈值子范围；距离阈值范围可以包括由预先设置的距离阈值构成的多个距离阈值子范围；数据变化量阈值范围可以包括由预先设置的数据变化量阈值构成的多个数据变化量阈值子范围。每个时间阈值子范围对应一个时间权重值；每个距离阈值子范围对应一个距离权重值；每个数据变化量阈值子范围对应一个数据变化权重值。

第二步，分别测量驾驶员状态特征数据对应的每种疲劳类型的疲劳类型持续时间、驾驶环境特征数据对应的距离变化值和车辆状态特征数据对应的数据变化值。

为了通过量化的方式确定各种数据与疲劳驾驶的相关性，可以分别测量驾驶员状态特征数据对应的每种疲劳类型的疲劳类型持续时间、驾驶环境特征数据对应的距离变化值和车辆状态特征数据对应的数据变化值。其中，疲劳类型持续时间可以通过驾驶员状态特征数据对应的指定疲劳类型对应的动作的持续时间来表征，距离变化值可以通过驾驶环境特征数据在单位时间内的变化量来表征，数据变化值可以通过车辆状态特征数据在单位时间内的变化量来表征。

第三步，确定疲劳类型持续时间、距离变化值和数据变化值分别对应的时间阈值范围的时间阈值子范围的时间权重值、距离阈值范围的距离阈值子范围的距离权重值和数据变化量阈值范围的数据变化量阈值子范围的数据变化权重值。

得到疲劳类型持续时间、距离变化值和数据变化值后，通过数据对比，可以分别得到疲劳类型持续时间在时间阈值范围对应的时间阈值子范围的时间权重值、距离变化值在距离阈值范围对应的距离阈值子范围的距离权重值和数据变化值在数据变化量阈值范围对应的数据变化量阈值子范围的数据变化权重值。

第四步，对时间权重值、距离权重值和数据变化权重值加权求和得到对应疲劳类型的疲劳数值。

时间权重值、距离权重值和数据变化权重值与不同的疲劳类型的相关性可以不同。为此，可以根据具体的疲劳类型为时间权重值、距离权重值和数据变化权重值设置不同的权值，在得到时间权重值、距离权重值和数据变化权重值与各自权值的乘积后再求和，得到对应疲 劳类型的疲劳数值。例如，时间权重值、距离权重值和数据变化权重值可以分别是0.1、0.3和0.5，对应某一疲劳类型的权值可以分别是0.2、0.1和0.4，则对应该疲劳类型的疲劳数值可以是0.1×0.2+0.3×0.1+0.5×0.4＝0.25。

步骤203，将上述疲劳类型和疲劳数值导入预先训练的注意力值计算模型，得到注意力数值。

得到疲劳类型和疲劳数值后，可以将疲劳类型和疲劳数值导入注意力值计算模型得到注意力数值。其中，上述注意力值计算模型用于通过疲劳类型和疲劳数值计算注意力数值，上述注意力数值用于表征驾驶员的疲劳程度。与疲劳数值类似，注意力数值的取值范围也可以是0到1。当注意力数值为0时，可以认为驾驶员严重疲劳；当注意力数值为1时，可以认为驾驶员不疲劳。注意力数值还可以通过其他形式表示，此处不再一一赘述。

