驾驶状态检测方法、装置、设备及计算机可读存储介质与流程
本发明涉及数据处理技术领域，尤其涉及一种驾驶状态检测方法、装置、设备及计算机可读存储介质。
背景技术：
随着经济发展，机动车已经成为最主要的出行方式之一，与此同时，各类交通事故不可避免的快速增长。在众多因素中，驾驶员的分心驾驶是交通事故不断增长的重要原因。为了提高驾车的安全性，可以通过技术手段进行实时驾驶员状态检测，以及时发现驾驶员驾驶分析的情况，并提前预警。
现有的驾驶状态检测方法，一般是基于视觉信息或汽车行驶状态的方式进行检测。其中，基于视觉信息的方法是通过摄像头获取图像并对图像进行识别和分析驾驶状态，这种方法容易因环境影响(如人脸遮挡、光照条件等)导致检测准确性下降，使用容易受限；基于汽车行驶状态的检测方法是根据车辆本身的速度、位移等数据来分析驾驶员状态，这种方法对车辆型号、道路状态和驾驶习惯的依赖性较大，使用过程的准确性也容易受到影响。
技术实现要素：
本发明的主要目的在于提供一种驾驶状态检测方法、装置、设备及计算机可读存储介质，旨在解决现有的驾驶状态检测适用性低、容易因使用条件降低检测准确性的技术问题。
为实现上述目的，本发明实施例提供一种驾驶状态检测方法，包括：
采集用户的头部姿态数据和手部运动数据；
对所述头部姿态数据进行特征提取，得到头部特征数据，并对所述手部运动数据进行特征提取，得到手部特征数据；
对所述头部特征数据和所述手部特征数据进行分析，确定所述用户的驾驶状态。
此外，为实现上述目的，本发明实施例还提供一种驾驶状态检测装置，所述驾驶状态检测装置包括：
数据采集模块，用于采集用户的头部姿态数据和手部运动数据；
特征提取模块，用于对所述头部姿态数据进行特征提取，得到头部特征数据，并对所述手部运动数据进行特征提取，得到手部特征数据；
数据分析模块，用于对所述头部特征数据和所述手部特征数据进行分析，确定所述用户的驾驶状态。
此外，为实现上述目的，本发明实施例还提供一种驾驶状态检测设备，所述驾驶状态检测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上述的基于驾驶状态检测方法的步骤。
此外，为实现上述目的，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上述的驾驶状态检测方法的步骤。
本发明实施例在用户驾驶过程中采集用户的头部姿态数据和手部运动数据，并基于头部姿态数据和手部运动数据对用户的驾驶状态进行分析，确定用户的驾驶状态，由于是基于头部姿态数据和手部运动数据进行分析检测，因此在数据采集过程不容易受到实际使用条件的影响，进而提高了检测的适用性，保证了检测结果的准确性，而且与现有的图像分析等方式相比还不会侵犯用户的隐私；同时，由于是基于多种数据进行分析检测，综合考虑了多种状态因素，有利于提高检测结果的准确性。
附图说明
图1为本发明实施例方案中涉及的驾驶状态检测设备的硬件结构示意图；
图2为本发明驾驶状态检测方法第一实施例的流程示意图；
图3为本发明驾驶状态检测方法第一实施例涉及的头部穿戴设备示意图；
图4为本发明驾驶状态检测方法第一实施例涉及的手部穿戴设备示意图；
图5为本发明驾驶状态检测方法第五实施例涉及的坐标系示意图；
图6为本发明驾驶状态检测装置第一实施例的的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例涉及的驾驶状态检测方法主要应用于驾驶状态检测设备，该考核设备可以是个人计算机(personalcomputer，pc)、笔记本电脑、车载终端、手机等具有数据处理功能的设备。
参照图1，图1为本发明实施例方案中涉及的驾驶状态检测设备的硬件结构示意图。本发明实施例中，该驾驶状态检测设备可以包括处理器1001(例如中央处理器centralprocessingunit，cpu)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真wireless-fidelity，wi-fi接口)；存储器1005可以是高速随机存取存储器(randomaccessmemory，ram)，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
