疲劳驾驶预警方法、装置、设备及计算机可读存储介质与流程

1.本技术实施例涉及图像处理技术领域，具体涉及一种疲劳驾驶预警方法、装置、设备及计算机可读存储介质。


背景技术：

2.疲劳驾驶是指驾驶员由于长时间的驾车而导致心理和生理机能在一定程度上失调，进而致使驾驶技能严重下降的现象，极易引发交通事故，造成生命财产损失。因此，疲劳驾驶的检测以及预警能够有效提高驾驶安全。
3.目前，营运车辆的疲劳驾驶预警主要是通过视频分析技术及深度学习模型对驾驶员的疲劳事件进行识别、分析和判断来实现的。例如通过检测、分析一定时间内驾驶员出现闭眼、打哈欠等事件的频次，来确定驾驶员的疲劳程度，从而实现对驾驶员的疲劳驾驶预警。然而，由于不同驾驶员的习惯不同，例如，部分驾驶员在疲劳程度较低的情况下，仍会频繁打哈欠，此时，营运车辆会频繁预警，从而影响驾驶员的正常行驶。
4.可见，现有通过疲劳时间检测疲劳驾驶的方案还存在的检测准确率低的技术问题。


技术实现要素：

5.本技术实施例提供一种疲劳驾驶预警方法、装置、设备及计算机可读存储介质，旨在解决现有检测疲劳驾驶还存在的检测准确率低的技术问题。
6.一方面，本技术实施例提供一种疲劳驾驶预警方法，包括：
7.获取待检测的行程信息；所述行程信息包括目标车辆的车辆行为信息以及目标驾驶员的驾驶员行为信息；
8.根据所述车辆行为信息提取所述行程信息的危险驾驶特征；
9.根据所述驾驶员行为信息提取所述行程信息的疲劳驾驶特征；
10.根据所述危险驾驶特征和所述疲劳驾驶特征，确定所述目标驾驶员的疲劳驾驶预警结果。
11.作为本技术的一种可行实施例，所述根据所述危险驾驶特征和所述疲劳驾驶特征，确定所述目标驾驶员的疲劳驾驶预警结果之前，所述疲劳驾驶预警方法还包括：
12.获取所述危险驾驶特征以及所述疲劳驾驶特征对应的权重系数；
13.根据所述权重系数，对所述危险驾驶特征和所述疲劳驾驶特征进行加权，得到所述目标驾驶员的疲劳等级；
14.根据所述目标驾驶员的疲劳等级，与预设的疲劳等级阈值的大小关系，确定所述目标驾驶员的疲劳驾驶预警结果。
15.作为本技术的一种可行实施例，所述获取所述危险驾驶特征以及所述疲劳驾驶特征对应的权重系数，包括：
16.获取样本行程信息，以及所述样本行程信息对应的标签疲劳等级；
17.提取所述样本行程信息中的危险驾驶特征以及疲劳驾驶特征；
18.通过逻辑回归算法对各所述样本行程信息对应的标签疲劳等级、危险驾驶特征以及疲劳驾驶特征进行处理，得到所述危险驾驶特征和所述疲劳驾驶特征对应的权重系数。
19.作为本技术的一种可行实施例，所述根据所述目标驾驶员的疲劳等级，与预设的疲劳等级阈值的大小关系，确定所述目标驾驶员的疲劳驾驶预警结果，包括：
20.根据所述行程信息对应的时间信息，确定与所述行程信息对应的关联疲劳等级；
21.根据所述目标驾驶员的疲劳等级，与所述关联疲劳等级的大小关系，确定所述目标驾驶员的疲劳驾驶预警结果。
22.作为本技术的一种可行实施例，所述根据所述车辆行为信息提取所述行程信息的危险驾驶特征，包括：
23.统计所述车辆行为信息中危险驾驶行为的次数，得到所述危险驾驶特征中的危险频次特征；
24.根据所述车辆行为信息中的危险驾驶行为对应的时间节点，确定所述危险驾驶特征中的危险间隔特征。
25.作为本技术的一种可行实施例，所述根据所述驾驶员行为信息提取所述行程信息的疲劳驾驶特征，包括：
26.统计所述驾驶员行为信息中疲劳事件的次数，得到所述疲劳驾驶特征中的疲劳频次特征；
27.根据所述驾驶员行为信息中的疲劳事件对应的时间节点，确定所述疲劳驾驶特征中的疲劳间隔特征。
28.作为本技术的一种可行实施例，所述获取待检测的行程信息之后，所述方法包括：
29.对所述行程信息中的车辆行为信息进行危险检测，得到所述目标车辆的危险检测结果；
30.对所述行程信息中的驾驶员行为信息进行疲劳检测，得到所述目标驾驶员的疲劳检测结果；
31.若所述危险检测结果为危险，或所述疲劳检测结果为疲劳，则执行所述根据所述车辆行为信息提取所述行程信息的危险驾驶特征的步骤。
