一种疲劳驾驶状态信息确定方法及系统与流程

本发明涉及安全驾驶领域，特别是涉及一种疲劳驾驶状态信息确定方法及系统。

背景技术：

对疲劳驾驶检测的研究主要有基于驾驶员生理参数的检测(肌电图、脑电图、眼电图、声音频率、呼吸、脉搏等)、基于驾驶员行为特征的检测(眨眼频率、瞳孔大小等)和基于车辆行为特征的检测(行驶速度、车道偏离、油门及制动力检测)等多种方式方法。其中，检测车道偏移的角度是通过放置于车窗前上部的摄像头采集车辆前方的道路线信息，通过算法检测偏离车道时的角度。

以上测量方法都是直接对状态信息进行检测并得出是否疲劳驾驶的结论。然而，由于个人的驾驶习惯、反应速度、生理状态等信息因人而异，不能统一标准，因此“正常”与危及安全的“不正常”特征参数很难量化界定，其疲劳状态的判断结论并不准确。

技术实现要素：

本发明的目的是提供一种基于路线偏移检测的疲劳驾驶状态信息确定方法及系统。

为实现上述目的，本发明提供了如下方案：

一种基于路线偏移检测的疲劳驾驶状态信息确定方法，包括：

采集第一时刻的车辆状态；

对所述第一时刻的车辆状态进行处理，得到第一时刻的行驶状态特征；

将所述第一时刻的行驶状态特征输入驾驶习惯模型；

对信号进行重构，得到针对第二时刻的预测驾驶状态；所述第二时刻晚于所述第一时刻；

获取第二时刻的行驶状态特征；

根据所述第二时刻的预测驾驶状态对所述第二时刻的行驶状态特征进行运算，获得驾驶行为偏移指标，根据所述驾驶行为偏移指标确定驾驶员的疲劳状态。

可选的，在所述采集第一时刻的车辆状态之前，还包括：

采集第一时刻之前的车辆状态；

对第一时刻之前的车辆状态进行处理，得到行驶状态特征；

对所述行驶状态特征进行建模，得到驾驶习惯模型。

可选的，所述采集第一时刻之前的车辆状态，具体包括：

在车辆正常行驶过程中采集第一时刻之前的车辆状态。

可选的，所述采集车辆状态，具体包括：

拍摄车道线和障碍物采集车辆行驶时的路线偏移状态；

检测车辆的加速度采集车辆的加速、减速和偏移状态；

采集车内温度和湿度；

采集车内声音。

可选的，所述行驶状态特征具体包括：车辆匀速行驶的时间、车辆偏移车道线的次数、车辆偏移车道后纠正的反应时间、摄像头监测到障碍物后车辆进行减速或躲避的反应时间、车内温度、车内湿度、车内噪音为单一频率范围内的时间、通过驾驶习惯的机器学习技术，驾驶员遇到障碍物进行避让或减速动作的平均时间。

本发明还公开了一种基于路线偏移检测的疲劳驾驶状态信息确定系统，包括数据采集模块、处理模块、疲劳驾驶判断模块；

所述数据采集模块用于采集车辆状态；

所述处理模块用于对所述车辆状态进行处理，得到行驶状态特征；将所述行驶状态特征输入驾驶习惯模型；

所述疲劳驾驶判断模块对信号进行重构，得到预测驾驶状态；根据所述预测驾驶状态对所述行驶状态特征进行运算，获得驾驶行为偏移指标，根据所述驾驶行为偏移指标确定驾驶员的疲劳状态。

可选的，所述数据采集模块具体包括：摄像头、加速度传感器、温湿度传感器和麦克风；

所述摄像头用于通过拍摄车道线和障碍物采集车辆行驶时的路线偏移状态；

所述加速度传感器用于通过检测车辆的加速度采集车辆的加速、减速和偏移状态；

所述温湿度传感器用于采集车内温度和湿度；

所述麦克风用于采集车内声音。

可选的，所述行驶状态特征具体包括：车辆匀速行驶的时间、车辆偏移车道线的次数、车辆偏移车道后纠正的反应时间、摄像头监测到障碍物后车辆进行减速或躲避的反应时间、车内温度、车内湿度、车内噪音为单一频率范围内的时间、通过驾驶习惯的机器学习技术，驾驶员遇到障碍物进行避让或减速动作的平均时间。

