驾驶员疲劳驾驶判断方法、存储介质及电子设备

摘要

本发明提供一种驾驶员疲劳驾驶判断方法、存储介质及电子设备，其中的方法包括：根据预设采样周期，在设定采样时间点采集车辆的行驶参数；解析采集到的行驶参数，判断每一行驶参数是否为异常状态，将每一行驶参数的判断结果与对应的采样时间相关联；若在预设周期内行驶参数为异常状态的次数超过设定阈值则判定驾驶员为疲劳驾驶；其中，所述预设周期为所述预设采样周期的三倍以上。本发明提供的上述方案，首先根据短时间(采样周期)采集到的行驶参数判断车辆的行驶状态，之后在长时间(预设周期)内通过统计车辆信息状态的异常次数，判断驾驶员是否处于疲劳的状态，不需要在车内增加额外的仪器和装置，而且具有较高的检测精度、较低的误报率。

说明书

技术领域

本发明涉及汽车自动控制技术领域，具体地涉及一种驾驶员疲劳驾驶判断方法、存储介质及电子设备。

背景技术

随着汽车保有量的不断增加，驾驶员疲劳驾驶所造成的交通事故越来越多，因此有必要对驾驶过程中驾驶员的疲劳状态进行预警。当前国内和国外的疲劳检测方法中，主要有如下三种方式：

一是通过给驾驶员佩戴一些生理设备，对驾驶员的生理信息进行检测，通过生理信息判断驾驶员是否处于疲劳状态。基于生理信息的疲劳检测方法无疑是最准确的，给驾驶员佩戴的生理设备必然会对驾驶造成干扰，所以基于生理信息的疲劳检测方法运用到实车上还存在一些问题。

二是在驾驶室内安装摄像头，拍摄驾驶员的面部信息，确定驾驶员是否有打哈欠、眨眼、闭眼等行为特征，判断驾驶员是否处于疲劳状态。这种方法需要在驾驶室内安装摄像头，摄像头的检测结果容易受到光照等环境因素的影响导致判断结果不准确。

发明内容

本发明旨在解决现有技术中驾驶员疲劳状态检测中所存在的上述问题，提供一种驾驶员疲劳驾驶判断方法、存储介质及电子设备。

为此，本发明提供一种驾驶员疲劳驾驶判断方法，包括如下步骤：

根据预设采样周期，在设定采样时间点采集车辆的行驶参数；

解析采集到的行驶参数，判断每一行驶参数是否为异常状态，将每一行驶参数的判断结果与对应的采样时间相关联；

若在预设周期内行驶参数为异常状态的次数超过设定阈值则判定驾驶员为疲劳驾驶；其中，所述预设周期为所述预设采样周期的G倍，G为整数且G≥3。

可选地，上述的驾驶员疲劳驾驶判断方法中，通过第一层极限学习机解析采集到的行驶参数，所述第一层极限学习机中预存有所述行驶参数的异常值范围，比较所述行驶参数与所述异常值范围，若所述行驶参数落入所述异常值范围则判定所述行驶参数为异常状态。

可选地，上述的驾驶员疲劳驾驶判断方法中，通过第二层极限学习机解析所述第一层极限学习机的判断结果，所述第二层极限学习机中存储有所述设定阈值，且根据每一所述行驶参数是否处于异常状态调整预设周期的起始时间节点。

