CN105261153A - 车辆行驶监控方法和装置 - Google Patents
车辆行驶监控方法和装置 Download PDFInfo
- Publication number
- CN105261153A CN105261153A CN201510738345.1A CN201510738345A CN105261153A CN 105261153 A CN105261153 A CN 105261153A CN 201510738345 A CN201510738345 A CN 201510738345A CN 105261153 A CN105261153 A CN 105261153A
- Authority
- CN
- China
- Prior art keywords
- fatigue state
- driver
- fatigue
- information
- state
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆行驶监控方法和装置,其中所述方法包括采集的司机的脸部特征信息,确定所述司机处于第一疲劳状态;采集所述司机的身体特征信息,确定所述司机处于第二疲劳状态;采集所述车辆的行驶数据,确定所述司机处于第三疲劳状态;根据所述第一疲劳状态、第二疲劳状态和第三疲劳状态,确定所述司机的综合疲劳状态;根据所述综合疲劳状态,控制所述车辆的行驶状态,可以准确判断司机的疲劳状态并对车辆行驶状态进行及时控制,保证行车安全。
Description
技术领域
本发明属于汽车行驶安全领域,具体地说,涉及一种车辆行驶监控方法和装置。
背景技术
随着经济发展和人民生活水平提高,车辆越来越多,人们的出行更加频繁。司机在行车过程中,与其他车辆、行人会发生数不清的矛盾,司机必须及时发现,迅速判断,合理操作,才能确保行车的顺利和安全。司机长时间坐在固定的座位上,动作受到一定限制,忙于判断车内外刺激信息,精神状态高度紧张,容易造成疲劳。所谓疲劳驾驶,是指司机在行车中,由于驾驶作业使生理上或心理上发生某种变化,而在客观上出现驾驶机能低落的现象。不管是生理原因产生的疲劳或者心理原因产生的疲劳或者两者结合产生的疲劳,都会使司机体力下降,注意力不集中,视觉模糊,反应迟钝、判断不正确,驾驶不灵活、操作不当等,驾驶长时间疲劳最终可能引起不能及时发现危险情况,延误采取避让措施的时机,最终发生交通事故。有甚至司机困倦瞌睡,车辆失去控制,宛如“无人驾驶”,其后果可想而知。
发明内容
有鉴于此,本申请提供了一种车辆行驶监控方法和装置,旨在解决判断司机疲劳驾驶并警示司机的问题。
为了解决上述技术问题,本申请公开了一种车辆行驶监控方法,包括:
采集的司机的脸部特征信息,确定所述司机处于第一疲劳状态;
采集所述司机的身体特征信息,确定所述司机处于第二疲劳状态;
采集所述车辆的行驶数据,确定所述司机处于第三疲劳状态;
根据所述第一疲劳状态、第二疲劳状态和第三疲劳状态,确定所述司机的综合疲劳状态;
根据所述综合疲劳状态,控制所述车辆的行驶状态。
可选地,所述采集的司机的脸部特征信息,确定所述司机处于第一疲劳状态,包括:
采集司机的脸部视频信息,获取所述脸部视频信息中的人脸照片;
提取所述人脸照片中的脸部图像特征数据,与预设的所述司机在正常状态下的脸部图像特征数据进行匹配;
若匹配结果不一致,且不匹配的程度超过预设的阈值,则确定所述司机处于第一疲劳状态。
可选地,所述采集的司机的脸部特征信息,确定所述司机处于第一疲劳状态,包括:
采集司机的脸部视频信息,采用人脸跟踪算法,跟踪人脸并识别眼睛状态;
根据眼睛状态识别结果,计算单位时间内眼睛闭合时间所占的百分比;
若单位时间内眼睛闭合时间所占的百分比超过预设的阈值,则确定所述司机处于第一疲劳状态。
可选地,所述采集所述司机的身体特征信息,确定所述司机处于第二疲劳状态,包括:
采集所述司机的脉搏信号和/或脑电信号;
对所述脉搏信号和/或脑电信号进行滤波、去噪和特征提取;
根据所述提取的特征确定对应的精神状态;
若所述提取的特征对应的精神状态为疲劳状态时则所述司机处于第二疲劳状态。
可选地,采集所述车辆的行驶数据,确定所述司机处于第三疲劳状态,包括:
采集车辆行进过程中的道路视频信息,计算车轮压线的频率信息;
通过GPS获取车辆所在道路类型信息,根据GPS的道路方向信息获得方向盘操作数据;
获取车辆行驶速度信息并计算得到油门控制数据;
获取连续驾驶时长;
将所述车轮压线的频率信息、所述车辆所在道路类型信息、所述方向盘操作数据、所述油门控制数据以及连续驾驶时长与预先设置的疲劳驾驶模型进行比较,若符合疲劳驾驶模型中的疲劳状态,则确定所述司机处于第三疲劳状态。
可选地,根据所述第一疲劳状态、第二疲劳状态和第三疲劳状态,确定所述司机的综合疲劳状态,包括:
根据所述第一疲劳状态的权重比例、第二疲劳状态的权重比例和第三疲劳状态的权重比例,确定所述司机的综合疲劳状态;
其中,所述第一疲劳状态的权重比例为25%-35%,所述第二疲劳状态的权重比例为40%-45%,所述第三疲劳状态的权重比例为20%-35%;
所述综合疲劳状态包括轻度疲劳状态、中度疲劳状态、严重疲劳状态。
可选地,根据所述综合疲劳状态,控制所述车辆的行驶状态,包括:
若所述综合疲劳状态为轻度疲劳状态,则发出第一提示信息,所述第一提示信息包括语音提示疲劳的信息和/或震动提示疲劳的信息;
若所述综合疲劳状态为中度疲劳状态,则发出第二提示信息,所述第二提示信息包括向所述车辆周围的车辆发送疲劳报警信息,并降低所述车辆的行驶速度;
若所述综合疲劳状态为严重疲劳状态,则采集所述车辆所在道路类型信息,根据所述车辆所在道路类型信息在确定可以制动停车时,则发出所述第二提示信息,并制动停车。
本申请还公开了一种车辆行驶监控装置,包括:
第一采集模块,用于采集的司机的脸部特征信息;
第一确定模块,用于根据所述第一采集模块采集的司机的脸部特征信息,确定所述司机处于第一疲劳状态;
第二采集模块,用于采集所述司机的身体特征信息;
第二确定模块,用于根据所述第二采集模块采集的所述司机的身体特征信息,确定所述司机处于第二疲劳状态;
第三采集模块,用于采集所述车辆的行驶数据;
第三确定模块,用于根据所述第三采集模块采集的所述车辆的行驶数据,确定所述司机处于第三疲劳状态;
第四确定模块,用于根据所述第一疲劳状态、第二疲劳状态和第三疲劳状态,确定所述司机的综合疲劳状态;
控制模块,用于根据所述第四确定模块确定的所述综合疲劳状态,控制所述车辆的行驶状态。
可选地,所述第四确定模块具体用于:
根据所述第一疲劳状态的权重比例、第二疲劳状态的权重比例和第三疲劳状态的权重比例,确定所述司机的综合疲劳状态;
其中,所述第一疲劳状态的权重比例为25%-35%,所述第二疲劳状态的权重比例为40%-45%,所述第三疲劳状态的权重比例为20%-35%;
所述综合疲劳状态包括轻度疲劳状态、中度疲劳状态、严重疲劳状态。
可选地,所述控制模块具体用于:
若所述综合疲劳状态为轻度疲劳状态,则发出第一提示信息,所述第一提示信息包括语音提示疲劳的信息和/或震动提示疲劳的信息;
若所述综合疲劳状态为中度疲劳状态,则发出第二提示信息,所述第二提示信息包括向所述车辆周围的车辆发送疲劳报警信息,并降低所述车辆的行驶速度;
若所述综合疲劳状态为严重疲劳状态,则采集所述车辆所在道路类型信息,根据所述车辆所在道路类型信息在确定可以制动停车时,则发出所述第二提示信息,并制动停车。
本发明实施例分别通过采集司机的脸部特征信息、身体特征信息以及车辆行驶数据,确定第一疲劳状态、第二疲劳状态和第三疲劳状态,并根据各疲劳状态的权重比例,可以准确地确定司机的综合疲劳状态,进而根据综合疲劳状态的严重程度对车辆的行驶状态进行不同的控制,保证行车安全,防止司机疲劳驾驶的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请实施例的提供的一种车辆行驶监控方法的流程示意图;
图2是本发明图1所示实施例中步骤101的具体实现方法的一种流程示意图;
图3是本发明图1所示实施例中步骤101的具体实现方法的又一种流程示意图;
图4是本发明图1所示实施例中步骤102的具体实现方法的一种流程示意图;
图5是本发明图1所示实施例中步骤103的具体实现方法的一种流程示意图;
图6是本申请实施例的一种车辆行驶监控装置的结构示意图。
具体实施方式
以下将配合附图及实施例来详细说明本发明的实施方式,藉此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitorymedia),如调制的数据信号和载波。
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。此外,“耦接”一词在此包含任何直接及间接的电性耦接手段。因此,若文中描述一第一装置耦接于一第二装置,则代表所述第一装置可直接电性耦接于所述第二装置,或通过其他装置或耦接手段间接地电性耦接至所述第二装置。说明书后续描述为实施本发明的较佳实施方式,然所述描述乃以说明本发明的一般原则为目的,并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
还需要说明的是,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商品或者***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商品或者***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,并不排除在包括所述要素的商品或者***中还存在另外的相同要素
