一种基于云端智能学习的疲劳驾驶监测方法、设备及介质与流程

本技术涉及汽车监测的，尤其涉及一种基于云端智能学习的疲劳驾驶监测方法、设备及介质。

背景技术：

1、疲劳驾驶，是指驾驶人在长时间连续行车后，产生生理机能和心理机能的失调，而在客观上出现驾驶技能下降的现象。驾驶人睡眠质量差或不足，长时间驾驶车辆，容易出现疲劳。驾驶疲劳会影响到驾驶人的注意、感觉、知觉、思维、判断、意志、决定和运动等诸方面。疲劳驾驶发生道路交通事故。因此，疲劳后严禁驾驶车辆。

2、在现有技术中，对于疲劳驾驶的监测、研究和应用，主要包括以下方面：

3、一是在疲劳驾驶外在表现方面，通过监测人的精神状态，例如通过神经系统功能、循环功能、血液指标、眼神参数、呼吸机能、体温起伏、头部或面部以及驾驶操作行为等生理或动作变化情况，形成自觉或不自觉的反射，结合对这些指标的监测技术、监测方法以及评价标准，实现判断和决策。但是这类监测设备通常为穿戴式设备，对驾驶员的干扰较大，易影像驾驶员的正常驾驶。

4、二是在车辆参数方面，如汽车会频繁地超过中线、车速过快过慢或与周围的驾驶环境不协调、方向盘的转动力矩出现异常等。具有实时性强、对驾驶员无干扰的优点，但缺点是容易受到汽车类型的限制，由于个体的差异，难以制定统一的评价标准，因此对疲劳驾驶判断的准确性不高。

5、三是在复杂智能运算方面，一方面成本过高，另一方面车载控制器的算力有限，无法到达实时性要求，且需要专用的传感器，因此在汽车运用上难以普及。

6、四是在机器视觉方面，目前通用的基于机器视觉的疲劳监测方法，会针对驾驶员处于驾驶疲劳状态时，监测驾驶员头部和面部状态的变化，如频繁点头或头部长期不动、瞳孔直径收缩、眼睑闭合、眨眼速率变慢等，进行分析判断。存在的问题是：信息分散、分析策略简单、判定标准难以确定、准确性差并且易受到经验和环境变化影响等。

7、因此，如何提高监测疲劳驾驶的准确度、普及度和稳定性，同时不影响驾驶员正常行驶成为一个亟待解决的问题。

技术实现思路

1、本技术实施例提供了一种基于云端智能学习的疲劳驾驶监测方法、设备及介质，用以解决如下技术问题：如何提高监测疲劳驾驶的准确度、普及度和稳定性，同时不影响驾驶员正常行驶。

2、第一方面，本技术实施例提供了一种基于云端智能学习的疲劳驾驶监测方法，其特征在于，方法包括：获取驾驶员的监测视频数据，并发送至云端；其中，监测视频数据为包括驾驶员面部和头部的视频，云端包括云端数据库和云端计算模块，云端数据库用于存储监测视频数据；基于预设的图像预处理算法处理监测视频数据，以提取驾驶员的多个面部特征；其中，多个面部特征包括打哈欠频率、眨眼频率、眼睑闭合时间、瞳孔缩小量、视线偏移出界、视线跳跃出界频率；基于疲劳识别模型处理多个面部特征，以确定驾驶员的疲劳程度；基于疲劳程度发出预警，并发送疲劳程度至云端数据库；基于云端计算模块处理远端数据库，并迭代运算云端计算模块内预设的训练识别模型，以获取训练识别模型的偏差，输出偏差最小的训练识别模型；其中，训练识别模型和疲劳识别模型为同一种类神经网络模型；基于预设的反向运算算法处理偏差最小的训练识别模型，以获取偏差最小的训练识别模型的每个神经元的权重因子；基于预设的更新算法处理每个神经元的权重因子，以更新疲劳识别模型。

3、在一种可能的实现方式中，基于预设的图像预处理算法处理监测视频数据，以提取驾驶员的多个面部特征，具体包括：基于预设的矫正视频算法处理监测视频数据，对监测视频数据进行滤波、增强和畸变矫正，以获取矫正视频数据；识别矫正视频数据，以驾驶员的五官为基准分割驾驶员的面部，以获取驾驶员的多个面部特征；以多个面部特征中的一面部特征为基准跟踪驾驶员的多个面部特征，并提取驾驶员的面部特征。

4、在一种可能的实现方式中，基于疲劳识别模型处理多个面部特征，以确定驾驶员的疲劳程度，具体包括：将多个面部特征作为特征参数输入疲劳识别模型；基于疲劳识别模型的隐藏层处理多个面部特征，以确定多个面部特征的第一权重；基于预设的非线性方程计算多个面部特征的第一权重，以确定驾驶员的疲劳程度。

5、在一种可能的实现方式中，基于预设的非线性方程计算多个面部特征的第一权重，以确定驾驶员的疲劳程度，具体包括：基于多个面部特征匹配预设的权重匹配表，以获取不同面部特征的第二权重；基于多个面部特征第一权重乘以不同面部特征的第二权重，以计算驾驶员的疲劳值；对比驾驶员的疲劳值和预设的多级疲劳阈值，以确定驾驶员的疲劳程度。

