CN108230619A - 基于多特征融合的疲劳驾驶检测方法 - Google Patents

基于多特征融合的疲劳驾驶检测方法 Download PDF

Info

Publication number
CN108230619A
CN108230619A CN201611150273.XA CN201611150273A CN108230619A CN 108230619 A CN108230619 A CN 108230619A CN 201611150273 A CN201611150273 A CN 201611150273A CN 108230619 A CN108230619 A CN 108230619A
Authority
CN
China
Prior art keywords
fatigue
less
values
state
yaw
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.)
Withdrawn
Application number
CN201611150273.XA
Other languages
English (en)
Inventor
不公告发明人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guigang Ruicheng Technology Co Ltd
Original Assignee
Guigang Ruicheng Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guigang Ruicheng Technology Co Ltd filed Critical Guigang Ruicheng Technology Co Ltd
Priority to CN201611150273.XA priority Critical patent/CN108230619A/zh
Publication of CN108230619A publication Critical patent/CN108230619A/zh
Withdrawn legal-status Critical Current

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
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Emergency Management (AREA)
  • Human Computer Interaction (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Auxiliary Drives, Propulsion Controls, And Safety Devices (AREA)

Abstract

本发明公开了一种基于多特征融合的疲劳驾驶检测方法，包括以下步骤：S1：采集人脸和道路视频图像，进行图像预处理；S2：对人脸图像进行眼睛和嘴巴的精确定位，提取眼睛和嘴巴图片；S3：实现眼睛开闭检测和嘴巴开度测量；S4：使用直线车道模型，实现车道线的检测；S5：对于眼睛开闭检测的结果采用PERLOS方法来判断疲劳；对于嘴巴开度疲劳分析，采用开度阈值和时长阈值来判断疲劳；对于车道偏航，采用偏航率δ来做车道偏航分析判断疲劳；S6：对以上特征做融合分析，采用多特征数据融合方法以及融合多特征信息的加权平均分析法，对疲劳程度进行计算；S7：根据检测到车道偏离，并在嘴巴和眼睛特征上有疲劳表征，便做出相应的预警。