现有技术中,通过图像处理技术,定位人脸,再在人脸的范围内分析眼睛的状态,判断是否疲劳。其中,定位人脸和眼睛常用的方法有两种,一种是基于图像形态学的方法,一种是基于机器学习即分类器的方法。但是,目前采用的分类器定位人脸的技术中,当司机头部动作过大,无法采集到正脸图像时,不能正确定位人脸位置,存在疲劳驾驶检测算法失效问题;
基于行车信息的疲劳检测技术,当方向盘长时间未修正方向,或者车辆左右摇晃频率或幅度过大,车速不稳定就可以判断为疲劳驾驶,但是,针对不同驾驶习惯的司机,以及不同道路上的行车状况,难以统一行车标准,存在疲劳驾驶检测精确度不高的问题。
为了解决现有技术中存在的检测疲劳驾驶精确度不高的问题,本发明提供一种车辆行驶监控方法,通过分别采集司机的脸部特征信息、身体特征信息以及车辆行驶数据,确定第一疲劳状态、第二疲劳状态和第三疲劳状态,并根据各疲劳状态的权重比例,可以准确地确定司机的综合疲劳状态,进而根据综合疲劳状态的严重程度对车辆的行驶状态进行不同的控制,保证行车安全,防止司机疲劳驾驶的问题。
以下通过具体实施例对本发明的技术方案进行详细的描述。
图1是本申请实施例的提供的一种车辆行驶监控方法的流程示意图,如图1所示,包括:
101、采集的司机的脸部特征信息,确定所述司机处于第一疲劳状态;
在一种可选的实施方式中,步骤101具体实现时包括:
采集司机的脸部视频信息,获取所述脸部视频信息中的人脸照片;
提取所述人脸照片中的脸部图像特征数据,与预设的所述司机在正常状态下的脸部图像特征数据进行匹配;
若匹配结果不一致,且不匹配的程度超过预设的阈值,则确定所述司机处于第一疲劳状态。
在另一种可选的实施方式中,步骤101具体实现时包括:
采集司机的脸部视频信息,采用人脸跟踪算法,跟踪人脸并识别眼睛状态;
根据眼睛状态识别结果,计算单位时间内眼睛闭合时间所占的百分比;
若单位时间内眼睛闭合时间所占的百分比超过预设的阈值,则确定所述司机处于第一疲劳状态。
其中,所述第一疲劳状态包括轻度疲劳状态、中度疲劳状态、严重疲劳状态。
102、采集所述司机的身体特征信息,确定所述司机处于第二疲劳状态;
在一种可选的实施方式中,步骤102具体实现时包括:
采集所述司机的脉搏信号和/或脑电信号;
对所述脉搏信号和/或脑电信号进行滤波、去噪和特征提取;
根据所述提取的特征确定对应的精神状态;
若所述提取的特征对应的精神状态为疲劳状态时则所述司机处于第二疲劳状态。
其中,所述第二疲劳状态包括轻度疲劳状态、中度疲劳状态、严重疲劳状态。
103、采集所述车辆的行驶数据,确定所述司机处于第三疲劳状态;
在一种可选的实施方式中,步骤103具体实现时包括:
采集车辆行进过程中的道路视频信息,计算车轮压线的频率信息;
通过GPS获取车辆所在道路类型信息,根据GPS的道路方向信息获得方向盘操作数据;
获取车辆行驶速度信息并计算得到油门控制数据;
获取连续驾驶时长;
将所述车轮压线的频率信息、所述车辆所在道路类型信息、所述方向盘操作数据、所述油门控制数据以及连续驾驶时长与预先设置的疲劳驾驶模型进行比较,若符合疲劳驾驶模型中的疲劳状态,则确定所述司机处于第三疲劳状态。
其中,所述第二疲劳状态包括轻度疲劳状态、中度疲劳状态、严重疲劳状态。
104、根据所述第一疲劳状态、第二疲劳状态和第三疲劳状态,确定所述司机的综合疲劳状态;
在一种可选的实施方式中,步骤104具体实现时包括:
根据所述第一疲劳状态的权重比例、第二疲劳状态的权重比例和第三疲劳状态的权重比例,确定所述司机的综合疲劳状态;
其中,所述第一疲劳状态的权重比例为25%-35%,所述第二疲劳状态的权重比例为40%-45%,所述第三疲劳状态的权重比例为20%-35%;
所述综合疲劳状态包括轻度疲劳状态、中度疲劳状态、严重疲劳状态。
表1为第一疲劳状态、第二疲劳状态、第三疲劳状态与综合疲劳状态之间的对应关系:
举例来说,当根据采集的脸部特征信息,确定司机的第一疲劳状态是不疲劳或者轻度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是中度或严重疲劳时,即使根据采集的车辆行驶数据,确定司机的第三疲劳状态是不疲劳或者轻度疲劳,则可以确定司机的综合疲劳状态处于轻度或中度疲劳;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是不疲劳或者轻度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是中度或严重疲劳时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者中度疲劳,则可以确定司机的综合疲劳状态处于严重疲劳程度;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是轻度疲劳或者中度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是中度或严重疲劳时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者中度疲劳,则可以确定司机的综合疲劳状态处于严重疲劳程度;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是轻度疲劳或者中度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是不疲劳度或轻度疲劳时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者中度疲劳,则也可以确定司机的综合疲劳状态处于轻度或中度疲劳;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是中度疲劳或者严重疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是不疲劳度时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者不疲劳,则也可以确定司机的综合疲劳状态处于不疲劳或者轻度疲劳;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是中度疲劳或者轻度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是不疲劳度时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者不疲劳,则也可以确定司机的综合疲劳状态处于不疲劳或者轻度疲劳;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是不疲劳或者轻度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是不疲劳度时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者中度疲劳,则也可以确定司机的综合疲劳状态处于不疲劳或者轻度疲劳。
105、根据所述综合疲劳状态,控制所述车辆的行驶状态。
在一种可选的实施方式中,步骤105具体实现时包括:
若所述综合疲劳状态为轻度疲劳状态,则发出第一提示信息,所述第一提示信息包括语音提示疲劳的信息和/或震动提示疲劳的信息;
若所述综合疲劳状态为中度疲劳状态,则发出第二提示信息,所述第二提示信息包括向所述车辆周围的车辆发送疲劳报警信息,并降低所述车辆的行驶速度;
若所述综合疲劳状态为严重疲劳状态,则采集所述车辆所在道路类型信息,根据所述车辆所在道路类型信息在确定可以制动停车时,则发出所述第二提示信息,并制动停车。
本发明实施例中,还可以将疲劳驾驶的报警信息以及车辆的所在位置以及行驶的道路信息等发送给公安报警***,以便通知沿途的交警勒令该车辆就近停车休息。
本发明实施例分别通过采集司机的脸部特征信息、身体特征信息以及车辆行驶数据,确定第一疲劳状态、第二疲劳状态和第三疲劳状态,并根据各疲劳状态的权重比例,可以准确地确定司机的综合疲劳状态,进而根据综合疲劳状态的严重程度对车辆的行驶状态进行不同的控制,保证行车安全,防止司机疲劳驾驶的问题。
图2是本发明图1所示实施例中步骤101的具体实现方法的一种流程示意图,如图2所示,步骤101中对第一疲劳状态的确定方法包括:
201、采集司机的脸部视频信息,获取所述脸部视频信息中的人脸照片;
例如,用摄像头采集车辆运行时,司机位置上的司机的脸部视频信息,获取司机的人脸照片;
202、提取所述人脸照片中的脸部图像特征数据,与预设的所述司机在正常状态下的脸部图像特征数据进行匹配;
本发明实施例使用人脸识别技术对采集来的司机人脸照片进行特征提取,获得人脸照片中的脸部图像特征数据;
其中,人脸识别技术采用的是如下方法:对人脸照片通过卷积实现高斯平滑处理,除去照片中的高频部分,降低照片的视觉噪声;使用颜色空间YcrCB肤色分割的方法对平滑处理后的照片进行光线补偿;使用直方图算法对光线补偿处理后的照片进行二值化变换,将多层次图像处理成二值图像;使用统计分析的方法对二值化变换处理后的照片建立形状模型,获得脸部图像的特征数据,从而识别人脸。
其中,统计分析方法的步骤为:将所述人脸照片分解成若干个目标的形状,对每个目标的形状特征进行统计;用一系列的坐标点来定义每个目标区域的形状特征;用若干个目标区域的形状的坐标点集合来定义人脸部的特征数据。
进一步地,本发明实施例中还预先设置有司机在正常状态下的脸部图像特征数据,将利用人脸识别技术获取的脸部图像特征数据与司机在正常状态下的脸部图像特征数据进行比较;
203、若匹配结果不一致,且不匹配的程度超过预设的阈值,则确定所述司机处于第一疲劳状态。
为了避免提高判断疲劳的精确度,本发明实施例中,预设的阈值通常根据大量的实验数据及行车环境根据经验预设,当脸部微观变化,通过科学的概率计算不匹配的程度超过预设的阈值时,确定司机为第一疲劳状态,否则为不疲劳状态,当然,第一疲劳状态可以分为轻度、中度和严重疲劳状态。
