本技術(shù)涉及疲勞駕駛檢測(cè)，特別是涉及一種疲勞狀態(tài)的識(shí)別方法及裝置。

背景技術(shù)：

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(shí)，駕駛員的注意力、思維、判斷等方面受到限制，導(dǎo)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(cè)技術(shù)在交通安全方面起著至關(guān)重要的作用。在現(xiàn)有的疲勞駕駛識(shí)別方法中，一般基于眼睛開(kāi)合度判斷駕駛員是否閉眼，但該方法無(wú)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(chǎng)景下的疲勞駕駛誤報(bào)、漏報(bào)問(wèn)題，因此，導(dǎo)致識(shí)別疲勞狀態(tài)的準(zhǔn)確度不高。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)實(shí)施例的目的在于提供一種疲勞狀態(tài)的識(shí)別方法及裝置，用以解決識(shí)別疲勞狀態(tài)的準(zhǔn)確度不高的問(wèn)題。具體技術(shù)方案如下：

2、第一方面，本技術(shù)實(shí)施例提供了一種疲勞狀態(tài)的識(shí)別方法，所述方法包括：

3、獲取待識(shí)別駕駛員的駕駛特征和當(dāng)前場(chǎng)景信息，其中，所述駕駛特征表征所述待識(shí)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(yù)先訓(xùn)練的疲勞特征提取模型進(jìn)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(gè)卷積層；

5、從預(yù)先建立的場(chǎng)景特征庫(kù)的歷史場(chǎng)景信息中，根據(jù)場(chǎng)景匹配算法確定與所述當(dāng)前場(chǎng)景信息匹配的預(yù)設(shè)數(shù)量個(gè)歷史場(chǎng)景信息，作為目標(biāo)場(chǎng)景信息，其中，所述場(chǎng)景特征庫(kù)包括歷史場(chǎng)景信息和歷史疲勞特征之間的對(duì)應(yīng)關(guān)系；

6、根據(jù)所述對(duì)應(yīng)關(guān)系，確定所述目標(biāo)場(chǎng)景信息對(duì)應(yīng)的目標(biāo)疲勞特征，并確定所述駕駛員疲勞特征與每個(gè)目標(biāo)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(shí)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(xùn)練方式，包括：

9、獲取駕駛特征樣本以及每個(gè)駕駛特征樣本對(duì)應(yīng)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(gè)卷積層對(duì)所述駕駛特征樣本進(jìn)行卷積處理，輸出得到的預(yù)測(cè)疲勞特征至全連接網(wǎng)絡(luò)；

11、所述全連接網(wǎng)絡(luò)對(duì)所述預(yù)測(cè)疲勞特征進(jìn)行處理，得到所述預(yù)測(cè)疲勞特征對(duì)應(yīng)的一維疲勞特征向量；

12、利用激活函數(shù)對(duì)所述一維疲勞特征向量進(jìn)行映射，得到所述一維疲勞特征向量對(duì)應(yīng)的預(yù)估疲勞置信度；

13、利用損失函數(shù)計(jì)算所述預(yù)估疲勞置信度與對(duì)應(yīng)的疲勞置信度真值之間的損失值；

14、基于所述損失值對(duì)所述卷積層的參數(shù)進(jìn)行調(diào)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(yù)先建立的場(chǎng)景特征庫(kù)的歷史場(chǎng)景信息中，根據(jù)場(chǎng)景匹配算法確定與所述當(dāng)前場(chǎng)景信息匹配的預(yù)設(shè)數(shù)量個(gè)歷史場(chǎng)景信息的步驟之前，所述方法還包括：

16、獲取歷史場(chǎng)景信息和在所述歷史場(chǎng)景信息對(duì)應(yīng)的場(chǎng)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(yù)先訓(xùn)練的疲勞特征提取模型進(jìn)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(chǔ)所述歷史場(chǎng)景信息與所述歷史疲勞特征之間的對(duì)應(yīng)關(guān)系，得到場(chǎng)景特征庫(kù)。

19、可選的，所述從預(yù)先建立的場(chǎng)景特征庫(kù)的歷史場(chǎng)景信息中，根據(jù)場(chǎng)景匹配算法確定與所述當(dāng)前場(chǎng)景信息匹配的預(yù)設(shè)數(shù)量個(gè)歷史場(chǎng)景信息，作為目標(biāo)場(chǎng)景信息的步驟，包括：

