CN112668548A - 一种驾驶员发呆检测方法及*** - Google Patents
一种驾驶员发呆检测方法及*** Download PDFInfo
- Publication number
- CN112668548A CN112668548A CN202110053215.XA CN202110053215A CN112668548A CN 112668548 A CN112668548 A CN 112668548A CN 202110053215 A CN202110053215 A CN 202110053215A CN 112668548 A CN112668548 A CN 112668548A
- Authority
- CN
- China
- Prior art keywords
- driver
- practice
- eye
- state
- fool
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004397 blinking Effects 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 18
- 210000001747 pupil Anatomy 0.000 claims description 15
- 208000003028 Stuttering Diseases 0.000 claims description 7
- 201000007201 aphasia Diseases 0.000 claims 1
- 230000002902 bimodal effect Effects 0.000 abstract description 3
- 230000036626 alertness Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 208000010513 Stupor Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及智能驾驶技术领域，具体公开了一种驾驶员发呆检测方法及***，在每个T2‑T1时间段内通过分析包括驾驶员面部和手臂在内的驾驶员行为图像，从而获取对应的实际睁眼时长所占比例T实际和实际手臂相似度V实际，进一步与个性化预设的该驾驶员的发呆时睁眼时长所占比例阈值T和手臂相似度阈值V来判别驾驶员是否处于发呆状态。本发明基于发呆状态下驾驶员眨眼频率明显低于正常状态，以及下意识地不会采取任何驾驶动作的特性，只对驾驶员手臂和眼睛进行双模态分析，相比现有单模态的检测方法，更适用于驾驶舱等复杂环境下的检测，检测也更为准确。
Description
技术领域
本发明涉及智能驾驶技术领域，尤其涉及一种驾驶员发呆检测方法及***。
背景技术
发呆是大脑处于分神的一种状态，此时大脑专注于其他事或者一片空白，并且该情况也是疲劳状态的一种表现形式(即该情形是睁眼状态下执行的，传统的疲劳检测方法大多针对闭眼情况进行检测)。驾驶员在驾驶过程中可能会出现发呆的情况，此时容易在短时间内引起交通事故。
现有的驾驶员发呆检测方法，多通过人脸、头部图像前后帧对比并与设定的阈值进行相似度判别，比如公开号为CN103879346B的中国发明专利《一种低警觉度驾驶预警方法及装置》。但这些方法并不完全准确，有的驾驶员在驾驶过程中观看前后视镜并不会有存在明显的头部偏移，而导致始终被认为是低警觉(可能是发呆)并进行预警，影响驾驶员驾驶；并且在路况较好的情况下也会存在前后帧相似度很高的情况而被误认为是低警觉(可能是发呆)，而无法对发呆状态进行正确的区分。
发明内容
本发明提供一种驾驶员发呆检测方法及***，解决的技术问题在于：现有的驾驶员发呆检测方法无法对发呆状态进行精准检测。
为解决以上技术问题，本发明提供一种驾驶员发呆检测方法，包括步骤：
S1：实时采集包括驾驶员脸部和手臂在内的驾驶员行为图像；
S2：根据所述驾驶员行为图像获取驾驶员从睁眼状态T1到闭眼状态再回到睁眼状态T2的时间段T2-T1；
S3：根据每个T2-T1时间段内的所述驾驶员行为图像，获取对应的实际手臂相似度V实际和实际睁眼时长所占比例T实际；
S4：根据V实际与预设的手臂相似度阈值V的大小关系，以及T实际与预设的发呆时睁眼时长所占比例阈值T的大小关系，判断每个T2-T1时间段内驾驶员是否处于发呆状态。
进一步地，在所述步骤S4中，当判断到V实际≥V且T实际≥T，则判定驾驶员正处于发呆状态。
进一步地，获取步骤S4中发呆时睁眼时长所占比例阈值T的过程具体包括步骤：
F1：采集每分钟驾驶员的正常眨眼次数，计算出驾驶员的平均每次眨眼时长t正常；
F2：计算驾驶员在发呆状态时多个眨眼时长内的最小睁眼时长t最小；
F3：令T＝t最小/t正常。
