基于数据处理的智慧交通疲劳驾驶监控系统及监控方法与流程

1.本发明涉及疲劳驾驶监控技术领域，具体涉及基于数据处理的智慧交通疲劳驾驶监控系统及监控方法。


背景技术：

2.疲劳是一种医学术语，又称疲乏，是一种主观不适感觉，客观上会在同等条件下，失去其完成原来所从事的正常活动或工作能力；疲劳的本质是指脑力、肌肉或其他器官因过度消耗而机能反应减弱；引起疲劳的原因多种多样，休息不好、运动过度、刺激过强都会引发疲劳，凡是疾病发展到一定阶段都可出现疲劳；疲劳驾驶极易造成交通事故。
3.现有的疲劳驾驶监控方案在实施时，主要从驾驶员生理指标检测、驾驶面部特征检测、驾驶操作特征和车辆行驶状态检测开展研究，各种方法均具有一定理论研究基础和技术可行性，同时，各种方法、技术应用均存在一定的局限性；比如，没有从不同的维度对驾驶前驾驶员的身体状态进行监测评估，并根据评估结果自适应的对可能存在疲劳驾驶的状况实施动态监控方案，导致疲劳驾驶监控的整体效果不佳。


技术实现要素：

4.本发明的目的在于提供基于数据处理的智慧交通疲劳驾驶监控系统及监控方法，用于解决现有方案中不能从不同的维度对驾驶员的身体状态进行分析评估，并根据评估的结果自适应的对驾驶员的驾驶状态实施动态监测方案，导致疲劳驾驶监控的整体效果不佳的技术问题。
5.本发明的目的可以通过以下技术方案实现：
6.基于数据处理的智慧交通疲劳驾驶监控系统，包括状态监测模块、表现监测模块和融合评估模块；
7.状态监测模块用于对驾驶员驾驶前的m个小时内的行为进行监测统计，得到行为数据集；m为正整数；行为数据集包含休息数据、饮食数据和健康数据；
8.对行为数据集中的各项数据进行特征提取和标记，得到包含休息处理数据、饮食处理数据和健康处理数据的行为处理集并上传至服务器和数据库；
9.根据根据行为处理集来从不同的维度对驾驶员的身体状态进行分析画像，得到行为画像集并上传至服务器和数据库；
10.表现监测模块用于对驾驶员驾驶过程中的眼部变化情况进行监测以及数据处理，得到眼部处理集并上传至服务器和数据库；
11.融合评估模块用于根据行为画像集和眼估值对驾驶员驾驶时的状态进行评估，并根据评估的结果自适应的进行动态告警提示。
12.优选地，行为处理集获取的步骤包括：
13.利用智能设备统计休息数据中的主休息时长zx和次休息时长cx；
14.标记的主休息时长和次休息时长构成休息处理数据；
15.获取饮食数据中最近一次的进食热量js和酒精量jl；
16.标记的进食热量和酒精量构成饮食处理数据；
17.获取健康数据中的疾病类型以及对应的疾病权重jq；
18.统计驾驶前距离最近一次服药的间隔时长fs；
19.标记的疾病权重和间隔时长构成健康处理数据；
20.休息处理数据、饮食处理数据和健康处理数据构成行为处理集。
21.优选地，对驾驶员的身体状态进行分析画像的步骤包括：
22.分别获取休息处理数据中标记的主休息时长zx和次休息时长cx、饮食处理数据中的进食热量js和酒精量jl以及健康处理数据中的疾病权重jq和间隔时长fs；提取标记的各项数据的数值并联立整合，通过计算获取驾驶员驾驶前身体的身估值sg；身估值sg的计算公式为：
[0023][0024]
式中，g1、g2、g3、g4、g5为预设的均大于零的比例系数，且0＜g2＜g3＜g1＜g5＜g4；zx0为预设的主休息标准时长，js0为预设的标准进食热量；
[0025]
根据身估值来对驾驶员驾驶前的身体状态进行分析画像。
[0026]
优选地，将身估值sg与预设的身估阈值sgymin和sgymax进行匹配；
[0027]
若sg＜sgymin，则判定驾驶员驾驶前的身体状态不佳并生成第一身估信号；若sgymin≤sg≤sgymax，则判定驾驶员驾驶前的身体状态正常并生成第二身估信号；若sg＞sgymax，则判定驾驶员驾驶前的身体状态优秀并生成第三身估信号；
[0028]
身估值以及对应的第一身估信号、第二身估信号和第三身估信号构成驾驶员的行为画像集。
[0029]
优选地，眼部处理集获取的步骤包括：
[0030]
获取驾驶员的眨眼频次并标记为zp；获取驾驶员眼部的评估距离并标记为jj；提取眨眼频次和评估距离两者的数值并联立，通过计算获取驾驶员驾驶时眼部的眼估值yg；眼估值yg的计算公式为：
[0031][0032]