20、針對(duì)所述場(chǎng)景特征庫(kù)包括的每個(gè)歷史場(chǎng)景信息，根據(jù)場(chǎng)景匹配算法確定所述當(dāng)前場(chǎng)景信息與該歷史場(chǎng)景信息之間的場(chǎng)景相似度；

21、從所述歷史場(chǎng)景信息中，選取對(duì)應(yīng)的場(chǎng)景相似度最高的預(yù)設(shè)數(shù)量個(gè)歷史場(chǎng)景信息，作為目標(biāo)場(chǎng)景信息。

22、可選的，所述當(dāng)前場(chǎng)景信息和所述歷史場(chǎng)景信息均包括至少一個(gè)維度的場(chǎng)景信息；

23、所述根據(jù)場(chǎng)景匹配算法確定所述當(dāng)前場(chǎng)景信息與該歷史場(chǎng)景信息之間的場(chǎng)景相似度的步驟，包括：

24、確定所述當(dāng)前場(chǎng)景信息包括的每個(gè)維度的場(chǎng)景信息與該歷史場(chǎng)景信息包括的該維度的場(chǎng)景信息之間的差異程度；

25、根據(jù)所述每個(gè)維度的場(chǎng)景信息對(duì)應(yīng)的差異程度，確定所述當(dāng)前場(chǎng)景信息與該歷史場(chǎng)景信息之間的場(chǎng)景相似度。

26、可選的，所述至少一個(gè)維度的場(chǎng)景信息包括駕駛時(shí)段、天氣、道路類型、連續(xù)駕駛時(shí)長(zhǎng)以及平均眼距中的至少一種；

27、所述確定所述當(dāng)前場(chǎng)景信息包括的每個(gè)維度的場(chǎng)景信息與該歷史場(chǎng)景信息包括的該維度的場(chǎng)景信息之間的差異程度的步驟，包括：

28、在所述場(chǎng)景信息包括駕駛時(shí)段的情況下，根據(jù)所述當(dāng)前場(chǎng)景信息包括的當(dāng)前駕駛時(shí)段與所述歷史場(chǎng)景信息包括的歷史駕駛時(shí)段之間的最小時(shí)間差值，確定所述當(dāng)前駕駛時(shí)段與所述歷史駕駛時(shí)段之間的時(shí)段差異程度；

29、在所述場(chǎng)景信息包括天氣的情況下，根據(jù)所述當(dāng)前場(chǎng)景信息包括的當(dāng)前天氣與所述歷史場(chǎng)景信息包括的歷史天氣是否一致，確定所述當(dāng)前天氣與所述歷史天氣之間的天氣差異程度；

30、在所述場(chǎng)景信息包括道路類型的情況下，根據(jù)所述當(dāng)前場(chǎng)景信息包括的當(dāng)前道路類型與所述歷史場(chǎng)景信息包括的歷史道路類型是否一致，確定所述當(dāng)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(chǎng)景信息包括連續(xù)駕駛時(shí)長(zhǎng)的情況下，根據(jù)所述當(dāng)前場(chǎng)景信息包括的當(dāng)前連續(xù)駕駛時(shí)長(zhǎng)與所述歷史場(chǎng)景信息包括的歷史連續(xù)駕駛時(shí)長(zhǎng)之間的最小時(shí)長(zhǎng)差值，確定所述當(dāng)前連續(xù)駕駛時(shí)長(zhǎng)與所述歷史連續(xù)駕駛時(shí)長(zhǎng)之間的時(shí)長(zhǎng)差異程度；

32、在所述場(chǎng)景信息包括平均眼距的情況下，根據(jù)所述當(dāng)前場(chǎng)景信息包括的當(dāng)前平均眼距與所述歷史場(chǎng)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(dāng)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(dāng)前場(chǎng)景信息包括的當(dāng)前駕駛時(shí)段與所述歷史場(chǎng)景信息包括的歷史駕駛時(shí)段之間的最小時(shí)間差值，確定所述當(dāng)前駕駛時(shí)段與所述歷史駕駛時(shí)段之間的時(shí)段差異程度的步驟，包括：

