CN107248262A - 用于运营车辆的驾驶员管理平台 - Google Patents
用于运营车辆的驾驶员管理平台 Download PDFInfo
- Publication number
- CN107248262A CN107248262A CN201710422216.0A CN201710422216A CN107248262A CN 107248262 A CN107248262 A CN 107248262A CN 201710422216 A CN201710422216 A CN 201710422216A CN 107248262 A CN107248262 A CN 107248262A
- Authority
- CN
- China
- Prior art keywords
- mrow
- module
- image
- msup
- driver
- 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.)
- Granted
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种用于运营车辆的驾驶员管理平台，其特征在于，包括：后台和前台，前台与后台之间通过移动通信联网，前台包括承载在车身上的识别模块、报警模块和摄像模块；摄像模块安装在驾驶室内，正对驾驶员，用于采集驾驶员的面部图像；识别模块，用于从面部图像中识别人脸的疲劳状态；报警模块，用于当疲劳状态超过预设阈值时，通过移动通信向后台发送疲劳报警信号。
Description
技术领域
本发明涉及汽车技术领域，具体涉及一种用于运营车辆的驾驶员管理平台。
背景技术
通过督促道路运输企业建设、使用、维护监控平台，对道路运输车辆安装卫星定位装置及接入***平台的情况进行审核，建设和维护道路运输车辆动态信息公共服务平台，实现交通运输管理部门与公安交通管理、安监部门的信息共享，定期对道路运输企业动态监控工作的情况进行监督考核。
疲劳驾驶是违法行为，严重危及道路运输安全，必须强化动态监管，保障人民生命财产安全。在对运营车辆进行管理时，如何确定运营车辆是由审验合格的驾驶员进行驾驶，以及是否存在疲劳驾驶，这是非常重要的问题。
发明内容
针对上述问题，本发明旨在提供一种用于运营车辆的驾驶员管理平台。
本发明提供了一种用于运营车辆的驾驶员管理平台，其特征在于，包括：后台和前台，前台与后台之间通过移动通信联网，前台包括承载在车身上的识别模块、报警模块和摄像模块；摄像模块安装在驾驶室内，正对驾驶员，用于采集驾驶员的面部图像；识别模块，用于从面部图像中识别人脸的疲劳状态；报警模块，用于当疲劳状态超过预设阈值时，通过移动通信向后台发送疲劳报警信号。
相关技术中，一般只能通过时间记录来控制驾驶员的疲劳驾驶，然而很多时候驾驶员由于各种身体状况，即使没有超时，也可能处于非常疲劳的状态，这使得运营车辆处于非常危险的疲劳驾驶当中，而本发明实现了对疲劳驾驶的图像识别，并且还上报到远程的管理后台，使得监管部门能实时地掌握驾驶员的疲劳状态，进一步提高了运营车辆的安全性。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1示出了根据本发明一个实施例的一种用于运营车辆的驾驶员管理平台的结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
图1示出了根据本发明一个实施例的一种用于运营车辆的驾驶员管理平台的结构示意图，包括：后台200和前台100，前台100与后台200之间通过移动通信联网，前台100包括承载在车身上的识别模块20、报警模块30和摄像模块10；
摄像模块10安装在驾驶室内，正对驾驶员，用于采集驾驶员的面部图像；
识别模块20，用于从面部图像中识别人脸的疲劳状态；
报警模块30，用于当疲劳状态超过预设阈值时，通过移动通信向后台200发送疲劳报警信号。
相关技术中，一般只能通过时间记录来控制驾驶员的疲劳驾驶，然而很多时候驾驶员由于各种身体状况，即使没有超时，也可能处于非常疲劳的状态，这使得运营车辆处于非常危险的疲劳驾驶当中，而本发明实现了对疲劳驾驶的图像识别，并且还上报到远程的管理后台，使得监管部门能实时地掌握驾驶员的疲劳状态，进一步提高了运营车辆的安全性。
优选地，识别模块包括γ模块、RGB模块、选择模块和分析模块；
γ模块，用于在γ灰度空间对图像进行处理；
RGB模块，用于在RGB彩色空间对图像进行处理；
选择模块，用于选择γ模块的处理结果和RGB模块的处理结果；
分析模块，用于将选择处理结果与预设疲劳行为模式进行比对，以确定疲劳状态。
夜间驾驶和白天驾驶时，驾驶室内的光照度有很大的区别。阴天与晴天，驾驶室内的光照度也有很大的区别。在光线充足时和光线不足时，有可能采集灰度图像质量更高，也有可能采集彩色图像质量更高。而本优选实施例同时从灰度和彩色两种模式来分析图像，然后择优选择质量更好的图像，有利于提高疲劳状态的识别率。
优选地，所述γ模块包括：
第一模块，用于将面部图像作为原稿，对原稿进行傅利叶变换，然后在傅利叶变换后的频率域进行低通滤波，得到第一稿；
第二模块，用于将原稿与第一稿进行如下处理：
式中，F(x,y)为处理后的图像，为原稿灰度均值，T为拉伸参数，β为图像的灰度域，J′(x,y)为原稿，S(x,y)为第一稿。
优选实施例的γ模块采用发明人独创的算法对原稿进行处理，引入了拉伸参数，根据用户的需求对图像的对比度进行拉伸，而传统的灰度处理算法中，图像的整体反差较小，而且灰度值的动态范围也较小，所以灰度处理结果不够理想。相比传统算法，本优选实施例同时提高了图像的细节反差和整体反差，经过大量的测试，确认取得了更优的灰度处理结果。