可选地，上述的驾驶员疲劳驾驶判断方法中，所述第二层极限学习机通过如下方式调整预设周期的起始时间节点：

若连续P次获取到的判断结果均表示行驶参数为正常状态，则以第P+1次获取到判断结果的时间节点作为下一预设周期的起始时间节点，其中P为整数且P＜G。

可选地，上述的驾驶员疲劳驾驶判断方法中，所述P的取值为P＝[G/2]。

可选地，上述的驾驶员疲劳驾驶判断方法中，根据预设采样周期，在设定采样时间点采集车辆的行驶参数的步骤中：

所述行驶参数包括根据车辆数据得到的均值和/或标准差，其中所述车辆数据包括：方向盘转角、方向盘转角速率、横摆角速度和横向位置中的至少一种。

可选地，上述的驾驶员疲劳驾驶判断方法中，还包括如下步骤：

发出报警提示信号以提醒驾驶员当前正处于疲劳驾驶状态。

可选地，上述的驾驶员疲劳驾驶判断方法中，还包括如下步骤：

若发出警示信号后的设定时间内，持续地判定驾驶员为疲劳驾驶，则控制车辆开启双闪警示灯，并且控制车辆沿当前行驶车道继续行驶，同时控制车辆的行驶速度按照设定变化规律降低为零。

本发明还提供一种计算机可读存储介质，所述存储介质中存储有供计算机读取的程序指令，所述计算机读取所述程序指令后执行以上任一项所述的驾驶员疲劳驾驶判断方法。

本发明还提供一种电子设备，包括至少一个处理器和至少一个存储器，至少一个所述存储器中存储有程序指令，至少一个所述处理器读取所述程序指令后执行以上任一项所述的驾驶员疲劳驾驶判断方法。

本发明提供的以上任一技术方案与现有技术相比，至少具有以下有益效果：

本发明提供的驾驶员疲劳驾驶判断方法、存储介质及电子设备，其中的方法包括：根据预设采样周期，在设定采样时间点采集车辆的行驶参数；解析采集到的行驶参数，判断每一行驶参数是否为异常状态，将每一行驶参数的判断结果与对应的采样时间相关联；若在预设周期内行驶参数为异常状态的次数超过设定阈值则判定驾驶员为疲劳驾驶；其中，所述预设周期为所述预设采样周期的多倍。本发明提供的上述方案，首先根据短时间(采样周期)采集到的行驶参数判断车辆的行驶状态，之后在长时间(预设周期)内通过统计各个车辆信息状态的异常次数，判断驾驶员是否处于疲劳的状态，不需要在车内增加额外的仪器和装置，而且具有较高的检测精度、较低的误报率。

附图说明

图1为本发明一个实施例所述驾驶员疲劳驾驶判断方法的流程图；

图2为典型的单隐含层前馈神经网络结构；

图3为本发明另一个实施例所述驾驶员疲劳驾驶判断方法的流程图；

图4为本发明一个实施例所述根据两层极限学习机确定驾驶员是否疲劳驾驶的具体信息流示意图；

图5为本发明一个实施例所述电子设备的硬件结构示意图。

具体实施方式

下面将结合附图进一步说明本发明实施例。在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明的简化描述，而不是指示或暗示所指的装置或组件必需具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。其中，术语“第一位置”和“第二位置”为两个不同的位置。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个组件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

本实施例提供一种驾驶员疲劳驾驶判断方法，可以应用于车辆的整车控制器或者其他处理模块中，如图1所示，包括如下步骤：

S101：根据预设采样周期，在设定采样时间点采集车辆的行驶参数。所述采样周期可选择较短的时间，例如1秒，2秒等。行驶参数为根据车辆数据得到的能够体现车辆行驶稳定性的一些参数，车辆数据包括方向盘转角、方向盘转角速率、横摆角速度、横向位置等。这些车辆数据可以从车辆CAN总线或者车辆搭载的基本传感器直接读取，不需要额外的设备。而行驶参数可以为依据上述车辆数据计算得到的平均值、和/或标准差。下面以方向盘转角的均值和标准差为例进行说明。在采样周期内通过CAN总线获取方向盘转角，结合当前获得的检测值与之前获得的检测值确定Z个检测周期内的方向盘转角的均值和标准差，其中：

方向盘转角绝对值均值SA_MEAN的计算公式如下：

其中，SA_f为第f个采样周期方向盘转角。

方向盘转角标准差SA_STD的计算公式如下：

其中，SA_m的计算公式如下:

相应地，方向盘转角速率、横摆角速度和横向位置这些参数的均值和标准差的计算公式均可参考上述方向盘转角均值和标准差的计算过程。只需要将其中的方向盘转角的采样值替换为对应车辆数据的采样值即可。