Description

基于多特征融合的疲劳驾驶检测方法
技术领域
本发明涉及一种基于多特征融合的疲劳驾驶检测方法。
背景技术
据最新数据统计，若驾驶员在3s时间内出现注意力不集中，会造成大约80％的交通事故，主要有车道偏离和追尾事故,大量交通事故的发生严重影响了我们的和谐生活。研究显示，若在公路交通事故发生前的1.5s给驾驶员发出预警，则可避免90％的这类事故。所有这些都道出“疲劳驾驶猛于虎”。所以疲劳驾驶除了合理安排行车时间，还需要有效的科技预警装置，才能最大程度减少疲劳驾驶事故的发生。据检测分析可知，疲劳特征越简单明显，对其进行识别和提取的算法实效性越好，抗干扰性越强。同时基于机器视觉的检测方法发展迅速，其非接触式检测范围广、可扩展性强。而车载检测***的主流也由基于多传感器信息融合技术的疲劳驾驶智能检测***替代了眼部检测装置。所以本发明提出基于驾驶员面部特征(眼睛、嘴巴特征)、车道行驶轨迹特征信息进行综合分析的研究方法。
发明内容
本发明要解决的技术问题是提供一种基于多特征融合的疲劳驾驶检测方法。
基于多特征融合的疲劳驾驶检测方法，包括以下步骤：
S1：采集人脸和道路视频图像，并进行图像预处理；
S2：对于处理后的人脸图像进行眼睛和嘴巴的精确定位，并提取眼睛和嘴巴图片；
S3：运用一些图像处理算法实现眼睛开闭检测和嘴巴开度测量；
S4：根据道路图像的特点使用直线车道模型，实现车道线的检测；
S5：对于眼睛开闭检测的结果采用PERLOS方法来判断疲劳；对于嘴巴开度疲劳分析，采用开度阈值和时长阈值来判断疲劳；对于车道偏航，采用偏航率δ来做车道偏航分析判断疲劳；
S6：对以上特征做融合分析，采用多特征数据融合方法以及融合多特征信息的加权平均分析法，对疲劳程度进行计算；
S7：根据检测到车道偏离，并在嘴巴和眼睛特征上有疲劳表征便做出相应的预警。
进一步的，所述PERLOS方法来判断疲劳的具体方法如下：
S2-1：计算f值：
1)在眼睛开闭检测算法提供的数据基础上，使用一些简单的滤波方法，使得提高数据的可靠性；
2)在检测到某两帧的状态从“1”变到“0”时，开始帧计数；
3)在步骤2)的基础上，当算法检测到某两帧状态从“0”变到“1”时停止帧计数；
4)在步骤3)的基础，使用帧数来乘帧间隔时间，得到这段的闭眼时间；
5)使用以下公式计算时间比例，并集合判断疲劳规则得出实验人员所处状态；
其中，正常眨眼时间长度为Δt，在一次闭眼测量中测量到的闭眼时间长度为Δt'，f为PERCLOS值；
6)重置帧计数，并进入步骤1)；
S2-2：基于f值的疲劳判断规则：
1)当f值大于等于0.8时，认为驾驶员处于疲劳状态；
2)当f值小于0.8且大于等于0.5时，并且在一分钟内出现大于三次，这时认为驾驶人员轻度疲劳；
3)当f值小于0.5且大于0.2时，认为处于精神不佳状态，可能进入疲劳状态；
4)当f值小于0.2时，认为处于清醒状态；
S2-3：计算持续闭眼时间TC值，计算公式如下：
TC＝te-ts，
其中，以检测到闭眼的帧作为开始计时点ts(眼睛状态由“1”变到“0”的帧)，并把接下来再次检测到睁眼作为计时结束点te(眼睛状态由“0”变到“1”的帧)；
S2-4：基于TC值的疲劳判断规则：
1)当TC值大于1.5s时认为处于严重疲劳状态；
2)当TC值小于1.5s且大于1秒时认为处于中度疲劳状态；
3)当TC值小于1s且大于0.5s时认为处于轻度疲劳状态；
4)当TC值小于0.5s时处于精神良好状态。
进一步的，采用开度阈值和时长阈值来判断疲劳的具体方法如下：
S3-1：哈欠门限阈值λ＝85，哈欠持续时间阀值Δt＝3s；
S3-2：判断疲劳的具体步骤：
1)在原始检测计算所得的开度曲线上做一维高斯滤波；
2)在曲线中把当前开度值和λ值比较，当出现开度值大于λ值时，开启帧计数，直到开度值小于λ值时停止帧计数；
3)计算帧计数所得的时间，并把该时间和Δt时间做比较，同时重置帧计数；
4)当计算所得的时间大于或等于Δt＝3s时，认为这是一次哈欠，并记录此次哈欠的时间；
5)计算单位时间内的哈欠频率，并根据此频率的大小给出疲劳指标；
6)回到第1)步开始新一轮的检测；
S3-3：基于持续哈欠时长Yt的疲劳判断规则：
1)当Yt值大于等于7s时，认为处于严重疲劳状态；
2)当Yt值小于7s大于等于5.5s时，认为处于中度疲劳状态；
3)当Yt值小于5.5s大于等于4.5s时，认为处于精神不佳状态；
4)当Yt值小于4.5s时，认为处于清晰状态。
