本技術涉及疲勞駕駛檢測,特別是涉及一種疲勞狀態(tài)的識別方法及裝置。
背景技術:
1、隨著車輛制造業(yè)的快速發(fā)展,交通事故的頻率也在逐漸上升,其中駕駛員疲勞駕駛車輛在造成交通事故的原因中占有很高的比例。在駕駛員處于疲勞狀態(tài)駕駛車輛時,駕駛員的注意力、思維、判斷等方面受到限制,導致駕駛技能下降,從而容易造成交通事故。
2、因此,疲勞駕駛檢測技術在交通安全方面起著至關重要的作用。在現(xiàn)有的疲勞駕駛識別方法中,一般基于眼睛開合度判斷駕駛員是否閉眼,但該方法無法解決駕駛員眼睛向下看、瞇眼睛、小眼睛和駕駛員圖像成像模糊場景下的疲勞駕駛誤報、漏報問題,因此,導致識別疲勞狀態(tài)的準確度不高。
技術實現(xiàn)思路
1、本技術實施例的目的在于提供一種疲勞狀態(tài)的識別方法及裝置,用以解決識別疲勞狀態(tài)的準確度不高的問題。具體技術方案如下:
2、第一方面,本技術實施例提供了一種疲勞狀態(tài)的識別方法,所述方法包括:
3、獲取待識別駕駛員的駕駛特征和當前場景信息,其中,所述駕駛特征表征所述待識別駕駛員的狀態(tài)和車輛行駛狀態(tài);
4、將所述駕駛特征輸入到預先訓練的疲勞特征提取模型進行卷積處理,得到所述疲勞特征提取模型輸出的駕駛員疲勞特征,其中,所述疲勞特征提取模型包括多個卷積層;
5、從預先建立的場景特征庫的歷史場景信息中,根據(jù)場景匹配算法確定與所述當前場景信息匹配的預設數(shù)量個歷史場景信息,作為目標場景信息,其中,所述場景特征庫包括歷史場景信息和歷史疲勞特征之間的對應關系;
6、根據(jù)所述對應關系,確定所述目標場景信息對應的目標疲勞特征,并確定所述駕駛員疲勞特征與每個目標疲勞特征之間的疲勞相似度;
7、基于所述疲勞相似度,確定所述待識別駕駛員的疲勞狀態(tài)。
8、可選的,所述疲勞特征提取模型的訓練方式,包括:
9、獲取駕駛特征樣本以及每個駕駛特征樣本對應的疲勞置信度真值;
10、將所述駕駛特征樣本輸入到初始疲勞特征提取模型中,以使所述初始疲勞特征提取模型包括的多個卷積層對所述駕駛特征樣本進行卷積處理,輸出得到的預測疲勞特征至全連接網(wǎng)絡;
11、所述全連接網(wǎng)絡對所述預測疲勞特征進行處理,得到所述預測疲勞特征對應的一維疲勞特征向量;
12、利用激活函數(shù)對所述一維疲勞特征向量進行映射,得到所述一維疲勞特征向量對應的預估疲勞置信度;
13、利用損失函數(shù)計算所述預估疲勞置信度與對應的疲勞置信度真值之間的損失值;
14、基于所述損失值對所述卷積層的參數(shù)進行調整,直到所述初始疲勞特征提取模型收斂,得到所述疲勞特征提取模型。
15、可選的,在所述從預先建立的場景特征庫的歷史場景信息中,根據(jù)場景匹配算法確定與所述當前場景信息匹配的預設數(shù)量個歷史場景信息的步驟之前,所述方法還包括:
16、獲取歷史場景信息和在所述歷史場景信息對應的場景下獲取的駕駛員的駕駛特征,作為歷史駕駛特征;
17、將所述歷史駕駛特征輸入到預先訓練的疲勞特征提取模型進行卷積處理,得到所述疲勞特征提取模型輸出的歷史疲勞特征;
18、建立并存儲所述歷史場景信息與所述歷史疲勞特征之間的對應關系,得到場景特征庫。
19、可選的,所述從預先建立的場景特征庫的歷史場景信息中,根據(jù)場景匹配算法確定與所述當前場景信息匹配的預設數(shù)量個歷史場景信息,作為目標場景信息的步驟,包括:
20、針對所述場景特征庫包括的每個歷史場景信息,根據(jù)場景匹配算法確定所述當前場景信息與該歷史場景信息之間的場景相似度;
21、從所述歷史場景信息中,選取對應的場景相似度最高的預設數(shù)量個歷史場景信息,作為目標場景信息。
22、可選的,所述當前場景信息和所述歷史場景信息均包括至少一個維度的場景信息;
23、所述根據(jù)場景匹配算法確定所述當前場景信息與該歷史場景信息之間的場景相似度的步驟,包括:
24、確定所述當前場景信息包括的每個維度的場景信息與該歷史場景信息包括的該維度的場景信息之間的差異程度;
25、根據(jù)所述每個維度的場景信息對應的差異程度,確定所述當前場景信息與該歷史場景信息之間的場景相似度。