进一步地，获取步骤S4中手臂相似度阈值V的过程为：
将在高速路上正常行驶状态下多次眨眼时长内、驾驶员手臂图像的最小相似度作为手臂相似度阈值V。
进一步地，将T2-T1时间段内驾驶员眼睛露出瞳孔比例在20％～80％之间的时间段设为t实际，则T实际＝t实际/t正常。
进一步地，在所述步骤F2中，所述最小睁眼时长t最小指的是驾驶员眼睛露出瞳孔比例在20％以上的时间段。
对应于上述检测方法，本发明还提供一种驾驶员发呆检测***，包括安装于驾驶员前方的摄像头模块，以及连接所述摄像头模块的图像处理模块和连接所述图像处理模块的判别模块；
所述摄像头模块用于实时拍取包括驾驶员脸部和手臂在内的驾驶员行为图像并发送至所述处理模块；
所述图像处理模块用于根据所述驾驶员行为图像获取驾驶员从睁眼状态T1到闭眼状态再回到睁眼状态T2的时间段T2-T1；还用于根据每个T2-T1时间段内的所述驾驶员行为图像，获取对应的实际手臂相似度V实际和实际睁眼时长所占比例T实际；
所述判别模块用于根据V实际与预设的手臂相似度阈值V的大小关系，以及T实际与预设的发呆时睁眼时长所占比例阈值T的大小关系，判断每个T2-T1时间段内驾驶员是否处于发呆状态。
优选的，当所述判别模块判断到V实际≥V且T实际≥T，则判定驾驶员正处于发呆状态。
优选的，所述图像处理模块还用于生成所述发呆时睁眼时长所占比例阈值T以及所述手臂相似度阈值V，具体是：
所述图像处理模块用于采集每分钟驾驶员的正常眨眼次数，计算出驾驶员的平均每次眨眼时长t正常，还用于计算驾驶员在发呆状态时多个眨眼时长内的最小睁眼时长t最小，还用于计算得到T＝t最小/t正常，还用于将在高速路上正常行驶状态下多次眨眼时长内、驾驶员手臂图像的最小相似度作为手臂相似度阈值V。
优选的，将T2-T1时间段内驾驶员眼睛露出瞳孔比例在20％～80％之间的时间段设为t实际，则T实际＝t实际/t正常；所述最小睁眼时长t最小指的是驾驶员眼睛露出瞳孔比例在20％以上的时间段。
本发明提供的一种驾驶员发呆检测方法及***，在每个T2-T1时间段内通过分析包括驾驶员面部和手臂在内的驾驶员行为图像，从而获取对应的实际睁眼时长所占比例T实际和实际手臂相似度V实际，进一步与预设的该驾驶员的发呆时睁眼时长所占比例阈值T和手臂相似度阈值V作对比来判断驾驶员是否处于发呆状态。本发明基于发呆状态下驾驶员眨眼频率明显低于正常状态，以及下意识地不会采取任何驾驶动作的特性，只对驾驶员手臂和眼睛进行双模态分析，相比现有单模态的检测方法，更适用于驾驶舱等复杂环境下的检测，检测也更为准确。
附图说明
图1是本发明实施例1提供的一种驾驶员发呆检测方法的步骤概图；
图2是本发明实施例1提供的一种驾驶员发呆检测方法的具体流程图；
图3是本发明实施例1提供的一次眨眼中眼睛开度随时间的变化曲线图。
具体实施方式
下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
实施例1
为了准确地识别驾驶员发呆状态，本发明实施例提供一种驾驶员发呆检测方法，如图1所示，主要包括步骤S1～S4。
S1：实时采集包括驾驶员脸部和手臂在内的驾驶员行为图像；
S2：根据所述驾驶员行为图像获取驾驶员从睁眼状态T1到闭眼状态再回到睁眼状态T2的时间段T2-T1(即完整的一次眨眼时长)；
S3：根据每个T2-T1时间段内的驾驶员行为图像，获取对应的实际手臂相似度V实际和实际睁眼时长所占比例T实际；
S4：根据V实际与预设的手臂相似度阈值V的大小关系，以及T实际与预设的发呆时睁眼时长所占比例阈值T的大小关系，判断每个T2-T1时间段内驾驶员是否处于发呆状态。
需要进一步说明的是，在步骤S4中，本实施例基于发呆状态下驾驶员眨眼频率明显低于正常状态，以及下意识地不会采取任何驾驶动作的特性，而设定为：
当判断到V实际≥V且T实际≥T，则判定驾驶员正处于发呆状态。
本实施例基于驾驶员眼睛和手臂进行双模态检测，并针对不同的驾驶员，个性化地生成不同的阈值，可对驾驶员的发呆状态进行准确判定。
还需要说明的是，本实施例获取步骤S4中发呆时睁眼时长所占比例阈值T的过程具体包括步骤：
F1：采集每分钟驾驶员的正常眨眼次数，计算出驾驶员的平均每次眨眼时长t正常(据统计正常人一般为每分钟10～20次)；
F2：计算驾驶员在发呆状态时多个眨眼时长内的最小睁眼时长t最小；
F3：令T＝t最小/t正常。
在步骤F2中，最小睁眼时长t最小指的是驾驶员眼睛露出瞳孔比例在20％以上的时间段，即是当露出瞳孔比例在20％以上时才能算睁眼。而这里的人眼检测过程(计算瞳孔比例)如图2所示，首先通过Adaboost算法检测人脸及人眼位置，提取HOG特征(Histogram ofOriented Gradient，方向梯度直方图)判别人脸方向，其次通过Hough算法实现人眼图像校正，再基于回归的局部二值化特征法(LBF算法)获取眼角及上下眼特征点(上下眼特征点根据水平高度取最高和最低)获取上下眼睑长度，最后通过计算眼睛打开的面积占标定的正常状态下眼睛全打开时面积的比例而计算眼睛的开度，最后通过图3所示眼睛开度和瞳孔比例的关系计算出对应的瞳孔比例，进一步计算露出瞳孔比例在20％以上的时间段。