可选的，所述疲劳驾驶判断模块还对所述行驶状态特征进行建模，得到驾驶习惯模型。

可选的，所述疲劳驾驶判断模块对所述行驶状态特征进行建模，具体包括：

所述疲劳驾驶判断模块在车辆正常行驶过程中对所述行驶状态特征进行建模。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明利用机器学习和多信息融合技术，对驾驶员的驾驶习惯的学习及车内外环境的检测，实现对驾驶员疲劳驾驶状态的量化，大大提高了疲劳驾驶状态检测的准确性和可靠性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于路线偏移检测的疲劳驾驶状态信息确定方法实施例中疲劳驾驶状态信息确定流程图；

图2为本发明基于路线偏移检测的疲劳驾驶状态信息确定方法实施例中驾驶习惯模型的构建流程图；

图3为本发明实施例基于路线偏移检测的疲劳驾驶状态信息确定系统实施例的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于路线偏移检测的疲劳驾驶状态信息确定方法及系统。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明基于路线偏移检测的疲劳驾驶状态信息确定方法实施例中疲劳驾驶状态信息确定流程图。

参见图1，所述基于路线偏移检测的疲劳驾驶状态信息确定方法，包括：

步骤101，采集第一时刻的车辆状态；

步骤102，对所述第一时刻的车辆状态进行处理，得到第一时刻的行驶状态特征；

步骤103，将所述第一时刻的行驶状态特征输入驾驶习惯模型；

步骤104，对信号进行重构，得到针对第二时刻的预测驾驶状态；所述第二时刻晚于所述第一时刻；

步骤105，获取第二时刻的行驶状态特征；

步骤106，根据所述第二时刻的预测驾驶状态对所述第二时刻的行驶状态特征进行运算，获得驾驶行为偏移指标，根据所述驾驶行为偏移指标确定驾驶员的疲劳状态。

上述步骤是在对车辆进行疲劳驾驶检测的过程中完成的。

图图2为本发明基于路线偏移检测的疲劳驾驶状态信息确定方法实施例中驾驶习惯模型的构建流程图。如图2所示，该流程包括：

步骤201，采集车辆状态；采用多信息融合技术对车辆状态实时采集，包括采集车内环境状态，车外环境状态以及车辆行驶状态。

步骤202，对采集到的车辆状态进行处理，得到行驶状态特征；所述行驶状态特征为符合自编码网络格式的数据；

步骤203，对所述行驶状态特征进行建模，得到驾驶习惯模型；所述驾驶习惯模型能够实现对车辆驾驶状态进行预测，得到预测驾驶状态。所述驾驶习惯模型是在栈式自编码网络中构建的。

上述步骤是在驾驶员清醒的状态下在车辆保持正常行驶的过程中通过机器学习完成的，属于驾驶模型的训练阶段。

本发明的训练阶段是通过机器学习方法构建驾驶习惯模型，对驾驶员的驾驶习惯实时记录并学习，并将车内外环境加入到对驾驶员疲劳驾驶检测的因素中。本发明的使用阶段是通过多信息融合的技术对驾驶员的疲劳驾驶状态进行多方面的实时信息检测，将检测的实时信息输入模型中能够实现对驾驶员疲劳驾驶状态的量化。这种疲劳驾驶检测方法，通过实时行驶状态与正常的行驶状态进行对比，能够比较准确的量化驾驶员的驾驶状态，大大提高了疲劳驾驶状态监测的可靠性。

可选的，所述采集车辆状态，具体包括：

拍摄车道线和障碍物采集车辆行驶时的路线偏移状态；

检测车辆的加速度采集车辆的加速、减速和偏移状态；

采集车内温度和湿度；

采集车内声音。

可选的，所述对车辆状态进行处理，得到行驶状态特征，具体包括：

对视频图像进行预处理，然后进行灰度变换、阈值分割(图像二者化或者梯度图像二者化)，实现对道路进行识别与跟踪，并获取障碍物信息；通过对道路和障碍物的分析，可以得到道路的形状与延伸方向，本车在车道中的位置以及其它车辆的相对位置；

对车辆的加速、减速和偏移状态进行处理，得到车辆的速度信息；

根据视频图像和速度信息，计算出车辆匀速行驶的时间、车辆偏移车道线的次数、车辆偏移车道后纠正的反应时间、摄像头监测到障碍物后车辆进行减速或躲避的反应时间；

对采集到的温度、湿度信息和车内声音信息进行处理，计算得到车内温度、车内湿度以及车内噪音为单一频率范围内的时间；

实时抽取驾驶习惯模型中的信息，计算通过驾驶习惯的机器学习技术，驾驶员遇到障碍物进行避让或减速动作的平均时间。

可选的，训练阶段在使用阶段之前，训练阶段的行驶里程要保证在200公里以上。

可选的，对所述行驶状态特征进行建模是通过栈式自编码网络进行的。

可选的，所述行驶状态特征包括：车辆匀速行驶的时间T1、车辆偏移车道线的次数R1、车辆偏移车道后纠正的反应时间T2、摄像头监测到障碍物后车辆进行减速或躲避的反应时间T3、车内温度N1、车内湿度N2、车内噪音为单一频率范围内的时间T4、通过驾驶习惯的机器学习技术，驾驶员遇到障碍物进行避让或减速动作的平均时间T5。