S102：解析采集到的行驶参数，判断每一行驶参数是否为异常状态，将每一行驶参数的判断结果与对应的采样时间相关联。具体地，在车辆行驶过程中每一车辆数据均有其正常的变化规律，而如果实际采集到的行驶参数与其正常的变化规律之间的偏差过大时，则属于异常状态。作为一种实时方案，例如：

车辆的控制器能够根据车辆上的导航装置、车辆的车道辅助保持装置等判断当前车辆所处的道路情况，例如根据上述装置得到车辆当前正在高速公路上行驶，则正常情况下车辆应该沿着当前车道保持匀速、直线地行驶，此时的方向盘转角、转角速率应该都维持在一个稳定的水平，车辆的速度也应该稳定地保持在高速公路的限速范围内，上下偏差不会太大。而如果此时获取到车辆的方向盘转角变化突然很大，又突然恢复到变化前的状态，此时即可认为方向盘转角这一数据有异常，又或者当前检测到的车辆速度值明显超过过去Z个检测周期内的速度均值，则可以说明当前速度这一数据有异常。

S103：若在预设周期内行驶参数为异常状态的次数超过设定阈值则判定驾驶员为疲劳驾驶；其中，所述预设周期为所述预设采样周期的G倍，G为整数且G≥3，所述设定阈值可以根据实际情况选择，例如可以为[G/3]，其中[]表示取整数。本步骤中，采用一个更长的周期来判断车辆在行驶过程中出现异常状况的次数，例如预设周期为10个采样周期，而在该周期内有3次检测到车辆行驶数据异常的情况，则可以确定驾驶员当前处于疲劳状态。以上方案中，首先根据短时间(采样周期)采集到的行驶参数判断车辆的行驶状态，之后在长时间(预设周期)内通过统计车辆信息状态的异常次数，判断驾驶员是否处于疲劳的状态，不需要在车内增加额外的仪器和装置，而且具有较高的检测精度、较低的误报率。优选地，上述方案中的步骤S102通过第一层极限学习机来实现，通过第一层极限学习机解析采集到的行驶参数，所述第一层极限学习机中预存有所述行驶参数的异常值范围，比较所述行驶参数与所述异常值范围，若所述行驶参数落入所述异常值范围则判定所述行驶参数为异常状态。极限学习机是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法。2006年由南洋理工大学黄广斌副教授提出。相对于传统的神经网络学习算法(如BP算法)需要人为设置大量的网络训练参数，极限学习机只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解，因此具有学习速度快且泛化性能好的优点。典型的单隐含层前馈神经网络结构如图2所示。从图中可以看出，典型的单隐含层前馈神经网络由输入层、隐含层和输出层三部分组成，输入层的神经元与隐含层的神经元之间全连接、隐含层的神经元与输出层的神经元之间全连接。其中，输入层有n个神经元，对应n个输入变量；隐含层有l个神经元；输出层有m个神经元，对应m个输出变量。输入层与隐含层之间的连接权值ω如下式所示：

其中，ω_ij表示输入层第i个神经元与隐含层第j个神经元之间的连接权值。

隐含层与输出层之间的连接权值β如公式下式所示：

其中，β_jk表示隐含层第j个神经元与输出层第k个神经元之间的连接权值。

隐含层的神经元的偏置b如下式所示：

具有Q个样本的训练集输入矩阵X可以表示为：

设隐含层神经元的激活函数为g(x)，则网络的输出矩阵T为：T＝[t₁，t₂，…，t_Q]_1×Q

其中，t的计算公式如下式所示：

其中，ω_i＝[ω_i1，ω_i2，…，ω_in]，x_j＝[x_1j，x_2j，...，x_nj]^T。

上式可以表示为Hβ＝T¹，T¹为矩阵T的转置矩阵，H为隐含层的输出矩阵，H的计算公式如下式所示：

黄广斌等人在基于前人研究的基础上，对SLFN进行了探索，提出了如下2个定理：

(1)对于给定的任意Q个不同样本(xi，ti)，其中，x_i＝[x_i1，x_i2，…，x_in]^T∈Rⁿ，t_i＝[t_i1，t_i2，…，t_im]∈R^m，在任意区间无限可微的一个激活函数g：R→R，那么对于具有Q个隐含层神经元的SLFN，在任意赋值ωi∈Rn和bi∈R的情况下，其隐含层的输出矩阵H是可逆的而且有||Hβ-T1||＝0。