进一步的，采用偏航率δ来做车道偏航分析判断疲劳的具体方法如下：
S4-1：定义偏航函数δ＝f(t)，在函数f(t)中t作为自变量表示偏航δ对应的帧时间，δt是帧时间t的函数，设某个车辆正常行驶时保持的偏航率为δc，定义偏航程度Δδ＝|δt-δc|；
S4-2：将偏航程度分为四级，具体的如下：
1)当Δδ值大于等于0.8时，严重偏航；
2)当Δδ小于0.8且大于等于0.5时，中度偏航；
3)当Δδ小于0.5且大于等于0.2时，轻度偏航；
4)当Δδ小于0.2时，正常行驶，不做计算。
进一步的，所述疲劳程度进行计算方法如下：
S5-1：疲劳程度权重分配，分配疲劳等级如下表；
疲劳等级 PERCLOS Yt TC Δδ
w0 小于0.2 小于4.5 小于0.5 小于0.2
w1 0.2-0.5 4.5-5.5 0.5-1 0.2-0.5
w2 0.5-0.8 5.5-7 1-1.5 0.5-0.8
w3 大于0.8 大于7 大于1.5 大于0.8
S5-2：疲劳等级w0、w1、w2及w3分别代表各关键特征处于精神良好、精神不佳、轻度疲劳及严重疲劳的情况，再对各疲劳值进行归一化，如下表所示；
疲劳等级 PERCLOS Yt TC Δδ
w0 0.25 0.643 0.33 0.25
w1 0.25-0.625 0.64-0.79 0.33-0.67 0.25-0.625
w2 0.625-1 0.79-1 0.67-1 0.625-1
w3 1 1 1 1
S5-3：然后每个信息对疲劳影响的关联度不同来对每个疲劳特征信息的权重分配如下表所示；
疲劳等级 a0 a1 a2 a3
权重1 0.6 0.6 0.7 0.6
权重2 0.65 0.68 0.7 0.6
S5-4：定义疲劳度为Fatigue，定义计算新的疲劳度Fatigue的公式如下：
Fatigue＝PERCLOS×a0+Yt×a1+TC×a2+Δδ×a3，
其中，ai表示疲劳等级权重，i的取值为0，1，2，3，分别对应a0、a1、a2和a3；
S5-5：在融合分析后再次对疲劳度做了等级的划分如下表。
进一步的，所述疲劳预警方案如下：
1)一级警告：在测到疲劳程度为精神不佳时，启动车内语音提示，告诫驾驶员不能疲劳驾驶；
2)二级警告：在测到疲劳程度为轻度疲劳时，启动车内语音提示，警告驾驶员正处于危险驾驶过程中；同时，启动车外语音警戒，并对外发射遇危提示红灯闪烁的危险防撞信号；
3)三级警告：在测到疲劳程度为重度疲劳时，启动车内语音提示，命令驾驶员立即靠边停车，20秒后将自动关闭发动机；同时，启动车外语音和灯光警告***。
本发明的有益效果是：
本发明根据三特征的特点选用PRECLOS、闭眼时长、哈欠时长和车道偏航率作为特征值，采用加权平均法做融合三疲劳特征分析，其检测准确率有较大提高。
具体实施方式
以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。
基于多特征融合的疲劳驾驶检测方法，包括以下步骤：
S1：采集人脸和道路视频图像，并进行图像预处理；
S2：对于处理后的人脸图像进行眼睛和嘴巴的精确定位，并提取眼睛和嘴巴图片；
S3：运用一些图像处理算法实现眼睛开闭检测和嘴巴开度测量；
S4：根据道路图像的特点使用直线车道模型，实现车道线的检测；
S5：对于眼睛开闭检测的结果采用PERLOS方法来判断疲劳；对于嘴巴开度疲劳分析，采用开度阈值和时长阈值来判断疲劳；对于车道偏航，采用偏航率δ来做车道偏航分析判断疲劳；
S6：对以上特征做融合分析，采用多特征数据融合方法以及融合多特征信息的加权平均分析法，对疲劳程度进行计算；
S7：根据检测到车道偏离，并在嘴巴和眼睛特征上有疲劳表征便做出相应的预警。
PERLOS方法来判断疲劳的具体方法如下：
S2-1：计算f值：
1)在眼睛开闭检测算法提供的数据基础上，使用一些简单的滤波方法，使得提高数据的可靠性；
2)在检测到某两帧的状态从“1”变到“0”时，开始帧计数；
3)在步骤2)的基础上，当算法检测到某两帧状态从“0”变到“1”时停止帧计数；
4)在步骤3)的基础，使用帧数来乘帧间隔时间，得到这段的闭眼时间；
5)使用以下公式计算时间比例，并集合判断疲劳规则得出实验人员所处状态；
其中，正常眨眼时间长度为Δt，在一次闭眼测量中测量到的闭眼时间长度为Δt'，f为PERCLOS值；
6)重置帧计数，并进入步骤1)；
S2-2：基于f值的疲劳判断规则：