在本实施例的一些可选的实现方式中，本实施例方法可以包括构建注意力值计算模型的步骤，上述构建注意力值计算模型的步骤可以包括以下步骤：

第一步，按照疲劳类型将疲劳数值集合中的疲劳数值划分为对应疲劳类型的疲劳数值子集合。

由上述描述可知，不同的疲劳类型对应各自的疲劳数值。因此，可以按照疲劳类型将疲劳数值集合中的疲劳数值划分为对应疲劳类型的疲劳数值子集合。

第二步，分别为每种疲劳类型设置类型权重值，将类型权重值与该类型权重值对应的疲劳数值子集合中的每个疲劳数值的乘积作为对应疲劳类型在取值为该疲劳数值时的注意力分量。

根据不同的驾驶员的驾驶习惯和驾驶行为，可以为每种疲劳类型设置类型权重值，以便根据驾驶员的特征针对性地对驾驶员是否疲劳驾驶做出判断。当需要获取某一疲劳类型的注意类分量时，可以将该疲劳类型的类型权重值与该类型权重值对应的疲劳数值子集合中的每个疲劳数值的乘积作为对应疲劳类型在取值为该疲劳数值时的注意力分量。即，有多少个疲劳数值就有多少个对应的注意力分量。当驾驶 员出现了多种疲劳类型时，可以将对应各个疲劳类型的注意力分量求和得到驾驶员的注意力数值。例如，驾驶员出现了疲劳类型A、B、C，对应的疲劳数值子集合中分别具有疲劳数值0.1、0.2和0.3，对应的类型权重值可以分别为0.2、0.2和0.6，则该驾驶员的注意力数值在疲劳数值分别为0.1、0.2和0.3时，可以是0.1×0.2+0.2×0.2+0.3×0.6＝0.24。

第三步，利用机器学习方法，将疲劳类型和疲劳数值作为输入，将注意力分量作为输出，训练得到注意力值计算模型。

注意力值计算模型以是技术人员基于对大量的疲劳类型和疲劳数值进行统计而预先制定的、存储有疲劳类型、疲劳数值和注意力分量的对应关系的对应关系表；也可以是技术人员基于对大量数据的统计而预先设置并存储在上述电子设备中的，对疲劳数值进行数值计算以得到用于表征疲劳类型的注意力分量的计算结果的计算公式。例如，该计算公式可以是对疲劳数值进行加权求和的公式，得到的结果可以用于表征对应疲劳类型的注意力分量。之后，将各个疲劳类型的注意力分量求和得到注意力数值。

需要说明的是，上述的疲劳识别模型和注意力值计算模型可以预先通过服务器105训练得到。

步骤204，判断注意力数值所在的注意力阈值范围，根据上述注意力阈值范围发出告警信号。

车载终端103上可以预先设置有多个注意力阈值，通过多个注意力阈值构成注意力阈值范围，即，上述注意力阈值范围通过预设的注意力阈值确定。然后，可以为每个注意力阈值范围设置不同的告警信号，不同的告警信号可以体现驾驶员当前的注意力。当注意力数值属于某个注意力阈值范围时，发出该注意力阈值范围对应的告警信号。

在本实施例的一些可选的实现方式中，上述判断注意力数值所在的注意力阈值范围，根据上述注意力阈值范围发出告警信号可以包括以下步骤：

第一步，获取注意力阈值范围。

在发出告警信号前，需要首先获取到注意力阈值范围。其中，上述注意力阈值范围包括由预先设置的注意力阈值构成的多个注意力阈 值子范围，每个注意力阈值子范围对应一个告警信号，上述告警信号可以包括：声音告警信号、图像告警信号等。

第二步，响应于注意力数值对应的注意力阈值子范围，发出对应该注意力阈值子范围的告警信号。

例如，注意力阈值范围可以通过注意力阈值0、0.5和1构成。当注意力数值所在的注意力阈值范围为0.5到1之间时，可以认为驾驶员的注意力集中，对应的，驾驶员没有处于疲劳驾驶状态，告警信号可以为语音提示驾驶员注意行驶安全；当注意力数值所在的注意力阈值范围为0到0.5之间时，可以认为驾驶员的注意力不集中，对应的，驾驶员没有处于轻微疲劳驾驶状态，告警信号可以为高音量语音、图像信号提示驾驶员注意行驶安全。

在本实施例的一些可选的实现方式中，上述判断上述注意力数值所在的注意力阈值范围，根据上述注意力阈值范围发出告警信号还可以包括：当注意力数值不在上述注意力阈值范围内时，启动自动驾驶模式。

