CN112258813A - 一种车辆主动安全控制方法和设备 - Google Patents
一种车辆主动安全控制方法和设备 Download PDFInfo
- Publication number
- CN112258813A CN112258813A CN202010917415.0A CN202010917415A CN112258813A CN 112258813 A CN112258813 A CN 112258813A CN 202010917415 A CN202010917415 A CN 202010917415A CN 112258813 A CN112258813 A CN 112258813A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driver
- preset
- data stream
- video data
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆主动安全控制方法和设备,该方法包括:对ADAS单元发送的第一视频数据流对应的多帧视频图像进行分割处理,以获得每帧视频图像的ROI区域,并根据所述ROI区域的像素信息获取当前的行车数据;根据所述行车数据确定对应的预设图像处理算法,并根据所述预设图像处理算法确定前视数据;基于预设机器学习算法识别DSM单元发送的第二视频数据流中所述驾驶员的眼部、躯干和四肢的多个预设关键点;根据所述眼部的多个预设关键点确定疲劳度;根据所述躯干和所述四肢的多个预设关键点确定分神时长,若所述前视数据和或疲劳度和或分神时长存在异常,向所述驾驶员发送预警信息,从而进一步提高车辆主动安全控制的可靠性,提高了行车安全。
Description
技术领域
本申请涉及车辆控制领域,更具体地,涉及一种车辆主动安全控制方法和设备。
背景技术
随着我国汽车保有量的逐年大幅增加,交通事故也随之增加,尤其是涉及大型货车的交通事故并不少见,此类事故中,事故双方轻则车辆受损,重则人员伤亡。为了更加有效保护汽车驾驶员和乘员的生命财产安全,各汽车厂商都在致力于开发更加可靠的车载被动安全、以及主动安全辅助***,其中,主动安全辅助***更是越来越被人们所关注。
现有技术中的主动安全控制中,LDW(Lane Departure Warning,车道偏离预警***)/FCW(Forward Collision Warning,前方碰撞预警***)/DMS(Driver MonitorSystem,驾驶员监测***)独立报警,没有信息的融合机制,导致对车辆行驶状态的误判、漏判等情况的发生,并缺少对驾驶员精神层面的采集分析,缺少对疲劳驾驶的预警判断,因此在车辆行驶过程中的安全性依然存在一定的漏洞。
因此,如何进一步提高车辆主动安全控制的可靠性,提高行车安全性,是目前有待解决的技术问题。
发明内容
本发明公开了一种车辆主动安全控制方法,用以解决现有技术中缺少对驾驶员精神层面的采集分析,车辆主动安全控制的可靠性不高的技术问题,包括:
接收车辆行驶时所述ADAS单元发送的所述第一视频数据流和所述DSM单元发送的所述第二视频数据流;
根据所述第一视频数据流确定车辆的前视数据,所述前视数据包括前方碰撞预警时间TTC、安全距离预警时间HMW和虚拟保险杠VB;
根据所述第二视频数据流确定所述驾驶员的驾驶状态数据,所述驾驶状态数据包括疲劳度和分神时长;
若所述前视数据和或所述驾驶状态数据存在异常,向所述驾驶员发送预警信息;
其中,所述前视数据在所述TTC不大于第一预设时长、和或所述HMW不大于第二预设时长、和或所述VB不大于预设虚拟保险杠阈值时存在异常;所述驾驶状态数据在所述疲劳度大于预设疲劳度阈值,和或所述分神时间大于预设分神时长时存在异常。
一些实施例中,根据所述第一视频数据流确定车辆的前视数据,具体为:
对所述第一视频数据流进行解帧处理以获取多帧视频图像;
对所述视频图像进行分割处理,以获得每帧视频图像的ROI区域,并根据所述ROI区域的像素信息获取当前的行车数据,其中,所述ROI区域包括每帧视频图像中的天空区域,所述行车数据包括日间行车和夜间行车;
根据所述行车数据确定对应的预设图像处理算法,并根据所述预设图像处理算法确定所述前视数据。
一些实施例中,根据所述第二视频数据流确定所述驾驶员的驾驶状态数据,具体为:
基于预设机器学习算法获取所述第二视频数据流中所述驾驶员的眼部、躯干和四肢的多个预设关键点;
根据所述眼部的多个预设关键点确定所述疲劳度;
根据所述躯干和所述四肢的多个预设关键点确定所述分神时长。
一些实施例中,根据所述眼部的多个预设关键点确定所述疲劳度,具体为:
根据所述眼部的多个预设关键点确定预设时间间隔内所述驾驶员的眼部特征序列;
根据所述眼部特征序列中眼睛的闭合帧数与所述预设时间间隔内的总帧数的比值确定所述疲劳度;
其中,所述疲劳度对应的具体场景包括以下场景中至少一种:
白天、夜晚、顺光、侧光逆光、树荫阳光交替闪烁、车辆震动、驾驶员佩戴帽子、驾驶员佩戴眼镜、驾驶员佩戴墨镜、驾驶员佩戴口罩。
一些实施例中,根据所述躯干和所述四肢的多个预设关键点确定所述分神时长,具体为:
根据所述躯干和所述四肢的多个预设关键点确定人体姿态;
利用预设姿态识别模型对所述人体姿态进行识别,以判断姿态库中是否存在与所述人体姿态相匹配的特定人体姿态,所述姿态识别模型是预先基于图像帧的多姿态特征进行训练学习得到的,所述特定人体姿态包括打电话姿态或抽烟姿态;
若所述姿态识别模型输出存在特定人体姿态的识别结果时,根据所述特定姿态的持续时长确定所述分神时长。
一些实施例中,在根据所述特定姿态的持续时长确定所述分神时长之后,还包括:
对所述驾驶员的视线方向和所述车辆所压车道线方向的一致性进行判断,具体为:
若所述驾驶员视线偏航角<A1且视线俯仰角>A3且视线俯仰角<A4,则对所述车辆的行驶状态进行判断,若所述车辆有压右侧车道线趋势并且其距离车道线距离小于或等于第一距离S3,则向所述驾驶员发出警告;