而获取步骤S4中手臂相似度阈值V的过程为：
将在高速路上正常行驶状态下多次眨眼时长内、驾驶员手臂图像的最小相似度作为手臂相似度阈值V。在标定时，选取一段平缓稳定的高速路作为监视路段，计算每个眨眼时长的手臂相似度，将过大或过小的手臂相似度舍弃，最后取最小的手臂相似度作为手臂相似度阈值V。如果每个眨眼时长内存在3张以上手臂图像，则取第一张手臂图像和最后一张手臂图像，计算其手臂相似度；存在两张手臂图像，则计算这两张手臂图像的相似度；如果仅有一张，则计算该张手臂图像与上张手臂图像的相似度。在标定时，保证一个眨眼时长内至少可以拍摄到一张手臂图像。
具体的，在步骤S3中，如图3所示，将T2-T1时间段内驾驶员眼睛露出瞳孔比例在20％～80％之间的时间段设为t实际＝t2-t1-(t4-t3)，则T实际＝t实际/t正常。
实际手臂相似度V实际的具体计算为：因采样频率的设置以及每次T2-T1时间段的长短不一致，使得在时间段T2-T1内可能仅采集到一张手臂图像，则将该手臂图像与上一手臂图像之间的相似度作为该时间段内的实际手臂相似度V实际；若在时间段T2-T1内采集到两张手臂图像，则将这两张手臂图像的相似度作为该时间段内的实际手臂相似度V实际；若在时间段T2-T1内采集到3张以上手臂图像，则将这3张以上手臂图像中的第一张图像与最后一张图像的相似度作为该时间段T2-T1内的实际手臂相似度V实际。在测试阶段的采样频率应大于/等于标定阶段的采样频率，可使得时间段T2-T1内可拍取到至少一张手臂图像。
综上，本发明实施例提供的一种驾驶员发呆检测方法及***，在每个T2-T1时间段内通过分析包括驾驶员面部和手臂在内的驾驶员行为图像，从而获取对应的实际睁眼时长所占比例T实际和实际手臂相似度V实际，进一步与预设的该驾驶员的发呆时睁眼时长所占比例阈值T和手臂相似度阈值V作对比来判断驾驶员是否处于发呆状态。本实施例基于发呆状态下驾驶员眨眼频率明显低于正常状态，以及下意识地不会采取任何驾驶动作的特性，只对驾驶员手臂和眼睛进行双模态分析，相比现有单模态的检测方法，更适用于驾驶舱等复杂环境下的检测，检测也更为准确。
实施例2
本实施例还提供一种驾驶员发呆检测***，对应于实施例1检测方法，包括安装于驾驶员前方的摄像头模块，以及连接摄像头模块的图像处理模块和连接图像处理模块的判别模块。
摄像头模块实时拍取包括驾驶员脸部和手臂在内的驾驶员行为图像并发送至图像处理模块。
图像处理模块根据驾驶员行为图像获取驾驶员从睁眼状态T1到闭眼状态再回到睁眼状态T2的时间段T2-T1；还根据每个T2-T1时间段内的驾驶员行为图像，获取对应的实际手臂相似度V实际和实际睁眼时长所占比例T实际。
判别模块根据V实际与预设的手臂相似度阈值V的大小关系，以及T实际与预设的发呆时睁眼时长所占比例阈值T的大小关系，判断每个T2-T1时间段内驾驶员是否处于发呆状态。
关于更多的实施细节，实施例1方法中已经说明，这里不再赘述。
本实施例要求摄像头模块的成像分辨率在1080P以上，以保证较高的图像处理精度。而图像处理模块和判别模块则直接搭载在车机中控***中，无需额外的芯片，还可利用车机中控***的显示屏显示相应信息，进一步还可利用车机中控***的扬声器发出相应预警信息等。在其他实施例中，图像处理模块可以单独配置，与摄像头模块构成一装置，同样的，该装置可以集成显示屏、扬声器等用于提示、预警的模块，从而可在检测到驾驶员正处于发呆状态时及时发出警告。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.一种驾驶员发呆检测方法，其特征在于，包括步骤：
S1：实时采集包括驾驶员脸部和手臂在内的驾驶员行为图像；
S2：根据所述驾驶员行为图像获取驾驶员从睁眼状态T1到闭眼状态再回到睁眼状态T2的时间段T2-T1；
S3：根据每个T2-T1时间段内的所述驾驶员行为图像，获取对应的实际手臂相似度V实际和实际睁眼时长所占比例T实际；
S4：根据V实际与预设的手臂相似度阈值V的大小关系，以及T实际与预设的发呆时睁眼时长所占比例阈值T的大小关系，判断每个T2-T1时间段内驾驶员是否处于发呆状态。
2.如权利要求1所述的一种驾驶员发呆检测方法，其特征在于：在所述步骤S4中，当判断到V实际≥V且T实际≥T，则判定驾驶员正处于发呆状态。
3.如权利要求2所述的一种驾驶员发呆检测方法，其特征在于，获取步骤S4中发呆时睁眼时长所占比例阈值T的过程具体包括步骤：
F1：采集每分钟驾驶员的正常眨眼次数，计算出驾驶员的平均每次眨眼时长t正常；
F2：计算驾驶员在发呆状态时多个眨眼时长内的最小睁眼时长t最小；