响应于车辆具有自动驾驶功能，且注意力数值不在上述注意力阈值范围内时，车载终端103还可以自动启动自动驾驶模式。例如，当注意力数值所在的注意力阈值范围为0时，可以认为驾驶员散失注意力，此时，车载终端103就可以直接启动车辆的自动驾驶模式，以提高行驶的安全性。

继续参见图3，图3是根据本实施例的用于发出告警信号的方法的应用场景的一个示意图。在图3的应用场景中，车载终端103获取到车辆的车辆状态数据、第一摄像头101采集的驾驶环境数据和第二摄像头102采集的驾驶员状态数据等行驶状态数据后，将行驶状态数据导入疲劳识别模型，得到驾驶员当前的疲劳类型和对应疲劳类型的疲劳数值；然后，将疲劳类型和疲劳数值导入注意力值计算模型，得到注意力数值；最后，判断注意力数值所在的注意力阈值范围，根据上述注意力阈值范围发出告警信号“请注意行驶安全”。

本申请的上述实施例提供的方法能够实时获取行驶状态数据，上述行驶状态数据包括驾驶员状态数据、驾驶环境数据和车辆状态数据， 实现了对驾驶员、行驶环境和车辆数据的数据对综合考虑，然后将行驶状态数据导入疲劳识别模型得到疲劳类型和对应疲劳类型的疲劳数值，并将疲劳类型和疲劳数值导入预先训练的注意力值计算模型，得到注意力数值，最后根据注意力数值所在的注意力阈值范围发出对应的告警信号，提高了对驾驶员的疲劳程度识别的准确率。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于发出告警信号的装置的一个实施例，该装置实施例与图4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4所示，本实施例的用于发出告警信号的装置400可以包括：行驶状态数据获取单元401、疲劳数值获取单元402、注意力数值获取单元403和告警单元404。其中，行驶状态数据获取单元401用于实时获取行驶状态数据，上述行驶状态数据包括驾驶员状态数据、驾驶环境数据和车辆状态数据，上述驾驶员状态数据包括手部动作数据、嘴部动作数据、头部动作数据和眼部动作数据，上述驾驶环境数据包括车道线数据、车辆距离数据，上述车辆状态数据包括速度数据、方向数据；疲劳数值获取单元402用于将上述行驶状态数据导入预先训练的疲劳识别模型，得到疲劳类型和对应疲劳类型的疲劳数值，上述疲劳识别模型用于通过行驶状态数据确定疲劳类型和疲劳数值，上述疲劳数值用于表征对应疲劳类型的程度；注意力数值获取单元403用于将上述疲劳类型和疲劳数值导入预先训练的注意力值计算模型，得到注意力数值，上述注意力值计算模型用于通过疲劳类型和疲劳数值计算注意力数值，上述注意力数值用于表征驾驶员的疲劳程度；告警单元404用于判断注意力数值所在的注意力阈值范围，根据上述注意力阈值范围发出告警信号，上述注意力阈值范围通过预设的注意力阈值确定。

在本实施例的一些可选的实现方式中，本实施例的用于发出告警信号的装置400可以包括疲劳识别模型构建单元(图中未示出)，用于构建疲劳识别模型，上述疲劳识别模型构建单元可以包括：数据提取子单元(图中未示出)、特征提取子单元(图中未示出)、疲劳类型确定子单元(图中未示出)、疲劳数值计算子单元(图中未示出)和疲劳 识别模型构建子单元(图中未示出)。其中，数据提取子单元用于分别从驾驶员状态数据集合、驾驶环境数据集合和车辆状态数据集合中提取时间上同步的驾驶员状态数据、驾驶环境数据和车辆状态数据；特征提取子单元用于分别对驾驶员状态数据、驾驶环境数据和车辆状态数据进行特征提取，得到驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据；疲劳类型确定子单元用于根据上述驾驶员状态特征数据确定疲劳类型，上述疲劳类型包括以下至少一项：闭眼类型、打哈欠类型、视线偏移类型、打电话类型；疲劳数值计算子单元用于通过驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据计算疲劳数值；疲劳识别模型构建子单元用于利用机器学习方法，将驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据作为输入，将疲劳类型和对应的疲劳类型的疲劳数值作为输出，训练得到疲劳识别模型。