图3是本发明图1所示实施例中步骤101的具体实现方法的又一种流程示意图,如图3所示,包括:
301、采集司机的脸部视频信息,采用人脸跟踪算法,跟踪人脸并识别眼睛状态;
具体实现时,例如,通过图像采集接口(摄像机)采集司机人脸图像信息,对采集的人脸图像进行灰度化、直方图均衡化等预处理;采用基于Haar特征的人脸分类器,检测司机人脸区域;采用卡尔曼滤波器算法的人脸跟踪算法,跟踪人脸;采用睁眼分类器定位司机眼睛并识别眼睛状态,记录眼睛状态的识别结果。
本发明采用的卡尔曼滤波器经过不断的预测,更新,将使得预测值和真实值越来越接近,在容许的误差范围内,可将预测值视为真实值。当司机头部动作过大,无法通过分类器定位人脸位置的时候,可使用卡尔曼滤波器跟踪,用预测的人脸位置代替真实的人脸位置,继续疲劳驾驶检测。这样就避免了无法定位人脸,疲劳检测算法失效的问题。
302、根据眼睛状态识别结果,计算单位时间内眼睛闭合时间所占的百分比;
本发明实施例采集眼睛状态的正负样本,其中,正样本为睁开状态的人眼,负样本为闭合状态的人眼和其他非睁眼区域;使用AdaBoost算法预先训练好睁眼分类器进行目标检测,相比其它的检测方法,处理的速度快,受光照的影响小,准确率高。并且直接训练睁眼分类器,在定位眼睛的同时就能判断出眼睛处于睁开状态,当没有检测到眼睛都时候,都视为闭眼状态,这样将眼睛的定位和状态检测结合起来,提高了检测效率。
303、若单位时间内眼睛闭合时间所占的百分比超过预设的阈值,则确定所述司机处于第一疲劳状态。
得到眼睛的状态识别结果后,通过计算单位时间内眼睛闭合时间所占的百分比;将得到的单位时间内眼睛闭合时间所占的百分比与预设的阈值进行比较,判定司机是否疲劳驾驶。其中,预设的阈值通常根据大量的实验数据及行车环境根据经验预设。
单位时间内眼睛闭合时间所占的百分比的计算公式如下:
单位时间内眼睛闭合时间所占的百分比=(眼睛闭合时间/固定时间)*100%;或者
单位时间内眼睛闭合时间所占的百分比=(眼睛闭合的帧数/固定帧数)*100%;
图4是本发明图1所示实施例中步骤102的具体实现方法的一种流程示意图;如图4所示,包括:
401、利用脉搏传感器和脑电采集***采集司机的脉搏信号和/或脑电信号;
当人体心理和生理状态产生疲劳的时候,必然导致心脏及血液循环产生一系列有别于健康状态下的变化。现代脉象研究证实,脉象的形成,主要取决于心脏的功能、血管的机能、血液的质和量,所以脉搏波信号包含丰富的人体生理信息,因此人体疲劳时的生理变化将直接或者间接地反应在人体脉搏波信号上。
例如,长时间的用眼也会造成视觉疲劳,在视觉疲劳之后脉搏变细,既是脉搏波的峰峰值变小,故脉搏波可为反映视觉疲劳状态的特征指标。通过对传感器采集得到的司机脉搏信号进行分析,提取正常状态与疲劳状态下脉博波的特征,构造出能反应司机疲劳状态的脉搏特征向量,从而能够对司机的疲劳程度进行实时监测,对其是否疲劳驾驶做出判别;
EEG信号是由大量神经元放电活动中突触后电位(postsynapticpotential)起的细胞外场电位(extra-cellularfieldpotential)的总和,而EEG中波状节律的产生是群体神经元同步发放的结果。脑电的节律及其各个节律的振幅与情绪、注意力等有密切的联系。
例如,β波,频率为15-35Hz,振幅5-20μV,安静、闭目时只在额叶出现,睁眼视物或接受其它刺激时,在其它皮层部位也出现,表示大脑皮层兴奋;θ波,频率为4-7Hz,振幅为100-150μV,困倦时出现,是中枢神经***抑制状态的表现;α波,频率为8-13Hz,振幅为20-100μV,
清醒、放松、安静、闭目时出现,睁眼、思考问题或接受其它刺激时消失;感觉运动节律(SensoryMotorRhythm,SMR),频率为13-15Hz,肌肉放松和注意力集中时出现于感觉运动区,与运动抑制有关;根据脑电各节律的生理意义,θ/β频带内能量变化可以反映注意力的集中程度。脑电各个节律的幅度也与精神状态有关;
402、对所述脉搏信号和脑电信号进行滤波、去噪和特征提取;
403、根据所述提取的特征确定对应的精神状态;
表2为不同节律的脑电信号的幅度与精神状态的关系:
404、若所述提取的特征对应的精神状态为疲劳状态时,则所述司机处于第二疲劳状态。
如表1所示,根据脑电的θ/β频带内能量变化以及Theta、Alpha和SMR等节律脑电的幅度的变化可以实时检测司机的疲劳状况和注意力的集中程度。
图5是本发明图1所示实施例中步骤103的具体实现方法的一种流程示意图;如图5所示,包括:
501、采集车辆行进过程中的道路视频信息,计算车轮压线的频率信息;
采集车辆行进过程中的道路视频信息是通过安装在车辆前部的摄像头获取的;
车轮压线的频率信息是通过采集一段时间内的车轮压线的次数后计算得到的,此处“一段时间”的具体时长可以根据经验数据人工设定。
502、通过GPS获取车辆所在道路类型信息,根据GPS的道路方向信息获得方向盘操作数据;
例如,从GPS信息数据库中获取车辆所在道路类型信息,利用GPS经纬度中的方向信息获取道路方向信息,根据道路方向信息获得方向盘操作数据。
503、获取车辆行驶速度信息并计算得到油门控制数据;
504、获取连续驾驶时长;
本实施例中,上述这些数据的采集组件包括车辆状态采集设备和用于采集获取车辆行进过程中的道路视频信息的视觉信息采集设备。其中,车辆状态采集设备与车辆的CAN总线相连并通过CAN总线采集车辆行驶速度信息和连续驾驶时长(车辆启动及熄火的时间差);车辆状态采集设备还与GPS相连并通过GPS获取车辆所在道路类型信息和道路方向信息。
505、将所述车轮压线的频率信息、所述车辆所在道路类型信息、所述方向盘操作数据、所述油门控制数据以及连续驾驶时长与预先设置的疲劳驾驶模型进行比较,若符合疲劳驾驶模型中的疲劳状态,则确定所述司机处于第三疲劳状态。
在建立疲劳驾驶模型时,***每隔一定周期(5000MS)对采集数据进行分析:
车轮压线的频率信息:通过车载视频模块采集车辆在该段时间压线频率=偏离车道行驶时间/周期。通过压线频率数据,获取三类车辆行驶平稳指数(稳定、较危险和危险);
车辆所在道路类型信息:通过GPS数据库,获取车辆所处的公路类型。如高速,城市主干道,省道,县道,从而获得三类地段指数(事故频发路段,事故高发路段,普通路段);
方向盘操作数据:通过车辆方向盘数据采集装置结合GPS的道路方向信息,获得以下信息:方向盘回正用时(回盘用时),方向盘调整用时(打盘用时),单位时间内操作幅度极值;通过以上三组对方向盘描述的数据获取三类司机的精力指数(精力充沛,精力一般,精力下降);
连续驾驶时长:通过DAS***计时程序获取驾驶累计时间,汽车发动后即开始对车辆行驶时间进行累加,汽车静止一定时间(如15分钟)后累加清零;根据车辆累计连续行驶时间以及疲劳指数的对应关系,获取三类驾驶疲劳累计指数(高疲劳风险,中风险,低风险);
油门控制数据:通过CAN总线采集速度,本实施例中,通过对5000MS内定时检测速度(如每隔500MS采集当前速度),得出车辆的速度数组,通过计算平均速度获取三类车辆速度状态指数(危险速度,非正常速度,安全速度);
油门控制数据:通过CAN总线采集速度并计算得到加速度方差、标准差以及极差数据,通过速度数组计算出前后时间点加速度,计算加速度数字的统计数据,该三项数据的值越大,表明车辆所处的速度状态越不稳定,通过加速度的三项统计数据,获取三类车辆速度平稳指数(不稳定,较稳定,稳定);或者还可以通过CAN总线采集加速踏板幅度数据,在某段时间内加速踏板的幅度方差,标准差以及极差数据反映车辆加速或减速时车辆的平稳性,由加速度踏板幅度数据可以获取三类车辆加速平稳指数(危险加速,较危险加速,平稳加速)。
通过将当前采集的车辆行进中的数据与疲劳驾驶模型中的上述数据进行比对,综合判断出司机是否处于疲劳驾驶状态。
图6是本申请实施例的一种车辆行驶监控装置的结构示意图,如图6所示,包括:
第一采集模块61,用于采集的司机的脸部特征信息;
第一确定模块62,用于根据所述第一采集模块采集的司机的脸部特征信息,确定所述司机处于第一疲劳状态;
第二采集模块63,用于采集所述司机的身体特征信息;
第二确定模块64,用于根据所述第二采集模块采集的所述司机的身体特征信息,确定所述司机处于第二疲劳状态;
第三采集模块65,用于采集所述车辆的行驶数据;
第三确定模块66,用于根据所述第三采集模块采集的所述车辆的行驶数据,确定所述司机处于第三疲劳状态;
第四确定模块67,用于根据所述第一疲劳状态、第二疲劳状态和第三疲劳状态,确定所述司机的综合疲劳状态;
控制模块68,用于根据所述第四确定模块确定的所述综合疲劳状态,控制所述车辆的行驶状态。
可选的,所述第四确定模块67具体用于:
根据所述第一疲劳状态的权重比例、第二疲劳状态的权重比例和第三疲劳状态的权重比例,确定所述司机的综合疲劳状态;
其中,所述第一疲劳状态的权重比例为25%-35%,所述第二疲劳状态的权重比例为40%-45%,所述第三疲劳状态的权重比例为20%-35%;
所述综合疲劳状态包括轻度疲劳状态、中度疲劳状态、严重疲劳状态。
可选的,所述控制模块68具体用于:
若所述综合疲劳状态为轻度疲劳状态,则发出第一提示信息,所述第一提示信息包括语音提示疲劳的信息和/或震动提示疲劳的信息;
若所述综合疲劳状态为中度疲劳状态,则发出第二提示信息,所述第二提示信息包括向所述车辆周围的车辆发送疲劳报警信息,并降低所述车辆的行驶速度;
若所述综合疲劳状态为严重疲劳状态,则采集所述车辆所在道路类型信息,根据所述车辆所在道路类型信息在确定可以制动停车时,则发出所述第二提示信息,并制动停车。
在一种可选的实施方式中,本发明实施例所述的装置,还包括:
第一获取模块,用于根据所述第一采集模块采集的司机的脸部视频信息,获取所述脸部视频信息中的人脸照片;
匹配模块,用于提取所述获取模块获取的人脸照片中的脸部图像特征数据,与预设的所述司机在正常状态下的脸部图像特征数据进行匹配;