若所述驾驶员视线偏航角>A2且视线俯仰角>A3且视线俯仰角<A4,则对所述车辆的行驶状态进行判断,若所述车辆有压左侧车道线趋势并且其距离车道线距离小于或等于第一距离S3,则向所述驾驶员发出警告;
若所述驾驶员视线俯仰角<A3或视线俯仰角>A4,则对所述车辆的行驶状态进行判断,若所述车辆有压车道线趋势并且其距离车道线距离小于或等于第一距离S3,则向所述驾驶员发出警告;
其中,A1表示偏航角左边界,A2表示偏航角右边界,A3表示俯仰角上边界,A4表示俯仰角下边界。
一些实施例中,所述ADAS单元还连接MCU和FPGA,所述MCU的输出端连接所述FPGA,所述FPGA的输出端与车载显示屏连接,在向所述驾驶员发送预警信息之前,所述方法还包括:
根据所述第一视频数据流确定所述车辆当前的ADAS信息和当前路况图像信息,并将所述ADAS信息传输给所述MCU,将所述当前路况图像信息传输给所述FPGA,该ADAS信息至少包括自身车速、前车距离、前人记录、左右车道距离、危险车辆识别信息、限速信息;
基于所述MCU对所述ADAS信息进行解析获取当前的OSD数据,并将所述OSD数据传输给FPGA;
基于FPGA将所述OSD数据叠加至所述路况图像信息上,并传输给所述车载显示屏进行显示。
一些实施例中,向所述驾驶员发送预警信息,具体包括:
在所述车载显示屏上以预设警示颜色显示所述预警信息,和或,发出与所述预警信息对应的语音提示。
相应的本发明还公开了一种车辆主动安全控制设备,所述设备包括:
接收模块,用于接收车辆行驶时所述ADAS单元发送的所述第一视频数据流和所述DSM单元发送的所述第二视频数据流;
第一确定模块,用于根据所述第一视频数据流确定车辆的前视数据,所述前视数据包括前方碰撞预警时间TTC、安全距离预警时间HMW和虚拟保险杠VB;
第二确定模块,用于根据所述第二视频数据流确定所述驾驶员的驾驶状态数据,所述驾驶状态数据包括疲劳度和分神时长;
预警模块,若所述前视数据和或所述驾驶状态数据存在异常,用于向所述驾驶员发送预警信息;
其中,所述前视数据在所述TTC不大于第一预设时长、和或所述HMW不大于第二预设时长、和或所述VB不大于预设虚拟保险杠阈值时存在异常;所述驾驶状态数据在所述疲劳度大于预设疲劳度阈值,和或所述分神时间大于预设分神时长时存在异常。
相应的本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上所述的车辆主动安全控制方法。
与现有技术对比,本发明具有以下有益效果:
本发明公开了一种车辆主动安全控制方法和设备,该方法应用于包括ADAS单元和DSM单元的***中,所述ADAS单元用于拍摄汽车周围的环境并获取第一视频数据流,所述DSM单元用于拍摄驾驶员以获取第二视频数据流,该方法包括:接收车辆行驶时所述ADAS单元发送的所述第一视频数据流和所述DSM单元发送的所述第二视频数据流;根据所述第一视频数据流确定车辆的前视数据,所述前视数据包括前方碰撞预警时间TTC、安全距离预警时间HMW和虚拟保险杠VB;根据所述第二视频数据流确定所述驾驶员的驾驶状态数据,所述驾驶状态数据包括疲劳度和分神时长;若所述前视数据和或所述驾驶状态数据存在异常,向所述驾驶员发送预警信息,从而通过对驾驶员精神层面的采集分析,进一步提高了车辆主动安全控制的可靠性,提升了行车安全。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例提出的一种车辆主动安全控制方法的流程示意图;
图2示出了本发明另一实施例提出的一种车辆主动安全控制方法的流程示意图;
图3示出了本发明又一实施例提出的一种车辆主动安全控制方法的流程示意图;
图4示出了本发明再一实施例提出的一种车辆主动安全控制方法的流程示意图;
图5示出了本发明实施例提出的一种车辆主动安全控制设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如背景技术所述,现有技术中的主动安全控制中,LDW/FCW/DMS独立报警,没有信息的融合机制,导致对车辆行驶状态的误判、漏判等情况的发生,并缺少对驾驶员精神层面的采集分析,缺少对疲劳驾驶的预警判断。
为解决上述问题,本申请实施例提出了一种车辆主动安全控制方法,接收车辆行驶时所述ADAS单元发送的所述第一视频数据流和所述DSM单元发送的所述第二视频数据流,根据所述第一视频数据流确定车辆的前视数据,所述前视数据包括前方碰撞预警时间TTC、安全距离预警时间HMW和虚拟保险杠VB,根据所述第二视频数据流确定所述驾驶员的驾驶状态数据,若所述前视数据和或所述驾驶状态数据存在异常,向所述驾驶员发送预警信息,从而通过对驾驶员精神层面的采集分析,进一步提高了车辆主动安全控制的可靠性,提升了行车安全。
如图1所示本发明实施例提出的一种车辆主动安全控制方法的流程示意图,应用于包括ADAS单元和DSM单元的***中,所述ADAS单元用于拍摄汽车周围的环境并获取第一视频数据流,所述DSM单元用于拍摄驾驶员以获取第二视频数据流,所述方法包括以下步骤:
步骤S101,接收车辆行驶时ADAS单元发送的第一视频数据流和DSM单元发送的第二视频数据流。
具体的,ADAS(Advanced Driving Assistance System,高级驾驶辅助***)能够利用安装在车上的各式各样传感器(毫米波雷达、激光雷达、单\双目摄像头以及卫星导航),在汽车行驶过程中随时来感应周围的环境,收集数据。DSM(Driver StateMonitoring,驾驶员状态监测)能够通过一个对准驾驶员的摄像头来实现实时监测驾驶员头部、眼部、面部等细节,然后将获取到的信息数据进行汇总。这里接收车辆行驶时ADAS单元发送的所述第一视频数据流主要是车辆行驶过程中车辆周围的数据信息,DSM单元发送的第二视频数据流主要是驾驶员在驾驶时的驾驶状态数据。
步骤S102,根据所述第一视频数据流确定车辆的前视数据,所述前视数据包括前方碰撞预警时间TTC、安全距离预警时间HMW和虚拟保险杠VB。
