信息输出方法和装置制造方法及图纸

本申请实施例公开了信息输出方法和装置。该方法的一具体实施方式包括：获取记录有目标驾驶员的当前驾车过程的目标视频；将目标视频输入至预先训练的深度学习模型，得到目标驾驶员的预测疲劳驾驶出现时间段，其中，深度学习模型用于表征记录有驾驶员的当前驾车过程的视频与驾驶员的预测疲劳驾驶出现时间段之间的对应关系；确定目标驾驶员的预测疲劳驾驶出现时间段是否在预设时间段范围内；响应于确定在预设时间段范围内，输出目标驾驶员的预测疲劳驾驶出现时间段。该实施方式能够预测驾驶员的疲劳驾驶出现时间段，并输出所预测的疲劳驾驶出现时间段，有助于减少因疲劳驾驶所造成的交通事故。

【技术实现步骤摘要】
信息输出方法和装置
本申请实施例涉及计算机
，具体涉及互联网
，尤其涉及信息输出方法和装置。
技术介绍
驾驶疲劳，是指驾驶员在长时间连续行车后，产生生理机能和心理机能的失调，而在客观上出现驾驶技能下降的现象。驾驶员睡眠质量差或不足，长时间驾驶车辆，容易出现疲劳。驾驶疲劳会影响到驾驶员的注意、感觉、知觉、思维、判断、意志、决定和运动等诸方面。驾驶员疲劳时判断能力下降、反应迟钝和操作失误增加。驾驶员处于轻微疲劳时，会出现换档不及时、不准确；驾驶员处于中度疲劳时，操作动作呆滞，有时甚至会忘记操作；驾驶员处于重度疲劳时，往往会下意识操作或出现短时间睡眠现象，严重时会失去对车辆的控制能力。驾驶员疲劳时，会出现视线模糊、腰酸背疼、动作呆板、手脚发胀或有精力不集中、反应迟钝、思考不周全、精神涣散、焦虑、急躁等现象。如果仍勉强驾驶车辆，则可能导致交通事故的发生。
技术实现思路
本申请实施例提出了信息输出方法和装置。第一方面，本申请实施例提供了一种信息输出方法，该方法包括：获取记录有目标驾驶员的当前驾车过程的目标视频；将目标视频输入至预先训练的深度学习模型，得到目标驾驶员的预测疲劳驾驶出现时间本文档来自技高网...

【技术保护点】
一种信息输出方法，包括：获取记录有目标驾驶员的当前驾车过程的目标视频；将所述目标视频输入至预先训练的深度学习模型，得到所述目标驾驶员的预测疲劳驾驶出现时间段，其中，所述深度学习模型用于表征记录有驾驶员的当前驾车过程的视频与驾驶员的预测疲劳驾驶出现时间段之间的对应关系；确定所述目标驾驶员的预测疲劳驾驶出现时间段是否在预设时间段范围内；响应于确定在所述预设时间段范围内，输出所述目标驾驶员的预测疲劳驾驶出现时间段。

【技术特征摘要】
1.一种信息输出方法，包括：获取记录有目标驾驶员的当前驾车过程的目标视频；将所述目标视频输入至预先训练的深度学习模型，得到所述目标驾驶员的预测疲劳驾驶出现时间段，其中，所述深度学习模型用于表征记录有驾驶员的当前驾车过程的视频与驾驶员的预测疲劳驾驶出现时间段之间的对应关系；确定所述目标驾驶员的预测疲劳驾驶出现时间段是否在预设时间段范围内；响应于确定在所述预设时间段范围内，输出所述目标驾驶员的预测疲劳驾驶出现时间段。2.根据权利要求1所述的方法，其中，所述方法还包括：获取包括缓解疲劳驾驶的方式的提示信息，并输出。3.根据权利要求1所述的方法，其中，所述深度学习模型包括卷积神经网络、循环神经网络和全连接层。4.根据权利要求3所述的方法，其中，所述将所述目标视频输入至预先训练的深度学习模型，得到所述目标驾驶员的预测疲劳驾驶出现时间段，包括：将所述目标视频输入至所述卷积神经网络，得到所述目标视频的各帧图像的特征向量，其中，所述卷积神经网络用于表征视频与视频的各帧图像的特征向量之间的对应关系；将所述目标视频的各帧图像的特征向量输入至所述循环神经网络，得到所述目标视频的特征向量，其中，所述循环神经网络用于表征视频的各帧图像的特征向量与视频的特征向量之间的对应关系，视频的特征向量用于表征视频的各帧图像的特征向量之间的关联关系；将所述目标视频的特征向量输入至所述全连接层，得到所述目标驾驶员的预测疲劳驾驶出现时间段，其中，所述全连接层用于表征视频的特征向量与驾驶员的预测疲劳驾驶出现时间段之间的对应关系。5.根据权利要求1所述的方法，其中，所述深度学习模型通过如下步骤训练得到：获取多个记录有样本驾驶员的驾车过程的样本视频和所述多个样本视频中的每个样本视频所对应的所述样本驾驶员的疲劳驾驶出现时间段；将所述多个样本视频中的每个样本视频作为输入，将所述多个样本视频中的每个样本视频所对应的所述样本驾驶员的疲劳驾驶出现时间段作为输出，训练得到所述深度学习模型。6.根据权利要求5所述的方法，其中，所述将所述多个样本视频中的每个样本视频作为输入，将所述多个样本视频中的每个样本视频所对应的所述样本驾驶员的疲劳驾驶出现时间段作为输出，训练得到所述深度学习模型，包括：执行以下训练步骤：将所述多个样本视频中的每个样本视频依次输入至初始化深度学习模型，得到所述多个样本视频中的每个样本视频所对应的所述样本驾驶员的预测疲劳驾驶出现时间段，将所述多个样本视频中的每个样本视频所对应的所述样本驾驶员的预测疲劳驾驶时间段与该样本视频所对应的所述样本驾驶员的疲劳驾驶出现时间段进行比较，得到所述初始化深度学习模型的预测准确率，确定所述预测准确率是否大于预设准确率阈值，若大于所述预设准确率阈值，则将所述初始化深度学习模型作为训练完成的深度学习模型。7.根据权利要求6所述的方法，其中，所述将所述多个样本视频中的每个样本视频作为输入，将所述多个样本视频中的每个样本视频所对应的所述样本驾驶员的疲劳驾驶出现时间段作为输出，训练得到所述深度学习模型，还包括：响应于不大于所述预设准确率阈值，调整所述初始化深度学习模型的参数，并继续执行所述训练步骤。8.一种信息输出装置，包括：目标视频获取单元，配置用于获取记录有目标驾驶员的当前驾车过程的目标视频；疲劳驾驶出现时间段预测单元，配置用于将所述目标视频输入至预先训练的深度学习模型，得到所述目标驾驶员的...

【专利技术属性】
技术研发人员：贾巍，商兴奇，李宏言，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11