继续参照图1，图1中作为一种计算机可读存储介质的存储器1005可以包括操作系统、网络通信模块以及计算机程序。在图1中，网络通信模块可用于连接云服务器，与云服务器进行数据交互；而处理器1001可以调用存储器1005中存储的计算机程序，并执行本发明实施例提供的驾驶状态检测方法。
基于上述的硬件架构，提出本发明驾驶状态检测方法的各实施例。
本发明实施例提供了一种驾驶状态检测方法。
参照图2，图2为本发明驾驶状态检测方法第一实施例的流程示意图。
本实施例中，所述驾驶状态检测方法包括以下步骤：
步骤s10，采集用户的头部姿态数据和手部运动数据；
为解决现有的驾驶状态检测适用性低、容易因使用条件降低检测准确性的技术问题，本实施例提出一种驾驶状态检测方法，在用户驾驶过程中采集用户的头部姿态数据和手部运动数据，并基于头部姿态数据和手部运动数据对用户的驾驶状态进行分析，确定用户的驾驶状态，由于是基于头部姿态数据和手部运动数据进行分析检测，因此在数据采集过程不容易受到实际使用条件的影响，进而提高了检测的适用性，保证了检测结果的准确性，而且与现有的图像分析等方式相比还不会侵犯用户的隐私；同时，由于是基于多种数据进行分析检测，综合考虑了多种状态因素，有利于提高检测结果的准确性。
本实施例中的驾驶状态检测方法是由驾驶状态检测设备实现的，该驾驶状态检测设备可以是手机、车载终端、个人电脑等设备，本实施例中的驾驶状态检测设备以手机为例进行说明。用户在驾驶时，手机首先需要采集用户的头部姿态数据和手部运动数据，而对于用户的头部姿态数据和手部运动数据的采集过程，可以是借助其它的可穿戴设备实现，例如头部姿态数据可以是通过智能头环、智能眼镜、智能耳机等可穿戴设备采集得到，手部运动数据可以是通过智能手环、智能手表等可穿戴设备采集得到；手机则可以这些可穿戴设备连接(可以是有线的方式，也可以是无线的方式，如wi-fi连接)，当可穿戴设备采集到头部姿态数据和手部运动数据时，则可将这些数据发送给手机，手机即获取到用户的头部姿态数据和手部运动数据。其中，头部姿态数据可以包括表征头部朝某个方向运动的头部加速度数据、表征头部角度变化(头部转动)的头部角速度数据、表征头部当前姿态的头部四元数数据；值得说明的是，在头部姿态包括运动姿态和静止姿态，当用户头部处于静止姿态时，通过头部四元数数据可以准确地确定头部当前姿态。手部运动数据与头部姿态数据类似，可以包括表征手部朝某个方向运动的手部加速度数据、表征手部角度变化(手部转动)的手部角速度数据、表征手部当前姿态的手部四元数数据。当然，在实际中，头部姿态数据和手部运动数据可以包括更多地数据类型。
可选的，参照图3，图3为本实施例用于采集头部姿态数据的头部穿戴设备示意图。该头部穿戴设备可包括电源单元、数据处理单元、传感器单元、wi-fi传输单元和设备开关。数据处理单元与电源单元、传感器单元和wi-fi传输单元相连，从传感器单元获取传感器数据进行分析处理，在发现待分析用户注意力分散时通过行为校正单元进行驾驶行为校正；电源单元为整个头部穿戴设备提供电源；传感器单元包括加速度计、陀螺仪、磁力计等，用于采集用户的头部姿态数据；wi-fi传输单元用于将采集头部姿态数据发送至手机；设备开关用于开启或关闭头部可穿戴设备。其中，头部加速度数据是通过加速度计测得的；头部角速度数据是陀螺仪测得的；而头部四元数数据有多种获得方式，例如可以是基于集成于头部可穿戴设备内的姿态解算算法，通过头部加速度数据和头部角速度数据计算得到相对头部四元数数据，还可以是是基于集成于头部可穿戴设备内的姿态解算算法，通过头部加速度数据、头部角速度数据和磁力计测得的头部磁力计数据，计算得到的绝对四元数数据，可根据实际需要设置头部四元数数据的获取方式，本实施例不做具体限制。类似的，参照图4，图4为本实施例用于采集手部运动数据的手部穿戴设备示意图，该手部穿戴设备可包括电源单元、数据处理单元、传感器单元、wi-fi传输单元和设备开关。手部穿戴设备中各部分的作用与上述头部穿戴设备对应部分类似，此处不再赘述。通过头部穿戴设备和手部穿戴设备，手机采集到用户的头部姿态数据和手部运动数据，并进行后续操作。