优选地，所述RGB模块包括：
第三模块：用于采用倒圆锥模型表示在HSV空间中描述原稿，HSV空间中的H、S、V分别表示色调、饱和度、亮度，倒圆锥模型的轴线方向为V分量，顶部的圆心为白色，最低点为黑色，竖直轴为白色和黑色之间的过渡色，顶部的圆平面为光强度最大的点，圆锥的任一横向圆切面的径向为饱和度，圆心处饱和度为0，圆周处饱和度为1，圆切面的圆周向的角度为H；
第四模块：用于对S分量和V分量进行小波域改进，具体为：
对S分量和V分量进行二维小波变换，将图像分解为4个相同大小的子带区域，进一步对子带区域进行二维小波变换，直到得到预设值的小波尺度为止，从而得到S分量和V分量在小波域中的近似系数和不同层次的细节系数，公式如下：
θ′(x,y)＝0.12δ[θ(x,y)-i]2+α[θ(x,y)-i]+i
式中，θ(x,y)为小波系数，θ′(x,y)为改进后的小波系数，i为该子带区域小波系数均值，α为改进系数，α∈[0,10，表示对小波系数进行抑制，应用于小波分解后的近似系数，α＞1，表示对小波系数进行增强，应用于小波分解后的细节系数；
第五模块，用于将图像进一步变换到RGB空间，公式如下：
式中，R、G、B分别为原稿RGB空间中的红色分量、绿色分量、蓝色分量，R′、G′、B′分别为处理后的图像RGB空间中的红色分量、绿色分量、蓝色分量，K、L为转换系数，H为原稿RGB空间中最大颜色分量，S、V分别为原稿HSV空间中的饱和度分量、亮度分量，S′、V′为小波改进后的饱和度分量、亮度分量。
本优选实施例在保持图像色调不变的前提下，对亮度和饱和度进行小波分解，因为减少了一个分量的计算，所以至少减少了1/3的运行时间。本优选实施例特别适用于汽车这种弱运算能力的场景，能在弱运算能力的芯片中也获得较高的实时处理速度，从而能够快速地识别疲劳状态。
经过小波变换后，得到的近似系数表达了图像中的背景信息，而细节系数表达了图像中的细节信息。本优选实施例对细节系数进行增强，同时对S分量和V分量在小波域中的近似系数进行抑制，因此取得了整体背景光照均勾，细节反差突出的效果，这有利于提高识别图像中的人脸疲劳状态的识别率。
优选地，所述选择模块选取分别计算采用γ模块和RGB模块处理后的图像的综合值较大的图像作为图像最终处理方式，综合值的计算公式为：
式中，M、N分别为图像的行数和列数，h(x,y)为图像第x行、第y列的灰度值，m为图像的综合值，π为图像的灰度均值。
本优选实施例的选择模块通过计算图像的综合值来确定图像的最终处理方式，从而当灰度图像较差，而彩色图像更优时，能够自动地切换到彩色图像中识别人脸。当灰度图像更优，而彩色图像较差时，则自动地切换到灰度图像中识别人脸。
采用这种模式，进一步可设置两个摄像头，一个摄像头专门用于采集灰度图像，而另一个摄像头专门采集彩色图像。
本优选实施例的综合值计算是发明人独创的算法，在大量的测试当中，发现本优选实施例实现了自动选择最优图像，从而进一步提高人脸疲劳状态的识别率。
优选地，在前台中还包括酒精模块，安装在驾驶室内，用于检测空气中的酒精浓度，所述报警模块还用于当酒精模块检测到的酒精浓度超过预设值时，通过移动通信向后台发送饮酒报警信号。
酒驾也是常见的交通违法行为。本优选实施例还实现了平台对酒驾的实时监控，相比传统的路检方法，显然成本更低，监测力度更严，并且还能实时地传送到远程的交通管理部门。
优选地，在前台中还包括指纹模块，安装在点火按钮上，用于检测驾驶员的指纹，所述报警模块还用于通过移动通信向后台发送指纹信息。
优选地，所述后台用于根据指纹信息识别驾驶员。
本优选实施例实现了驾驶员的身份识别。
优选地，所述后台还用于根据所述疲劳报警信号和或所述饮酒报警信号，通过多媒体方式提示所述运营车辆发生了疲劳驾驶和或酒后驾驶，并将驾驶员的行为予以登记。
在本优选实施例中，通过多媒体提示，以及行为登记等，能进一步提醒交管人员，并减轻交管人员的管理负担。
优选地，所述后台还将所述驾驶员的身份与数据库中的运营车辆驾驶员登记信息进行比对，判断所述驾驶员是否具备驾驶资格，并进行相应的处理。
本优选实施例对于运营车辆来说具有特别重大的意义。一般的车辆，任何驾驶员可能都允许驾驶。但运营车辆必须限定为特定驾驶员才可以驾驶，通过指纹识别，并实时地上传远程平台，有利于交管部门进一步管理运营车辆的驾驶员。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (10)
1.一种用于运营车辆的驾驶员管理平台，其特征在于，包括：后台和前台，前台与后台之间通过移动通信联网，前台包括承载在车身上的识别模块、报警模块和摄像模块；
摄像模块安装在驾驶室内，正对驾驶员，用于采集驾驶员的面部图像；
识别模块，用于从面部图像中识别人脸的疲劳状态；
报警模块，用于当疲劳状态超过预设阈值时，通过移动通信向后台发送疲劳报警信号。
2.根据权利要求1所述的驾驶员管理平台，其特征在于，识别模块包括γ模块、RGB模块、选择模块和分析模块；
γ模块，用于在γ灰度空间对图像进行处理；
RGB模块，用于在RGB彩色空间对图像进行处理；
选择模块，用于选择γ模块的处理结果和RGB模块的处理结果；
分析模块，用于将选择处理结果与预设疲劳行为模式进行比对，以确定疲劳状态。
3.根据权利要求2所述的驾驶员管理平台，其特征在于，所述γ模块包括：
第一模块，用于将面部图像作为原稿，对原稿进行傅利叶变换，然后在傅利叶变换后的频率域进行低通滤波，得到第一稿；
第二模块，用于将原稿与第一稿进行如下处理：