式中，y1、y2为预设的不同比例系数，且0＜y1＜y2；zp0为标准眨眼频次，jj0为标准眼皮距离；
[0033]
标记的各项数据和眼估值构成眼部处理集。
[0034]
优选地，将驾驶员眼部的上眼皮中点和下眼皮中点分别设定为第一监测点和第二监测点，获取第一监测点和第二监测点之间的垂直距离并设定为评估距离jj。
[0035]
优选地，融合评估模块的工作步骤包括：
[0036]
获取眼估值与基准眼估阈值之间的差值，若差值小于v，v为大于零的实数，则将当下的眼估值设定为选中眼估值；
[0037]
根据选中眼估值以及行为画像集中不同的身估信号来自适应的实施相匹配的疲劳驾驶监测方案。
[0038]
优选地，若行为画像集中包含第一身估信号，当选中眼估值后续的m个眼估值的评估结果中至少存在n1个选中眼估值，则生成第一告警信号；m、n1均为正整数，且m＞n1；
[0039]
若行为画像集中包含第二身估信号，当选中眼估值后续的m个眼估值的评估结果中至少存在n2个选中眼估值，则生成第二告警信号；n2为正整数，且n2＞n1；
[0040]
若行为画像集中包含第三身估信号，当选中眼估值后续的m个眼估值的评估结果中至少存在n3个选中眼估值，则生成第三告警信号；n2为正整数，且n3≥n2；
[0041]
选中眼估值以及第一告警信号、第二告警信号和第三告警信号构成评估的结果。
[0042]
为了解决问题，本发明还公开了基于数据处理的智慧交通疲劳驾驶监控方法，包括：
[0043]
对驾驶员驾驶前的m个小时内的行为进行监测统计，得到行为数据集，对行为数据集中的各项数据进行特征提取和标记，得到包含休息处理数据、饮食处理数据和健康处理数据的行为处理集；
[0044]
根据根据行为处理集来从不同的维度对驾驶员的身体状态进行分析画像，得到包含身估值以及对应的第一身估信号、第二身估信号和第三身估信号的行为画像集；
[0045]
对驾驶员驾驶过程中的眼部变化情况进行监测以及数据处理，得到包含标记的各项数据和眼估值的眼部处理集；
[0046]
根据行为画像集和眼估值对驾驶员驾驶时的状态进行评估，并根据评估的结果自适应的进行动态告警提示。
[0047]
相比于现有方案，本发明实现的有益效果：
[0048]
本发明通过从休息方面、饮食方面和健康方面来对疲劳驾驶产生影响的数据进行采集统计，并对统计的各项数据进行处理标记，以及将不同维度的数据进行联立整合获取身估值，基于身估值从不同的维度来对驾驶前驾驶员的身体状态进行整体评估和分类，可以为后续的驾驶员驾驶状态的动态监测分析提供可靠的数据支持；
[0049]
将眼部的不同表现数据进行整合获取眼估值来对驾驶员驾驶时是否存在疲劳驾驶进行整体评估，分析判断驾驶员的眼睛状态是否正常，并根据驾驶前驾驶员的身体状态，将后续的若干个连续的监测结果进行整合，来自适应的实施相匹配的疲劳驾驶监测方案，可以提高不同身体状态下进行疲劳驾驶风险动态分析的整体效果。
附图说明
[0050]
下面结合附图对本发明作进一步的说明。
[0051]
图1为本发明基于数据处理的智慧交通疲劳驾驶监控系统的模块框图。
[0052]
图2为本发明基于数据处理的智慧交通疲劳驾驶监控方法的流程框图。
具体实施方式
[0053]
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0054]
实施例一
[0055]
如图1所示，本发明为基于数据处理的智慧交通疲劳驾驶监控系统，包括状态监测模块、表现监测模块、融合评估模块、服务器和数据库；
[0056]
状态监测模块包含状态统计单元和状态分析单元；
[0057]
状态统计单元用于对驾驶员驾驶前的m个小时内的行为进行监测统计，得到行为数据集；m为正整数，可以取值为24；行为数据集包含休息数据、饮食数据和健康数据；
[0058]
本发明实施例中，通过从不同维度对驾驶员驾驶前的身体状态进行监测和数据统计，对潜在增加疲劳驾驶的风险进行分析评估获取驾驶员的身体状态，并根据驾驶员的身体状态自适应的动态实施不同的监测预警方案，相比于现有方案中从不同的方面对疲劳驾驶的驾驶表现进行监测和分析告警，本发明实施例可以实现更好的监控告警效果。
[0059]
对行为数据集中的各项数据进行特征提取和标记，得到包含休息处理数据、饮食处理数据和健康处理数据的行为处理集并上传至服务器和数据库；包括：
[0060]
获取行为数据集中的休息数据、饮食数据和健康数据；