34、按照以下公式計(jì)算所述當(dāng)前駕駛時(shí)段與所述歷史駕駛時(shí)段之間的時(shí)段差異程度：

35、；

36、其中，所述為當(dāng)前駕駛時(shí)段，所述為歷史駕駛時(shí)段；

37、所述根據(jù)所述當(dāng)前場(chǎng)景信息包括的當(dāng)前天氣與所述歷史場(chǎng)景信息包括的歷史天氣是否一致，確定所述當(dāng)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(jì)算所述當(dāng)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(dāng)前天氣，所述為歷史天氣；

41、所述根據(jù)所述當(dāng)前場(chǎng)景信息包括的當(dāng)前道路類型與所述歷史場(chǎng)景信息包括的歷史道路類型是否一致，確定所述當(dāng)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(jì)算所述當(dāng)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(dāng)前道路類型，所述為歷史道路類型；

45、所述根據(jù)所述當(dāng)前場(chǎng)景信息包括的當(dāng)前連續(xù)駕駛時(shí)長(zhǎng)與所述歷史場(chǎng)景信息包括的歷史連續(xù)駕駛時(shí)長(zhǎng)之間的最小時(shí)長(zhǎng)差值，確定所述當(dāng)前連續(xù)駕駛時(shí)長(zhǎng)與所述歷史連續(xù)駕駛時(shí)長(zhǎng)之間的時(shí)長(zhǎng)差異程度的步驟，包括：

46、按照以下公式計(jì)算所述當(dāng)前連續(xù)駕駛時(shí)長(zhǎng)與所述歷史連續(xù)駕駛時(shí)長(zhǎng)之間的時(shí)長(zhǎng)差異程度：

47、；

48、其中，所述為當(dāng)前連續(xù)駕駛時(shí)長(zhǎng)，所述為歷史連續(xù)駕駛時(shí)長(zhǎng)；

49、所述根據(jù)所述當(dāng)前場(chǎng)景信息包括的當(dāng)前平均眼距與所述歷史場(chǎng)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(dāng)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(jì)算所述當(dāng)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(dāng)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(gè)維度的場(chǎng)景信息對(duì)應(yīng)的差異程度，確定所述當(dāng)前場(chǎng)景信息與該歷史場(chǎng)景信息之間的場(chǎng)景相似度的步驟，包括：

54、按照以下公式計(jì)算當(dāng)前場(chǎng)景信息與該歷史場(chǎng)景信息之間的場(chǎng)景相似度：

55、；

56、其中，所述為當(dāng)前場(chǎng)景信息，所述為歷史場(chǎng)景信息，所述為所述時(shí)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(shí)長(zhǎng)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(gè)目標(biāo)疲勞特征之間的疲勞相似度的步驟，包括：

58、計(jì)算所述駕駛員疲勞特征與每個(gè)目標(biāo)疲勞特征之間的余弦相似度；

59、計(jì)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(shí)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(yù)設(shè)值的差異程度，確定所述待識(shí)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(yù)設(shè)值用于表征疲勞駕駛或正常駕駛對(duì)應(yīng)的疲勞相似度。

62、可選的，所述獲取待識(shí)別駕駛員的駕駛特征的步驟，包括：

63、在待識(shí)別駕駛員駕駛車輛行駛的過(guò)程中，獲取預(yù)設(shè)時(shí)長(zhǎng)內(nèi)的車內(nèi)圖像傳感器采集的車內(nèi)圖像，并對(duì)所述車內(nèi)圖像進(jìn)行圖像識(shí)別，得到待識(shí)別駕駛員的眼睛開(kāi)合度、嘴巴開(kāi)合度、視線方向角、頭部姿態(tài)角以及人體關(guān)鍵點(diǎn)中的至少一種，作為車內(nèi)參數(shù)；

64、獲取所述預(yù)設(shè)時(shí)長(zhǎng)內(nèi)的車外圖像傳感器采集的車外圖像，并對(duì)所述車外圖像進(jìn)行圖像識(shí)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(yù)設(shè)時(shí)長(zhǎng)內(nèi)的所述車輛的車速、加速度以及方向盤轉(zhuǎn)角中的至少一種，作為行駛參數(shù)；

66、將所述車內(nèi)參數(shù)、所述車外參數(shù)以及所述行駛參數(shù)，按照獲取時(shí)間組成預(yù)設(shè)維度的特征向量，得到待識(shí)別駕駛員的駕駛特征。