26、可選的,所述至少一個維度的場景信息包括駕駛時段、天氣、道路類型、連續(xù)駕駛時長以及平均眼距中的至少一種;
27、所述確定所述當前場景信息包括的每個維度的場景信息與該歷史場景信息包括的該維度的場景信息之間的差異程度的步驟,包括:
28、在所述場景信息包括駕駛時段的情況下,根據(jù)所述當前場景信息包括的當前駕駛時段與所述歷史場景信息包括的歷史駕駛時段之間的最小時間差值,確定所述當前駕駛時段與所述歷史駕駛時段之間的時段差異程度;
29、在所述場景信息包括天氣的情況下,根據(jù)所述當前場景信息包括的當前天氣與所述歷史場景信息包括的歷史天氣是否一致,確定所述當前天氣與所述歷史天氣之間的天氣差異程度;
30、在所述場景信息包括道路類型的情況下,根據(jù)所述當前場景信息包括的當前道路類型與所述歷史場景信息包括的歷史道路類型是否一致,確定所述當前道路類型與所述歷史道路類型之間的道路類型差異程度;
31、在所述場景信息包括連續(xù)駕駛時長的情況下,根據(jù)所述當前場景信息包括的當前連續(xù)駕駛時長與所述歷史場景信息包括的歷史連續(xù)駕駛時長之間的最小時長差值,確定所述當前連續(xù)駕駛時長與所述歷史連續(xù)駕駛時長之間的時長差異程度;
32、在所述場景信息包括平均眼距的情況下,根據(jù)所述當前場景信息包括的當前平均眼距與所述歷史場景信息包括的歷史平均眼距之間的最小平均眼距差值,確定所述當前平均眼距與所述歷史平均眼距之間的眼距差異程度。
33、可選的,所述根據(jù)所述當前場景信息包括的當前駕駛時段與所述歷史場景信息包括的歷史駕駛時段之間的最小時間差值,確定所述當前駕駛時段與所述歷史駕駛時段之間的時段差異程度的步驟,包括:
34、按照以下公式計算所述當前駕駛時段與所述歷史駕駛時段之間的時段差異程度:
35、;
36、其中,所述為當前駕駛時段,所述為歷史駕駛時段;
37、所述根據(jù)所述當前場景信息包括的當前天氣與所述歷史場景信息包括的歷史天氣是否一致,確定所述當前天氣與所述歷史天氣之間的天氣差異程度的步驟,包括;
38、按照以下公式計算所述當前天氣與所述歷史天氣之間的天氣差異程度:
39、;
40、其中,所述為當前天氣,所述為歷史天氣;
41、所述根據(jù)所述當前場景信息包括的當前道路類型與所述歷史場景信息包括的歷史道路類型是否一致,確定所述當前道路類型與所述歷史道路類型之間的道路類型差異程度的步驟,包括:
42、按照以下公式計算所述當前道路類型與所述歷史道路類型之間的道路類型差異程度:
43、;
44、其中,所述為當前道路類型,所述為歷史道路類型;
45、所述根據(jù)所述當前場景信息包括的當前連續(xù)駕駛時長與所述歷史場景信息包括的歷史連續(xù)駕駛時長之間的最小時長差值,確定所述當前連續(xù)駕駛時長與所述歷史連續(xù)駕駛時長之間的時長差異程度的步驟,包括:
46、按照以下公式計算所述當前連續(xù)駕駛時長與所述歷史連續(xù)駕駛時長之間的時長差異程度:
47、;
48、其中,所述為當前連續(xù)駕駛時長,所述為歷史連續(xù)駕駛時長;
49、所述根據(jù)所述當前場景信息包括的當前平均眼距與所述歷史場景信息包括的歷史平均眼距之間的最小平均眼距差值,確定所述當前平均眼距與所述歷史平均眼距之間的眼距差異程度的步驟,包括:
50、按照以下公式計算所述當前平均眼距與所述歷史平均眼距之間的眼距差異程度:
51、;
52、其中,所述為當前平均眼距,所述為歷史平均眼距。
53、可選的,所述根據(jù)所述每個維度的場景信息對應的差異程度,確定所述當前場景信息與該歷史場景信息之間的場景相似度的步驟,包括:
54、按照以下公式計算當前場景信息與該歷史場景信息之間的場景相似度:
55、;
56、其中,所述為當前場景信息,所述為歷史場景信息,所述為所述時段差異程度,所述為所述天氣差異程度,所述為所述道路類型差異程度,所述為所述時長差異程度,所述為所述眼距差異程度。
57、可選的,所述確定所述駕駛員疲勞特征與每個目標疲勞特征之間的疲勞相似度的步驟,包括:
58、計算所述駕駛員疲勞特征與每個目標疲勞特征之間的余弦相似度;