在本实施例的一些可选的实现方式中，上述疲劳数值计算子单元可以包括：阈值范围获取模块(图中未示出)、数据测量模块(图中未示出)、权重值确定模块(图中未示出)和疲劳数值计算模块(图中未示出)。其中，阈值范围获取模块用于获取时间阈值范围、距离阈值范围和数据变化量阈值范围，其中，时间阈值范围包括由预先设置的时间阈值构成的多个时间阈值子范围，距离阈值范围包括由预先设置的距离阈值构成的多个距离阈值子范围，数据变化量阈值范围包括由预先设置的数据变化量阈值构成的多个数据变化量阈值子范围，每个时间阈值子范围对应一个时间权重值，每个距离阈值子范围对应一个距离权重值，每个数据变化量阈值子范围对应一个数据变化权重值；数据测量模块用于分别测量驾驶员状态特征数据对应的每种疲劳类型的疲劳类型持续时间、驾驶环境特征数据对应的距离变化值和车辆状态特征数据对应的数据变化值，其中，疲劳类型持续时间通过驾驶员状态特征数据对应的指定疲劳类型对应的动作的持续时间来表征，距离变化值通过驾驶环境特征数据在单位时间内的变化量来表征，数据变化值通过车辆状态特征数据在单位时间内的变化量来表征；权重值确定模块用于确定疲劳类型持续时间、距离变化值和数据变化值分别对 应的时间阈值范围的时间阈值子范围的时间权重值、距离阈值范围的距离阈值子范围的距离权重值和数据变化量阈值范围的数据变化量阈值子范围的数据变化权重值；疲劳数值计算模块用于对时间权重值、距离权重值和数据变化权重值加权求和得到对应疲劳类型的疲劳数值。

在本实施例的一些可选的实现方式中，本实施例的用于发出告警信号的装置400可以包括注意力值计算模型构建单元(图中未示出)，用于构建注意力值计算模型，上述注意力值计算模型构建单元可以包括：数据划分子单元(图中未示出)、注意力分量计算子单元(图中未示出)和注意力值计算模型构建子单元(图中未示出)。其中，数据划分子单元用于按照疲劳类型将疲劳数值集合中的疲劳数值划分为对应疲劳类型的疲劳数值子集合；注意力分量计算子单元用于分别为每种疲劳类型设置类型权重值，将类型权重值与该类型权重值对应的疲劳数值子集合中的每个疲劳数值的乘积作为对应疲劳类型在取值为该疲劳数值时的注意力分量；注意力值计算模型构建子单元用于利用机器学习方法，将疲劳类型和疲劳数值作为输入，将注意力分量作为输出，训练得到注意力值计算模型。

在本实施例的一些可选的实现方式中，上述告警单元404可以包括：注意力阈值范围获取子单元(图中未示出)和告警子单元(图中未示出)。其中，注意力阈值范围获取子单元用于获取注意力阈值范围，上述注意力阈值范围包括由预先设置的注意力阈值构成的多个注意力阈值子范围，每个注意力阈值子范围对应一个告警信号，上述告警信号包括：声音告警信号、图像告警信号；告警子单元用于响应于注意力数值对应的注意力阈值子范围，发出对应该注意力阈值子范围的告警信号。

在本实施例的一些可选的实现方式中，上述告警单元404还可以包括：响应于注意力数值不在上述注意力阈值范围内时，启动自动驾驶模式。

本实施例还提供了一种服务器，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器执行上述的用于发出 告警信号的方法。

本实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，该程序被处理器执行时实现上述的用于发出告警信号的方法。

下面参考图5，其示出了适于用来实现本申请实施例的服务器的计算机系统500的结构示意图。图5示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

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部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请上述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。在本申请中，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。而在本申请中，计算机可读的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。计算机可读的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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。