所述驾驶行为偏移指标S的计算公式为：

S＝a×T1×R1+b×T2+c×T3+d×N1+f×N2+g×T4+h×T5

驾驶状态分为三种状态，分别为正常驾驶状态、疲劳驾驶状态和介于正常驾驶状态和疲劳驾驶状态之间的非正常驾驶状态。将驾驶行为偏移指标设定两个基准：正常驾驶基准和疲劳驾驶基准。正常驾驶基准介于正常驾驶状态和非正常驾驶状态之间，疲劳驾驶基准介于非正常驾驶状态和疲劳驾驶状态之间。当驾驶行为偏移指标S的实时计算结果小于正常驾驶基准时，判断驾驶状态为正常驾驶状态；当驾驶行为偏移指标S的实时计算结果大于正常驾驶基准并小于疲劳驾驶基准时，判断驾驶状态为非正常驾驶状态；当驾驶行为偏移指标S的实时计算结果大于疲劳驾驶基准时，判断驾驶状态为疲劳驾驶状态。

可选的，当判断驾驶状态为非正常驾驶状态和疲劳驾驶状态时，系统会实时发出警报，提醒驾驶员。

可选的，不同的人的驾驶习惯不相同，经过训练后的结果也不一样。所述驾驶习惯模型具有存储多个不同的训练结果的功能。不同的人进行疲劳驾驶状态检测时采用对应的驾驶习惯模型。

图3为本发明基于路线偏移检测的疲劳驾驶状态信息确定系统实施例的结构图。

参见图3，本发明还公开了一种基于路线偏移检测的疲劳驾驶状态信息确定系统，包括数据采集模块301、处理模块302、疲劳驾驶判断模块303；

所述数据采集模块301用于采集车辆状态；

所述处理模块302用于对所述车辆状态进行处理，得到行驶状态特征；将所述行驶状态特征输入驾驶习惯模型；

所述疲劳驾驶判断模块303对信号进行重构，得到预测驾驶状态；根据所述预测驾驶状态对所述行驶状态特征进行运算，获得驾驶行为偏移指标，根据所述驾驶行为偏移指标确定驾驶员的疲劳状态。

可选的，所述数据采集模块301具体包括：摄像头304、加速度传感器305、温湿度传感器306和麦克风307；

所述摄像头304用于通过拍摄车道线和障碍物采集车辆行驶时的路线偏移状态；

所述加速度传感器305用于通过检测车辆的加速度采集车辆的加速、减速和偏移状态；

所述温湿度传感器306用于采集车内温度和湿度；

所述麦克风307用于采集车内声音。

可选的，所述行驶状态特征具体包括：车辆匀速行驶的时间T1、车辆偏移车道线的次数R1、车辆偏移车道后纠正的反应时间T2、摄像头监测到障碍物后车辆进行减速或躲避的反应时间T3、车内温度N1、车内湿度N2、车内噪音为单一频率范围内的时间T4、通过驾驶习惯的机器学习技术，驾驶员遇到障碍物进行避让或减速动作的平均时间T5。

可选的，所述疲劳驾驶判断模块303还对所述行驶状态特征进行建模，得到驾驶习惯模型。

可选的，所述疲劳驾驶判断模块303对所述行驶状态特征进行建模，具体包括：

所述疲劳驾驶判断模块303在车辆正常行驶过程中对所述行驶状态特征进行建模,，所述疲劳驾驶判断模块303对所述行驶状态特征进行建模要在疲劳检测之前完成。所述建模过程要保证车辆行驶里程在200公里以上。

可选的，所述驾驶行为偏移指标S的计算公式为：

S＝a×T1×R1+b×T2+c×T3+d×N1+f×N2+g×T4+h×T5

可选的，所述一种基于路线偏移检测的疲劳驾驶状态信息确定系统还包括报警模块308，当疲劳驾驶判断模块303判断出驾驶状态不正常时会发出警报。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。