1)当f值大于等于0.8时，认为驾驶员处于疲劳状态；
2)当f值小于0.8且大于等于0.5时，并且在一分钟内出现大于三次，这时认为驾驶人员轻度疲劳；
3)当f值小于0.5且大于0.2时，认为处于精神不佳状态，可能进入疲劳状态；
4)当f值小于0.2时，认为处于清醒状态；
S2-3：计算持续闭眼时间TC值，计算公式如下：
TC＝te-ts，
其中，以检测到闭眼的帧作为开始计时点ts(眼睛状态由“1”变到“0”的帧)，并把接下来再次检测到睁眼作为计时结束点te(眼睛状态由“0”变到“1”的帧)；
S2-4：基于TC值的疲劳判断规则：
1)当TC值大于1.5s时认为处于严重疲劳状态；
2)当TC值小于1.5s且大于1秒时认为处于中度疲劳状态；
3)当TC值小于1s且大于0.5s时认为处于轻度疲劳状态；
4)当TC值小于0.5s时处于精神良好状态。
采用开度阈值和时长阈值来判断疲劳的具体方法如下：
S3-1：哈欠门限阈值λ＝85，哈欠持续时间阀值Δt＝3s；
S3-2：判断疲劳的具体步骤：
1)在原始检测计算所得的开度曲线上做一维高斯滤波；
2)在曲线中把当前开度值和λ值比较，当出现开度值大于λ值时，开启帧计数，直到开度值小于λ值时停止帧计数；
3)计算帧计数所得的时间，并把该时间和Δt时间做比较，同时重置帧计数；
4)当计算所得的时间大于或等于Δt＝3s时，认为这是一次哈欠，并记录此次哈欠的时间；
5)计算单位时间内的哈欠频率，并根据此频率的大小给出疲劳指标；
6)回到第1)步开始新一轮的检测；
S3-3：基于持续哈欠时长Yt的疲劳判断规则：
1)当Yt值大于等于7s时，认为处于严重疲劳状态；
2)当Yt值小于7s大于等于5.5s时，认为处于中度疲劳状态；
3)当Yt值小于5.5s大于等于4.5s时，认为处于精神不佳状态；
4)当Yt值小于4.5s时，认为处于清晰状态。
采用偏航率δ来做车道偏航分析判断疲劳的具体方法如下：
S4-1：定义偏航函数δ＝f(t)，在函数f(t)中t作为自变量表示偏航6对应的帧时间，δt是帧时间t的函数，设某个车辆正常行驶时保持的偏航率为δc，定义偏航程度Δδ＝|δt-δc|；
S4-2：将偏航程度分为四级，具体的如下：
1)当Δδ值大于等于0.8时，严重偏航；
2)当Δδ小于0.8且大于等于0.5时，中度偏航；
3)当Δδ小于0.5且大于等于0.2时，轻度偏航；
4)当Δδ小于0.2时，正常行驶，不做计算。
疲劳程度进行计算方法如下：
S5-1：疲劳程度权重分配，分配疲劳等级如下表；
疲劳等级 PERCLOS Yt TC Δδ
w0 小于0.2 小于4.5 小于0.5 小于0.2
w1 0.2-0.5 4.5-5.5 0.5-1 0.2-0.5
w2 0.5-0.8 5.5-7 1-1.5 0.5-0.8
w3 大于0.8 大于7 大于1.5 大于0.8
S5-2：疲劳等级w0、w1、w2及w3分别代表各关键特征处于精神良好、精神不佳、轻度疲劳及严重疲劳的情况，再对各疲劳值进行归一化，如下表所示；
疲劳等级 PERCLOS Yt TC Δδ
w0 0.25 0.643 0.33 0.25
w1 0.25-0.625 0.64-0.79 0.33-0.67 0.25-0.625
w1 0.625-1 0.79-1 0.67-1 0.625-1
w3 1 1 1 1
S5-3：然后每个信息对疲劳影响的关联度不同来对每个疲劳特征信息的权重分配如下表所示；
疲劳等级 a0 a1 a2 a3
权重1 0.6 0.6 0.7 0.6
权重2 0.65 0.68 0.7 0.6
S5-4：定义疲劳度为Fatigue，定义计算新的疲劳度Fatigue的公式如下：
Fatigue＝PERCLOS×a0+Yt×a1+TC×a2+Δδ×a3，
其中，ai表示疲劳等级权重，i的取值为0，1，2，3，分别对应a0、a1、a2和a3；
S5-5：在融合分析后再次对疲劳度做了等级的划分如下表。
疲劳预警方案如下：
1)一级警告：在测到疲劳程度为精神不佳时，启动车内语音提示，告诫驾驶员不能疲劳驾驶；
2)二级警告：在测到疲劳程度为轻度疲劳时，启动车内语音提示，警告驾驶员正处于危险驾驶过程中；同时，启动车外语音警戒，并对外发射遇危提示红灯闪烁的危险防撞信号；
3)三级警告：在测到疲劳程度为重度疲劳时，启动车内语音提示，命令驾驶员立即靠边停车，20秒后将自动关闭发动机；同时，启动车外语音和灯光警告***。