进一步的，本实施例中可以是以一定的频率进行采集用户的头部姿态数据和手部运动数据；例如，可以设置采集频率为80hz，也即每分钟采集80个头部姿态数据和80个手部运动数据。
步骤s20，对所述头部姿态数据进行特征提取得到头部特征数据，并对所述手部运动数据进行特征提取得到手部特征数据；
本实施例中，手机在得到头部姿态数据和手部运动数据时，即可分别对头部姿态数据和手部运动数据进行特征提取，得到对应的特征数据；为说明方便，头部姿态数据所对应的特征数据可称为头部特征数据，手部运动数据所对应的特征数据可称为手部特征数据。而在进行特征提取时，可以预先设置相关的提取规则，该规则包括特征数据的类型以及提取方式，例如可以是选取头部姿态数据和手部运动数据中若干个具有代表性的、能够反应数据分布、反应某种幅值等的数据值作为特征数据，又或者是将头部姿态数据进行相关换算后得到值作为特征数据。
步骤s30，对所述头部特征数据和所述手部特征数据进行分析，确定所述用户的驾驶状态。
本实施例中，在得到头部特征数据和手部特征数据时，手机即可根据这两类特征数据进行分析，从而根据分析结果确定用户的驾驶状态；其中，用户的驾驶状态包括注意力集中和注意力分散，通过对头部特征数据和手部特征数据进行分析，可推定用户当前是否有在集中注意力驾驶。而对头部特征数据和手部特征数据的分析过程，可以是预先设置相关的模型或算法，然后将这些头部特征数据和手部特征数据输入至该模型或算法中，并根据模型或算法的输出结果确定用户的驾驶状态。值得说明的是，在进行分析时，可以是将分别对头部特征数据和手部特征数据进行分析，然后得到两类特征数据的分析结果，再将两类特征数据的分析结果进行结合，从而确定用户的驾驶状态；也可以是先对头部特征数据和手部特征数据进行融合，如对两类特征数据进行换算，得到综合特征数据，再对综合特征数据进行分析，并根据分析结果确定用户的驾驶状态。
进一步的，所述步骤s30之后，还包括：
若所述用户的驾驶状态为注意力分散，则基于预设提示规则进行提示。
本实施例中，若检测到用户当前的驾驶状态为注意力集中，则可进行执行步骤s10，即继续对用户的驾驶状态进行检查；而若检测到用户当前的驾驶状态为注意力分散，则可基于预设提示规则进行提示；例如，手机可以发出铃声和/振动以对用户进行提示；还可以是向穿戴设备发送提示信息，以使得穿戴设备进行响铃和/或振动。此外，还可以根据用户的注意力分散时长采用不同的提示方式；例如，当检测到用户驾驶状态为注意力分散时，手机可以振动的方式进行提示，当注意力分散的状态持续时间超过3秒时，可认为当前振动提示未能引起用户注意，此时手机将以响铃的方式对用户进行提示；又或者，还可以根据用户的注意力分散时长采用不同的提示音量，用户注意力分散的状态持续时间越长，响铃的提示音量越大。
本实施例中采集用户的头部姿态数据和手部运动数据；对所述头部姿态数据进行特征提取，得到头部特征数据，并对所述手部运动数据进行特征提取，得到手部特征数据；对所述头部特征数据和所述手部特征数据进行分析，确定所述用户的驾驶状态。通过以上方式，在用户驾驶过程中采集用户的头部姿态数据和手部运动数据，并基于头部姿态数据和手部运动数据对用户的驾驶状态进行分析，确定用户的驾驶状态，由于是基于头部姿态数据和手部运动数据进行分析检测，因此在数据采集过程不容易受到实际使用条件的影响，进而提高了检测的适用性，保证了检测结果的准确性，而且与现有的图像分析等方式相比还不会侵犯用户的隐私；同时，由于是基于多种数据进行分析检测，综合考虑了多种状态因素，有利于提高检测结果的准确性。
基于上述图2所示实施例，提出本发明驾驶状态检测方法第二实施例。
本实施例中，所述步骤s30包括：
步骤s31，基于第一分析模型对所述头部特征数据进行分析，得到对应的第一状态分析结果，并基于第二分析模型对所述手部特征数据进行分析，得到对应的第二状态分析结果；