F3：令T＝t最小/t正常。
4.如权利要求3所述的一种驾驶员发呆检测方法，其特征在于，获取步骤S4中手臂相似度阈值V的过程为：
将在高速路上正常行驶状态下多次眨眼时长内、驾驶员手臂图像的最小相似度作为手臂相似度阈值V。
5.如权利要求3所述的一种驾驶员发呆检测方法，其特征在于：将T2-T1时间段内驾驶员眼睛露出瞳孔比例在20％～80％之间的时间段设为t实际，则T实际＝t实际/t正常。
6.如权利要求3所述的一种驾驶员发呆检测方法，其特征在于：在所述步骤F2中，所述最小睁眼时长t最小指的是驾驶员眼睛露出瞳孔比例在20％以上的时间段。
7.一种驾驶员发呆检测***，其特征在于：包括安装于驾驶员前方的摄像头模块，以及连接所述摄像头模块的图像处理模块和连接所述图像处理模块的判别模块；
所述摄像头模块用于实时拍取包括驾驶员脸部和手臂在内的驾驶员行为图像并发送至所述图像处理模块；
所述图像处理模块用于根据所述驾驶员行为图像获取驾驶员从睁眼状态T1到闭眼状态再回到睁眼状态T2的时间段T2-T1；还用于根据每个T2-T1时间段内的所述驾驶员行为图像，获取对应的实际手臂相似度V实际和实际睁眼时长所占比例T实际；
所述判别模块用于根据V实际与预设的手臂相似度阈值V的大小关系，以及T实际与预设的发呆时睁眼时长所占比例阈值T的大小关系，判断每个T2-T1时间段内驾驶员是否处于发呆状态。
8.如权利要求7所述的一种驾驶员发呆检测***，其特征在于：当所述判别模块判断到V实际≥V且T实际≥T，则判定驾驶员正处于发呆状态。
9.如权利要求8所述的一种驾驶员发呆检测***，其特征在于：所述图像处理模块还用于生成所述发呆时睁眼时长所占比例阈值T以及所述手臂相似度阈值V，具体是：
所述图像处理模块用于采集每分钟驾驶员的正常眨眼次数，计算出驾驶员的平均每次眨眼时长t正常，还用于计算驾驶员在发呆状态时多个眨眼时长内的最小睁眼时长t最小，还用于计算得到T＝t最小/t正常，还用于将在高速路上正常行驶状态下多次眨眼时长内、驾驶员手臂图像的最小相似度作为手臂相似度阈值V。
10.如权利要求9所述的一种驾驶员发呆检测***，其特征在于：将T2-T1时间段内驾驶员眼睛露出瞳孔比例在20％～80％之间的时间段设为t实际，则T实际＝t实际/t正常；所述最小睁眼时长t最小指的是驾驶员眼睛露出瞳孔比例在20％以上的时间段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110053215.XA CN112668548B (zh) | 2021-01-15 | 2021-01-15 | 一种驾驶员发呆检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110053215.XA CN112668548B (zh) | 2021-01-15 | 2021-01-15 | 一种驾驶员发呆检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112668548A true CN112668548A (zh) | 2021-04-16 |
| CN112668548B CN112668548B (zh) | 2024-07-12 |
Family
ID=75415290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110053215.XA Active CN112668548B (zh) | 2021-01-15 | 2021-01-15 | 一种驾驶员发呆检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112668548B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150545A (zh) * | 2011-09-02 | 2013-06-12 | 沃尔沃汽车公司 | 用于对闭眼归类的方法 |
| CN104715235A (zh) * | 2015-02-10 | 2015-06-17 | 锦州铁道勘察设计院有限公司 | 列车司机状态识别报警方法 |
| CN107092873A (zh) * | 2017-04-08 | 2017-08-25 | 闲客智能（深圳）科技有限公司 | 一种眼动方向识别方法及装置 |
| CN107103294A (zh) * | 2017-04-20 | 2017-08-29 | 上海耐相智能科技有限公司 | 一种基于移动智能手机的驾驶员疲劳检测*** |
| US20190065873A1 (en) * | 2017-08-10 | 2019-02-28 | Beijing Sensetime Technology Development Co., Ltd. | Driving state monitoring methods and apparatuses, driver monitoring systems, and vehicles |