描述于本申请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：一种处理器包括行驶状态数据获取单元、疲劳数 值获取单元、注意力数值获取单元和告警单元。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，告警单元还可以被描述为“用于发出告警信号的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：实时获取行驶状态数据，上述行驶状态数据包括驾驶员状态数据、驾驶环境数据和车辆状态数据，上述驾驶员状态数据包括手部动作数据、嘴部动作数据、头部动作数据和眼部动作数据，上述驾驶环境数据包括车道线数据、车辆距离数据，上述车辆状态数据包括速度数据、方向数据；将上述行驶状态数据导入预先训练的疲劳识别模型，得到疲劳类型和对应疲劳类型的疲劳数值，上述疲劳识别模型用于通过行驶状态数据确定疲劳类型和疲劳数值，上述疲劳数值用于表征对应疲劳类型的程度；将上述疲劳类型和疲劳数值导入预先训练的注意力值计算模型，得到注意力数值，上述注意力值计算模型用于通过疲劳类型和疲劳数值计算注意力数值，上述注意力数值用于表征驾驶员的疲劳程度；判断注意力数值所在的注意力阈值范围，根据上述注意力阈值范围发出告警信号，上述注意力阈值范围通过预设的注意力阈值确定。

以上描述仅为本申请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，本申请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。例如上述特征与本申请中公开的(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 (14)

1. 一种用于发出告警信号的方法，其特征在于，所述方法包括：

   实时获取行驶状态数据，所述行驶状态数据包括驾驶员状态数据、驾驶环境数据和车辆状态数据，所述驾驶员状态数据包括手部动作数据、嘴部动作数据、头部动作数据和眼部动作数据，所述驾驶环境数据包括车道线数据、车辆距离数据，所述车辆状态数据包括速度数据、方向数据；

   将所述行驶状态数据导入预先训练的疲劳识别模型，得到疲劳类型和对应疲劳类型的疲劳数值，所述疲劳识别模型用于通过行驶状态数据确定疲劳类型和疲劳数值，所述疲劳数值用于表征对应疲劳类型的程度；

   将所述疲劳类型和疲劳数值导入预先训练的注意力值计算模型，得到注意力数值，所述注意力值计算模型用于通过疲劳类型和疲劳数值计算注意力数值，所述注意力数值用于表征驾驶员的疲劳程度；

   判断注意力数值所在的注意力阈值范围，根据所述注意力阈值范围发出告警信号，所述注意力阈值范围通过预设的注意力阈值确定。
2. 根据权利要求1所述的方法，其特征在于，所述方法包括构建疲劳识别模型的步骤，所述构建疲劳识别模型的步骤包括：

   分别从驾驶员状态数据集合、驾驶环境数据集合和车辆状态数据集合中提取时间上同步的驾驶员状态数据、驾驶环境数据和车辆状态数据；

   分别对驾驶员状态数据、驾驶环境数据和车辆状态数据进行特征提取，得到驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据；

   根据所述驾驶员状态特征数据确定疲劳类型，所述疲劳类型包括以下至少一项：闭眼类型、打哈欠类型、视线偏移类型、打电话类型；

   通过驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据计算疲劳数值；

   利用机器学习方法，将驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据作为输入，将疲劳类型和对应的疲劳类型的疲劳数值作为输出，训练得到疲劳识别模型。
3. 根据权利要求2所述的方法，其特征在于，所述通过驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据计算疲劳数值包括：

   获取时间阈值范围、距离阈值范围和数据变化量阈值范围，其中，时间阈值范围包括由预先设置的时间阈值构成的多个时间阈值子范围，距离阈值范围包括由预先设置的距离阈值构成的多个距离阈值子范围，数据变化量阈值范围包括由预先设置的数据变化量阈值构成的多个数据变化量阈值子范围，每个时间阈值子范围对应一个时间权重值，每个距离阈值子范围对应一个距离权重值，每个数据变化量阈值子范围对应一个数据变化权重值；