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mfrac>
<mrow>
<mo>(</mo>
<mi>&beta;</mi>
<mo>+</mo>
<mn>5</mn>
<mi>T</mi>
<mo>)</mo>
<mo>&lsqb;</mo>
<msup>
<mi>J</mi>
<mo>&prime;</mo>
</msup>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>-</mo>
<mi>S</mi>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>+</mo>
<mover>
<mi>&gamma;</mi>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
</mrow>
<mi>&beta;</mi>
</mfrac>
<mo>-</mo>
<mn>3</mn>
<mi>T</mi>
<mo>,</mo>
<mi>T</mi>
<mo><</mo>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mrow>
<mo>{</mo>
<msup>
<mi>J</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mover>
<mi>&gamma;</mi>
<mo>&OverBar;</mo>
</mover>
<mo>-</mo>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mn>3</mn>
<mi>T</mi>
<mo>}</mo>
</mrow>
<mrow>
<mi>&beta;</mi>
<mo>-</mo>
<mn>3</mn>
<mi>T</mi>
</mrow>
</mfrac>
<mi>&beta;</mi>
<mo>,</mo>
<mi>T</mi>
<mo>></mo>
<mn>0</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中，F(x,y)为处理后的图像，为原稿灰度均值，T为拉伸参数，β为图像的灰度域，J′(x,y)为原稿，S(x,y)为第一稿。
4.根据权利要求3所述的驾驶员管理平台，其特征在于，所述RGB模块包括：
第三模块：用于采用倒圆锥模型表示在HSV空间中描述原稿，HSV空间中的H、S、V分别表示色调、饱和度、亮度，倒圆锥模型的轴线方向为V分量，顶部的圆心为白色，最低点为黑色，竖直轴为白色和黑色之间的过渡色，顶部的圆平面为光强度最大的点，圆锥的任一横向圆切面的径向为饱和度，圆心处饱和度为0，圆周处饱和度为1，圆切面的圆周向的角度为H；
第四模块：用于对S分量和V分量进行小波域改进，具体为：
对S分量和V分量进行二维小波变换，将图像分解为4个相同大小的子带区域，进一步对子带区域进行二维小波变换，直到得到预设值的小波尺度为止，从而得到S分量和V分量在小波域中的近似系数和不同层次的细节系数，公式如下：
θ′(x,y)＝0.12α[θ(x,y)-i]2+α[θ(x,y)-i]+i
式中，θ(x,y)为小波系数，θ′(x,y)为改进后的小波系数，i为该子带区域小波系数均值，α为改进系数，α∈[0,1)，表示对小波系数进行抑制，应用于小波分解后的近似系数，α＞1，表示对小波系数进行增强，应用于小波分解后的细节系数；
第五模块，用于将图像进一步变换到RGB空间，公式如下：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msup>
<mi>R</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mi>K</mi>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>R</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msqrt>
<mo>-</mo>
<mi>K</mi>
<mi>L</mi>
<mo>(</mo>
<mi>H</mi>
<mo>-</mo>
<mi>R</mi>
<mo>+</mo>
<mn>2</mn>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<mi>G</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mi>K</mi>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>G</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msqrt>
<mo>-</mo>
<mi>K</mi>
<mi>L</mi>
<mo>(</mo>
<mi>H</mi>
<mo>-</mo>
<mi>G</mi>
<mo>+</mo>
<mn>2</mn>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<mi>B</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mi>K</mi>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msqrt>