67、第二方面，本技術(shù)實(shí)施例提供了一種疲勞狀態(tài)的識(shí)別裝置，所述裝置包括：

68、特征信息獲取模塊，用于獲取待識(shí)別駕駛員的駕駛特征和當(dāng)前場(chǎng)景信息，其中，所述駕駛特征表征所述待識(shí)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(yù)先訓(xùn)練的疲勞特征提取模型進(jìn)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(gè)卷積層；

70、目標(biāo)場(chǎng)景信息確定模塊，用于從預(yù)先建立的場(chǎng)景特征庫(kù)的歷史場(chǎng)景信息中，根據(jù)場(chǎng)景匹配算法確定與所述當(dāng)前場(chǎng)景信息匹配的預(yù)設(shè)數(shù)量個(gè)歷史場(chǎng)景信息，作為目標(biāo)場(chǎng)景信息，其中，所述場(chǎng)景特征庫(kù)包括歷史場(chǎng)景信息和歷史疲勞特征之間的對(duì)應(yīng)關(guān)系；

71、疲勞相似度確定模塊，用于根據(jù)所述對(duì)應(yīng)關(guān)系，確定所述目標(biāo)場(chǎng)景信息對(duì)應(yīng)的目標(biāo)疲勞特征，并確定所述駕駛員疲勞特征與每個(gè)目標(biāo)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(shí)別駕駛員的疲勞狀態(tài)。

73、第三方面，本技術(shù)實(shí)施例提供了一種電子設(shè)備，包括：

74、存儲(chǔ)器，用于存放計(jì)算機(jī)程序；

75、處理器，用于執(zhí)行存儲(chǔ)器上所存放的程序時(shí)，實(shí)現(xiàn)上述第一方面任一所述的方法。

76、第四方面，本技術(shù)實(shí)施例提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)內(nèi)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述第一方面任一所述的方法。

77、本技術(shù)實(shí)施例有益效果：

78、本技術(shù)實(shí)施例提供的方案中，電子設(shè)備可以獲取待識(shí)別駕駛員的駕駛特征和當(dāng)前場(chǎng)景信息，其中，駕駛特征表征待識(shí)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(yù)先訓(xùn)練的疲勞特征提取模型進(jìn)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(gè)卷積層；然后從預(yù)先建立的場(chǎng)景特征庫(kù)的歷史場(chǎng)景信息中，根據(jù)場(chǎng)景匹配算法確定與當(dāng)前場(chǎng)景信息匹配的預(yù)設(shè)數(shù)量個(gè)歷史場(chǎng)景信息，作為目標(biāo)場(chǎng)景信息，其中，場(chǎng)景特征庫(kù)包括歷史場(chǎng)景信息和歷史疲勞特征之間的對(duì)應(yīng)關(guān)系；再根據(jù)對(duì)應(yīng)關(guān)系，確定目標(biāo)場(chǎng)景信息對(duì)應(yīng)的目標(biāo)疲勞特征，并確定駕駛員疲勞特征與每個(gè)目標(biāo)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(shí)別駕駛員的疲勞狀態(tài)。由于相同場(chǎng)景對(duì)應(yīng)的疲勞狀態(tài)具有相似性，因此將當(dāng)前場(chǎng)景信息與預(yù)先建立的場(chǎng)景特征庫(kù)的歷史場(chǎng)景信息進(jìn)行匹配，從而確定出的目標(biāo)疲勞特征是能夠表征在當(dāng)前場(chǎng)景信息下的疲勞狀態(tài)的特點(diǎn)的。那么基于駕駛員疲勞特征與每個(gè)目標(biāo)疲勞特征之間的疲勞相似度，得到待識(shí)別駕駛員的疲勞狀態(tài)，也就可以準(zhǔn)確確定駕駛員的疲勞狀態(tài)，通過(guò)多個(gè)維度的信息確定待識(shí)別駕駛員的疲勞程度，提高了識(shí)別疲勞狀態(tài)的準(zhǔn)確度。當(dāng)然，實(shí)施本技術(shù)的任一產(chǎn)品或方法并不一定需要同時(shí)達(dá)到以上所述的所有優(yōu)點(diǎn)。