自动判别睡驾的方法及系统与流程

本发明涉及计算机，具体涉及一种自动判别睡驾的方法、系统、电子设备及存储介质。

背景技术：

1、在众多的交通事故类型中，除了酒驾，还有一种危险驾驶，数量急剧上升，这就是“睡驾”。“睡驾”是指“在近于睡眠状态中的驾驶行为”，也近乎人们常说的驾车犯困。这种“犯困”现象，会让人注意力下降、视觉处理程序突然中断。对于驾车，尤其是行驶在高速公路的司机来说，十分危险。

2、研究表明，如果按照行驶速度80公里/小时计，驾驶员开车过程中，眼皮发黏犯困、进而眯觉，即使是短短3秒的瞬间，汽车行驶距离已有70米，这个“失控”瞬间与距离，一旦诱发事故，损害严重性，可想而知。

3、为了解决驾驶员睡意驾驶而导致的严重损伤和财产损害，国内外提出了很多用于识别驾驶者的睡意的方法。但是主要方法都是通过驾驶员的面部表情来识别睡驾状态。即在发现驾驶员出现疲劳、打哈欠、眯眼睛及其他错误驾驶状态后，预警系统将会对此类行为进行及时的分析，并进行语音灯光提示，以便达到警示驾驶员，纠正错误驾驶行为的目的。

4、由于人的面部表情识别的局限性，比如，受光照、视角、遮挡、行为习惯、年龄等多方面因素的影响，特别是由于个体差异和环境因素，识别睡驾状态效果并不好，识别精确性一直很差。