<mo>-</mo>
<mi>K</mi>
<mi>L</mi>
<mo>(</mo>
<mi>H</mi>
<mo>-</mo>
<mi>B</mi>
<mo>+</mo>
<mn>2</mn>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
1
式中，R、G、B分别为原稿RGB空间中的红色分量、绿色分量、蓝色分量，R′、G′、B′分别为处理后的图像RGB空间中的红色分量、绿色分量、蓝色分量，K、L为转换系数，H为原稿RGB空间中最大颜色分量，S、V分别为原稿HSV空间中的饱和度分量、亮度分量，S′、V′为小波改进后的饱和度分量、亮度分量。
5.根据权利要求4所述的驾驶员管理平台，其特征在于，所述选择模块选取分别计算采用γ模块和RGB模块处理后的图像的综合值较大的图像作为图像最终处理方式，综合值的计算公式为：
<mrow>
<mi>m</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>l</mi>
<mi>n</mi>
<mo>{</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msqrt>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</msqrt>
</mrow>
<mrow>
<mo>(</mo>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
<mo>&times;</mo>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&pi;</mi>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mi>M</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</mfrac>
<mo>}</mo>
</mrow>
式中，M、N分别为图像的行数和列数，h(x,y)为图像第x行、第y列的灰度值，m为图像的综合值，π为图像的灰度均值。
6.根据权利要求5所述的驾驶员管理平台，其特征在于，前台还包括酒精模块，安装在驾驶室内，用于检测空气中的酒精浓度，所述报警模块还用于当酒精模块检测到的酒精浓度超过预设值时，通过移动通信向后台发送饮酒报警信号。
7.根据权利要求6所述的驾驶员管理平台，其特征在于，前台还包括指纹模块，安装在点火按钮上，用于检测驾驶员的指纹，所述报警模块还用于通过移动通信向后台发送指纹信息。
8.根据权利要求7所述的驾驶员管理平台，其特征在于，所述后台用于根据指纹信息识别驾驶员。
9.根据权利要求8所述的驾驶员管理平台，其特征在于，所述后台还用于根据所述疲劳报警信号和或所述饮酒报警信号，通过多媒体方式提示所述运营车辆发生了疲劳驾驶和或酒后驾驶，并将驾驶员的行为予以登记。
10.根据权利要求9所述的驾驶员管理平台，其特征在于，所述后台还将所述驾驶员的身份与数据库中的运营车辆驾驶员登记信息进行比对，判断所述驾驶员是否具备驾驶资格，并进行相应的处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710422216.0A CN107248262B (zh) | 2017-06-07 | 2017-06-07 | 用于运营车辆的驾驶员管理平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710422216.0A CN107248262B (zh) | 2017-06-07 | 2017-06-07 | 用于运营车辆的驾驶员管理平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107248262A true CN107248262A (zh) | 2017-10-13 |
| CN107248262B CN107248262B (zh) | 2018-07-24 |
Family
ID=60017855
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710422216.0A Active CN107248262B (zh) | 2017-06-07 | 2017-06-07 | 用于运营车辆的驾驶员管理平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107248262B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101090482A (zh) * | 2006-06-13 | 2007-12-19 | 唐琎 | 一种基于图象处理和信息融合技术的驾驶员疲劳监测***及方法 |
| CN101224113A (zh) * | 2008-02-04 | 2008-07-23 | 电子科技大学 | 机动车驾驶员状态监控方法及*** |
| CN101321270A (zh) * | 2008-07-16 | 2008-12-10 | 中国人民解放军国防科学技术大学 | 一种实时优化图像的监控***及方法 |
| CN101655907A (zh) * | 2009-08-28 | 2010-02-24 | 大连鑫奇辉科技有限公司 | 机车司机行车状态监控智能报警*** |