59、計算所述余弦相似度的平均值,作為疲勞相似度。
60、可選的,所述基于所述疲勞相似度,確定所述待識別駕駛員的疲勞狀態(tài)的步驟,包括:
61、基于所述疲勞相似度與預設值的差異程度,確定所述待識別駕駛員的疲勞狀態(tài)為疲勞駕駛或正常駕駛,其中,所述預設值用于表征疲勞駕駛或正常駕駛對應的疲勞相似度。
62、可選的,所述獲取待識別駕駛員的駕駛特征的步驟,包括:
63、在待識別駕駛員駕駛車輛行駛的過程中,獲取預設時長內的車內圖像傳感器采集的車內圖像,并對所述車內圖像進行圖像識別,得到待識別駕駛員的眼睛開合度、嘴巴開合度、視線方向角、頭部姿態(tài)角以及人體關鍵點中的至少一種,作為車內參數(shù);
64、獲取所述預設時長內的車外圖像傳感器采集的車外圖像,并對所述車外圖像進行圖像識別,得到車道偏移距離、周圍車輛數(shù)以及前車碰撞距離中的至少一種,作為車外參數(shù);
65、獲取所述預設時長內的所述車輛的車速、加速度以及方向盤轉角中的至少一種,作為行駛參數(shù);
66、將所述車內參數(shù)、所述車外參數(shù)以及所述行駛參數(shù),按照獲取時間組成預設維度的特征向量,得到待識別駕駛員的駕駛特征。
67、第二方面,本技術實施例提供了一種疲勞狀態(tài)的識別裝置,所述裝置包括:
68、特征信息獲取模塊,用于獲取待識別駕駛員的駕駛特征和當前場景信息,其中,所述駕駛特征表征所述待識別駕駛員的狀態(tài)和車輛行駛狀態(tài);
69、疲勞特征獲取模塊,用于將所述駕駛特征輸入到預先訓練的疲勞特征提取模型進行卷積處理,得到所述疲勞特征提取模型輸出的駕駛員疲勞特征,其中,所述疲勞特征提取模型包括多個卷積層;
70、目標場景信息確定模塊,用于從預先建立的場景特征庫的歷史場景信息中,根據(jù)場景匹配算法確定與所述當前場景信息匹配的預設數(shù)量個歷史場景信息,作為目標場景信息,其中,所述場景特征庫包括歷史場景信息和歷史疲勞特征之間的對應關系;
71、疲勞相似度確定模塊,用于根據(jù)所述對應關系,確定所述目標場景信息對應的目標疲勞特征,并確定所述駕駛員疲勞特征與每個目標疲勞特征之間的疲勞相似度;
72、疲勞狀態(tài)確定模塊,用于基于所述疲勞相似度,確定所述待識別駕駛員的疲勞狀態(tài)。
73、第三方面,本技術實施例提供了一種電子設備,包括:
74、存儲器,用于存放計算機程序;
75、處理器,用于執(zhí)行存儲器上所存放的程序時,實現(xiàn)上述第一方面任一所述的方法。
76、第四方面,本技術實施例提供了一種計算機可讀存儲介質,所述計算機可讀存儲介質內存儲有計算機程序,所述計算機程序被處理器執(zhí)行時實現(xiàn)上述第一方面任一所述的方法。
77、本技術實施例有益效果:
78、本技術實施例提供的方案中,電子設備可以獲取待識別駕駛員的駕駛特征和當前場景信息,其中,駕駛特征表征待識別駕駛員的狀態(tài)和車輛行駛狀態(tài),再將駕駛特征輸入到預先訓練的疲勞特征提取模型進行卷積處理,得到疲勞特征提取模型輸出的駕駛員疲勞特征,其中,疲勞特征提取模型包括多個卷積層;然后從預先建立的場景特征庫的歷史場景信息中,根據(jù)場景匹配算法確定與當前場景信息匹配的預設數(shù)量個歷史場景信息,作為目標場景信息,其中,場景特征庫包括歷史場景信息和歷史疲勞特征之間的對應關系;再根據(jù)對應關系,確定目標場景信息對應的目標疲勞特征,并確定駕駛員疲勞特征與每個目標疲勞特征之間的疲勞相似度,從而基于疲勞相似度,確定待識別駕駛員的疲勞狀態(tài)。由于相同場景對應的疲勞狀態(tài)具有相似性,因此將當前場景信息與預先建立的場景特征庫的歷史場景信息進行匹配,從而確定出的目標疲勞特征是能夠表征在當前場景信息下的疲勞狀態(tài)的特點的。那么基于駕駛員疲勞特征與每個目標疲勞特征之間的疲勞相似度,得到待識別駕駛員的疲勞狀態(tài),也就可以準確確定駕駛員的疲勞狀態(tài),通過多個維度的信息確定待識別駕駛員的疲勞程度,提高了識別疲勞狀態(tài)的準確度。當然,實施本技術的任一產(chǎn)品或方法并不一定需要同時達到以上所述的所有優(yōu)點。