所述第一确定模块,用于若匹配结果不一致,且不匹配的程度超过预设的阈值,则确定所述司机处于第一疲劳状态。
在一种可选的实施方式中,本发明实施例所述的装置,还包括:
识别模块,用于根据所述第一采集模块采集的司机的脸部视频信息,采用人脸跟踪算法,跟踪人脸并识别眼睛状态;
第一计算模块,用于根据眼睛状态识别结果,计算单位时间内眼睛闭合时间所占的百分比;
所述第一确定模块,用于若单位时间内眼睛闭合时间所占的百分比超过预设的阈值,则确定所述司机处于第一疲劳状态。
在一种可选的实施方式中,本发明实施例所述的装置,还包括:
特征提取模块,用于根据所述第二采集模块采集的所述司机的脉搏信号和/或脑电信号,对所述脉搏信号和/或脑电信号进行滤波、去噪和特征提取;
所述第二确定模块,用于根据所述提取的特征确定对应的精神状态,若所述提取的特征对应的精神状态为疲劳状态时则所述司机处于第二疲劳状态。
在一种可选的实施方式中,本发明实施例所述的装置,还包括:
第二计算模块,用于根据所述第三采集模块采集的车辆行进过程中的道路视频信息,计算车轮压线的频率信息;
第二获取模块,用于通过GPS获取车辆所在道路类型信息,根据GPS的道路方向信息获得方向盘操作数据;获取车辆行驶速度信息并计算得到油门控制数据;获取连续驾驶时长;
所述第三确定模块,用于将所述车轮压线的频率信息、所述车辆所在道路类型信息、所述方向盘操作数据、所述油门控制数据以及连续驾驶时长与预先设置的疲劳驾驶模型进行比较,若符合疲劳驾驶模型中的疲劳状态,则确定所述司机处于第三疲劳状态。
在一种可选的实施方式中,所述第四确定模块还用于:
当根据采集的脸部特征信息,确定司机的第一疲劳状态是不疲劳或者轻度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是中度或严重疲劳时,即使根据采集的车辆行驶数据,确定司机的第三疲劳状态是不疲劳或者轻度疲劳,则可以确定司机的综合疲劳状态处于轻度或中度疲劳;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是不疲劳或者轻度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是中度或严重疲劳时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者中度疲劳,则可以确定司机的综合疲劳状态处于严重疲劳程度;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是轻度疲劳或者中度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是中度或严重疲劳时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者中度疲劳,则可以确定司机的综合疲劳状态处于严重疲劳程度;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是轻度疲劳或者中度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是不疲劳度或轻度疲劳时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者中度疲劳,则也可以确定司机的综合疲劳状态处于轻度或中度疲劳;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是中度疲劳或者严重疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是不疲劳度时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者不疲劳,则也可以确定司机的综合疲劳状态处于不疲劳或者轻度疲劳;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是中度疲劳或者轻度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是不疲劳度时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者不疲劳,则也可以确定司机的综合疲劳状态处于不疲劳或者轻度疲劳;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是不疲劳或者轻度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是不疲劳度时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者中度疲劳,则也可以确定司机的综合疲劳状态处于不疲劳或者轻度疲劳。
在一种可选的实施方式中,所述控制模块用于:
若所述综合疲劳状态为中度疲劳状态或严重疲劳状态,将所述车辆的疲劳驾驶的报警信息以及所述车辆的所在位置以及行驶道路信息发送给公安报警***,以便通知行驶道路沿途的交警勒令所述车辆停车。
图6所示装置可以执行图1-图5中任一实施例所述的方法,其实现原理和技术效果类似,不再赘述。
1a、一种车辆行驶监控方法,其特征在于,包括:
采集的司机的脸部特征信息,确定所述司机处于第一疲劳状态;
采集所述司机的身体特征信息,确定所述司机处于第二疲劳状态;
采集所述车辆的行驶数据,确定所述司机处于第三疲劳状态;
根据所述第一疲劳状态、第二疲劳状态和第三疲劳状态,确定所述司机的综合疲劳状态;
根据所述综合疲劳状态,控制所述车辆的行驶状态。
2a、如1a所述的方法,其特征在于,所述采集的司机的脸部特征信息,确定所述司机处于第一疲劳状态,包括:
采集司机的脸部视频信息,获取所述脸部视频信息中的人脸照片;
提取所述人脸照片中的脸部图像特征数据,与预设的所述司机在正常状态下的脸部图像特征数据进行匹配;
若匹配结果不一致,且不匹配的程度超过预设的阈值,则确定所述司机处于第一疲劳状态。
3a、如1a所述的方法,其特征在于,所述采集的司机的脸部特征信息,确定所述司机处于第一疲劳状态,包括:
采集司机的脸部视频信息,采用人脸跟踪算法,跟踪人脸并识别眼睛状态;
根据眼睛状态识别结果,计算单位时间内眼睛闭合时间所占的百分比;
若单位时间内眼睛闭合时间所占的百分比超过预设的阈值,则确定所述司机处于第一疲劳状态。
4a、如1a所述的方法,其特征在于,所述采集所述司机的身体特征信息,确定所述司机处于第二疲劳状态,包括:
采集所述司机的脉搏信号和/或脑电信号;
对所述脉搏信号和/或脑电信号进行滤波、去噪和特征提取;
根据所述提取的特征确定对应的精神状态;
若所述提取的特征对应的精神状态为疲劳状态时则所述司机处于第二疲劳状态。
5a、如1a所述的方法,其特征在于,采集所述车辆的行驶数据,确定所述司机处于第三疲劳状态,包括:
采集车辆行进过程中的道路视频信息,计算车轮压线的频率信息;
通过GPS获取车辆所在道路类型信息,根据GPS的道路方向信息获得方向盘操作数据;
获取车辆行驶速度信息并计算得到油门控制数据;
获取连续驾驶时长;
将所述车轮压线的频率信息、所述车辆所在道路类型信息、所述方向盘操作数据、所述油门控制数据以及连续驾驶时长与预先设置的疲劳驾驶模型进行比较,若符合疲劳驾驶模型中的疲劳状态,则确定所述司机处于第三疲劳状态。
6a、如1a-5a中任一项所述的方法,其特征在于,根据所述第一疲劳状态、第二疲劳状态和第三疲劳状态,确定所述司机的综合疲劳状态,包括:
根据所述第一疲劳状态的权重比例、第二疲劳状态的权重比例和第三疲劳状态的权重比例,确定所述司机的综合疲劳状态;
其中,所述第一疲劳状态的权重比例为25%-35%,所述第二疲劳状态的权重比例为40%-45%,所述第三疲劳状态的权重比例为20%-35%;
所述综合疲劳状态包括轻度疲劳状态、中度疲劳状态、严重疲劳状态。
7a、如6a所述的方法,其特征在于,根据所述第一疲劳状态、第二疲劳状态和第三疲劳状态,确定所述司机的综合疲劳状态,具体包括:
当根据采集的脸部特征信息,确定司机的第一疲劳状态是不疲劳或者轻度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是中度或严重疲劳时,即使根据采集的车辆行驶数据,确定司机的第三疲劳状态是不疲劳或者轻度疲劳,则可以确定司机的综合疲劳状态处于轻度或中度疲劳;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是不疲劳或者轻度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是中度或严重疲劳时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者中度疲劳,则可以确定司机的综合疲劳状态处于严重疲劳程度;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是轻度疲劳或者中度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是中度或严重疲劳时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者中度疲劳,则可以确定司机的综合疲劳状态处于严重疲劳程度;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是轻度疲劳或者中度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是不疲劳度或轻度疲劳时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