CN106571015A - 基于互联网络的驾驶行为数据采集方法 - Google Patents

Abstract

本发明公开了一种基于互联网络的驾驶行为数据采集方法，该方法包括以下步骤：1）通过设置在车辆前窗上部的车载摄像头采集驾驶员的面部变化特征；2）通过生理传感器检测驾驶员的生理指标；3）通过车载传感器检测驾驶员驾驶行为特征；4）通过车辆行驶状态传感器检测车辆行驶状态变化特征；5）采集***将各传感器采集到的数据集中起来通过互联网通信设备发送到云端进行保存，当需要的时候，车辆可以再从云端下载之前所上传的驾驶行为数据；6）根据采集的驾驶行为数据，建立驾驶行为与疲劳状态的关系模型，进行疲劳状态的多参量综合描述；判断驾驶员是否处于疲劳状态。本发明实时采集驾驶行为信息，为驾驶员提供危险预警，以保障安全行车。

Description

基于互联网络的驾驶行为数据采集方法

技术领域

本发明涉及智能驾驶技术领域，尤其涉及一种基于互联网络的驾驶行为数据采集方法。

背景技术

市场上也已经有多种类似的***，如：FaceLAB，是澳大利亚Seeing Machine公司研制的驾驶员视觉追踪***，其中的Driver State Sensor通过分析驾驶员眨眼规律及PERCLOS来判定驾驶员是否疲劳驾驶；DDDS(The Drowsy Driver Detection System)，美国约翰霍普金斯大学研制的驾驶员疲劳检测***，通过发送并接收多普勒雷达发送的的无线信号来记录驾驶员的动作和速度，包括点头、眼睑眨动、甚至呼吸等来判断驾驶员的精神状态。该***的特点是通过耗能低的多普勒雷达***非接触式地实时采集行驶过程中驾驶员眼睑眨动以及车速、心率、呼吸等，并根据这些参数的变化设计用于疲劳驾驶识别的指标，成本相对摄像机较低；AWAKE是欧盟研发的项目，对人眼眨动、注视方向以及转向盘转角和转向力信息以及车道线信息进行了检测和记录，利用信息融合技术实现对驾驶员的警觉状态的监视，对车辆所处的交通环境的危险评估，并采用声音、光照闪烁以及安全带振动等方式对疲劳进行预警，开发了驾驶员疲劳检测报警***。

目前绝大部分的驾驶行为检测采集***或方法均是在单个车辆上完成的，而且数据采集后均保证于车辆自身的存储器当中，不具备实时分享和共享功能。本方法采用的是将车辆状态信息和传感器采集到的驾驶员驾驶行为数据通过互联网技术发送到云端，为车辆的其他服务需求提供实时的数据服务。该方法具备实时保存、实时共享、数据保存安全、可靠性高、不易丢失等优势，同时还可以从云端下载之前的驾驶行为数据到车辆的存储设备中，以供车辆使用。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于互联网络的驾驶行为数据采集方法。

本发明解决其技术问题所采用的技术方案是：一种基于互联网络的驾驶行为数据采集方法，包括以下步骤：

1)通过设置在车辆前窗上部的车载摄像头采集驾驶员的面部变化特征，所述面部变化特征包括眼睑眨动、点头、打哈欠；

2)通过生理传感器检测驾驶员的生理指标，所述生理指标包括脑电、心电、心率、呼吸和肌电；

3)通过车载传感器检测驾驶员驾驶行为特征，所述驾驶员驾驶行为包括转向控制、油门控制、档位控制、刹车；

4)通过车辆行驶状态传感器检测车辆行驶状态变化特征，所述车辆行驶状态包括车速、加速度、车辆在车道中的位置；所述车辆行驶状态传感器包括用于监测车道偏移的车载摄像头、雷达、惯性导航装置、车辆定位装置；所述车载CCD摄像机安装在车辆前窗，所述雷达包括毫米波雷达和激光雷达，其中毫米波雷达设置在车辆的前方保险杠和后方保险杠上；激光雷达安装于车辆的顶部；所述惯性导航装置安装于车辆的质心部；车辆定位装置设置在车辆内部；