具体的,所述第一视频数据流中有车辆行驶过程中车辆周围的数据,其中包括车辆的前视数据,所述前视数据包括TTC(Time to Collision,前方碰撞预警时间)、HMW(Headway Monitoring Warning,安全距离预警时间)和VB(Virtual Bumpers,虚拟保险杠),TTC等于两车车距/两车的相对车速,HMW等于两车车距/本车的车速,在实际场景中,HMW主要在车距近的情况下报警,可以帮助驾驶员养成开车保持车距的规范驾驶习惯,可以将其理解为“危险不紧急”型功能,而TTC主要针对前后两车距离较近且存在较大速度差的紧急情况,比如前车急刹,属于“危险且紧急”型功能,虚拟保险杠VB通过雷达、视觉和超声波传感器联合收集数据,通过分析数据判断碰撞是否即将发生。
步骤S103,根据所述第二视频数据流确定所述驾驶员的驾驶状态数据,所述驾驶状态数据包括疲劳度和分神时长。
具体的,所述第二视频数据流主要采集驾驶员的驾驶状态,根据所述第二视频数据流可以确定所述驾驶员的驾驶状态数据,所述驾驶状态数据包括疲劳度和分神时长,疲劳度主要是驾驶员的疲劳程度,分神时长主要是驾驶员没有专心驾驶的时长,例如玩手机等与驾驶无关事项占用的时间。
步骤S104,若所述前视数据和或所述驾驶状态数据存在异常,向所述驾驶员发送预警信息。
具体的,所述前视数据在所述TTC不大于第一预设时长、和或所述HMW不大于第二预设时长、和或所述VB不大于预设虚拟保险杠阈值时存在异常,所述驾驶状态数据在所述疲劳度大于预设疲劳度阈值,和或所述分神时间大于预设分神时长时存在异常,当所述前视数据和或所述驾驶状态数据存在异常时,向所述驾驶员发送预警信息。
通过应用以上技术方案,接收车辆行驶时所述ADAS单元发送的所述第一视频数据流和所述DSM单元发送的所述第二视频数据流,根据所述第一视频数据流确定车辆的前视数据,所述前视数据包括前方碰撞预警时间TTC、安全距离预警时间HMW和虚拟保险杠VB,根据所述第二视频数据流确定所述驾驶员的驾驶状态数据,所述驾驶状态数据包括疲劳度和分神时长,若所述前视数据和或所述驾驶状态数据存在异常,向所述驾驶员发送预警信息,从而在对车辆周围数据采集的同时对驾驶员精神层面进行采集分析,进一步提高了车辆主动安全控制的可靠性,提升了行车安全。
为了准确确定所述前视数据并进一步保证行车安全,如图2所示为本发明另一实施例提出的一种车辆主动安全控制方法的流程示意图,应用于包括ADAS单元和DSM单元的***中,所述ADAS单元用于拍摄汽车周围的环境并获取第一视频数据流,所述DSM单元用于拍摄驾驶员以获取第二视频数据流,所述方法包括以下步骤:
步骤S201,接收车辆行驶时ADAS单元发送的第一视频数据流和DSM单元发送的第二视频数据流。
具体的,接收车辆行驶时ADAS单元发送的所述第一视频数据流主要是车辆行驶过程中车辆周围的数据信息,DSM单元发送的第二视频数据流主要是驾驶员在驾驶时的驾驶状态数据。
步骤S202,对所述第一视频数据流进行解帧处理以获取多帧视频图像。
具体的,所述第一视频数据流采集到的是多个视频数据,这里主要采集的是前车视频数据,将这些视频解帧成每一帧图像,然后这些每一帧图像合在一起就是多帧视频图像。
步骤S203,对所述视频图像进行分割处理,以获得每帧视频图像的ROI区域,并根据所述ROI区域的像素信息获取当前的行车数据,其中,所述ROI区域包括每帧视频图像中的天空区域,所述行车数据包括日间行车和夜间行车。
具体的,ROI(Region of Interest,感兴趣区域)是图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,通过对所述视频图像进行分割处理,就可以得到每帧视频图像的ROI区域,然后根据所述ROI区域的像素信息进行统计和分析记录就可以获取当前的行车数据,如所述ROI区域为天空区域时,此时通过天空区域的亮度信息就可以得知此时是白天还是夜晚,根据判断结果可以将白天行车数据和夜间行车数据分类记录保存。
步骤S204,根据所述行车数据确定对应的预设图像处理算法,并根据所述预设图像处理算法确定所述前视数据。
具体的,由于所述行车数据是做过分类处理的,所以根据不同类型的行车数据,确定不同的预设图像处理算法从而提高图像的识别率,如在夜间行车时,可以在相应的图像处理算法中增加汽车尾灯的检测来对前方车辆进行识别,这样可以对每一种行车数据做合适的处理,最后根据处理结果确实所述前视数据。
需要说明的是,本领域技术人员可以根据实际需要选择不同的预设图像处理算法,例如车道偏离检测算法、交通灯和行人检测算法、限速标识识别算法以及车辆识别算法等。
步骤S205,根据所述第二视频数据流确定所述驾驶员的驾驶状态数据,所述驾驶状态数据包括疲劳度和分神时长。
具体的,所述第二视频数据流主要采集驾驶员的驾驶状态,根据所述第二视频数据流可以确定所述驾驶员的驾驶状态数据,所述驾驶状态数据包括疲劳度和分神时长,疲劳度主要是驾驶员的疲劳程度,分神时长主要是驾驶员没有专心驾驶的时长。
步骤S206,若所述前视数据和或所述驾驶状态数据存在异常,向所述驾驶员发送预警信息。
具体的,当所述前视数据和或所述驾驶状态数据存在异常时,向所述驾驶员发送预警信息。
通过应用以上技术方案,接收车辆行驶时ADAS单元发送的第一视频数据流和DSM单元发送的第二视频数据流,对所述第一视频数据流进行解帧处理以获取多帧视频图像,对所述视频图像进行分割处理,以获得每帧视频图像的ROI区域,并根据所述ROI区域的像素信息获取当前的行车数据,其中,所述ROI区域包括每帧视频图像中的天空区域,所述行车数据包括日间行车和夜间行车,根据所述行车数据确定对应的预设图像处理算法,并根据所述预设图像处理算法确定所述前视数据,根据所述第二视频数据流确定所述驾驶员的驾驶状态数据,所述驾驶状态数据包括疲劳度和分神时长,若所述前视数据和或所述驾驶状态数据存在异常,向所述驾驶员发送预警信息,从而在对驾驶员精神层面进行采集分析的同时根据所述预设图像处理算法确定所述前视数据,进一步提高了车辆主动安全控制的可靠性,提升了行车安全。
为了准确的确定所述驾驶员的驾驶状态数据并保证行车安全,如图3所示为发明又一实施例提出的一种车辆主动安全控制方法的流程示意图,应用于包括ADAS单元和DSM单元的***中,所述ADAS单元用于拍摄汽车周围的环境并获取第一视频数据流,所述DSM单元用于拍摄驾驶员以获取第二视频数据流,所述方法包括以下步骤:
步骤S301,接收车辆行驶时ADAS单元发送的第一视频数据流和DSM单元发送的第二视频数据流。
具体的,接收车辆行驶时ADAS单元发送的所述第一视频数据流主要是车辆行驶过程中车辆周围的数据信息,DSM单元发送的第二视频数据流主要是驾驶员在驾驶时的驾驶状态数据
步骤S302,根据所述第一视频数据流确定车辆的前视数据,所述前视数据包括前方碰撞预警时间TTC、安全距离预警时间HMW和虚拟保险杠VB。
具体的,所述第一视频数据流中有车辆行驶过程中车辆周围的数据,其中包括车辆的前视数据,所述前视数据包括前方碰撞预警时间TTC、安全距离预警时间HMW和虚拟保险杠VB。
步骤S303,获取所述第二视频数据流中所述驾驶员的眼部、躯干和四肢的多个预设关键点。
具体的,所述第二视频数据流主要采集驾驶员的驾驶状态数据,通过基于预设机器学习算法获取所述第二视频数据流中所述驾驶员的眼部、躯干和四肢的多个预设关键点可以准确的反应出驾驶员的驾驶状态,其中预设关键点可以根据驾驶员在驾驶过程中出现影响驾驶的行为动作时,判断哪些部位的关键点可以反应出这些行为动作,就将所述部位的关键点设置为预设关键点。
为了更加准确的获取表征驾驶员状态信息的多个关键点,在本申请优选的实施例中,基于预设机器学习算法获取所述第二视频数据流中所述驾驶员的眼部、躯干和四肢的多个预设关键点,具体为:
利用机器学习算法将训练样本集中的训练样本包括的驾驶员图像作为输入数据,并将与输入的驾驶员图像对应的关键点信息作为期望输出数据,训练得到关键点确定模型,所述关键点信息包括所述驾驶员的眼部、躯干和四肢的多个预设关键点;
将所述第二视频数据流中的驾驶员图像输入所述关键点确定模型,以使所述关键点确定模型输出所述驾驶员的眼部、躯干和四肢的多个预设关键点;
其中,利用机器学习算法将训练样本集中的训练样本包括的驾驶员图像作为输入数据,并将与输入的驾驶员图像对应的关键点信息作为期望输出数据,训练得到关键点确定模型,具体为:
获取初始模型,其中,初始模型包括第一子模型和第二子模型;
利用机器学习算法将训练样本集中的训练样本包括的驾驶员图像作为所述第一子模型的输入数据,得到所述第一子模型的实际输出数据,将所述第一子模型的实际输出数据作为所述第二子模型的输入数据,得到所述第二子模型的实际输出数据;
基于所述第二子模型的实际输出数据和期望输出数据,调整初始模型的参数,得到训练完成的初始模型,以及将训练完成的初始模型确定为所述关键点确定模型,所述第二子模型的期望输出数据为训练样本的关键点信息。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他基于预设机器学习算法获取所述第二视频数据流中所述驾驶员的眼部、躯干和四肢的多个预设关键点的方式都属于本发明的保护范围。
步骤S304,根据所述眼部的多个预设关键点确定所述疲劳度。
具体的,在本实施例中主要通过眼部的细微变化来判断驾驶员是否疲劳驾驶,所以根据所述眼部的多个预设关键点可以确定所述疲劳度。
为了准确的确定所述疲劳度,在本申请的一些实施例中,根据所述眼部的多个预设关键点确定所述疲劳度,具体为:
根据所述眼部的多个预设关键点确定预设时间间隔内所述驾驶员的眼部特征序列;
根据所述眼部特征序列中眼睛的闭合帧数与所述预设时间间隔内的总帧数的比值确定所述疲劳度。
具体的,根据所述眼部的多个预设关键点确定预设时间间隔内所述驾驶员的眼部特征序列,眼部特征包括眼睛的闭合状态和眼睛的睁开状态,在预设时间内将获取到的眼部特征的每一帧罗列出来成为眼部特征序列,然后计算出所述眼部特征序列中眼睛的闭合帧数与所述预设时间间隔内的所有眼部特征序列的总帧数的比值,根据所述比值确定驾驶员的疲劳度,其中所述比值越大表示所述疲劳度越高。
其中,所述疲劳度对应的具体场景包括以下场景中至少一种:
白天、夜晚、顺光、侧光逆光、树荫阳光交替闪烁、车辆震动、驾驶员佩戴帽子、驾驶员佩戴眼镜、驾驶员佩戴墨镜、驾驶员佩戴口罩,所述墨镜为红外线可穿透墨镜,从而在以上不同的具体场景中准确识别驾驶员的疲劳度。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他根据所述眼部的多个预设关键点确定所述疲劳度的方法都属于本发明的保护范围。
步骤S305,根据所述躯干和所述四肢的多个预设关键点确定所述分神时长。
具体的,如果驾驶员在驾驶时分神,相应的身体会有一些行为动作,这些行为动作和驾驶员在专心驾驶时有明显差异,所以通过驾驶员的躯干和所述四肢的多个预设关键点可以确定驾驶员在驾驶时的分神时长。
为了准确的确定所述分神时长,在本申请的优选实施例中,根据所述躯干和所述四肢的多个预设关键点确定所述分神时长,具体为:
根据所述躯干和所述四肢的多个预设关键点确定人体姿态;
利用预设姿态识别模型对所述人体姿态进行识别,以判断姿态库中是否存在与所述人体姿态相匹配的特定人体姿态,所述姿态识别模型是预先基于图像帧的多姿态特征进行训练学习得到的,所述特定人体姿态包括打电话姿态或抽烟姿态;
若所述姿态识别模型输出存在特定人体姿态的识别结果时,根据所述特定姿态的持续时长确定所述分神时长。
具体的,根据驾驶员的躯干和四肢的多个预设关键点确定驾驶员身体的姿态,通过预先获取的大量的图像帧的多姿态特征,作为训练样本,进行模型训练,得到预设姿态识别模型,利用预设姿态识别模型对所述人体姿态进行识别,通过识别可以判断姿态库中是否存在与所述人体姿态相匹配的特定人体姿态,所述特定人体姿态包括打电话姿态或抽烟姿态,当通过所述姿态识别模型判断存在特定人体姿态的识别结果时,根据所述特定姿态的持续时长确定所述分神时长。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他根据所述躯干和所述四肢的多个预设关键点确定所述分神时长的方法都属于本发明的保护范围。
为了进一步的对驾驶员的驾驶状态进行判断并保证安全行驶,在本申请的一些实施例中,在根据所述特定姿态的持续时长确定所述分神时长之后,还包括:
对所述驾驶员的视线方向和所述车辆所压车道线方向的一致性进行判断,具体为:
若所述驾驶员视线偏航角<A1且视线俯仰角>A3且视线俯仰角<A4,则对所述车辆的行驶状态进行判断,若所述车辆有压右侧车道线趋势并且其距离车道线距离小于或等于第一距离S3,则向所述驾驶员发出警告;
若所述驾驶员视线偏航角>A2且视线俯仰角>A3且视线俯仰角<A4,则对所述车辆的行驶状态进行判断,若所述车辆有压左侧车道线趋势并且其距离车道线距离小于或等于第一距离S3,则向所述驾驶员发出警告;
若所述驾驶员视线俯仰角<A3或视线俯仰角>A4,则对所述车辆的行驶状态进行判断,若所述车辆有压车道线趋势并且其距离车道线距离小于或等于第一距离S3,则向所述驾驶员发出警告;
具体的,驾驶员的视线有一个物理角度,所述物理角度可以拆分成上下和左右两个维度,上下方向为俯仰角,坐标轴方向向下,左右方向为偏航角,坐标轴方向向右,A1表示偏航角左边界,A2表示偏航角右边界,A3表示俯仰角上边界,A4表示俯仰角下边界,当所述驾驶员视线偏航角<A1且视线俯仰角>A3且视线俯仰角<A4,则表示驾驶员视线方向朝向左侧且没有仰视和俯视,此时对所述车辆的行驶状态进行判断,若所述车辆有压右侧车道线趋势并且其距离车道线距离小于或等于第一距离S3,则向所述驾驶员发出警告,若所述驾驶员视线偏航角>A2且视线俯仰角>A3且视线俯仰角<A4,则表示驾驶员视线方向朝向右侧且没有仰视和俯视,此时对所述车辆的行驶状态进行判断,若所述车辆有压左侧车道线趋势并且其距离车道线距离小于或等于第一距离S3,则向所述驾驶员发出警告,若所述驾驶员视线俯仰角<A3说明驾驶员俯视,若视线俯仰角>A4说明驾驶员仰视,此时对所述车辆的行驶状态进行判断,若所述车辆有压车道线趋势并且其距离车道线距离小于或等于第一距离S3,则向所述驾驶员发出警告。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他对所述驾驶员的视线方向和所述车辆所压车道线方向的一致性进行判断的方法都属于本发明的保护范围。
步骤S306,若所述前视数据和或所述驾驶状态数据存在异常,向所述驾驶员发送预警信息。
具体的,当所述前视数据和或所述驾驶状态数据存在异常时,向所述驾驶员发送预警信息。
通过应用以上技术方案,接收车辆行驶时ADAS单元发送的第一视频数据流和DSM单元发送的第二视频数据流,根据所述第一视频数据流确定车辆的前视数据,所述前视数据包括前方碰撞预警时间TTC、安全距离预警时间HMW和虚拟保险杠VB,基于预设机器学习算法获取所述第二视频数据流中所述驾驶员的眼部、躯干和四肢的多个预设关键点,根据所述眼部的多个预设关键点确定所述疲劳度,根据所述躯干和所述四肢的多个预设关键点确定所述分神时长,若所述前视数据和或所述驾驶状态数据存在异常,向所述驾驶员发送预警信息,从而通过对驾驶员精神层面的采集分析,进一步提高了车辆主动安全控制的可靠性,同时通过对所述驾驶员的视线方向和所述车辆所压车道线方向的一致性进行判断,进一步的保证了行车安全。
为了进一步的保证行车安全,如图4所示为发明再一实施例提出的一种车辆主动安全控制方法的流程示意图,应用于包括ADAS单元和DSM单元的***中,所述ADAS单元用于拍摄汽车周围的环境并获取第一视频数据流,所述DSM单元用于拍摄驾驶员以获取第二视频数据流,所述方法包括以下步骤:
步骤S401,接收车辆行驶时ADAS单元发送的第一视频数据流和DSM单元发送的第二视频数据流。
具体的,接收车辆行驶时ADAS单元发送的所述第一视频数据流主要是车辆行驶过程中车辆周围的数据信息,DSM单元发送的第二视频数据流主要是驾驶员在驾驶时的驾驶状态数据。
步骤S402,根据所述第一视频数据流确定车辆的前视数据,所述前视数据包括前方碰撞预警时间TTC、安全距离预警时间HMW和虚拟保险杠VB。
具体的,所述第一视频数据流中有车辆行驶过程中车辆周围的数据,其中包括车辆的前视数据,所述前视数据包括前方碰撞预警时间TTC、安全距离预警时间HMW和虚拟保险杠VB。
步骤S403,根据所述第二视频数据流确定所述驾驶员的驾驶状态数据,所述驾驶状态数据包括疲劳度和分神时长。
具体的,所述第二视频数据流主要采集驾驶员的驾驶状态,根据所述第二视频数据流可以确定所述驾驶员的驾驶状态数据,所述驾驶状态数据包括疲劳度和分神时长,疲劳度主要是驾驶员的疲劳程度,分神时长主要是驾驶员没有专心驾驶的时长。
步骤S404,根据所述第一视频数据流确定所述车辆当前的ADAS信息和当前路况图像信息,并将所述ADAS信息传输给所述MCU,将所述当前路况图像信息传输给所述FPGA。
具体的,所述第一视频数据流是车辆行驶时,车辆周边的数据信息,根据所述第一视频数据流可以确定所述车辆当前的ADAS信息和当前路况图像信息,该ADAS信息至少包括自身车速、前车距离、前人记录、左右车道距离、危险车辆识别信息、限速信息。将所述ADAS信息传输给所述MCU,将所述当前路况图像信息传输给所述FPGA,MCU(MicrocontrollerUnit,微控制单元),又称单片微型计算机或者单片机,是把中央处理器的频率与规格做适当缩减,并将内存、计数器、USB、A/D转换等周边接口整合在单一芯片上,形成芯片级的计算机,为不同的应用场合做不同组合控制,FPGA(Field Programmable Gate Array,现场可编程逻辑门阵列)是在PAL、GAL等可编程器件的基础上进一步发展的产物,它是作为专用集成电路领域中的一种半定制电路而出现的器件。
步骤S405,基于所述MCU对所述ADAS信息进行解析获取当前的OSD数据,并将所述OSD数据传输给FPGA。
具体的,OSD(On Screen Display,屏幕显示)是应用在CRT/LCD显示器上,在显示器的荧幕中产生一些特殊的字形或图形,让使用者得到一些信息,在本步骤中,OSD数据是可以叠加到图像上的数据,所述MCU对所述ADAS信息进行解析可以获取当前的OSD数据,然后将所述OSD数据传输给FPGA。
步骤S406,基于FPGA将所述OSD数据叠加至所述路况图像信息上,并传输给所述车载显示屏进行显示。