者中度疲劳,则也可以确定司机的综合疲劳状态处于轻度或中度疲劳;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是中度疲劳或者严重疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是不疲劳度时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者不疲劳,则也可以确定司机的综合疲劳状态处于不疲劳或者轻度疲劳;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是中度疲劳或者轻度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是不疲劳度时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者不疲劳,则也可以确定司机的综合疲劳状态处于不疲劳或者轻度疲劳;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是不疲劳或者轻度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是不疲劳度时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者中度疲劳,则也可以确定司机的综合疲劳状态处于不疲劳或者轻度疲劳。
8a、如6a所述的方法,其特征在于,根据所述综合疲劳状态,控制所述车辆的行驶状态,包括:
若所述综合疲劳状态为轻度疲劳状态,则发出第一提示信息,所述第一提示信息包括语音提示疲劳的信息和/或震动提示疲劳的信息;
若所述综合疲劳状态为中度疲劳状态,则发出第二提示信息,所述第二提示信息包括向所述车辆周围的车辆发送疲劳报警信息,并降低所述车辆的行驶速度;
若所述综合疲劳状态为严重疲劳状态,则采集所述车辆所在道路类型信息,根据所述车辆所在道路类型信息在确定可以制动停车时,则发出所述第二提示信息,并制动停车。
9a、如6a所述的方法,其特征在于,根据所述综合疲劳状态,控制所述车辆的行驶状态,包括:
若所述综合疲劳状态为中度疲劳状态或严重疲劳状态,将所述车辆的疲劳驾驶的报警信息以及所述车辆的所在位置以及行驶道路信息发送给公安报警***,以便通知行驶道路沿途的交警勒令所述车辆停车。
10b、一种车辆行驶监控装置,其特征在于,包括:
第一采集模块,用于采集的司机的脸部特征信息;
第一确定模块,用于根据所述第一采集模块采集的司机的脸部特征信息,确定所述司机处于第一疲劳状态;
第二采集模块,用于采集所述司机的身体特征信息;
第二确定模块,用于根据所述第二采集模块采集的所述司机的身体特征信息,确定所述司机处于第二疲劳状态;
第三采集模块,用于采集所述车辆的行驶数据;
第三确定模块,用于根据所述第三采集模块采集的所述车辆的行驶数据,确定所述司机处于第三疲劳状态;
第四确定模块,用于根据所述第一疲劳状态、第二疲劳状态和第三疲劳状态,确定所述司机的综合疲劳状态;
控制模块,用于根据所述第四确定模块确定的所述综合疲劳状态,控制所述车辆的行驶状态。
11b、如10b所述的装置,其特征在于,还包括:
第一获取模块,用于根据所述第一采集模块采集的司机的脸部视频信息,获取所述脸部视频信息中的人脸照片;
匹配模块,用于提取所述获取模块获取的人脸照片中的脸部图像特征数据,与预设的所述司机在正常状态下的脸部图像特征数据进行匹配;
所述第一确定模块,用于若匹配结果不一致,且不匹配的程度超过预设的阈值,则确定所述司机处于第一疲劳状态。
12b、如10b所述的装置,其特征在于,还包括:
识别模块,用于根据所述第一采集模块采集的司机的脸部视频信息,采用人脸跟踪算法,跟踪人脸并识别眼睛状态;
第一计算模块,用于根据眼睛状态识别结果,计算单位时间内眼睛闭合时间所占的百分比;
所述第一确定模块,用于若单位时间内眼睛闭合时间所占的百分比超过预设的阈值,则确定所述司机处于第一疲劳状态。
13b、如10b所述的装置,其特征在于,还包括:
特征提取模块,用于根据所述第二采集模块采集的所述司机的脉搏信号和/或脑电信号,对所述脉搏信号和/或脑电信号进行滤波、去噪和特征提取;
所述第二确定模块,用于根据所述提取的特征确定对应的精神状态,若所述提取的特征对应的精神状态为疲劳状态时则所述司机处于第二疲劳状态。
14b、如10b所述的装置,其特征在于,还包括:
第二计算模块,用于根据所述第三采集模块采集的车辆行进过程中的道路视频信息,计算车轮压线的频率信息;
第二获取模块,用于通过GPS获取车辆所在道路类型信息,根据GPS的道路方向信息获得方向盘操作数据;获取车辆行驶速度信息并计算得到油门控制数据;获取连续驾驶时长;
所述第三确定模块,用于将所述车轮压线的频率信息、所述车辆所在道路类型信息、所述方向盘操作数据、所述油门控制数据以及连续驾驶时长与预先设置的疲劳驾驶模型进行比较,若符合疲劳驾驶模型中的疲劳状态,则确定所述司机处于第三疲劳状态。
15b、如10b-14b中任一项所述的装置,其特征在于,所述第四确定模块用于:
根据所述第一疲劳状态的权重比例、第二疲劳状态的权重比例和第三疲劳状态的权重比例,确定所述司机的综合疲劳状态;
其中,所述第一疲劳状态的权重比例为25%-35%,所述第二疲劳状态的权重比例为40%-45%,所述第三疲劳状态的权重比例为20%-35%;
所述综合疲劳状态包括轻度疲劳状态、中度疲劳状态、严重疲劳状态。
16b、如15b所述的装置,其特征在于,所述第四确定模块用于:
当根据采集的脸部特征信息,确定司机的第一疲劳状态是不疲劳或者轻度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是中度或严重疲劳时,即使根据采集的车辆行驶数据,确定司机的第三疲劳状态是不疲劳或者轻度疲劳,则可以确定司机的综合疲劳状态处于轻度或中度疲劳;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是不疲劳或者轻度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是中度或严重疲劳时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者中度疲劳,则可以确定司机的综合疲劳状态处于严重疲劳程度;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是轻度疲劳或者中度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是中度或严重疲劳时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者中度疲劳,则可以确定司机的综合疲劳状态处于严重疲劳程度;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是轻度疲劳或者中度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是不疲劳度或轻度疲劳时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者中度疲劳,则也可以确定司机的综合疲劳状态处于轻度或中度疲劳;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是中度疲劳或者严重疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是不疲劳度时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者不疲劳,则也可以确定司机的综合疲劳状态处于不疲劳或者轻度疲劳;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是中度疲劳或者轻度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是不疲劳度时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者不疲劳,则也可以确定司机的综合疲劳状态处于不疲劳或者轻度疲劳;或者
当根据采集的脸部特征信息,确定司机的第一疲劳状态是不疲劳或者轻度疲劳时,但是,根据采集的身体特征信息,确定司机的第二疲劳状态是不疲劳度时,如果根据采集的车辆行驶数据,确定司机的第三疲劳状态是轻度疲劳或者中度疲劳,则也可以确定司机的综合疲劳状态处于不疲劳或者轻度疲劳。
17b、如15b所述的装置,其特征在于,所述控制模块用于:
若所述综合疲劳状态为轻度疲劳状态,则发出第一提示信息,所述第一提示信息包括语音提示疲劳的信息和/或震动提示疲劳的信息;
若所述综合疲劳状态为中度疲劳状态,则发出第二提示信息,所述第二提示信息包括向所述车辆周围的车辆发送疲劳报警信息,并降低所述车辆的行驶速度;
若所述综合疲劳状态为严重疲劳状态,则采集所述车辆所在道路类型信息,根据所述车辆所在道路类型信息在确定可以制动停车时,则发出所述第二提示信息,并制动停车。
18b、如15b所述的装置,其特征在于,所述控制模块用于:
若所述综合疲劳状态为中度疲劳状态或严重疲劳状态,将所述车辆的疲劳驾驶的报警信息以及所述车辆的所在位置以及行驶道路信息发送给公安报警***,以便通知行驶道路沿途的交警勒令所述车辆停车。
上述说明示出并描述了本发明的若干优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种车辆行驶监控方法,其特征在于,包括:
采集的司机的脸部特征信息,确定所述司机处于第一疲劳状态;