本实施例中，在得到头部特征数据和手部特征数据时，手机即可根据这两类特征数据进行分析，从而根据分析结果确定用户的驾驶状态；在进行分析时，是将分别对头部特征数据和手部特征数据进行分析，然后得到两类特征数据的分析结果，再将两类特征数据的分析结果进行结合，从而确定用户的驾驶状态。
具体的，手机可先从云服务器获取第一分析模型和第二分析模型。其中，第一分析模型用于分析头部特征数据，第二分析模型用于分析手部特征数据；该第一分析模型和第二分析模型是由云服务器预先训练得到，云服务器收集了样本用户的样本数据，这些样本数据包括驾驶状态为注意力分散的头部样本数据和手部样本数据，对应驾驶状态为注意力分散的头部样本数据和手部样本数据的手机，可以是预设多个注意力分散时的场景，例如，在驾驶时，打字回复微信消息，打电话，吃喝，与别人交谈，整理妆容，调整车内音响、空调，看窗外分神等，然后采集样本用户在这些情况下的头部样本数据和手部样本数据，此外还包括驾驶状态为注意力集中的头部样本数据和手部样本数据。得到头部样本数据和手部样本数据后，对两类样本数据进行降噪(去噪)，时间戳对齐，以及滑动窗口处理；其中，降噪(去噪)是将两类样本数据中的噪声数据去除，时间戳对齐主要是使两类样本数据的起始时间一致(即获得对应相同时间段的头部样本数据和手部样本数据)，滑动窗口处理指通过滑动窗口截取一段或多段数据用以进行模型训练(滑动窗口的大小和移动步长可以是固定的，也可以是动态变化的)；在进行上述处理后，分别对这两类样本数据进行对应的标注，即表征该样本数据是对应注意力集中或注意力分散，当然对于不同类的样本数据，标注的类标号可以不同，例如，注意力集中的头部样本数据的类标号是1，注意力分散的头部样本数据的类标号是-1，注意力集中的手部样本数据的类标号是2，注意力分散的手部样本数据的类标号是-2；然后可分别对两类样本数据进行特征提取(该特征提取的过程与上述步骤s20的提取过程类似，此处不再赘述)，得到对应的头部样本特征和手部样本特征两种初始训练数据集，并使用两种初始训练数据集分别进行模型训练。在目前的机器学习方法中，分类算法包含很多，如决策树，支持向量机(svm)，朴素贝叶斯，随机森林等。本实施例所用的第一分析模型和第二分析模型，可以是采用两分类的支持向量机模型(svm)，应该理解，在具体应用中可根据实际需求采用其它的算法模型；支持向量机(svm)是一类按监督学习方式对数据进行二元分类的广义线性分类器，其训练的主要任务为找到一个超平面，这个超平面可以把不同的样本划分开，同时使得样本集中的点到这个分类超平面的分类间隔的距离最大化，从而实现数据的分类。在训练时，以第一分析模型为例，可以将头部样本数据的训练数据集随机分成10等份，以十折交叉验证的方式来训练模型，不断调整模型参数，得到基于标注的样本的平均分类精度(精准率)最高时的模型，并将其作为最终的分类模型svm_one，也即得到第一分析模型。第二分析模型的训练过程类似，此处不再赘述。
云服务器在训练得到第一分析模型和第二分析模型，手机即可从云服务器获取该第一分析模型和第二分析模型；然后通过第一分析模型对头部特征数据进行分析，得到对应的第一状态分析结果，通过第二分析模型对手部特征数据进行分析，得到对应的第二状态分析结果。而对于通过第一分析模型和第二分析模型进行分析的过程，也即利用上述训练过程找到的超平面对特征数据进行分类的过程，根据特征数据与超平面之间的位置关系即可确定特征数据的对应的状态分析结果。
步骤s32，对所述第一状态分析结果和所述第二状态分析结果进行融合处理，并根据融合结果确定所述用户的驾驶状态。
本实施例中，手机在得到第一状态分析结果和第二状态分析结果时，将会对两者进行决策层融合处理，并根据融合结果判断用户的驾驶状态是注意力集中还是注意力分散。其中，第一状态分析结果和第二状态分析结果可以是注意力分散概率值的形式，通过该概率值可获知模型推定的用户注意力分散的可能性，注意力分散概率值越大，用户注意力分散的可能性越大，而融合处理可以是将两个分析结果加权，并将加权结果(融合结果)与一预设分散阈值进行比对，若该加权结果大于该预设分散阈值，则可认为用户的驾驶状态为注意力分散，若该加权结果小于或等于该预设分散阈值，则可认为用户的驾驶状态为注意力集中。