具体的,在FPGA接收到所述路况图像信息和所述OSD数据后,将所述OSD数据叠加至所述路况图像信息上,这样可以将ADAS信息通过图像的形式输出,然后将该信息传输给所述车载显示屏进行显示。
步骤S407,若所述前视数据和或所述驾驶状态数据存在异常,向所述驾驶员发送预警信息。
具体的,当所述前视数据和或所述驾驶状态数据存在异常时,向所述驾驶员发送预警信息。
为了向所述驾驶员发送预警信息后可以使驾驶员及时收到,在一些实施例中,向所述驾驶员发送预警信息,具体包括:
在所述车载显示屏上以预设警示颜色显示所述预警信息,和或,发出与所述预警信息对应的语音提示。
具体的,向驾驶员发送预警信息可以是通过车载显示屏,以不同的显示预设警示颜色显示所述预警信息,预计信息可以是通过图像信息来展示,同时,也可以发出与所述预警信息对应的语音提示来提示驾驶员,优选的,可以通过语音提示音量的大小来表示预警信息的严重程度,这些都属于本申请的保护范围。
通过应用以上技术方案,接收车辆行驶时所述ADAS单元发送的所述第一视频数据流和所述DSM单元发送的所述第二视频数据流;根据所述第一视频数据流确定车辆的前视数据,所述前视数据包括前方碰撞预警时间TTC、安全距离预警时间HMW和虚拟保险杠VB;根据所述第二视频数据流确定所述驾驶员的驾驶状态数据,所述驾驶状态数据包括疲劳度和分神时长,根据所述第一视频数据流确定所述车辆当前的ADAS信息和当前路况图像信息,并将所述ADAS信息传输给所述MCU,将所述当前路况图像信息传输给所述FPGA,基于所述MCU对所述ADAS信息进行解析获取当前的OSD数据,并将所述OSD数据传输给FPGA,基于FPGA将所述OSD数据叠加至所述路况图像信息上,并传输给所述车载显示屏进行显示,若所述前视数据和或所述驾驶状态数据存在异常,向所述驾驶员发送预警信息,从而进一步提高车辆主动安全控制的可靠性,提高了行车安全。
与本申请实施例中的车辆主动安全控制方法相对应,本申请实施例还提出了一种车辆主动安全控制设备,如图5所示,所述设备包括:
接收模块501,用于接收车辆行驶时所述ADAS单元发送的所述第一视频数据流和所述DSM单元发送的所述第二视频数据流;
第一确定模块502,用于根据所述第一视频数据流确定车辆的前视数据,所述前视数据包括前方碰撞预警时间TTC、安全距离预警时间HMW和虚拟保险杠VB;
第二确定模块503,用于根据所述第二视频数据流确定所述驾驶员的驾驶状态数据,所述驾驶状态数据包括疲劳度和分神时长;
预警模块504,若所述前视数据和或所述驾驶状态数据存在异常,用于向所述驾驶员发送预警信息;
其中,所述前视数据在所述TTC不大于第一预设时长、和或所述HMW不大于第二预设时长、和或所述VB不大于预设虚拟保险杠阈值时存在异常;所述驾驶状态数据在所述疲劳度大于预设疲劳度阈值,和或所述分神时间大于预设分神时长时存在异常。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种车辆主动安全控制方法,应用于包括ADAS单元和DSM单元的***中,其特征在于,所述ADAS单元用于拍摄汽车周围的环境并获取第一视频数据流,所述DSM单元用于拍摄驾驶员以获取第二视频数据流,所述方法包括:
接收车辆行驶时所述ADAS单元发送的所述第一视频数据流和所述DSM单元发送的所述第二视频数据流;
根据所述第一视频数据流确定车辆的前视数据,所述前视数据包括前方碰撞预警时间TTC、安全距离预警时间HMW和虚拟保险杠VB;
根据所述第二视频数据流确定所述驾驶员的驾驶状态数据,所述驾驶状态数据包括疲劳度和分神时长;
若所述前视数据和或所述驾驶状态数据存在异常,向所述驾驶员发送预警信息;
其中,所述前视数据在所述TTC不大于第一预设时长、和或所述HMW不大于第二预设时长、和或所述VB不大于预设虚拟保险杠阈值时存在异常;所述驾驶状态数据在所述疲劳度大于预设疲劳度阈值,和或所述分神时间大于预设分神时长时存在异常。
2.如权利要求1所述的方法,其特征在于,根据所述第一视频数据流确定车辆的前视数据,具体为:
对所述第一视频数据流进行解帧处理以获取多帧视频图像;
对所述视频图像进行分割处理,以获得每帧视频图像的ROI区域,并根据所述ROI区域的像素信息获取当前的行车数据,其中,所述ROI区域包括每帧视频图像中的天空区域,所述行车数据包括日间行车和夜间行车;
根据所述行车数据确定对应的预设图像处理算法,并根据所述预设图像处理算法确定所述前视数据。
3.如权利要求1所述的方法,其特征在于,根据所述第二视频数据流确定所述驾驶员的驾驶状态数据,具体为:
基于预设机器学习算法获取所述第二视频数据流中所述驾驶员的眼部、躯干和四肢的多个预设关键点;
根据所述眼部的多个预设关键点确定所述疲劳度;
根据所述躯干和所述四肢的多个预设关键点确定所述分神时长。
4.如权利要求3所述的方法,其特征在于,根据所述眼部的多个预设关键点确定所述疲劳度,具体为:
根据所述眼部的多个预设关键点确定预设时间间隔内所述驾驶员的眼部特征序列;
根据所述眼部特征序列中眼睛的闭合帧数与所述预设时间间隔内的总帧数的比值确定所述疲劳度;
其中,所述疲劳度对应的具体场景包括以下场景中至少一种:
白天、夜晚、顺光、侧光逆光、树荫阳光交替闪烁、车辆震动、驾驶员佩戴帽子、驾驶员佩戴眼镜、驾驶员佩戴墨镜、驾驶员佩戴口罩。
5.如权利要求3所述的方法,其特征在于,根据所述躯干和所述四肢的多个预设关键点确定所述分神时长,具体为:
根据所述躯干和所述四肢的多个预设关键点确定人体姿态;
利用预设姿态识别模型对所述人体姿态进行识别,以判断姿态库中是否存在与所述人体姿态相匹配的特定人体姿态,所述姿态识别模型是预先基于图像帧的多姿态特征进行训练学习得到的,所述特定人体姿态包括打电话姿态或抽烟姿态;
若所述姿态识别模型输出存在特定人体姿态的识别结果时,根据所述特定姿态的持续时长确定所述分神时长。
6.如权利要求5所述的方法,其特征在于,在根据所述特定姿态的持续时长确定所述分神时长之后,还包括:
对所述驾驶员的视线方向和所述车辆所压车道线方向的一致性进行判断,具体为:
若所述驾驶员视线偏航角<A1且视线俯仰角>A3且视线俯仰角<A4,则对所述车辆的行驶状态进行判断,若所述车辆有压右侧车道线趋势并且其距离车道线距离小于或等于第一距离S3,则向所述驾驶员发出警告;
若所述驾驶员视线偏航角>A2且视线俯仰角>A3且视线俯仰角<A4,则对所述车辆的行驶状态进行判断,若所述车辆有压左侧车道线趋势并且其距离车道线距离小于或等于第一距离S3,则向所述驾驶员发出警告;
若所述驾驶员视线俯仰角<A3或视线俯仰角>A4,则对所述车辆的行驶状态进行判断,若所述车辆有压车道线趋势并且其距离车道线距离小于或等于第一距离S3,则向所述驾驶员发出警告;
其中,A1表示偏航角左边界,A2表示偏航角右边界,A3表示俯仰角上边界,A4表示俯仰角下边界。
7.如权利要求1所述的方法,其特征在于,所述ADAS单元还连接MCU和FPGA,所述MCU的输出端连接所述FPGA,所述FPGA的输出端与车载显示屏连接,在向所述驾驶员发送预警信息之前,所述方法还包括:
根据所述第一视频数据流确定所述车辆当前的ADAS信息和当前路况图像信息,并将所述ADAS信息传输给所述MCU,将所述当前路况图像信息传输给所述FPGA,该ADAS信息至少包括自身车速、前车距离、前人记录、左右车道距离、危险车辆识别信息、限速信息;
基于所述MCU对所述ADAS信息进行解析获取当前的OSD数据,并将所述OSD数据传输给FPGA;
基于FPGA将所述OSD数据叠加至所述路况图像信息上,并传输给所述车载显示屏进行显示。
8.如权利要求7所述的方法,其特征在于,向所述驾驶员发送预警信息,具体包括:
在所述车载显示屏上以预设警示颜色显示所述预警信息,和或,发出与所述预警信息对应的语音提示。
9.一种车辆主动安全控制设备,应用于包括ADAS单元和DSM单元的***中,其特征在于,所述ADAS单元用于拍摄汽车周围的环境并获取第一视频数据流,所述DSM单元用于拍摄驾驶员以获取第二视频数据流,所述设备包括:
接收模块,用于接收车辆行驶时所述ADAS单元发送的所述第一视频数据流和所述DSM单元发送的所述第二视频数据流;
第一确定模块,用于根据所述第一视频数据流确定车辆的前视数据,所述前视数据包括前方碰撞预警时间TTC、安全距离预警时间HMW和虚拟保险杠VB;
第二确定模块,用于根据所述第二视频数据流确定所述驾驶员的驾驶状态数据,所述驾驶状态数据包括疲劳度和分神时长;
预警模块,若所述前视数据和或所述驾驶状态数据存在异常,用于向所述驾驶员发送预警信息;
其中,所述前视数据在所述TTC不大于第一预设时长、和或所述HMW不大于第二预设时长、和或所述VB不大于预设虚拟保险杠阈值时存在异常;所述驾驶状态数据在所述疲劳度大于预设疲劳度阈值,和或所述分神时间大于预设分神时长时存在异常。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如权利要求1-8任一项所述的车辆主动安全控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010917415.0A CN112258813A (zh) | 2020-09-03 | 2020-09-03 | 一种车辆主动安全控制方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010917415.0A CN112258813A (zh) | 2020-09-03 | 2020-09-03 | 一种车辆主动安全控制方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112258813A true CN112258813A (zh) | 2021-01-22 |
Family
ID=74224220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010917415.0A Pending CN112258813A (zh) | 2020-09-03 | 2020-09-03 | 一种车辆主动安全控制方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112258813A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168374A (zh) * | 2023-04-21 | 2023-05-26 | 南京淼瀛科技有限公司 | 一种主动安全辅助驾驶方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105253062A (zh) * | 2015-08-17 | 2016-01-20 | 深圳市美好幸福生活安全***有限公司 | 基于汽车高级驾驶辅助***的图像显示***及其实现方法 |
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*** |
CN107492232A (zh) * | 2017-04-27 | 2017-12-19 | 安徽华脉科技发展有限公司 | 一种基于信息融合的疲劳驾驶检测*** |
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 |
CN109591824A (zh) * | 2018-11-22 | 2019-04-09 | 上海为森车载传感技术有限公司 | 一种安全辅助驾驶方法 |
US10275668B1 (en) * | 2015-09-21 | 2019-04-30 | Hrl Laboratories, Llc | System for collision detection and obstacle avoidance |
CN110119676A (zh) * | 2019-03-28 | 2019-08-13 | 广东工业大学 | 一种基于神经网络的驾驶员疲劳检测方法 |