   分别测量驾驶员状态特征数据对应的每种疲劳类型的疲劳类型持续时间、驾驶环境特征数据对应的距离变化值和车辆状态特征数据对应的数据变化值，其中，疲劳类型持续时间通过驾驶员状态特征数据对应的指定疲劳类型对应的动作的持续时间来表征，距离变化值通过驾驶环境特征数据在单位时间内的变化量来表征，数据变化值通过车辆状态特征数据在单位时间内的变化量来表征；

   确定疲劳类型持续时间、距离变化值和数据变化值分别对应的时间阈值范围的时间阈值子范围的时间权重值、距离阈值范围的距离阈值子范围的距离权重值和数据变化量阈值范围的数据变化量阈值子范围的数据变化权重值；

   对时间权重值、距离权重值和数据变化权重值加权求和得到对应疲劳类型的疲劳数值。
4. 根据权利要求1所述的方法，其特征在于，所述方法包括构建注意力值计算模型的步骤，所述构建注意力值计算模型的步骤包括：

   按照疲劳类型将疲劳数值集合中的疲劳数值划分为对应疲劳类型 的疲劳数值子集合；

   分别为每种疲劳类型设置类型权重值，将类型权重值与该类型权重值对应的疲劳数值子集合中的每个疲劳数值的乘积作为对应疲劳类型在取值为该疲劳数值时的注意力分量；

   利用机器学习方法，将疲劳类型和疲劳数值作为输入，将注意力分量作为输出，训练得到注意力值计算模型。
5. 根据权利要求1所述的方法，其特征在于，所述判断注意力数值所在的注意力阈值范围，根据所述注意力阈值范围发出告警信号包括：

   获取注意力阈值范围，所述注意力阈值范围包括由预先设置的注意力阈值构成的多个注意力阈值子范围，每个注意力阈值子范围对应一个告警信号，所述告警信号包括：声音告警信号、图像告警信号；

   响应于注意力数值对应的注意力阈值子范围，发出对应该注意力阈值子范围的告警信号。
6. 根据权利要求5所述的方法，其特征在于，所述判断所述注意力数值所在的注意力阈值范围，根据所述注意力阈值范围发出告警信号还包括：

   响应于注意力数值不在所述注意力阈值范围内时，启动自动驾驶模式。
7. 一种用于发出告警信号的装置，其特征在于，所述装置包括：

   行驶状态数据获取单元，用于实时获取行驶状态数据，所述行驶状态数据包括驾驶员状态数据、驾驶环境数据和车辆状态数据，所述驾驶员状态数据包括手部动作数据、嘴部动作数据、头部动作数据和眼部动作数据，所述驾驶环境数据包括车道线数据、车辆距离数据，所述车辆状态数据包括速度数据、方向数据；

   疲劳数值获取单元，用于将所述行驶状态数据导入预先训练的疲劳识别模型，得到疲劳类型和对应疲劳类型的疲劳数值，所述疲劳识 别模型用于通过行驶状态数据确定疲劳类型和疲劳数值，所述疲劳数值用于表征对应疲劳类型的程度；

   注意力数值获取单元，用于将所述疲劳类型和疲劳数值导入预先训练的注意力值计算模型，得到注意力数值，所述注意力值计算模型用于通过疲劳类型和疲劳数值计算注意力数值，所述注意力数值用于表征驾驶员的疲劳程度；

   告警单元，用于判断注意力数值所在的注意力阈值范围，根据所述注意力阈值范围发出告警信号，所述注意力阈值范围通过预设的注意力阈值确定。
8. 根据权利要求7所述的装置，其特征在于，所述装置包括疲劳识别模型构建单元，用于构建疲劳识别模型，所述疲劳识别模型构建单元包括：

   数据提取子单元，用于分别从驾驶员状态数据集合、驾驶环境数据集合和车辆状态数据集合中提取时间上同步的驾驶员状态数据、驾驶环境数据和车辆状态数据；

   特征提取子单元，用于分别对驾驶员状态数据、驾驶环境数据和车辆状态数据进行特征提取，得到驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据；