Claims (6)

1.基于多特征融合的疲劳驾驶检测方法，其特征在于，包括以下步骤：
S1：采集人脸和道路视频图像，并进行图像预处理；
S2：对于处理后的人脸图像进行眼睛和嘴巴的精确定位，并提取眼睛和嘴巴图片；
S3：运用一些图像处理算法实现眼睛开闭检测和嘴巴开度测量；
S4：根据道路图像的特点使用直线车道模型，实现车道线的检测；
S5：对于眼睛开闭检测的结果采用PERLOS方法来判断疲劳；对于嘴巴开度疲劳分析，采用开度阈值和时长阈值来判断疲劳；对于车道偏航，采用偏航率δ来做车道偏航分析判断疲劳；
S6：对以上特征做融合分析，采用多特征数据融合方法以及融合多特征信息的加权平均分析法，对疲劳程度进行计算；
S7：根据检测到车道偏离，并在嘴巴和眼睛特征上有疲劳表征便做出相应的预警。
2.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，所述PERLOS方法来判断疲劳的具体方法如下：
S2-1：计算f值：
1)在眼睛开闭检测算法提供的数据基础上，使用一些简单的滤波方法，使得提高数据的可靠性；
2)在检测到某两帧的状态从“1”变到“0”时，开始帧计数；
3)在步骤2)的基础上，当算法检测到某两帧状态从“0”变到“1”时停止帧计数；
4)在步骤3)的基础，使用帧数来乘帧间隔时间，得到这段的闭眼时间；
5)使用以下公式计算时间比例，并集合判断疲劳规则得出实验人员所处状态；
其中，正常眨眼时间长度为Δt，在一次闭眼测量中测量到的闭眼时间长度为Δt'，f为PERCLOS值；
6)重置帧计数，并进入步骤1)；
S2-2：基于f值的疲劳判断规则：
1)当f值大于等于0.8时，认为驾驶员处于疲劳状态；
2)当f值小于0.8且大于等于0.5时，并且在一分钟内出现大于三次，这时认为驾驶人员轻度疲劳；
3)当f值小于0.5且大于0.2时，认为处于精神不佳状态，可能进入疲劳状态；
4)当f值小于0.2时，认为处于清醒状态；
S2-3：计算持续闭眼时间TC值，计算公式如下：
TC＝te-ts，
其中，以检测到闭眼的帧作为开始计时点ts(眼睛状态由“1”变到“0”的帧)，并把接下来再次检测到睁眼作为计时结束点te(眼睛状态由“0”变到“1”的帧)；
S2-4：基于TC值的疲劳判断规则：
1)当TC值大于1.5s时认为处于严重疲劳状态；
2)当TC值小于1.5s且大于1秒时认为处于中度疲劳状态；
3)当TC值小于1s且大于0.5s时认为处于轻度疲劳状态；
4)当TC值小于0.5s时处于精神良好状态。
3.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，采用开度阈值和时长阈值来判断疲劳的具体方法如下：
S3-1：哈欠门限阈值λ＝85，哈欠持续时间阀值Δt＝3s；
S3-2：判断疲劳的具体步骤：
1)在原始检测计算所得的开度曲线上做一维高斯滤波；
2)在曲线中把当前开度值和λ值比较，当出现开度值大于λ值时，开启帧计数，直到开度值小于λ值时停止帧计数；
3)计算帧计数所得的时间，并把该时间和Δt时间做比较，同时重置帧计数；
4)当计算所得的时间大于或等于Δt＝3s时，认为这是一次哈欠，并记录此次哈欠的时间；
5)计算单位时间内的哈欠频率，并根据此频率的大小给出疲劳指标；
6)回到第1)步开始新一轮的检测；
S3-3：基于持续哈欠时长Yt的疲劳判断规则：
1)当Yt值大于等于7s时，认为处于严重疲劳状态；
2)当Yt值小于7s大于等于5.5s时，认为处于中度疲劳状态；
3)当Yt值小于5.5s大于等于4.5s时，认为处于精神不佳状态；
4)当Yt值小于4.5s时，认为处于清晰状态。