| CN101673464A (zh) * | 2009-09-27 | 2010-03-17 | 上海大学 | 疲劳驾驶智能管理*** |
| US20160364618A1 (en) * | 2015-06-09 | 2016-12-15 | National Chung Shan Institute Of Science And Technology | Nocturnal vehicle counting method based on mixed particle filter |
-
2017
- 2017-06-07 CN CN201710422216.0A patent/CN107248262B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101090482A (zh) * | 2006-06-13 | 2007-12-19 | 唐琎 | 一种基于图象处理和信息融合技术的驾驶员疲劳监测***及方法 |
| CN101224113A (zh) * | 2008-02-04 | 2008-07-23 | 电子科技大学 | 机动车驾驶员状态监控方法及*** |
| CN101321270A (zh) * | 2008-07-16 | 2008-12-10 | 中国人民解放军国防科学技术大学 | 一种实时优化图像的监控***及方法 |
| CN101655907A (zh) * | 2009-08-28 | 2010-02-24 | 大连鑫奇辉科技有限公司 | 机车司机行车状态监控智能报警*** |
| CN101673464A (zh) * | 2009-09-27 | 2010-03-17 | 上海大学 | 疲劳驾驶智能管理*** |
| US20160364618A1 (en) * | 2015-06-09 | 2016-12-15 | National Chung Shan Institute Of Science And Technology | Nocturnal vehicle counting method based on mixed particle filter |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107248262B (zh) | 2018-07-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107729801B (zh) | 一种基于多任务深度卷积神经网络的车辆颜色识别*** | |
| CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
| Omachi et al. | Detection of traffic light using structural information | |
| CN103824081B (zh) | 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法 | |
| CN104751634B (zh) | 高速公路隧道行车图像采集信息的综合应用方法 | |
| CN103761529B (zh) | 一种基于多色彩模型和矩形特征的明火检测方法和*** | |
| CN102364496B (zh) | 一种基于图像分析的汽车车牌自动识别方法及*** | |
| CN109299674B (zh) | 一种基于车灯的隧道违章变道检测方法 | |
| CN106023623A (zh) | 基于机器视觉的车载交通信号与标志的识别及预警方法 | |
| CN105354530A (zh) | 一种车身颜色识别方法及装置 | |
| CN104298969B (zh) | 基于颜色与haar特征融合的人群规模统计方法 | |
| CN105844257A (zh) | 基于机器视觉雾天行车错失道路标志牌的预警***及方法 | |
| CN104050450A (zh) | 一种基于视频的车牌识别方法 | |
| CN104156731A (zh) | 基于人工神经网络的车牌识别***与方法 | |
| CN110648540B (zh) | 基于无人机的高速公路紧急车道占用跟踪***及方法 | |
| CN106778646A (zh) | 基于卷积神经网络的车型识别方法及装置 | |
| CN102306276A (zh) | 基于分块聚类的视频车辆图像中车身颜色识别方法 | |
| CN1889136A (zh) | 一种疲劳驾驶预警***的装置 | |
| CN107644538A (zh) | 交通信号灯的识别方法及装置 | |
| CN109858459A (zh) | 基于警用车载视频要素信息实现智能解析处理的***及其方法 | |
| Mammeri et al. | North-American speed limit sign detection and recognition for smart cars | |
| CN103021179A (zh) | 基于实时监控视频中的安全带检测方法 | |
| CN102930271A (zh) | 一种视频图像的出租车实时识别方法 | |
| CN105046223B (zh) | 一种隧道入口“黑洞效应”严重程度的检测装置及方法 | |
| CN104573743B (zh) | 一种人脸图像检测过滤方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |