一种疲劳驾驶的检测方法及系统技术方案

本发明专利技术涉及交通安全领域，具体而言，涉及一种疲劳驾驶的检测方法及系统。该方法包括，获取图像数据；基于第一异常判断模型处理图像数据，得到第一异常判断结果；若第一异常判断结果为存在异常，获取语音问答数据；基于第二异常判断模型处理语音问答数据，得到第二异常判断结果；基于第二异常判断结果给予提示。本申请提供的一种疲劳驾驶的检测方法，通过多维度和交互式的方法，基于大数据训练得到的模型检测是否存在疲劳驾驶，并且给予提示，保证驾驶安全且效率高。

【技术实现步骤摘要】
一种疲劳驾驶的检测方法及系统
本专利技术涉及交通安全领域，具体而言，涉及一种疲劳驾驶的检测方法及系统。
技术介绍
我国的交通运输业发展迅速，随之而来的道路交通事故也呈上升趋势，根据交通部门的资料显示，由于疲劳驾驶造成的交通事故所占比重很大，占特大交通事故的比重更大，疲劳驾驶已经作为交通事故发生的主要隐患，已经引起人们的关注，针对疲劳驾驶，也出现了许多疲劳驾驶提醒工具，但这些工具时效性极低，能够起到的提醒效果较差。
技术实现思路
本专利技术提供了一种疲劳驾驶的检测方法及系统。本专利技术的一些实施例是这样实现的：一种疲劳驾驶的检测方法，其包括：获取图像数据；基于第一异常判断模型处理所述图像数据，得到第一异常判断结果；若所述第一异常判断结果为存在异常，获取语音问答数据；基于第二异常判断模型处理所述语音问答数据，得到第二异常判断结果；基于所述第二异常判断结果给予提示。本专利技术的一种实施例中：所述图像数据包括驾驶者眼部图像信息。本专利技术的一种实施例中：所述第一异常判断模型为GNN模型。本专利技术的一种实施例中：所述第二异常判断模型包括BERT模型。本专利技术的一种实施例中：所述语音问答数据的特征至少包括语音特征和语义特征。本专利技术一些实施例还提供了一种疲劳驾驶的检测系统，其包括：图像获取模块，用于获取图像数据；第一处理模块，用于基于第一异常判断模型处理所述图像数据，得到第一异常判断结果；语音获取模块，用于若所述第一异常判断结果为存在异常，获取语音问答数据；第二处理模块，用于基于第二异常判断模型处理所述语音问答数据，得到第二异常判断结果；提示模块，用于基于所述第二异常判断结果给予提示。本专利技术一些实施例还提供了一种疲劳驾驶的检测装置，所述装置包括至少一个存储介质以及至少一个处理器；所述至少一个存储介质用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令，以实现上述疲劳驾驶的检测方法。本专利技术的技术方案至少具备以下有益效果：本申请提供的一种疲劳驾驶的检测方法，通过多维度和交互式的方法，基于大数据训练得到的模型检测是否存在疲劳驾驶，并且给予提示，保证驾驶安全且效率高。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本申请一些实施例所示的疲劳驾驶的检测方法的示例性流程图图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，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他实施例，都属于本专利技术保护的范围。实施例在一些实施例中，采用例如基于脉搏信号、驾驶行为、瞳孔状况、语音信号等检测方法，其主要基于单变量检测，准确度不够；而且目前检测方法多为客观检测，没有互动，其带来的后果就是一旦系统检测判定驾驶员处于疲劳状态，其实驾驶员可能已经无法正常控制车辆，其判定也失去了现实意义。针对该缺陷，本申请一些实施例提供了一种疲劳驾驶的检测方法及系统，通过多维度和交互式的方法检测是否存在疲劳驾驶。参考图1，图中为一种疲劳驾驶的检测方法的示例性流程图，其包括以下步骤：步骤110，获取图像数据；可选的，该步骤可以由图像获取模块执行。在一些实施例中，图像数据可以是驾驶者的照片，在实际执行时，可以通过在车内设置摄像头或相机获取驾驶者图像。进一步的，为了减少图像中干扰，提高判断准确性，所述图像数据包括驾驶者眼部图像信息。通过眼部的情况，包括眼睑、眼球以及瞳孔中的一个或多个进行判断，驾驶者是否存在疲劳驾驶。步骤120，基于第一异常判断模型处理所述图像数据，得到第一异常判断结果；可选的，该步骤可以由第一处理模块执行。在一些实施例中，第一异常判断模型可以是深度学习模型，通过预训练使其能够通过眼部图像判断是否存在疲劳驾驶。具体的，可以通过获取历史人脸数据，提取眼部特征；并将是否疲劳作为标签，对深度学习模型进行训练，得到训练完成的模型。进一步的，所述第一异常判断模型为GNN模型。GNN为图神经网络，其对图像具有更好的处理效果，优选的可以选择图神经网络中的图卷积网络(GCN)。在其他具体实施方式中，第一异常判断模型还可以是分类器等。在一些实施例中，第一异常判断结果包括安全或可能存在疲劳驾驶。当安全时，可以终止该流程，而可能存在疲劳驾驶时，执行后续步骤。步骤130，若所述第一异常判断结果为存在异常，获取语音问答数据；可选的，该步骤可以由语音获取模块执行。在一些实施例中，第一异常判断结果为存在异常可以理解是驾驶者可能存在异常，因而需要对齐进行进一步判断。通过语音问答的形式，通过互动式的方式进一步获取驾驶者的情况。即，在该步骤中获取语音问答数据。步骤140，基于第二异常判断模型处理所述语音问答数据，得到第二异常判断结果；可选的，该步骤可以由第二处理模块执行。在一些实施例中，第一异常判断模型可以是自然语言处理(NLP)模型，如transformer、seq2seq等，通过对应答内容语义分析，判断驾驶者是否存在疲劳驾驶。进一步的，所述第二异常判断模型可以包括BERT模型。在一些实施例中，还可以同时对语音问答数据中语音特征进行判断，语音特征可以大致判断驾驶者精神状况，具体的，可以用过另外深度学习模型对语音特征进行分析，此外，可以将该语音特征模型和上述语义分析模型进行联合训练，即将两个模型损失函数相加或加权相加后进行训练。在一些实施例中，第二异常判断结果可以包括安全或存在疲劳驾驶。当安全时，可以终止该流程，而可能存在疲劳驾驶时，执行后续步骤。步骤150，基于所述第二异常判断结果给予提示；可选的，该步骤本文档来自技高网...

【技术保护点】
1.一种疲劳驾驶的检测方法，其特征在于，包括：/n获取图像数据；/n基于第一异常判断模型处理所述图像数据，得到第一异常判断结果；/n若所述第一异常判断结果为存在异常，获取语音问答数据；/n基于第二异常判断模型处理所述语音问答数据，得到第二异常判断结果；/n基于所述第二异常判断结果给予提示。/n

【技术特征摘要】
1.一种疲劳驾驶的检测方法，其特征在于，包括：
获取图像数据；
基于第一异常判断模型处理所述图像数据，得到第一异常判断结果；
若所述第一异常判断结果为存在异常，获取语音问答数据；
基于第二异常判断模型处理所述语音问答数据，得到第二异常判断结果；
基于所述第二异常判断结果给予提示。


2.如权利要求1所述的方法，其特征在于，其中：
所述图像数据包括驾驶者眼部图像信息。


3.如权利要求1所述的方法，其特征在于，其中：
所述第一异常判断模型为GNN模型。


4.如权利要求1所述的方法，其特征在于，其中：
所述第二异常判断模型包括BERT模型。


5.如权利要求1所述的方法，其特征在于，其中：
所述语音问答数据的特征至少包括语音特征和语义特征。


6.一种疲劳驾驶的检测系统，其特征在于，包括：
图像获取模块，用于获取...

【专利技术属性】
技术研发人员：连艳，
申请(专利权)人：重庆工业职业技术学院，
类型：发明
国别省市：重庆;50