5)采集***将各传感器采集到的数据集中起来通过互联网通信设备发送到云端进行保存，当需要的时候，车辆可以再从云端下载之前所上传的驾驶行为数据；

6)根据采集的驾驶行为数据，建立驾驶行为与疲劳状态的关系模型，进行疲劳状态的多参量综合描述；

具体如下：

6.1)通过一个车载摄像机对驾驶员面部状态进行实时监测,对获得的驾驶员面部摄像图像采用对归一化颜色向量进行有约束的线性变换将肤色、眼圈色和唇色进行区分开；

然后利用连通成分标示算法和眼部、嘴部区域几何约束进行驾驶员嘴部定位,利用卡尔曼滤波跟踪算法和假设约束对驾驶员眼部、嘴部进行跟踪；

根据驾驶员嘴部状态的特征的时间序列,结合同时刻的眼部状态的特征，与数据库中预存的打瞌睡、打哈欠眼部和嘴部状态的特征进行比对，判断驾驶员是否处于打瞌睡和打哈欠疲劳状态；

6.2)将驾驶员的生理指标与数据库中预存的疲劳状态时的生理指标数据进行比对，判断驾驶员是否处于疲劳状态；

6.3)将驾驶员驾驶行为特征与数据库中预存的疲劳状态时的驾驶行为特征数据进行比对，判断驾驶员是否处于疲劳状态；

6.4)将车速、加速度、车辆在车道中的位置的变化信息与数据库中预存的疲劳状态时的车辆行驶状态变化数据进行比对，判断驾驶员是否处于疲劳状态；

6.5)对上述参量进行权重值设定，对最终驾驶员的疲劳状态值进行计算，若计算值大于设定阈值，则判定驾驶员处于疲劳状态，为驾驶员提供危险预警。

本发明产生的有益效果是：

1)各种信息传感器可以实时采集驾驶员的驾驶状态信息；

2)车载传感器检测车辆行驶状态变化特征以反应驾驶员驾驶行为状态；

3)采集到的驾驶员驾驶行为信息上传到网络云端，具备实时保存、实时共享、数据保存安全、可靠性高、不易丢失等优势。

4)通过云端分析来判断驾驶员的驾驶状态和驾驶行为(所述驾驶员驾驶行为包括转向控制、油门控制、档位控制、刹车；所述车辆行驶状态包括车速、加速度、车辆在车道中的位置)，为驾驶员提供危险预警，以保障安全行车。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，一种基于互联网络的驾驶行为数据采集方法，包括以下步骤：1)通过设置在车辆前窗上部的车载摄像头采集驾驶员的面部变化特征，所述面部变化特征包括眼睑眨动、点头、打哈欠；

2)通过生理传感器检测驾驶员的生理指标，所述生理指标包括脑电、心电、心率、呼吸和肌电；

3)通过车载传感器检测驾驶员驾驶行为特征，所述驾驶员驾驶行为包括转向控制、油门控制、档位控制、刹车；

4)通过车辆行驶状态传感器检测车辆行驶状态变化特征，所述车辆行驶状态包括车速、加速度、车辆在车道中的位置；所述车辆行驶状态传感器包括用于监测车道偏移的车载摄像头、雷达、惯性导航装置、车辆定位装置；所述车载CCD摄像机安装在车辆前窗，所述雷达包括毫米波雷达和激光雷达，其中毫米波雷达设置在车辆的前方保险杠和后方保险杠上；激光雷达安装于车辆的顶部；所述惯性导航装置安装于车辆的质心部；车辆定位装置设置在车辆内部；

5)采集***将各传感器采集到的数据集中起来通过互联网通信设备发送到云端进行保存，当需要的时候，车辆可以再从云端下载之前所上传的驾驶行为数据。

6)根据采集的驾驶行为数据，建立驾驶行为与疲劳状态的关系模型，进行疲劳状态的多参量综合描述；

具体如下：

6.1)通过一个车载摄像机对驾驶员面部状态进行实时监测,对获得的驾驶员面部摄像图像采用对归一化颜色向量进行有约束的线性变换将肤色、眼圈色和唇色进行区分开；

然后利用连通成分标示算法和眼部、嘴部区域几何约束进行驾驶员嘴部定位,利用卡尔曼滤波跟踪算法和假设约束对驾驶员眼部、嘴部进行跟踪；

根据驾驶员嘴部状态的特征的时间序列,结合同时刻的眼部状态的特征，与数据库中预存的打瞌睡、打哈欠眼部和嘴部状态的特征进行比对，判断驾驶员是否处于打瞌睡和打哈欠疲劳状态；