4.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，采用偏航率δ来做车道偏航分析判断疲劳的具体方法如下：
S4-1：定义偏航函数δ＝f(t)，在函数f(t)中t作为自变量表示偏航δ对应的帧时间，δt是帧时间t的函数，设某个车辆正常行驶时保持的偏航率为δc，定义偏航程度Δδ＝|δt-δc|；
S4-2：将偏航程度分为四级，具体的如下：
1)当Δδ值大于等于0.8时，严重偏航；
2)当Δδ小于0.8且大于等于0.5时，中度偏航；
3)当Δδ小于0.5且大于等于0.2时，轻度偏航；
4)当Δδ小于0.2时，正常行驶，不做计算。
5.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，所述疲劳程度进行计算方法如下：
S5-1：疲劳程度权重分配，分配疲劳等级如下表；
疲劳等级 PERCLOS Yt TC Δδ w0 小于0.2 小于4.5 小于0.5 小于0.2 w1 0.2-0.5 4.5-5.5 0.5-1 0.2-0.5 w2 0.5-0.8 5.5-7 1-1.5 0.5-0.8 w3 大于0.8 大于7 大于1.5 大于0.8
S5-2：疲劳等级w0、w1、w2及w3分别代表各关键特征处于精神良好、精神不佳、轻度疲劳及严重疲劳的情况，再对各疲劳值进行归一化，如下表所示；
疲劳等级 PERCLOS Yt TC Δδ w0 0.25 0.643 0.33 0.25 w1 0.25-0.625 0.64-0.79 0.33-0.67 0.25-0.625 w2 0.625-1 0.79-1 0.67-1 0.625-1 w3 1 1 1 1
S5-3：然后每个信息对疲劳影响的关联度不同来对每个疲劳特征信息的权重分配如下表所示；
疲劳等级 a0 a1 a2 a3 权重1 0.6 0.6 0.7 0.6 权重2 0.65 0.68 0.7 0.6
S5-4：定义疲劳度为Fatigue，定义计算新的疲劳度Fatigue的公式如下：
Fatigue＝PERCLOS×a0+Yt×a1+TC×a2+Δδ×a3，
其中，ai表示疲劳等级权重，i的取值为0，1，2，3，分别对应a0、a1、a2和a3；
S5-5：在融合分析后再次对疲劳度做了等级的划分如下表。
6.根据权利要求1所述的疲劳驾驶检测方法，其特征在于，所述疲劳预警方案如下：
1)一级警告：在测到疲劳程度为精神不佳时，启动车内语音提示，告诫驾驶员不能疲劳驾驶；
2)二级警告：在测到疲劳程度为轻度疲劳时，启动车内语音提示，警告驾驶员正处于危险驾驶过程中；同时，启动车外语音警戒，并对外发射遇危提示红灯闪烁的危险防撞信号；
3)三级警告：在测到疲劳程度为重度疲劳时，启动车内语音提示，命令驾驶员立即靠边停车，20秒后将自动关闭发动机；同时，启动车外语音和灯光警告***。
CN201611150273.XA 2016-12-14 2016-12-14 基于多特征融合的疲劳驾驶检测方法 Withdrawn CN108230619A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611150273.XA CN108230619A (zh) 2016-12-14 2016-12-14 基于多特征融合的疲劳驾驶检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611150273.XA CN108230619A (zh) 2016-12-14 2016-12-14 基于多特征融合的疲劳驾驶检测方法