例如，第一状态结果和第二状态分析结果均为注意力分散概率值，概率值范围均为0至1，而对于某用户，其对应的第一状态分析结果为0.7，第二状态分析结果为0.8，可理解为根据该用户的头部姿态数据分析得到的注意力分散概率为0.7，根据该用户的手部运动数据分析得到的注意力分散概率为0.8；然后手机会对这两种状态分析结果进行加权融合，加权的系数均为0.5，得到结果0.7*0.5+0.8*0.5＝0.75；然后将该结果与预设分散阈值0.5进行比较；由于该结果大于预设分散阈值，因此可确定用户的驾驶状态为注意力分散。当然，在实际中，第一状态分析结果和第二状态分析结果可以是注意力集中概率值的形式，注意力集中概率值越大，用户注意力分散的可能性越小，又或者是采用其它的形式；而对于融合处理，除了上述的加权，还可以是对两个状态分析结果进行平均、中值、取最大值或最小值等方式。
通过以上方式，本实施例在对头部姿态数据和手部运动数据进行分析时，是通过不同的分析模型分别进行，有利于保持不同类数据的分析过程的相对独立性；而在得到不同类数据的分析结果时，将其进行融合处理，以得到最终的判定结果，从而对多种数据融合分析，有利于提高对驾驶状态检测的准确性。
进一步，手机确定用户的驾驶状态后，还可以将采集到的头部姿态数据和手部运动数据、以及确定的驾驶状态上传至云服务器中，以供云服务器通过头部姿态数据、手部运动数据和确定的驾驶状态对第一状态分析模型和第二状态分析模型进行更新。换而言之，云服务器可以收集多个驾驶状态检测设备的实际使用数据(包括了头部姿态数据和手部运动数据、以及确定的驾驶状态)，然后使用这些实际使用数据进行更新。具体更新的过程可以使用新的数据和老的样本数据重新一起训练两个全新模型，或者采用新的数据在老的模型上进行增量训练；而在云服务器对模型进行更新后，驾驶状态检测设备还可以重新从云服务器中下载更新后模型，然后基于该更新后模型进行驾驶状态检测。通过上述将实际使用数据上传至云服务器以更新模型，实现了模型的不断迭代优化，有利于获得更符合用户实际使用情况模型，进而有利于提高用户状态检测的准确性。
基于上述图2所示实施例，提出本发明驾驶状态检测方法第三实施例。
本实施例中，所述步骤s10之后还包括：
步骤s40，分别对所述头部姿态数据和所述手部运动数据进行去噪处理；
本实施例中，手机在得到头部姿态数据和手部运动数据时，为了提高后续分析过程的效率和分析结果的准确性，还可以先对头部姿态数据和手部运动数据进行相应的预处理，得到较为规整的数据。具体的，由于在采集数据时由于传感器的高灵敏性，采集得到的头部姿态数据和手部运动数据可能会具有许多噪声数据，因此可先对头部姿态数据和手部运动数据进行去噪处理；本实施例在去噪时可采用的中值滤波器进行，中值滤波器是一种线性滤波器，是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，它的基本原理是把数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点，本实施例通过预设中值滤波器分别头部姿态数据和手部运动数据去噪后，可得到去噪后头部姿态数据和手部运动数据；当然，在实际中，还可以采用其它的去噪方式。
步骤s50，对去噪后的头部姿态数据进行窗口化分割，得到头部窗口数据，并对去噪后的手部运动数据进行窗口化分割，得到手部窗口数据；
手机所获得的头部姿态数据和手部运动数据的数据量可能比较大，为了避免随着数据的增加带来的计算量的增大和运算速率的降低，在进行去噪处理后，还可以分别对去噪后的头部姿态数据和去噪后的手部运动数据进行窗口化分割(即取某一部分数据)，以提高后续特征提取的效率。本实施例中不对滑动窗口的大小和移动步长做具体限制，滑动窗口的大小和移动步长可以是固定的，也可以是动态变化的，管理人员可以根据需要设置。例如，以头部姿态数据为例，若数据采集频率为f＝80hz，即每秒钟采集80个头部姿态数据，管理人员可以设置特征提取的滑动窗口大小固定为l＝2f，移动步长固定为f，即窗口每次向前移动80个数据，当前窗口中有2秒钟采集的160个头部姿态数据。在去噪后，可分别得到头部窗口数据和手部窗口数据。
所述步骤s20包括：