采集所述司机的身体特征信息,确定所述司机处于第二疲劳状态;
采集所述车辆的行驶数据,确定所述司机处于第三疲劳状态;
根据所述第一疲劳状态、第二疲劳状态和第三疲劳状态,确定所述司机的综合疲劳状态;
根据所述综合疲劳状态,控制所述车辆的行驶状态。
2.如权利要求1所述的方法,其特征在于,所述采集的司机的脸部特征信息,确定所述司机处于第一疲劳状态,包括:
采集司机的脸部视频信息,获取所述脸部视频信息中的人脸照片;
提取所述人脸照片中的脸部图像特征数据,与预设的所述司机在正常状态下的脸部图像特征数据进行匹配;
若匹配结果不一致,且不匹配的程度超过预设的阈值,则确定所述司机处于第一疲劳状态。
3.如权利要求1所述的方法,其特征在于,所述采集的司机的脸部特征信息,确定所述司机处于第一疲劳状态,包括:
采集司机的脸部视频信息,采用人脸跟踪算法,跟踪人脸并识别眼睛状态;
根据眼睛状态识别结果,计算单位时间内眼睛闭合时间所占的百分比;
若单位时间内眼睛闭合时间所占的百分比超过预设的阈值,则确定所述司机处于第一疲劳状态。
4.如权利要求1所述的方法,其特征在于,所述采集所述司机的身体特征信息,确定所述司机处于第二疲劳状态,包括:
采集所述司机的脉搏信号和/或脑电信号;
对所述脉搏信号和/或脑电信号进行滤波、去噪和特征提取;
根据所述提取的特征确定对应的精神状态;
若所述提取的特征对应的精神状态为疲劳状态时则所述司机处于第二疲劳状态。
5.如权利要求1所述的方法,其特征在于,采集所述车辆的行驶数据,确定所述司机处于第三疲劳状态,包括:
采集车辆行进过程中的道路视频信息,计算车轮压线的频率信息;
通过GPS获取车辆所在道路类型信息,根据GPS的道路方向信息获得方向盘操作数据;
获取车辆行驶速度信息并计算得到油门控制数据;
获取连续驾驶时长;
将所述车轮压线的频率信息、所述车辆所在道路类型信息、所述方向盘操作数据、所述油门控制数据以及连续驾驶时长与预先设置的疲劳驾驶模型进行比较,若符合疲劳驾驶模型中的疲劳状态,则确定所述司机处于第三疲劳状态。
6.如权利要求1-5中任一项所述的方法,其特征在于,根据所述第一疲劳状态、第二疲劳状态和第三疲劳状态,确定所述司机的综合疲劳状态,包括:
根据所述第一疲劳状态的权重比例、第二疲劳状态的权重比例和第三疲劳状态的权重比例,确定所述司机的综合疲劳状态;
其中,所述第一疲劳状态的权重比例为25%-35%,所述第二疲劳状态的权重比例为40%-45%,所述第三疲劳状态的权重比例为20%-35%;
所述综合疲劳状态包括轻度疲劳状态、中度疲劳状态、严重疲劳状态。
7.如权利要求6所述的方法,其特征在于,根据所述综合疲劳状态,控制所述车辆的行驶状态,包括:
若所述综合疲劳状态为轻度疲劳状态,则发出第一提示信息,所述第一提示信息包括语音提示疲劳的信息和/或震动提示疲劳的信息;
若所述综合疲劳状态为中度疲劳状态,则发出第二提示信息,所述第二提示信息包括向所述车辆周围的车辆发送疲劳报警信息,并降低所述车辆的行驶速度;
若所述综合疲劳状态为严重疲劳状态,则采集所述车辆所在道路类型信息,根据所述车辆所在道路类型信息在确定可以制动停车时,则发出所述第二提示信息,并制动停车。
8.一种车辆行驶监控装置,其特征在于,包括:
第一采集模块,用于采集的司机的脸部特征信息;
第一确定模块,用于根据所述第一采集模块采集的司机的脸部特征信息,确定所述司机处于第一疲劳状态;
第二采集模块,用于采集所述司机的身体特征信息;
第二确定模块,用于根据所述第二采集模块采集的所述司机的身体特征信息,确定所述司机处于第二疲劳状态;
第三采集模块,用于采集所述车辆的行驶数据;
第三确定模块,用于根据所述第三采集模块采集的所述车辆的行驶数据,确定所述司机处于第三疲劳状态;
第四确定模块,用于根据所述第一疲劳状态、第二疲劳状态和第三疲劳状态,确定所述司机的综合疲劳状态;
控制模块,用于根据所述第四确定模块确定的所述综合疲劳状态,控制所述车辆的行驶状态。
9.如权利要求8所述的装置,其特征在于,所述第四确定模块具体用于:
根据所述第一疲劳状态的权重比例、第二疲劳状态的权重比例和第三疲劳状态的权重比例,确定所述司机的综合疲劳状态;
其中,所述第一疲劳状态的权重比例为25%-35%,所述第二疲劳状态的权重比例为40%-45%,所述第三疲劳状态的权重比例为20%-35%;
所述综合疲劳状态包括轻度疲劳状态、中度疲劳状态、严重疲劳状态。
10.如权利要求8或9所述的装置,其特征在于,所述控制模块具体用于:
若所述综合疲劳状态为轻度疲劳状态,则发出第一提示信息,所述第一提示信息包括语音提示疲劳的信息和/或震动提示疲劳的信息;
若所述综合疲劳状态为中度疲劳状态,则发出第二提示信息,所述第二提示信息包括向所述车辆周围的车辆发送疲劳报警信息,并降低所述车辆的行驶速度;
若所述综合疲劳状态为严重疲劳状态,则采集所述车辆所在道路类型信息,根据所述车辆所在道路类型信息在确定可以制动停车时,则发出所述第二提示信息,并制动停车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510738345.1A CN105261153A (zh) | 2015-11-03 | 2015-11-03 | 车辆行驶监控方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510738345.1A CN105261153A (zh) | 2015-11-03 | 2015-11-03 | 车辆行驶监控方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105261153A true CN105261153A (zh) | 2016-01-20 |
Family
ID=55100821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510738345.1A Pending CN105261153A (zh) | 2015-11-03 | 2015-11-03 | 车辆行驶监控方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105261153A (zh) |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761431A (zh) * | 2016-05-05 | 2016-07-13 | 中晟国计科技有限公司 | 一种行为监控预警方法和*** |
CN106236046A (zh) * | 2016-09-05 | 2016-12-21 | 合肥飞鸟信息技术有限公司 | 驾驶员疲劳监测*** |
CN106236047A (zh) * | 2016-09-05 | 2016-12-21 | 合肥飞鸟信息技术有限公司 | 驾驶员疲劳监测***的控制方法 |
CN106339692A (zh) * | 2016-03-08 | 2017-01-18 | 天津工业大学 | 一种基于路线偏移检测的疲劳驾驶状态信息确定方法及*** |
CN106504477A (zh) * | 2016-12-27 | 2017-03-15 | 北京奇虎科技有限公司 | 一种基于gps的疲劳驾驶判断方法、装置和智能设备 |
CN106571015A (zh) * | 2016-09-09 | 2017-04-19 | 武汉依迅电子信息技术有限公司 | 基于互联网络的驾驶行为数据采集方法 |
CN106585629A (zh) * | 2016-12-06 | 2017-04-26 | 广州市科恩电脑有限公司 | 一种车辆控制方法和装置 |
CN106627529A (zh) * | 2016-12-06 | 2017-05-10 | 广州市科恩电脑有限公司 | 一种汽车智能监控方法和装置 |
CN106652353A (zh) * | 2016-12-06 | 2017-05-10 | 广州市科恩电脑有限公司 | 一种交通工具控制方法和装置 |
CN106781281A (zh) * | 2016-12-28 | 2017-05-31 | 珠海市魅族科技有限公司 | 一种车辆的提示信息生成方法及车载终端 |
CN106811875A (zh) * | 2016-12-19 | 2017-06-09 | 苏州市青田企业发展有限公司 | 一种缝纫机 |
CN106875632A (zh) * | 2017-03-10 | 2017-06-20 | 湖北文理学院 | 防止疲劳驾驶的监控***及方法 |
CN107685734A (zh) * | 2016-08-05 | 2018-02-13 | 通用汽车环球科技运作有限责任公司 | 用于检测预测损伤的方法和设备 |
CN107697069A (zh) * | 2017-10-31 | 2018-02-16 | 上海汽车集团股份有限公司 | 汽车驾驶员疲劳驾驶智能控制方法 |
CN108407813A (zh) * | 2018-01-25 | 2018-08-17 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于大数据的车辆抗疲劳安全驾驶方法 |
CN108433719A (zh) * | 2018-05-02 | 2018-08-24 | 吉林大学 | 一种基于心电和操控数据的弯道驾驶能力评价方法 |
CN108694362A (zh) * | 2017-04-11 | 2018-10-23 | 致伸科技股份有限公司 | 车用控制装置及其操作方法 |
CN108778127A (zh) * | 2016-02-03 | 2018-11-09 | 东西大学校产学协力团 | 利用无拘束活体信息的散漫度推测*** |