| JP2019091329A (ja) * | 2017-11-16 | 2019-06-13 | マツダ株式会社 | 認知時機推定装置及び認知時機推定方法 |
| CN110291478A (zh) * | 2016-12-22 | 2019-09-27 | 斯坦福国际研究院 | 驾驶员监视和响应*** |
| CN110766912A (zh) * | 2018-07-27 | 2020-02-07 | 长沙智能驾驶研究院有限公司 | 驾驶预警方法、设备及计算机可读存储介质 |
| CN110765980A (zh) * | 2019-11-05 | 2020-02-07 | 中国人民解放军国防科技大学 | 一种异常驾驶的检测方法及装置 |
| CN111079475A (zh) * | 2018-10-19 | 2020-04-28 | 上海商汤智能科技有限公司 | 驾驶状态检测方法和装置、驾驶员监控***、车辆 |
| CN111476122A (zh) * | 2020-03-26 | 2020-07-31 | 杭州鸿泉物联网技术股份有限公司 | 一种驾驶状态监测方法、设备及存储介质 |
| CN111616718A (zh) * | 2020-07-30 | 2020-09-04 | 苏州清研微视电子科技有限公司 | 基于姿态特征的驾驶员疲劳状态检测方法和*** |
| CN111626272A (zh) * | 2020-07-28 | 2020-09-04 | 长沙超创电子科技有限公司 | 一种基于深度学习的驾驶员疲劳监测*** |
| CN112183502A (zh) * | 2020-11-26 | 2021-01-05 | 湖北亿咖通科技有限公司 | 驾驶员的驾驶状态确定方法、计算机存储介质及电子设备 |
-
2021
- 2021-01-15 CN CN202110053215.XA patent/CN112668548B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150545A (zh) * | 2011-09-02 | 2013-06-12 | 沃尔沃汽车公司 | 用于对闭眼归类的方法 |
| CN104715235A (zh) * | 2015-02-10 | 2015-06-17 | 锦州铁道勘察设计院有限公司 | 列车司机状态识别报警方法 |
| CN110291478A (zh) * | 2016-12-22 | 2019-09-27 | 斯坦福国际研究院 | 驾驶员监视和响应*** |
| CN107092873A (zh) * | 2017-04-08 | 2017-08-25 | 闲客智能（深圳）科技有限公司 | 一种眼动方向识别方法及装置 |
| CN107103294A (zh) * | 2017-04-20 | 2017-08-29 | 上海耐相智能科技有限公司 | 一种基于移动智能手机的驾驶员疲劳检测*** |
| US20190065873A1 (en) * | 2017-08-10 | 2019-02-28 | Beijing Sensetime Technology Development Co., Ltd. | Driving state monitoring methods and apparatuses, driver monitoring systems, and vehicles |
| JP2019091329A (ja) * | 2017-11-16 | 2019-06-13 | マツダ株式会社 | 認知時機推定装置及び認知時機推定方法 |
| CN110766912A (zh) * | 2018-07-27 | 2020-02-07 | 长沙智能驾驶研究院有限公司 | 驾驶预警方法、设备及计算机可读存储介质 |
| CN111079475A (zh) * | 2018-10-19 | 2020-04-28 | 上海商汤智能科技有限公司 | 驾驶状态检测方法和装置、驾驶员监控***、车辆 |
| CN110765980A (zh) * | 2019-11-05 | 2020-02-07 | 中国人民解放军国防科技大学 | 一种异常驾驶的检测方法及装置 |
| CN111476122A (zh) * | 2020-03-26 | 2020-07-31 | 杭州鸿泉物联网技术股份有限公司 | 一种驾驶状态监测方法、设备及存储介质 |
| CN111626272A (zh) * | 2020-07-28 | 2020-09-04 | 长沙超创电子科技有限公司 | 一种基于深度学习的驾驶员疲劳监测*** |