步骤s21，对所述头部窗口数据进行特征提取，得到头部特征数据，并对所述手部窗口数据进行特征提取得到，手部特征数据。
本实施例中，在得到头部窗口数据和手部窗口数据后，可对头部窗口数据进行特征提取，得到头部特征数据；对手部窗口数据进行特征提取得到，手部特征数据。具体特征提取过程如此处不再赘述。
通过上述方式，在进行对头部窗口数据和手部窗口数据进行特征提取前，先对其进行去噪和窗口化分割的预处理，得到较为规整的数据，有利于提高后续特征提取和状态检测的效率，还有利于提高检测结果的准确性。
基于上述图2所示实施例，提出本发明驾驶状态检测方法第四实施例。
本实施例中，本实施例中，所述步骤s10之后还包括：
步骤s60，对所述头部姿态数据和所述手部运动数据进行时间戳对齐；
对于采集到的头部姿态数据和手部运动数据后，由于这些数据是来自于用户不同的身体部分，在采集时可能会存在采集的时间差，导致数据时间可能会有所差异，例如采集到的头部姿态数据对应的时间是8时1分1秒至8时1分3秒，而采集到的手部运动数据对应的时间是8时1分2秒至8时1分4秒，若直接用这些对应不同时间的数据进行检测，则可能会降低检测结果的准确性。对此，本实施例中在采集到头部姿态数据和手部运动数据后，先对两者进行时间戳对齐，该时间戳对齐可认为是将使两者起始时间一致，以获得对应同一时间段的头部姿态数据和手部运动数据。例如，对于上述8时1分1秒至8时1分3秒的头部姿态数据和8时1分2秒至8时1分4秒，在进行对齐后，均对应8时1分2秒至8时1分3秒(即保留有同样时间的时间)。
所述步骤s20包括：
步骤s22，对对齐后的头部姿态数据进行特征提取，得到头部特征数据，并对对齐后的手部运动数据进行特征提取，得到手部特征数据。
本实施例中，在得到对齐后的头部姿态数据和对齐后的手部运动数据后，可对对齐后的头部姿态数据进行特征提取，得到头部特征数据；对对齐后的手部运动数据进行特征提取得到，手部特征数据。具体特征提取过程如此处不再赘述。
本实施例中，在进行对头部窗口数据和手部窗口数据进行特征提取前，先对其进行时间戳对齐，有利于提高后续分析检测结果的准确性。
基于上述图2所示实施例，提出本发明驾驶状态检测方法第五实施例。
本实施例中，所述头部姿态数据包括头部加速度数据、头部角速度数据和头部四元数数据，
所述步骤s20包括：
步骤s23，对所述头部加速度数据进行特征提取，得到所述头部加速度数据的时域特征数据和频域特征数据；对所述头部角速度数据进行特征提取，得到所述头部角速度数据的时域特征数据和频域特征数据；对所述头部四元数数据进行特征提取，得到所述头部四元数数据的时域特征数据；
本实施例中，手机通过头部穿戴设备采集到的头部姿态数据包括头部加速度数据、头部角速度数据和头部四元数数据，通过手部穿戴设备采集到的手部运动数据包括手部加速度数据、手部角速度数据和手部四元数数据。对应步骤s20中特征提取的过程，本实施例以头部姿态数据为例进行说明。
本实施例中，从头部姿态数据中提取得到的特征数据，包括头部加速度数据的时域特征数据和频域特征数据、头部角速度数据的时域特征数据和频域特征数据、头部四元数数据的时域特征数据。其中，时域特征是指在数据/信号序列随时间变化的过程中，所具有的与时间相关的一些特征，频域特征被用来发现数据/信号中的周期性特征；头部加速度数据的时域特征指的是头部姿态数据(或进行预处理后的头部窗口数据)中所有头部加速度数据中与时间相关的特征，头部加速度数据的频域特征指的是头部姿态数据(或进行预处理后的头部窗口数据)中所有头部加速度数据中的周期性特征；头部角速度数据的时域特征指的是头部姿态数据(或进行预处理后的头部窗口数据)中所有头部角速度数据中与时间相关的特征，头部角速度数据的频域特征指的是头部姿态数据(或进行预处理后的头部窗口数据)中的周期性特征；头部四元数数据的时域特征指的是头部姿态数据(或进行预处理后的头部窗口数据)中所有四元数中与时间相关的特征。
而对于手部运动数据的特征数据，与头部姿态数据类似，也包括手部加速度数据的时域特征数据和频域特征数据、手部角速度数据的时域特征数据和频域特征数据、手部四元数数据的时域特征数据，具体不再赘述。