CN105857075B (zh) * | 2016-05-11 | 2018-12-28 | 东风汽车公司 | 汽车疲劳驾驶安全防护***及方法 |
CN109215292A (zh) * | 2018-08-10 | 2019-01-15 | 珠海研果科技有限公司 | 一种疲劳驾驶辅助方法及*** |
CN109389806A (zh) * | 2018-11-08 | 2019-02-26 | 山东大学 | 基于多信息融合的疲劳驾驶检测预警方法、***及介质 |
CN109446878A (zh) * | 2018-09-04 | 2019-03-08 | 四川文轩教育科技有限公司 | 一种基于机器学习的视觉疲劳度检测方法 |
CN109525962A (zh) * | 2018-09-26 | 2019-03-26 | 上海华章信息科技有限公司 | 智能汽车的驾驶信息处理方法 |
CN109572704A (zh) * | 2018-12-04 | 2019-04-05 | 青岛真时科技有限公司 | 一种疲劳驾驶的提醒方法及装置 |
CN109803583A (zh) * | 2017-08-10 | 2019-05-24 | 北京市商汤科技开发有限公司 | 驾驶状态监控方法、装置和电子设备 |
CN109799913A (zh) * | 2019-03-05 | 2019-05-24 | 浙江强脑科技有限公司 | 电子书控制方法、电子设备及计算机可读存储介质 |
CN111105594A (zh) * | 2018-10-29 | 2020-05-05 | 长城汽车股份有限公司 | 车辆及驾驶员疲劳驾驶的识别方法、装置 |
CN111634288A (zh) * | 2020-04-30 | 2020-09-08 | 长城汽车股份有限公司 | 疲劳驾驶监测方法、***及智能识别*** |
CN112017404A (zh) * | 2020-08-06 | 2020-12-01 | 上海交通大学 | 一种基于人机交互的防疲劳驾驶控制*** |
CN112950900A (zh) * | 2021-01-27 | 2021-06-11 | 吉林云帆智能工程有限公司 | 一种司机行为监控检测方法 |
WO2021212274A1 (zh) * | 2020-04-20 | 2021-10-28 | 南京天擎汽车电子有限公司 | 疲劳驾驶状态检测方法、装置、计算机设备和存储介质 |
CN113643512A (zh) * | 2021-07-28 | 2021-11-12 | 北京中交兴路信息科技有限公司 | 一种疲劳驾驶检测方法、装置、电子设备及存储介质 |
CN116061959A (zh) * | 2023-04-03 | 2023-05-05 | 北京永泰万德信息工程技术有限公司 | 一种车辆的人机交互方法、车辆及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872171A (zh) * | 2009-04-24 | 2010-10-27 | 中国农业大学 | 基于信息融合的驾驶员疲劳状态识别方法和*** |
EP2497670A1 (en) * | 2011-03-11 | 2012-09-12 | Johnson Controls Automotive Electronics GmbH | Method and apparatus for monitoring the alertness of the driver of a vehicle |
CN102717765A (zh) * | 2012-07-09 | 2012-10-10 | 湖南赛格导航技术研究有限公司 | 疲劳驾驶检测方法及防疲劳驾驶辅助装置 |
CN202923394U (zh) * | 2012-06-25 | 2013-05-08 | 上海奇豪数码科技有限公司 | 基于Andriod***的智能导航仪安全驾驶*** |
CN103932719A (zh) * | 2013-01-18 | 2014-07-23 | 袁囡囡 | 疲劳驾驶检测技术 |
CN104068868A (zh) * | 2014-06-30 | 2014-10-01 | 优迪亚电子(深圳)有限公司 | 一种基于机器视觉的驾驶人疲劳监测方法及装置 |
CN104112334A (zh) * | 2013-04-16 | 2014-10-22 | 百度在线网络技术(北京)有限公司 | 疲劳驾驶预警方法及*** |
CN104574817A (zh) * | 2014-12-25 | 2015-04-29 | 清华大学苏州汽车研究院(吴江) | 一种适用于智能手机的基于机器视觉疲劳驾驶预警*** |
CN104952210A (zh) * | 2015-05-15 | 2015-09-30 | 南京邮电大学 | 一种基于决策级数据融合的疲劳驾驶状态检测***和方法 |
-
2015
- 2015-11-03 CN CN201510738345.1A patent/CN105261153A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872171A (zh) * | 2009-04-24 | 2010-10-27 | 中国农业大学 | 基于信息融合的驾驶员疲劳状态识别方法和*** |
EP2497670A1 (en) * | 2011-03-11 | 2012-09-12 | Johnson Controls Automotive Electronics GmbH | Method and apparatus for monitoring the alertness of the driver of a vehicle |
CN202923394U (zh) * | 2012-06-25 | 2013-05-08 | 上海奇豪数码科技有限公司 | 基于Andriod***的智能导航仪安全驾驶*** |
CN102717765A (zh) * | 2012-07-09 | 2012-10-10 | 湖南赛格导航技术研究有限公司 | 疲劳驾驶检测方法及防疲劳驾驶辅助装置 |
CN103932719A (zh) * | 2013-01-18 | 2014-07-23 | 袁囡囡 | 疲劳驾驶检测技术 |
CN104112334A (zh) * | 2013-04-16 | 2014-10-22 | 百度在线网络技术(北京)有限公司 | 疲劳驾驶预警方法及*** |
CN104068868A (zh) * | 2014-06-30 | 2014-10-01 | 优迪亚电子(深圳)有限公司 | 一种基于机器视觉的驾驶人疲劳监测方法及装置 |
CN104574817A (zh) * | 2014-12-25 | 2015-04-29 | 清华大学苏州汽车研究院(吴江) | 一种适用于智能手机的基于机器视觉疲劳驾驶预警*** |
CN104952210A (zh) * | 2015-05-15 | 2015-09-30 | 南京邮电大学 | 一种基于决策级数据融合的疲劳驾驶状态检测***和方法 |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108778127B (zh) * | 2016-02-03 | 2021-06-04 | 东西大学校产学协力团 | 利用无拘束活体信息的散漫度推测*** |
CN108778127A (zh) * | 2016-02-03 | 2018-11-09 | 东西大学校产学协力团 | 利用无拘束活体信息的散漫度推测*** |
CN106339692A (zh) * | 2016-03-08 | 2017-01-18 | 天津工业大学 | 一种基于路线偏移检测的疲劳驾驶状态信息确定方法及*** |
CN106339692B (zh) * | 2016-03-08 | 2019-04-23 | 天津工业大学 | 一种疲劳驾驶状态信息确定方法及*** |
CN105761431A (zh) * | 2016-05-05 | 2016-07-13 | 中晟国计科技有限公司 | 一种行为监控预警方法和*** |
CN105857075B (zh) * | 2016-05-11 | 2018-12-28 | 东风汽车公司 | 汽车疲劳驾驶安全防护***及方法 |
CN107685734A (zh) * | 2016-08-05 | 2018-02-13 | 通用汽车环球科技运作有限责任公司 | 用于检测预测损伤的方法和设备 |
CN106236046A (zh) * | 2016-09-05 | 2016-12-21 | 合肥飞鸟信息技术有限公司 | 驾驶员疲劳监测*** |
CN106236047A (zh) * | 2016-09-05 | 2016-12-21 | 合肥飞鸟信息技术有限公司 | 驾驶员疲劳监测***的控制方法 |
CN106571015A (zh) * | 2016-09-09 | 2017-04-19 | 武汉依迅电子信息技术有限公司 | 基于互联网络的驾驶行为数据采集方法 |
CN106585629B (zh) * | 2016-12-06 | 2019-07-12 | 广东泓睿科技有限公司 | 一种车辆控制方法和装置 |
CN106585629A (zh) * | 2016-12-06 | 2017-04-26 | 广州市科恩电脑有限公司 | 一种车辆控制方法和装置 |
CN106652353A (zh) * | 2016-12-06 | 2017-05-10 | 广州市科恩电脑有限公司 | 一种交通工具控制方法和装置 |
CN106627529A (zh) * | 2016-12-06 | 2017-05-10 | 广州市科恩电脑有限公司 | 一种汽车智能监控方法和装置 |