5、亟需一种识别精确度较高的自动判别睡驾的方法。

技术实现思路

1、本发明实施例的目的在于提供一种自动判别睡驾的方法、系统、电子设备及存储介质，用以解决现有技术中无法精确对驾驶员的睡驾状态进行判定的问题。

2、为实现上述目的，本发明实施例提供一种自动判别睡驾的方法，所述方法具体包括：

3、获取驾驶员的人脸视频，通过远程光电容积脉搏波描记法分析所述人脸视频，得到生命体征数据；

4、将所述生命体征数据与睡驾状态建立对应的关联关系，基于所述关联关系得到关联数据，基于所述关联数据构建训练集；

5、构建基于深度置信网络的睡驾判别模型；

6、将所述训练集输入所述睡驾判别模型进行训练，得到训练好的睡驾判别模型；

7、将待识别的人脸视频输入训练好的睡驾判别模型，得到驾驶员的睡驾状态判定结果。

8、在上述技术方案的基础上，本发明还可以做如下改进：

9、进一步地，所述获取驾驶员的人脸视频，通过远程光电容积脉搏波描记法分析所述人脸视频，得到生命体征数据，包括：

10、对所述人脸视频进红光和绿光分离，得到人脸视频中每一帧图像的红光亮度和绿光亮度；

11、通过每一帧图像的绿光亮度和红光亮度对血液灌注进行描述,得到绿光脉搏波和红光脉搏波；

12、基于绿光脉搏波和红光脉搏波得到融合脉搏波信号。

13、进一步地，所述获取驾驶员的人脸视频，通过远程光电容积脉搏波描记法分析所述人脸视频，得到生命体征数据，还包括：

14、基于所述绿光脉搏波进行瞬时心率计算，得到瞬时心率。

15、进一步地，所述获取驾驶员的人脸视频，通过远程光电容积脉搏波描记法分析所述人脸视频，得到生命体征数据，还包括：

16、对所述融合脉搏波信号的中心率成分进行去除,提取出呼吸信号。

17、进一步地，所述获取驾驶员的人脸视频，通过远程光电容积脉搏波描记法分析所述人脸视频，得到生命体征数据，还包括：

18、对提取出的呼吸信号进行fft和psd计算,得到人体呼吸率。

19、进一步地，所述构建基于深度置信网络的睡驾判别模型，包括：

20、所述深度置信网络包括若干个rbm，一层一层的训练所述深度置信网络，每一层中，用数据向量推断隐层，再把所述隐层当作下一层的数据向量；

21、单独无监督训练每一层rbm网络，确保特征向量映射到不同特征空间，最后由bp网络接收rbm的输出特征向量作为输入特征向量；

22、反向传播网络自顶向下将错误信息传播给每一层rbm，微调整个dbn网络，进行有监督的训练。

23、进一步地，所述将所述训练集输入所述睡驾判别模型进行训练，得到训练好的睡驾判别模型，包括：

24、将所述关联数据划分为训练集、验证集和测试集；

25、基于所述训练集训练所述睡驾判别模型；

26、基于所述验证集对训练后的所述睡驾判别模型进行性能评估，得到满足性能条件的睡驾判别模型；

27、基于所述测试集评估满足性能条件的所述睡驾判别模型的分割结果，得到所述睡驾判别模型所对应的评价指数。

28、一种自动判别睡驾的系统，包括：

29、获取模块，用于获取驾驶员的人脸视频；

30、生命体征数据确定模块，用于通过远程光电容积脉搏波描记法分析所述人脸视频，得到生命体征数据；

31、关联模块，用于将所述生命体征数据与睡驾状态建立对应的关联关系，基于所述关联关系得到关联数据，基于所述关联数据构建训练集；

32、构建模块，用于构建基于深度置信网络的睡驾判别模型；

33、训练模块，用于将所述训练集输入所述睡驾判别模型进行训练，得到训练好的睡驾判别模型；

34、判断模块，用于将待识别的人脸视频输入训练好的睡驾判别模型，得到驾驶员的睡驾状态判定结果。

35、一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述方法的步骤。

36、一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。

37、本发明实施例具有如下优点：

38、本发明中自动判别睡驾的方法，获取驾驶员的人脸视频，通过远程光电容积脉搏波描记法分析所述人脸视频，得到生命体征数据；将所述生命体征数据与睡驾状态建立对应的关联关系，基于所述关联关系得到关联数据，基于所述关联数据构建训练集；构建基于深度置信网络的睡驾判别模型；将所述训练集输入所述睡驾判别模型进行训练，得到训练好的睡驾判别模型；将待识别的人脸视频输入训练好的睡驾判别模型，得到驾驶员的睡驾状态判定结果，解决了现有技术中无法精确对驾驶员的睡驾状态进行判定的问题。

技术特征：

1.一种自动判别睡驾的方法，其特征在于，所述方法具体包括：

2.根据权利要求1所述自动判别睡驾的方法，其特征在于，所述获取驾驶员的人脸视频，通过远程光电容积脉搏波描记法分析所述人脸视频，得到生命体征数据，包括：

3.根据权利要求2所述自动判别睡驾的方法，其特征在于，所述获取驾驶员的人脸视频，通过远程光电容积脉搏波描记法分析所述人脸视频，得到生命体征数据，还包括：

4.根据权利要求3所述自动判别睡驾的方法，其特征在于，所述获取驾驶员的人脸视频，通过远程光电容积脉搏波描记法分析所述人脸视频，得到生命体征数据，还包括：

5.根据权利要求4所述自动判别睡驾的方法，其特征在于，所述获取驾驶员的人脸视频，通过远程光电容积脉搏波描记法分析所述人脸视频，得到生命体征数据，还包括：

6.根据权利要求1所述自动判别睡驾的方法，其特征在于，所述构建基于深度置信网络的睡驾判别模型，包括：

7.根据权利要求1所述自动判别睡驾的方法，其特征在于，所述将所述训练集输入所述睡驾判别模型进行训练，得到训练好的睡驾判别模型，包括：

8.一种自动判别睡驾的系统，其特征在于，包括：

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中的任一项所述的方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中的任一项所述的方法的步骤。

技术总结
本发明实施例公开了一种自动判别睡驾的方法及系统，获取驾驶员的人脸视频，通过远程光电容积脉搏波描记法分析所述人脸视频，得到生命体征数据；将所述生命体征数据与睡驾状态建立对应的关联关系，基于所述关联关系得到关联数据，基于所述关联数据构建训练集；构建基于深度置信网络的睡驾判别模型；将所述训练集输入所述睡驾判别模型进行训练，得到训练好的睡驾判别模型；将待识别的人脸视频输入训练好的睡驾判别模型，得到驾驶员的睡驾状态判定结果。该自动判别睡驾的方法解决现有技术中无法精确对驾驶员的睡驾状态进行判定的问题。

技术研发人员：杜登斌
受保护的技术使用者：吾征智能技术（北京）有限公司
技术研发日：
技术公布日：2024/1/15