进一步的，对于上述的头部姿态数据的特征提取过程，具体又包括：
为获取所述头部加速度数据的最大值、最小值、标准差、平均值和过均值线数中的一种或多种，以作为所述头部加速度数据的时域特征数据；经过对头部加速度数据进行fft(f快速傅里叶变换)获取所述头部加速度数据的直流分量、幅度均值、幅度标准差、幅度斜度和幅度峭度中的一种或多种，以作为所述头部加速度数据的频域特征数据；获取所述头部角速度数据的最大值、最小值、标准差、平均值和过均值线数中的一种或多种，以作为所述头部角速度数据的时域特征数据；经过对头部加速度数据进行fft(f快速傅里叶变换)获取所述头部角速度数据的直流分量、幅度均值、幅度标准差、幅度斜度和幅度峭度中的一种或多种，以作为所述头部角速度数据的频域特征数据；获取头部四元数数据的最大值、最小值、标准差、平均值和过均值线数中的一种或多种，以作为所述头部四元数数据的时域特征数据。
而对于上述手部运动数据的特征提取过程，类似的，可以包括：
为获取所述手部加速度数据的最大值、最小值、标准差、平均值和过均值线数中的一种或多种，以作为所述手部加速度数据的时域特征数据；经过对手部加速度数据进行fft(f快速傅里叶变换)获取所述手部加速度数据的直流分量、幅度均值、幅度标准差、幅度斜度和幅度峭度中的一种或多种，以作为所述手部加速度数据的频域特征数据；获取所述手部角速度数据的最大值、最小值、标准差、平均值和过均值线数中的一种或多种，以作为所述手部角速度数据的时域特征数据；经过对手部角速度数据进行fft(f快速傅里叶变换)获取所述手部角速度数据的直流分量、幅度均值、幅度标准差、幅度斜度和幅度峭度中的一种或多种，以作为所述手部角速度数据的频域特征数据；获取手部四元数数据的最大值、最小值、标准差、平均值和过均值线数中的一种或多种，以作为所述手部四元数数据的时域特征数据。
值得说明的是，本实施例在进行特征提取时，可预先建立一个坐标系，具体如图5所示，图5为坐标系示意图，以竖直方向为z轴，车辆正前方为y轴，然后垂直于y轴和z轴的方向为x轴(可认为是垂直于两边车窗)，坐标系的原点可以是人脸中心，也可以是其它位置。一般而言，驾驶员的头部姿态多为水平方向和俯仰方向的运动(即围绕x轴和z轴的转动)，手部运动为水平方向，前后方向和俯仰方向的运动(即围绕x轴和y轴，以及z轴的转动)，因此，对于头部姿态数据的特征，可以是关于x轴、z轴；而对于手部运动数据的特征，可以是关于x轴、y轴、z轴。
例如，对于头部，第i段头部姿态数据(或第i个窗口的头部窗口数据)在x轴、z轴方向的头部加速度分别记为
表1头部的时域特征
表2头部的频域特征
又例如，对于手部，第i段手部运动数据的(或第i个窗口的手部窗口数据)在x轴、y轴、z轴方向的手部加速度分别记为
表3手部的时域特征
表4手部的频域特征
步骤s24，基于所述头部加速度数据的时域特征数据和频域特征数据、所述头部角速度数据的时域特征数据和频域特征数据、所述头部四元数数据的时域特征数据，获取头部特征数据。
本实施例中，在得到头部加速度数据的时域特征数据和频域特征数据、头部角速度数据的时域特征数据和频域特征数据、头部四元数数据的时域特征数据时为了后续模型分析的方便，还根据一定的规则将这些头部特征数据进行组合，以组合成特征向量、特征矩阵等形式，这些特征向量、特征矩阵即可认为是头部特征数据，并用以后续分析，例如，对于上述的第i段头部姿态数据的(或第i个窗口的头部窗口数据)，所得到的头部特征数据可以表示为
其中，
又例如，对于上述的第i段手部运动数据的(或第i个窗口的手部窗口数据)，所得到的手部特征数据可以表示为
其中，
通过上述方式，本实施例在进行特征提取时，提取了多个能够表征用户状态特征的时域特征和频域特征，有利于提高后续驾驶状态检测的准确性。
值得说明的是，对于上述各实施例，在实际应用中可以自由的组合；例如，在采集到头部姿态数据和手部运动数据时，先进行去噪、窗口化分割、时间戳对齐等处理，然后再进行特征提取，提取的特征包括时域特征和频域特征；然后将这些特征输入从云服务器获得的模型分别分析，得到两类分析结果；再将两类分析结果进行融合处理，确定用户的驾驶状态。当然还可以有其它的组合方式，上述举例并不构成对本申请的限定。