CN106811875A (zh) * | 2016-12-19 | 2017-06-09 | 苏州市青田企业发展有限公司 | 一种缝纫机 |
CN106504477A (zh) * | 2016-12-27 | 2017-03-15 | 北京奇虎科技有限公司 | 一种基于gps的疲劳驾驶判断方法、装置和智能设备 |
CN106781281A (zh) * | 2016-12-28 | 2017-05-31 | 珠海市魅族科技有限公司 | 一种车辆的提示信息生成方法及车载终端 |
CN106875632A (zh) * | 2017-03-10 | 2017-06-20 | 湖北文理学院 | 防止疲劳驾驶的监控***及方法 |
CN108694362A (zh) * | 2017-04-11 | 2018-10-23 | 致伸科技股份有限公司 | 车用控制装置及其操作方法 |
CN109803583A (zh) * | 2017-08-10 | 2019-05-24 | 北京市商汤科技开发有限公司 | 驾驶状态监控方法、装置和电子设备 |
CN107697069A (zh) * | 2017-10-31 | 2018-02-16 | 上海汽车集团股份有限公司 | 汽车驾驶员疲劳驾驶智能控制方法 |
CN108407813A (zh) * | 2018-01-25 | 2018-08-17 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于大数据的车辆抗疲劳安全驾驶方法 |
CN108433719A (zh) * | 2018-05-02 | 2018-08-24 | 吉林大学 | 一种基于心电和操控数据的弯道驾驶能力评价方法 |
CN108433719B (zh) * | 2018-05-02 | 2020-12-01 | 吉林大学 | 一种基于心电和操控数据的弯道驾驶能力评价方法 |
CN109215292A (zh) * | 2018-08-10 | 2019-01-15 | 珠海研果科技有限公司 | 一种疲劳驾驶辅助方法及*** |
CN109446878A (zh) * | 2018-09-04 | 2019-03-08 | 四川文轩教育科技有限公司 | 一种基于机器学习的视觉疲劳度检测方法 |
CN109525962A (zh) * | 2018-09-26 | 2019-03-26 | 上海华章信息科技有限公司 | 智能汽车的驾驶信息处理方法 |
CN111105594A (zh) * | 2018-10-29 | 2020-05-05 | 长城汽车股份有限公司 | 车辆及驾驶员疲劳驾驶的识别方法、装置 |
CN109389806A (zh) * | 2018-11-08 | 2019-02-26 | 山东大学 | 基于多信息融合的疲劳驾驶检测预警方法、***及介质 |
CN109572704A (zh) * | 2018-12-04 | 2019-04-05 | 青岛真时科技有限公司 | 一种疲劳驾驶的提醒方法及装置 |
CN109799913A (zh) * | 2019-03-05 | 2019-05-24 | 浙江强脑科技有限公司 | 电子书控制方法、电子设备及计算机可读存储介质 |
WO2021212274A1 (zh) * | 2020-04-20 | 2021-10-28 | 南京天擎汽车电子有限公司 | 疲劳驾驶状态检测方法、装置、计算机设备和存储介质 |
CN111634288A (zh) * | 2020-04-30 | 2020-09-08 | 长城汽车股份有限公司 | 疲劳驾驶监测方法、***及智能识别*** |
CN112017404A (zh) * | 2020-08-06 | 2020-12-01 | 上海交通大学 | 一种基于人机交互的防疲劳驾驶控制*** |
CN112950900A (zh) * | 2021-01-27 | 2021-06-11 | 吉林云帆智能工程有限公司 | 一种司机行为监控检测方法 |
CN113643512A (zh) * | 2021-07-28 | 2021-11-12 | 北京中交兴路信息科技有限公司 | 一种疲劳驾驶检测方法、装置、电子设备及存储介质 |
CN113643512B (zh) * | 2021-07-28 | 2023-07-18 | 北京中交兴路信息科技有限公司 | 一种疲劳驾驶检测方法、装置、电子设备及存储介质 |
CN116061959A (zh) * | 2023-04-03 | 2023-05-05 | 北京永泰万德信息工程技术有限公司 | 一种车辆的人机交互方法、车辆及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105261153A (zh) | 车辆行驶监控方法和装置 | |
US11783601B2 (en) | Driver fatigue detection method and system based on combining a pseudo-3D convolutional neural network and an attention mechanism | |
Hashemi et al. | Driver safety development: Real-time driver drowsiness detection system based on convolutional neural network | |
Amodio et al. | Automatic detection of driver impairment based on pupillary light reflex | |
CN102054163B (zh) | 基于单目视觉的驾驶员疲劳检测方法 | |
Ji et al. | Fatigue state detection based on multi-index fusion and state recognition network | |
Dong et al. | Driver inattention monitoring system for intelligent vehicles: A review | |
CN104013414B (zh) | 一种基于移动智能手机的驾驶员疲劳检测*** | |
Ahmad et al. | Drowsy driver identification using eye blink detection | |
CN101224113B (zh) | 机动车驾驶员状态监控方法及*** | |
Cheng et al. | Driver drowsiness detection based on multisource information | |
CN106467057B (zh) | 车道偏离预警的方法、装置及*** | |
CN103932719A (zh) | 疲劳驾驶检测技术 | |
Charniya et al. | Drunk driving and drowsiness detection | |
CN107563346A (zh) | 一种基于人眼图像处理实现驾驶员疲劳判别的方法 | |
Tang et al. | Real-time image-based driver fatigue detection and monitoring system for monitoring driver vigilance | |
Miyaji et al. | Driver’s cognitive distraction detection using AdaBoost on pattern recognition basis | |
Wathiq et al. | Optimized driver safety through driver fatigue detection methods | |
Rani et al. | Development of an Automated Tool for Driver Drowsiness Detection | |
Mašanović et al. | Driver monitoring using the in-vehicle camera | |
Joseph et al. | Real time drowsiness detection using Viola jones & KLT | |
KR102401607B1 (ko) | 운전자의 운행 집중도 레벨 분석방법 | |
Diddi et al. | Head pose and eye state monitoring (HEM) for driver drowsiness detection: Overview | |
Santhiya et al. | Improved Authentication and Drowsiness Detection from Facial Features using Deep Learning Framework in Real Time Environments | |
Guo et al. | Monitoring and detection of driver fatigue from monocular cameras based on Yolo v5 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160120 |
|
RJ01 | Rejection of invention patent application after publication |