Publications (1)

Publication Number Publication Date
CN108230619A true CN108230619A (zh) 2018-06-29

Family

ID=62638151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611150273.XA Withdrawn CN108230619A (zh) 2016-12-14 2016-12-14 基于多特征融合的疲劳驾驶检测方法

Country Status (1)

Country Link
CN (1) CN108230619A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109035718A (zh) * 2018-07-31 2018-12-18 苏州清研微视电子科技有限公司 多因素融合的危险驾驶行为分级预警方法
CN109272764A (zh) * 2018-09-30 2019-01-25 广州鹰瞰信息科技有限公司 一种危险驾驶的提醒方法及***
CN109367479A (zh) * 2018-08-31 2019-02-22 南京理工大学 一种疲劳驾驶监测方法及装置
CN109445393A (zh) * 2018-11-14 2019-03-08 重庆工业职业技术学院 基于移动终端定位的光感测自动照明***
CN109447025A (zh) * 2018-11-08 2019-03-08 北京旷视科技有限公司 疲劳检测方法、装置、***及计算机可读存储介质
CN109887239A (zh) * 2019-03-16 2019-06-14 南京英诺微盛光学科技有限公司 一种用于监测疲劳驾驶的可穿戴设备及使用方法
CN110334600A (zh) * 2019-06-03 2019-10-15 武汉工程大学 一种多特征融合驾驶员异常表情识别方法
CN110728824A (zh) * 2019-09-25 2020-01-24 东南大学 一种基于多源数据的驾驶员疲劳状态检测及提醒方法
CN110751011A (zh) * 2019-05-23 2020-02-04 北京嘀嘀无限科技发展有限公司 驾驶安全检测方法、驾驶安全检测装置及车载终端
CN110781872A (zh) * 2019-12-31 2020-02-11 南斗六星***集成有限公司 一种双模态特征融合的驾驶员疲劳等级识别***
CN113240885A (zh) * 2021-04-27 2021-08-10 宁波职业技术学院 一种车载驾驶员疲劳检测的方法
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
CN113838265A (zh) * 2021-09-27 2021-12-24 科大讯飞股份有限公司 疲劳驾驶预警方法、装置以及电子设备
CN114132326A (zh) * 2021-11-26 2022-03-04 北京经纬恒润科技股份有限公司 疲劳驾驶的处理方法及装置
CN116439710A (zh) * 2023-04-11 2023-07-18 中国人民解放军海军特色医学中心 一种基于生理信号的舰船驾驶员疲劳检测***及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509418A (zh) * 2011-10-11 2012-06-20 东华大学 一种多传感信息融合的疲劳驾驶评估预警方法及装置
CN103400471A (zh) * 2013-08-12 2013-11-20 电子科技大学 一种驾驶员疲劳驾驶检测***及检测方法
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***
CN104112335A (zh) * 2014-07-25 2014-10-22 北京机械设备研究所 一种基于多信息融合的疲劳驾驶检测方法
CN105719431A (zh) * 2016-03-09 2016-06-29 深圳市中天安驰有限责任公司 一种疲劳驾驶检测***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509418A (zh) * 2011-10-11 2012-06-20 东华大学 一种多传感信息融合的疲劳驾驶评估预警方法及装置
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***
CN103400471A (zh) * 2013-08-12 2013-11-20 电子科技大学 一种驾驶员疲劳驾驶检测***及检测方法
CN104112335A (zh) * 2014-07-25 2014-10-22 北京机械设备研究所 一种基于多信息融合的疲劳驾驶检测方法
CN105719431A (zh) * 2016-03-09 2016-06-29 深圳市中天安驰有限责任公司 一种疲劳驾驶检测***