(2)对于给定的任意Q个不同样本(x_i，t_i)，其中，x_i＝[x_i1，x_i2，…，x_in]^T∈Rⁿ，t_i＝[t_i1，t_i2，…，t_im]∈R^m，给定一个任意小误差ε(ε>0)和在任意区间无限可微的一个激活函数g：R→R，那么总存在一个SLFN，其含有K(K≤Q)个隐含层神经元，在任意赋值ω_i∈Rⁿ和b_i∈R的情况下，有||H_N.Mβ_M.m-T¹||＜ε。

从定理1可以知道，如果隐含层的神经元个数等于训练集的样本个数，那么SLFN对于任意的ω和b都可以零误差逼近训练样本。但是如果训练集的样本个数Q较大，为了使计算可以简化，通常取隐含层的神经元个数K小于训练集的样本个数Q，从定理2可以知道，SLFN的训练误差可以逼近任意的ε(ε>0)。

因此，如果激活函数g(x)是无限可微的，就不需要对SLFN的参数全部进行调整，在训练前可以随机选择ω和b，且在训练过程中保持不变。而隐含层与输出层之间的连接权值β可以通过对方程组min_β||Hβ-T¹||求解最小二乘解获得，方程组的解为H⁺为隐含层的输出矩阵H的Moore-Penrose的广义逆。以上对极限学习机的原理进行了描述，下面结合本实施例中的方案对上述过程进行详细说明。作为一种可选的方案，本实施例中极限学习机的算法在训练过程中的步骤如下：

1)确定隐含层神经元个数(本文设定为1000)随机设定输入层与隐含层之间的连接权值ω和隐含层神经元的偏置b；本步骤中的神经元可以包括行驶参数，例如方向盘转角均值和标准差、方向盘转角速率均值和标准差、横摆角速度均值和标准差和横向位置的均值和标准差。不同隐含层对应的权值可以根据其对于驾驶稳定性的影响程度进行确定，例如认为方向盘转角相对于方向盘转角速率来说，方向盘转角速率对于驾驶的稳定性影响更大，则可以将方向盘转角速率对应的权重值设定的高于方向盘转角的权重值。而偏置b可以认为是某一行驶参数的初始基准值，根据实际情况设置即可，例如行驶速度的偏置会高于方向盘旋转角度的偏置。

2)选择Sigmoid函数作为隐含层神经元的激活函数，其函数表达为：

进而计算隐含层的输出矩阵H；

3)计算输出层权值β；

根据实际输出与理想输出的偏差对于连接权值ω进行调整，使得实际输出与理想输出能够保持一致，从而得到每一层的最终权值，相应的也就得到了输出层权值β，由此即可得到极限学习机的模型。

以图4所示，其中车辆信息包括方向盘转角、方向盘转角速率、横摆角速度和横向位置，以上述参数的绝对值标准差作为极限学习机的输入，每一参数均可以对应一个ELM模型，得到ELM模型1至ELM模型4，其中的ELM模型1可以为方向盘转角的正常模型或异常模型，同理ELM模型2可以为方向盘转角速率的正常模型或异常模型，ELM模型3可以为横摆角速度的正常模型或异常模型，ELM模型4可以为横向位置的正常模型或异常模型。因此采用上述方法可以训练得到车辆信息正常状态模型和车辆信息异常状态模型，还可以将上述模型进一步细分为：方向盘转角的正常模型和异常模型、方向盘转角速率的正常模型和异常模型、横摆角速度的正常模型和异常模型、横向位置的正常模型和异常模型。将训练完成的极限学习机应用至本方案中，采用行驶参数作为输入，最终就会输出根据行驶参数判定行驶状态是否异常的判断结果。