[0061]
利用智能设备统计休息数据中的主休息时长和次休息时长，智能设备可以为智能手环，分别将主休息时长和次休息时长标记为zx和cx；其中，主休息可以为夜间的睡觉休息；次休息可以为白天短暂的休息，所有时长的单位均为小时；
[0062]
标记的主休息时长和次休息时长构成休息处理数据；
[0063]
获取饮食数据中最近一次的进食热量和酒精量，分别将进食热量和酒精量标记为js和jl；其中，饮食数据可以在驾驶员上车驾驶前进行统计，进食热量可以通过现有的饮食软件通过输入数据获取对应的摄入热量，或者进食前通过拍照并结合现有的图像识别算法获取对应的摄入热量；酒精量可以通过人为输入，或者结合酒精气体传感器进行检测；
[0064]
标记的进食热量和酒精量构成饮食处理数据；
[0065]
获取健康数据中的疾病类型，设定不同的疾病类型分别对应一个不同的疾病权重，将获取的疾病类型与数据库中预存储的所有疾病类型进行匹配获取对应的疾病权重并标记为jq；健康数据由驾驶员预先登记并上传存储至数据库中；
[0066]
统计驾驶前距离最近一次服药的间隔时长并标记为fs；同样可以在驾驶员上车驾驶前进行统计；
[0067]
标记的疾病权重和间隔时长构成健康处理数据；
[0068]
休息处理数据、饮食处理数据和健康处理数据构成行为处理集；
[0069]
本发明实施例中，通过从休息方面、饮食方面和健康方面来对疲劳驾驶产生影响的数据进行采集统计，并对统计的各项数据进行处理标记，以便可以对不同方面的数据进行规范化的整合来提高数据分析的准确性；其中，休息不足、饮食过量以及吃药不规范均会对疲劳驾驶造成影响；
[0070]
状态分析单元用于根据根据行为处理集来从不同的维度对驾驶员的身体状态进行分析画像，得到行为画像集并上传至服务器和数据库；包括：
[0071]
分别获取休息处理数据中标记的主休息时长zx和次休息时长cx、饮食处理数据中的进食热量js和酒精量jl以及健康处理数据中的疾病权重jq和间隔时长fs；
[0072]
提取标记的各项数据的数值并联立整合，通过计算获取驾驶员驾驶前身体的身估值sg；身估值sg的计算公式为：
[0073][0074]
式中，g1、g2、g3、g4、g5为预设的均大于零的比例系数，且0＜g2＜g3＜g1＜g5＜g4；g1可以取值为2.651，g2可以取值为0.537，g3可以取值为1.238，g4可以取值为4.562，g5可以取值为3.212；zx0为预设的主休息标准时长，js0为预设的标准进食热量；预设的主休息标准时长和标准进食热量可以根据驾驶员的日常表现大数据结合机器学习算法来获取；
[0075]
需要说明的是，身估值是用于从不同的维度来对驾驶前驾驶员的身体状态进行整体评估的数值；基于身估值可以为驾驶员的身体状态进行评估分类，可以为后续的驾驶员驾驶状态的动态监测分析提供可靠的数据支持，实现了驾驶员驾驶状态的差异化监测，可以有效提高疲劳驾驶监测的整体效果。
[0076]
根据身估值来对驾驶员驾驶前的身体状态进行分析画像；将身估值sg与预设的身估阈值sgymin和sgymax进行匹配；sgymin＜sgymax；
[0077]
若sg＜sgymin，则判定驾驶员驾驶前的身体状态不佳并生成第一身估信号；这里的身体状态不佳相对于身体状态正常而言，表示对应的产生疲劳的风险大于身体状态正常时对应的疲劳风险；
[0078]
若sgymin≤sg≤sgymax，则判定驾驶员驾驶前的身体状态正常并生成第二身估信号；
[0079]
若sg＞sgymax，则判定驾驶员驾驶前的身体状态优秀并生成第三身估信号；
[0080]
身估值以及对应的第一身估信号、第二身估信号和第三身估信号构成驾驶员的行为画像集；
[0081]
本发明实施例中，通过将不同维度的统计数据进行整合获取身估值，并根据身估值来对驾驶员驾驶前的身体状态进行分析评估，以便可以在驾驶员驾驶过程中针对性的实施相匹配的疲劳驾驶监测方案，提高了疲劳驾驶监测方案实施的灵活性。
[0082]
表现监测模块用于对驾驶员驾驶过程中的眼部变化情况进行监测以及数据处理，得到眼部处理集并上传至服务器和数据库；包括：
[0083]
获取驾驶员的眨眼频次并标记为zp；
[0084]
将驾驶员眼部的上眼皮中点和下眼皮中点分别设定为第一监测点和第二监测点，获取第一监测点和第二监测点之间的评估距离并标记为jj；