6、在一种可能的实现方式中，基于云端计算模块处理远端数据库，并迭代运算云端计算模块内预设的训练识别模型，以获取训练识别模型的偏差，输出偏差最小的训练识别模型，具体包括：将云端数据库作为样本训练训练识别模型，以获取监测识别视频的预测值；其中，以监测视频数据为特征值，以与监测视频数据关联的疲劳程度为标签；对比训练识别模型的预测值和标签，以获取预测值和真实值的偏差；逐个对比两个相邻的训练识别模型的偏差，以输出偏差最小的训练识别模型；在偏差满足预设的偏差规则时，输出偏差最小的训练识别模型。

7、在一种可能的实现方式中，在偏差满足预设的偏差规则时，输出偏差最小的训练识别模型，具体包括：在疲劳识别模型更新间隔达到预设的更新间隔阈值时，输出偏差最小的训练识别模型；和/或在偏差最小的训练识别模型的偏差与疲劳识别模型的偏差的差值达到预设的偏差阈值时，输出偏差最小的训练识别模型。

8、在一种可能的实现方式中，基于预设的反向运算算法处理偏差最小的训练识别模型，以获取偏差最小的训练识别模型的每个神经元的权重因子，具体包括：根据疲劳程度匹配预设的疲劳预警表，以确定预警方式；在疲劳程度为轻度疲劳时，通过声光预警提醒驾驶员；在疲劳程度为深度疲劳时，上报驾驶员信息至车辆监管平台，逐步降低车速至停止并打开车辆双闪。

9、在一种可能的实现方式中，基于预设的更新算法处理每个神经元的权重因子，以更新疲劳识别模型，具体包括：标注每个神经元的权重因子的因子位置；其中，因子位置为每个神经元的权重因子在偏差最小的训练识别模型的对应位置；在疲劳识别模型中查询与因子位置相同的神经元位置，并将每个神经元的权重因子替换疲劳识别模型中对应，以更新疲劳识别模型。

10、第二方面，本技术实施例还提供了一种基于云端智能学习的疲劳驾驶监测设备，其特征在于，设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：获取驾驶员的监测视频数据，并发送至云端；其中，监测视频数据为包括驾驶员面部和头部的视频，云端包括云端数据库和云端计算模块，云端数据库用于存储监测视频数据；基于预设的图像预处理算法处理监测视频数据，以提取驾驶员的多个面部特征；其中，多个面部特征包括打哈欠频率、眨眼频率、眼睑闭合时间、瞳孔缩小量、视线偏移出界、视线跳跃出界频率；基于疲劳识别模型处理多个面部特征，以确定驾驶员的疲劳程度；基于疲劳程度发出预警，并发送疲劳程度至云端数据库；基于云端计算模块处理远端数据库，并迭代运算云端计算模块内预设的训练识别模型，以获取训练识别模型的偏差，输出偏差最小的训练识别模型；其中，训练识别模型和疲劳识别模型为同一种类神经网络模型；基于预设的反向运算算法处理偏差最小的训练识别模型，以获取偏差最小的训练识别模型的每个神经元的权重因子；基于预设的更新算法处理每个神经元的权重因子，以更新疲劳识别模型。

11、第三方面，本技术实施例还提供了一种基于云端智能学习的疲劳驾驶监测的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，计算机可执行指令设置为：获取驾驶员的监测视频数据，并发送至云端；其中，监测视频数据为包括驾驶员面部和头部的视频，云端包括云端数据库和云端计算模块，云端数据库用于存储监测视频数据；基于预设的图像预处理算法处理监测视频数据，以提取驾驶员的多个面部特征；其中，多个面部特征包括打哈欠频率、眨眼频率、眼睑闭合时间、瞳孔缩小量、视线偏移出界、视线跳跃出界频率；基于疲劳识别模型处理多个面部特征，以确定驾驶员的疲劳程度；基于疲劳程度发出预警，并发送疲劳程度至云端数据库；基于云端计算模块处理远端数据库，并迭代运算云端计算模块内预设的训练识别模型，以获取训练识别模型的偏差，输出偏差最小的训练识别模型；其中，训练识别模型和疲劳识别模型为同一种类神经网络模型；基于预设的反向运算算法处理偏差最小的训练识别模型，以获取偏差最小的训练识别模型的每个神经元的权重因子；基于预设的更新算法处理每个神经元的权重因子，以更新疲劳识别模型。

12、本技术实施例提供的一种基于云端智能学习的疲劳驾驶监测方法、设备及介质，通过获取驾驶员的监测视频数据，并对监测视频数据进行图像预处理以获取能被疲劳识别模型处理的多个面部特征，能够，通过疲劳识别模型处理多个面部特征，能够确定驾驶员的疲劳程度，通过确定驾驶员的疲劳程度以提醒驾驶员，能够在一定程度上避免因为驾驶员疲劳驾驶导致的交通事故。同时将驾驶员的监测视频数据和对应的疲劳程度发送至云端，通过云端获取大量监测视频数据和对应的疲劳程度，并以此迭代训练训练识别模型，能够通过大量数据训练得到固定时间内偏差最小的训练识别模型，将固定时间内偏差最小的训练识别模型的神经元权重因子发送至疲劳识别模型，从而更新疲劳识别模型。从而达到提高监测疲劳驾驶的准确度、普及度和稳定性，同时不影响驾驶员正常行驶的效果。