| CN111616718A (zh) * | 2020-07-30 | 2020-09-04 | 苏州清研微视电子科技有限公司 | 基于姿态特征的驾驶员疲劳状态检测方法和*** |
| CN112183502A (zh) * | 2020-11-26 | 2021-01-05 | 湖北亿咖通科技有限公司 | 驾驶员的驾驶状态确定方法、计算机存储介质及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 郭文慧: "一种基于移动网络的疲劳驾驶预警器的设计", 《齐齐哈尔大学学报(自然科学版)》, vol. 35, no. 2, 5 March 2019 (2019-03-05), pages 41 - 45 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112668548B (zh) | 2024-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4162503B2 (ja) | 眼の状態判定装置、眼の状態判定方法及びコンピュータプログラム | |
| US7620216B2 (en) | Method of tracking a human eye in a video image | |
| CN101593425B (zh) | 一种基于机器视觉的疲劳驾驶监控方法及*** | |
| CN105286802B (zh) | 基于视频信息的驾驶员疲劳检测方法 | |
| CN107209979B (zh) | 用于对车辆的驾驶员的微睡进行识别的方法和装置 | |
| US7650034B2 (en) | Method of locating a human eye in a video image | |
| JP4915413B2 (ja) | 検出装置および方法、並びに、プログラム | |
| US20090115965A1 (en) | System for analyzing eye responses to automatically track size, location, and movement of the pupil | |
| CN111616718B (zh) | 基于姿态特征的驾驶员疲劳状态检测方法和*** | |
| WO2017067399A1 (zh) | 一种基于图像识别的预警方法及装置 | |
| CN110859609B (zh) | 基于语音分析的多特征融合疲劳驾驶检测方法 | |
| CN107595307A (zh) | 基于机器视觉人眼识别的疲劳驾驶检测装置及检测方法 | |
| JPH07181012A (ja) | 画像データの特徴量検出装置 | |
| Batchu et al. | Driver drowsiness detection to reduce the major road accidents in automotive vehicles | |
| JP2021037216A (ja) | 閉眼判定装置 | |
| CN112668548A (zh) | 一种驾驶员发呆检测方法及*** | |
| JP3036319B2 (ja) | 運転者状態監視装置 | |
| CN111860437A (zh) | 一种基于面部表情判断疲劳程度的方法及装置 | |
| US20220284718A1 (en) | Driving analysis device and driving analysis method | |
| JP3746916B2 (ja) | 瞬目状態検出方法 | |
| CN111696312B (zh) | 乘员观察装置 | |
| JP7212251B2 (ja) | 眼の開閉検出装置、乗員監視装置 | |
| EP4307253A1 (en) | Method for determining drowsiness of a driver in a vehicle | |
| EP3989045A1 (en) | System and method for determining an eye movement | |
| US20240153285A1 (en) | Prediction of human subject state via hybrid approach including ai classification and blepharometric analysis, including driver monitoring systems |
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 |