6.2)将驾驶员的生理指标与数据库中预存的疲劳状态时的生理指标数据进行比对，判断驾驶员是否处于疲劳状态；

6.3)将驾驶员驾驶行为特征与数据库中预存的疲劳状态时的驾驶行为特征数据进行比对，判断驾驶员是否处于疲劳状态；

6.4)将车速、加速度、车辆在车道中的位置的变化信息与数据库中预存的疲劳状态时的车辆行驶状态变化数据进行比对，判断驾驶员是否处于疲劳状态；

6.5)对上述参量进行权重值设定，对最终驾驶员的疲劳状态值进行计算，若计算值大于设定阈值，则判定驾驶员处于疲劳状态，为驾驶员提供危险预警。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (1)

1.一种基于互联网络的驾驶行为数据采集方法，包括以下步骤：

1）通过设置在车辆前窗上部的车载摄像头采集驾驶员的面部变化特征，所述面部变化特征包括眼睑眨动、点头、打哈欠；

2）通过生理传感器检测驾驶员的生理指标，所述生理指标包括脑电、心电、心率、呼吸和肌电；

3）通过车载传感器检测驾驶员驾驶行为特征，所述驾驶员驾驶行为包括转向控制、油门控制、档位控制、刹车；

4）通过车辆行驶状态传感器检测车辆行驶状态变化特征，所述车辆行驶状态包括车速、加速度、车辆在车道中的位置；所述车辆行驶状态传感器包括用于监测车道偏移的车载摄像头、雷达、惯性导航装置、车辆定位装置；所述车载CCD摄像机安装在车辆前窗，所述雷达包括毫米波雷达和激光雷达，其中毫米波雷达设置在车辆的前方保险杠和后方保险杠上；激光雷达安装于车辆的顶部；所述惯性导航装置安装于车辆的质心部；车辆定位装置设置在车辆内部；

5）采集***将各传感器采集到的数据集中起来通过互联网通信设备发送到云端进行保存，当需要的时候，车辆可以再从云端下载之前所上传的驾驶行为数据；

6）根据采集的驾驶行为数据，建立驾驶行为与疲劳状态的关系模型，进行疲劳状态的多参量综合描述；

具体如下：

6.1）通过一个车载摄像机对驾驶员面部状态进行实时监测,对获得的驾驶员面部摄像图像采用对归一化颜色向量进行有约束的线性变换将肤色、眼圈色和唇色进行区分开；

然后利用连通成分标示算法和眼部、嘴部区域几何约束进行驾驶员嘴部定位,利用卡尔曼滤波跟踪算法和假设约束对驾驶员眼部、嘴部进行跟踪；

根据驾驶员嘴部状态的特征的时间序列,结合同时刻的眼部状态的特征，与数据库中预存的打瞌睡、打哈欠眼部和嘴部状态的特征进行比对，判断驾驶员是否处于打瞌睡和打哈欠疲劳状态；

6.2）将驾驶员的生理指标与数据库中预存的疲劳状态时的生理指标数据进行比对，判断驾驶员是否处于疲劳状态；

6.3）将驾驶员驾驶行为特征与数据库中预存的疲劳状态时的驾驶行为特征数据进行比对，判断驾驶员是否处于疲劳状态；

6.4）将车速、加速度、车辆在车道中的位置的变化信息与数据库中预存的疲劳状态时的车辆行驶状态变化数据进行比对，判断驾驶员是否处于疲劳状态；

6.5）对上述参量进行权重值设定，对最终驾驶员的疲劳状态值进行计算，若计算值大于设定阈值，则判定驾驶员处于疲劳状态，为驾驶员提供危险预警。