US20190362163A1 (en) * | 2018-05-28 | 2019-11-28 | Aptiv Technologies Limited | Method for validation of obstacle candidate |
-
2020
- 2020-09-03 CN CN202010917415.0A patent/CN112258813A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105253062A (zh) * | 2015-08-17 | 2016-01-20 | 深圳市美好幸福生活安全***有限公司 | 基于汽车高级驾驶辅助***的图像显示***及其实现方法 |
US10275668B1 (en) * | 2015-09-21 | 2019-04-30 | Hrl Laboratories, Llc | System for collision detection and obstacle avoidance |
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*** |
CN107492232A (zh) * | 2017-04-27 | 2017-12-19 | 安徽华脉科技发展有限公司 | 一种基于信息融合的疲劳驾驶检测*** |
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 |
US20190362163A1 (en) * | 2018-05-28 | 2019-11-28 | Aptiv Technologies Limited | Method for validation of obstacle candidate |
CN109591824A (zh) * | 2018-11-22 | 2019-04-09 | 上海为森车载传感技术有限公司 | 一种安全辅助驾驶方法 |
CN110119676A (zh) * | 2019-03-28 | 2019-08-13 | 广东工业大学 | 一种基于神经网络的驾驶员疲劳检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168374A (zh) * | 2023-04-21 | 2023-05-26 | 南京淼瀛科技有限公司 | 一种主动安全辅助驾驶方法及*** |
CN116168374B (zh) * | 2023-04-21 | 2023-12-12 | 南京淼瀛科技有限公司 | 一种主动安全辅助驾驶方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105769120B (zh) | 疲劳驾驶检测方法和装置 | |
US11745755B2 (en) | Vehicular driving assist system with driver monitoring | |
US9460601B2 (en) | Driver distraction and drowsiness warning and sleepiness reduction for accident avoidance | |
JP5171629B2 (ja) | 走行情報提供装置 | |
CN112289003B (zh) | 疲劳驾驶不端驾驶行为监测方法及主动安全驾驶监控*** | |
CN105654753A (zh) | 一种智能车载安全驾驶辅助方法及*** | |
CN105654674A (zh) | 监测车辆的驾驶员专注度 | |
CN204821175U (zh) | 一种可识别路况的抬头显示器 | |
CN110866479A (zh) | 一种检测摩托车驾驶员未戴头盔的方法、装置及*** | |
CN110194107A (zh) | 一种集成显示与预警功能的车载智能后视*** | |
CN114872713A (zh) | 一种驾驶员异常驾驶状态监测装置和方法 | |
CN108482367A (zh) | 一种基于智能后视镜辅助驾驶的方法、装置及*** | |
CN208789581U (zh) | 多功能驾驶辅助装置 | |
CN110303985A (zh) | 一种车辆盲区近红外监测***及方法 | |
CN114954307A (zh) | 一种基于人工智能的辅助驾驶*** | |
EP4149809B1 (en) | Motor-vehicle driving assistance in low meteorological visibility conditions, in particular with fog | |
CN112258813A (zh) | 一种车辆主动安全控制方法和设备 | |
CN109987025B (zh) | 用于夜晚环境的车辆驾驶辅助***及方法 | |
CN113581194A (zh) | 基于车载视觉检测的自动预警交互***及方法 | |
KR102494530B1 (ko) | 차량에 설치되어 졸음운전 및 부주의 운전 인식 서비스를 제공할 수 있는 카메라 장치 및 그 서비스 제공방법 | |
CN106541948B (zh) | 一种行车安全辅助方法、***及ar设备 | |
CN103956027A (zh) | 一种驾驶员人眼疲劳检测装置及检测方法 | |
CN114049794B (zh) | 一种基于智能手机的车载安全辅助驾驶*** | |
CN107640111B (zh) | 基于百核微处理器控制的汽车视觉图像处理***及方法 | |
CN113401057A (zh) | 一种场景随动的全息投影***及其汽车 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210122 |
|
WD01 | Invention patent application deemed withdrawn after publication |