优选地，上述方案中的步骤S103通过第二层极限学习机来实现，如图4中的ELM模型5，采用上述ELM模型1至ELM模型4的输出作为ELM模型5的输入参数，通过第二层极限学习机解析所述第一层极限学习机的判断结果，所述第二层极限学习机中存储有所述设定阈值，且根据每一所述行驶参数是否处于异常状态调整预设周期的起始时间节点。对于第二层极限学习机的训练过程可参考上述方案，其中样本输入采用第一层极限学习机模型的输出，即以行驶参数的异常次数作为样本，具体还可以细分为方向盘转角的异常次数、方向盘转角速率的异常次数、横摆角速度的异常次数、横向位置的异常次数，以是否为疲劳驾驶的判定结果作为输出进行训练，即可得到驾驶员清醒状态模型和驾驶员疲劳状态模型。

进一步优选地，以上方案中，所述第二层极限学习机通过如下方式调整预设周期的起始时间节点：若连续P次获取到的判断结果均表示行驶参数为正常状态，则以第P+1次获取到判断结果的时间节点作为下一预设周期的起始时间节点，其中P为整数且P＜G，优选所述P的取值为P＝[G/2]。也即，对于预设周期的起始时间节点并非是固定的，可以根据实际情况对其进行设定，因为在实际操作过程中可能会出现如下情况：在第一个预设周期的最后两次检测结果中出现异常，在第二个预设周期的前两次检测结果中出现异常，如果按照固定预设周期起点的方式，上述情况可能不会被认为驾驶员疲劳驾驶。

而采用本方案后，在第一个预设周期中如果连续P个周期都没检测到异常，则可以将第一个预设周期的第P个检测周期作为第二个预设周期的起点，则再出现上述情况后，即可将连续四次异常情况均归为第二个预设周期内出现的，此时即可准确判定为驾驶员疲劳驾驶了。因此，本方案中的判断结果会更加准确。

实施例2

本实施例提供一种驾驶员疲劳驾驶判断方法，可以应用于车辆的整车控制器或者其他处理模块中，如图3所示，在实施例1所述步骤的基础上还包括如下步骤：

S104：发出报警提示信号以提醒驾驶员当前正处于疲劳驾驶状态。如果检测到驾驶员处于疲劳驾驶状态则说明驾驶员可能无法正常驾驶车辆，此时控制双闪警示灯开启，以提醒附近车辆远离本车，避免出现交通事故。

S105：若发出警示信号后的设定时间内，持续地判定驾驶员为疲劳驾驶，则控制车辆开启双闪警示灯，并且控制车辆沿当前行驶车道继续行驶，同时控制车辆的行驶速度按照设定变化规律降低为零。也即如果持续检测到驾驶员处于疲劳驾驶状态，则控制车辆慢慢减速最后停车，结合双闪警示灯提示后面的车辆驾驶员注意前车可能需要停车，以避免发生交通事故。

实施例3

本实施例提供一种计算机可读存储介质，所述存储介质中存储有供计算机读取的程序指令，所述计算机读取所述程序指令后执行实施例1或实施例2所述的驾驶员疲劳驾驶判断方法。本实施例存储介质所存储的指令信息，能够根据短时间(采样周期)采集到的行驶参数判断车辆的行驶状态，之后在长时间(预设周期)内通过统计各个车辆信息状态的异常次数，判断驾驶员是否处于疲劳的状态，不需要在车内增加额外的仪器和装置，而且具有较高的检测精度、较低的误报率。

实施例4

本实施例提供一种电子设备，如图5所示，包括至少一个处理器401和至少一个存储器402，至少一个所述存储器402中存储有程序指令，至少一个所述处理器401读取所述程序指令后可执行以上任一所述的驾驶员疲劳驾驶判断方法。上述装置还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接。上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。

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，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。