[0085]
提取眨眼频次和评估距离两者的数值并联立，通过计算获取驾驶员驾驶时眼部的眼估值yg；眼估值yg的计算公式为：
[0086][0087]
式中，y1、y2为预设的不同比例系数，且0＜y1＜y2，y1可以取值为1.216，y2可以取值为2.547；zp0为标准眨眼频次，jj0为标准眼皮距离；标准眨眼频次和标准眼皮距离同样可以基于驾驶员的日常表现大数据结合机器学习算法来获取；其中，眨眼频次越多，评估距离越小，对应的眼估值越大，表示越异常；
[0088]
标记的各项数据和眼估值构成眼部处理集；
[0089]
需要说明的是，眼估值是用于将眼部的不同表现数据进行整合来对驾驶员驾驶时
是否存在疲劳驾驶进行整体评估的数值；通过将眨眼频次和眼皮距离进行联立整合，可以有效提高从眼睛方面分析疲劳驾驶的准确性。
[0090]
融合评估模块，用于根据行为画像集和眼估值对驾驶员驾驶时的状态进行评估，并根据评估的结果自适应的进行动态告警提示；
[0091]
获取眼估值与基准眼估阈值之间的差值，若差值小于v，v为大于零的实数，则将当下的眼估值设定为选中眼估值；
[0092]
若行为画像集中包含第一身估信号，当选中眼估值后续的m个眼估值的评估结果中至少存在n1个选中眼估值，这里的存在可以为不连续，则生成第一告警信号；m、n1均为正整数，且m＞n1；
[0093]
若行为画像集中包含第二身估信号，当选中眼估值后续的m个眼估值的评估结果中至少存在n2个选中眼估值，则生成第二告警信号；n2为正整数，且n2＞n1；
[0094]
若行为画像集中包含第三身估信号，当选中眼估值后续的m个眼估值的评估结果中至少存在n3个选中眼估值，则生成第三告警信号；n2为正整数，且n3≥n2；其中，m可以取值为5，n1可以取值为2，n2可以取值为3，n3可以取值为3或4；
[0095]
选中眼估值以及第一告警信号、第二告警信号和第三告警信号构成评估的结果；
[0096]
本发明实施例中，根据眼估值分析判断驾驶员的眼睛状态是否正常，并根据驾驶前驾驶员的身体状态，自适应的实施相匹配的疲劳驾驶监测方案，通过将后续的若干个连续的监测结果进行整合，动态实施相对应的分析和评估，可以提高不同身体状态下进行疲劳驾驶风险动态分析的整体效果；
[0097]
此外，上述中涉及的公式均是去除量纲取其数值计算，是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的比例系数以及分析过程中各个预设的阈值由本领域的技术人员根据实际情况设定或者大量数据通过机器学习算法训练获得。
[0098]
实施例二
[0099]
如图2所示，本发明为基于数据处理的智慧交通疲劳驾驶监控方法，包括：
[0100]
对驾驶员驾驶前的m个小时内的行为进行监测统计，得到行为数据集，对行为数据集中的各项数据进行特征提取和标记，得到包含休息处理数据、饮食处理数据和健康处理数据的行为处理集；
[0101]
根据根据行为处理集来从不同的维度对驾驶员的身体状态进行分析画像，得到包含身估值以及对应的第一身估信号、第二身估信号和第三身估信号的行为画像集；
[0102]
对驾驶员驾驶过程中的眼部变化情况进行监测以及数据处理，得到包含标记的各项数据和眼估值的眼部处理集；
[0103]
根据行为画像集和眼估值对驾驶员驾驶时的状态进行评估，并根据评估的结果自适应的进行动态告警提示。
[0104]
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，可以通过其它的方式实现。例如，以上所描述的发明实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0105]
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0106]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0107]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的基本特征的情况下，能够以其他的具体形式实现本发明。
[0108]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。