此外，本发明实施例还提供一种驾驶状态检测装置。
参照图6，图6为本发明驾驶状态检测装置第一实施例的功能模块示意图。
本实施例中，所述驾驶状态检测装置包括：
数据采集模块10，用于采集用户的头部姿态数据和手部运动数据；
特征提取模块20，用于对所述头部姿态数据进行特征提取得到头部特征数据，并对所述手部运动数据进行特征提取得到手部特征数据；
数据分析模块30，用于对所述头部特征数据和所述手部特征数据进行分析，确定所述用户的驾驶状态。
其中，上述驾驶状态检测装置的各虚拟功能模块存储于图1所示基于驾驶状态检测设备的存储器1005中，用于实现计算机程序的所有功能；各模块被处理器1001执行时，可实现驾驶状态检测功能。
进一步的，所述数据分析模块30包括：
数据分析单元，用于基于第一分析模型对所述头部特征数据进行分析，得到对应的第一状态分析结果，并基于第二分析模型对所述手部特征数据进行分析，得到对应的第二状态分析结果；
状态确定单元，用于对所述第一状态分析结果和所述第二状态分析结果进行融合处理，并根据融合结果确定所述用户的驾驶状态。
进一步的，所述驾驶状态检测装置还包括：
去噪处理模块，用于分别对所述头部姿态数据和所述手部运动数据进行去噪处理；
窗口分割模块，用于对去噪后的头部姿态数据进行窗口化分割，得到头部窗口数据，并对去噪后的手部运动数据进行窗口化分割，得到手部窗口数据；
所述特征提取模块20，还用于对所述头部窗口数据进行特征提取，得到头部特征数据，并对所述手部窗口数据进行特征提取得到，手部特征数据。
进一步的，所述驾驶状态检测装置还包括：
时间戳对齐模块，用于对所述头部姿态数据和所述手部运动数据进行时间戳对齐；
所述特征提取模块20，用于对对齐后的头部姿态数据进行特征提取，得到头部特征数据，并对对齐后的手部运动数据进行特征提取得到，手部特征数据。
进一步的，所述头部姿态数据包括头部加速度数据、头部角速度数据和头部四元数数据，
所述特征提取模块20具体用于：
对所述头部加速度数据进行特征提取，得到所述头部加速度数据的时域特征数据和频域特征数据；
对所述头部角速度数据进行特征提取，得到所述头部角速度数据的时域特征数据和频域特征数据；
对所述头部四元数数据进行特征提取，得到所述头部四元数数据的时域特征数据；
基于所述头部加速度数据的时域特征数据和频域特征数据、所述头部角速度数据的时域特征数据和频域特征数据、所述头部四元数数据的时域特征数据，获取头部特征数据。
进一步的，所述头部加速度数据的时域特征数据，包括所述头部加速度数据的最大值、最小值、平均值、标准差和过均值线数中的一种或多种；
所述头部加速度数据的频域特征数据，包括所述头部加速度数据的直流分量、幅度均值、幅度标准差、幅度斜度和幅度峭度中的一种或多种；
所述头部角速度数据的时域特征数据，包括所述头部角速度数据的最大值、最小值、平均值、标准差和过均值线数中的一种或多种；
所述头部角速度数据的频域特征数据，包括所述头部角速度数据的直流分量、幅度均值、幅度标准差、幅度斜度和幅度峭度中的一种或多种；
所述头部四元数数据的时域特征数据，包括所述头部四元数数据的最大值、最小值、平均值、标准差和过均值线数中的一种或多种。
手部同头部过程类似。
进一步的，所述驾驶状态包括注意力分散，所述驾驶状态检测装置还包括：
提示模块，用于若所述用户的驾驶状态为注意力分散，则基于预设提示规则进行提示。
其中，上述驾驶状态检测装置中各个模块的功能实现与上述驾驶状态检测方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
此外，本发明实施例还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上述的驾驶状态检测方法的步骤。
其中，计算机程序被执行时所实现的方法可参照本发明驾驶状态检测方法的各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
- 还没有人留言评论。精彩留言会获得点赞！