【技术实现步骤摘要】
一种智能车载盒子及驾驶疲劳监测方法
[0001]本专利技术涉及汽车安全驾驶，尤其涉及一种智能车载盒子及驾驶疲劳监测方法。
技术介绍
[0002]交通事故是发生事故的最重要因素之一，尤其是在乡村道路上和高速公路上，疲劳会降低驾驶员的感知能力和控制车辆的决策能力。研究表明，驾驶员通常在驾驶1小时后就会感到疲劳。在单车碰撞(只有一辆车受损的事故)或涉及重型车辆的碰撞中，高达50％的事故与驾驶员的警惕性不足有关。现阶段，较多的疲劳检测技术被应用到汽车上进行监测，但是经过申请人的研究发现，疲劳检测系统都是采用装载于车辆上中控主机或车载娱乐主机来进行。这无疑将消耗中控主机或车载娱乐主机的资源，势必会增加主机的符合。不同车型都有高配，车辆硬件配置不一样，不一定能够具备用于疲劳检测的算力和硬件条件，导致驾驶员存在需求由于硬件或系统不支持而无法安装。另外，目前的基于图像处理的驾驶行为监测技术主要通过图像处理和传统机器学习的方法提取车载摄像头采集的驾驶员面部特征或身体姿态特征来监测驾驶员的驾驶行为的硬件配置较为简单，仅需要摄像头和处理器即可实现...
【技术保护点】
【技术特征摘要】
1.智能车载盒子的驾驶疲劳监测方法，其特征在于，至少包括：通过装载于智能车载盒子上的摄像头采集图像，对图像进行第一数据分析处理获取被监测人员的人脸特征；提取人脸特征中用于表征疲劳程度的关键特征；根据疲劳程度的关键特征评估被监测的人员疲劳等级；其中，表征疲劳程度的关键特征包括:眼睛闭合频率η和眼睛眨眼频率嘴巴的闭合频率mo；第一数据分析处理包括：获取初始帧的图像中存在的人脸，从存在的人脸中获取被监测的人脸图像，持续循环在后续采集的图像中搜索定位被监测的人脸图像；被监测的人员包括驾驶员或车内指定区域的人员。2.如权利要求1所述的智能车载盒子的驾驶疲劳监测方法，其特征在于，将每帧图像中的mo，η组成训练数据集，利用支撑向量机或逻辑回归进行训练获取训练后的分类模型；利用训练后的分类模型对新的图像进行分类识别，获取被监测人员的疲劳程度。3.如权利要求1所述的智能车载盒子的驾驶疲劳监测方法，其特征在于，搜索定位被监测的人脸图像实现的方法包括：获取上一帧图像中被监测人脸轮廓的最小外接矩形Arect；分别获取本帧图像中所有的人脸轮廓最小外接矩形B(i)rect,i＝1,2,
…
,k；根据Arect、B(i)rect计算位置空间关联系数T(i)s,i＝1,2,
…
,k；将空间关联系数T(i)s与预设阈值相比较，获取所有小于预设阈值的空间关联系数T(i)s；求解所有小于阈值的空间关联系数T(i)s中的最小值Tmin_s,则根据Tmin_s在本帧图像获取对应B(i)rect，B(i)rect包围的人脸为搜索定位的被监测的人脸图像。4.如权利要求3所述的智能车载盒子的驾驶疲劳监测方法，其特征在于，从存在的人脸中获取被监测的人脸图像包括：预先获取被监测的人脸图像，通过模块匹配将预先获取的被监测人脸图像在当前图像存在的人脸图像中进行匹配定位被监测的人员图像；或当被监测的人脸为驾驶员时，从存在的人脸中获取被监测的人脸图像包括：获取图像中人脸数量，获取所有检测出的人脸的最小外接矩形；获取每个人脸的最小外接矩形的中心点的横坐标和纵坐标P(x
i
,y
i
),i＝1,2,3,
…
,n,其中，n表示图像中的人脸数量；获取所有最小外接矩形中的横坐标的最大值x
k
；x
k
＝max(x1,x2,x3,
…
,x
n
)P(x
k
,y
k
)对应的最小外接矩阵所标识的人脸即为被监测人脸；被监测人脸确定为驾驶员的人脸。5.如权利要求1所述的智能车载盒子的驾驶疲劳监测方法，其特征在于，第一数据分析处理包括：人脸特征识别，人脸特征识别包括：获取正样本、负样本的HOG特征算子；利用支持向量机算法训练正负样本，获得训练后的模型；利用该模型进行负样本难例识别；集合难例样本重新训练模型，反复训练得到最终分类模型；应用最终训练出的分类器检测人脸图像，对图像的不同尺寸进行滑动扫描，提取HOG特征，并用分类器分类；
如果检测判定为人脸，则将其标定，利用非极大值抑制获取最终定位的人脸。6.如权利要求1所述的智能车载盒子的驾驶疲劳监测方法，其特征在于...
【专利技术属性】
技术研发人员：肖文平，何敖东，
申请(专利权)人：上海赫千电子科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。