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109035718A (zh) * 2018-07-31 2018-12-18 苏州清研微视电子科技有限公司 多因素融合的危险驾驶行为分级预警方法
CN109367479A (zh) * 2018-08-31 2019-02-22 南京理工大学 一种疲劳驾驶监测方法及装置
CN109272764A (zh) * 2018-09-30 2019-01-25 广州鹰瞰信息科技有限公司 一种危险驾驶的提醒方法及***
CN109447025A (zh) * 2018-11-08 2019-03-08 北京旷视科技有限公司 疲劳检测方法、装置、***及计算机可读存储介质
CN109447025B (zh) * 2018-11-08 2021-06-22 北京旷视科技有限公司 疲劳检测方法、装置、***及计算机可读存储介质
CN109445393A (zh) * 2018-11-14 2019-03-08 重庆工业职业技术学院 基于移动终端定位的光感测自动照明***
CN109887239A (zh) * 2019-03-16 2019-06-14 南京英诺微盛光学科技有限公司 一种用于监测疲劳驾驶的可穿戴设备及使用方法
CN110751011A (zh) * 2019-05-23 2020-02-04 北京嘀嘀无限科技发展有限公司 驾驶安全检测方法、驾驶安全检测装置及车载终端
CN110334600A (zh) * 2019-06-03 2019-10-15 武汉工程大学 一种多特征融合驾驶员异常表情识别方法
CN110728824A (zh) * 2019-09-25 2020-01-24 东南大学 一种基于多源数据的驾驶员疲劳状态检测及提醒方法
CN110728824B (zh) * 2019-09-25 2021-11-30 东南大学 一种基于多源数据的驾驶员疲劳状态检测及提醒方法
CN110781872A (zh) * 2019-12-31 2020-02-11 南斗六星***集成有限公司 一种双模态特征融合的驾驶员疲劳等级识别***
CN113240885A (zh) * 2021-04-27 2021-08-10 宁波职业技术学院 一种车载驾驶员疲劳检测的方法
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
CN113838265A (zh) * 2021-09-27 2021-12-24 科大讯飞股份有限公司 疲劳驾驶预警方法、装置以及电子设备
CN114132326A (zh) * 2021-11-26 2022-03-04 北京经纬恒润科技股份有限公司 疲劳驾驶的处理方法及装置
CN116439710A (zh) * 2023-04-11 2023-07-18 中国人民解放军海军特色医学中心 一种基于生理信号的舰船驾驶员疲劳检测***及方法
CN116439710B (zh) * 2023-04-11 2023-10-20 中国人民解放军海军特色医学中心 一种基于生理信号的舰船驾驶员疲劳检测***及方法

Similar Documents

Publication Publication Date Title
CN108230619A (zh) 基于多特征融合的疲劳驾驶检测方法
CN104183091B (zh) 一种自适应调整疲劳驾驶预警***灵敏度的***
CN102509418B (zh) 一种多传感信息融合的疲劳驾驶评估预警方法及装置
CN104637246B (zh) 一种驾驶员多种行为预警***及危险评估方法
CN102717765B (zh) 疲劳驾驶检测方法及防疲劳驾驶辅助装置
CN108446600A (zh) 一种车辆驾驶员疲劳监测预警***及方法
JP6134112B2 (ja) 車両運行状態情報基盤の運転集中度判断方法及びそのシステム
CN105719431A (zh) 一种疲劳驾驶检测***
CN104794856B (zh) 驾驶员注意力综合测评***
CN105303830A (zh) 一种驾驶行为分析***及分析方法
CN107697069A (zh) 汽车驾驶员疲劳驾驶智能控制方法
CN106080194A (zh) 防疲劳驾驶的预警方法和***
CN103198616B (zh) 基于驾驶员头颈移动特征识别的疲劳驾驶检测方法与***
CN105185038A (zh) 一种基于Android智能手机的安全行车***
CN112241658A (zh) 一种基于深度相机的疲劳驾驶预警***及方法
CN104013414A (zh) 一种基于移动智能手机的驾驶员疲劳检测***
TW201321246A (zh) 駕駛行為分析警示系統與方法
CN106355838A (zh) 一种疲劳驾驶检测方法和***
CN108021875A (zh) 一种车辆驾驶员个性化疲劳监测及预警方法
CN102930693A (zh) 安全驾驶预警***及方法
CN107563346A (zh) 一种基于人眼图像处理实现驾驶员疲劳判别的方法
CN109740477A (zh) 驾驶员疲劳检测***及其疲劳检测方法
CN105931430A (zh) 用于驾驶员状态预警***的报警灵敏度检测方法及装置
CN212484555U (zh) 一种疲劳驾驶多源信息检测***
CN110901385B (zh) 一种基于驾驶员疲劳状态的主动限速方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20180629