   疲劳类型确定子单元，用于根据所述驾驶员状态特征数据确定疲劳类型，所述疲劳类型包括以下至少一项：闭眼类型、打哈欠类型、视线偏移类型、打电话类型；

   疲劳数值计算子单元，用于通过驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据计算疲劳数值；

   疲劳识别模型构建子单元，用于利用机器学习方法，将驾驶员状态特征数据、驾驶环境特征数据和车辆状态特征数据作为输入，将疲劳类型和对应的疲劳类型的疲劳数值作为输出，训练得到疲劳识别模型。
9. 根据权利要求8所述的装置，其特征在于，所述疲劳数值计算 子单元包括：

   阈值范围获取模块，用于获取时间阈值范围、距离阈值范围和数据变化量阈值范围，其中，时间阈值范围包括由预先设置的时间阈值构成的多个时间阈值子范围，距离阈值范围包括由预先设置的距离阈值构成的多个距离阈值子范围，数据变化量阈值范围包括由预先设置的数据变化量阈值构成的多个数据变化量阈值子范围，每个时间阈值子范围对应一个时间权重值，每个距离阈值子范围对应一个距离权重值，每个数据变化量阈值子范围对应一个数据变化权重值；

   数据测量模块，用于分别测量驾驶员状态特征数据对应的每种疲劳类型的疲劳类型持续时间、驾驶环境特征数据对应的距离变化值和车辆状态特征数据对应的数据变化值，其中，疲劳类型持续时间通过驾驶员状态特征数据对应的指定疲劳类型对应的动作的持续时间来表征，距离变化值通过驾驶环境特征数据在单位时间内的变化量来表征，数据变化值通过车辆状态特征数据在单位时间内的变化量来表征；

   权重值确定模块，用于确定疲劳类型持续时间、距离变化值和数据变化值分别对应的时间阈值范围的时间阈值子范围的时间权重值、距离阈值范围的距离阈值子范围的距离权重值和数据变化量阈值范围的数据变化量阈值子范围的数据变化权重值；

   疲劳数值计算模块，用于对时间权重值、距离权重值和数据变化权重值加权求和得到对应疲劳类型的疲劳数值。
10. 根据权利要求7所述的装置，其特征在于，所述装置包括注意力值计算模型构建单元，用于构建注意力值计算模型，所述注意力值计算模型构建单元包括：

    数据划分子单元，用于按照疲劳类型将疲劳数值集合中的疲劳数值划分为对应疲劳类型的疲劳数值子集合；

    注意力分量计算子单元，用于分别为每种疲劳类型设置类型权重值，将类型权重值与该类型权重值对应的疲劳数值子集合中的每个疲劳数值的乘积作为对应疲劳类型在取值为该疲劳数值时的注意力分量；

    注意力值计算模型构建子单元，用于利用机器学习方法，将疲劳 类型和疲劳数值作为输入，将注意力分量作为输出，训练得到注意力值计算模型。
11. 根据权利要求7所述的装置，其特征在于，所述告警单元包括：

    注意力阈值范围获取子单元，用于获取注意力阈值范围，所述注意力阈值范围包括由预先设置的注意力阈值构成的多个注意力阈值子范围，每个注意力阈值子范围对应一个告警信号，所述告警信号包括：声音告警信号、图像告警信号；

    告警子单元，用于响应于注意力数值对应的注意力阈值子范围，发出对应该注意力阈值子范围的告警信号。
12. 根据权利要求11所述的装置，其特征在于，所述告警单元还包括：

    响应于注意力数值不在所述注意力阈值范围内时，启动自动驾驶模式。
13. 一种服务器，包括：

    一个或多个处理器；

    存储器，用于存储一个或多个程序，

    当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行权利要求1至6中任一所述的方法。
14. 一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6中任一所述的方法。

Images