32.作为本技术的一种可行实施例，所述根据所述危险驾驶特征和所述疲劳驾驶特征，确定所述目标驾驶员的疲劳驾驶预警结果，包括：
33.获取所述行程信息对应的历史行程信息；
34.提取所述历史行程信息对应的历史驾驶特征；
35.根据所述危险驾驶特征、所述疲劳驾驶特征以及所述历史驾驶特征，确定所述目标驾驶员的疲劳驾驶预警结果。
36.另一方面，本技术实施例还提供一种疲劳驾驶预警装置，包括：
37.获取模块，用于获取待检测的行程信息；所述行程信息包括目标车辆的车辆行为信息以及目标驾驶员的驾驶员行为信息；
38.第一提取模块，用于根据所述车辆行为信息提取所述行程信息的危险驾驶特征；
39.第二提取模块，用于根据所述驾驶员行为信息提取所述行程信息的疲劳驾驶特征；
40.预警模块，用于根据所述危险驾驶特征和所述疲劳驾驶特征，确定所述目标驾驶员的疲劳驾驶预警结果。
41.另一方面，本技术实施例还提供一种疲劳驾驶预警设备，所述疲劳驾驶预警设备包括处理器、存储器以及存储于所述存储器中并可在所述处理器上运行的疲劳驾驶预警程序，所述处理器执行所述疲劳驾驶预警程序以实现上述的疲劳驾驶预警方法中的步骤。
42.另一方面，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有疲劳驾驶预警程序，所述疲劳驾驶预警程序被处理器执行以实现上述的疲劳驾驶预警方法中的步骤。
43.本技术实施例提供的技术方案，分别通过行程信息中的目标车辆的车辆行为信息以及目标驾驶员的驾驶员行为信息，得到危险驾驶特征和疲劳驾驶特征，然后综合危险驾驶特征和疲劳驾驶特征来确定目标驾驶员的疲劳驾驶预警结果。相比于现有技术中单一通过疲劳事件来实现疲劳驾驶的预警，本技术实施例提供的方案，还额外考虑到车辆出现危险驾驶行为的特征，利用危险驾驶特征和疲劳驾驶特征能够更准确的实现对疲劳驾驶的预警，有效提高了疲劳驾驶预警的准确性。
附图说明
44.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，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的附图。
45.图1为本技术实施例提供的疲劳驾驶预警方法的实现场景示意图；
46.图2为本技术实施例提供的一种疲劳驾驶预警方法的步骤流程示意图；
47.图3为本技术实施例提供的一种根据驾驶特征确定疲劳驾驶预警结果的步骤流程示意图；
48.图4为本技术实施例提供的一种获取权重系数的步骤流程示意图；
49.图5为本技术实施例提供的一种比对疲劳等级的步骤流程示意图；
50.图6为本技术实施例提供的一种提取危险驾驶特征的步骤流程示意图；
51.图7为本技术实施例提供的一种提取疲劳驾驶特征的步骤流程示意图；
52.图8为本技术实施例提供的另一种疲劳驾驶预警方法的步骤流程示意图；
53.图9为本技术实施例提供的结合历史驾驶特征确定疲劳驾驶预警结果的步骤流程示意图；
54.图10为本技术实施例提供的一种疲劳驾驶预警装置的结构示意图；
55.图11为本技术实施例提供的一种疲劳驾驶预警设备的结构示意图。
具体实施方式
56.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明包含的范围。
57.在本技术实施例中，“示例性”一词用来表示“用作例子、例证或说明”。本技术实施例中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本技术实施例所公开的原理和特征的最广范围相一致。
58.本技术实施例中提供一种疲劳驾驶预警方法、装置、设备及计算机可读存储介质，以下分别进行详细说明。
59.本技术实施例中疲劳驾驶预警方法是以程序的形式部署在疲劳驾驶预警装置中，疲劳驾驶预警装置是以处理器的形式设置于疲劳驾驶预警设备上。而疲劳驾驶预警设备通常会与行程信息采集设备封装在车辆上，在驾驶员驾驶车辆过程中，行程信息采集设备采集行程信息，而疲劳驾驶预警设备中的疲劳驾驶预警装置，利用行程信息采集设备所采集的行程信息，执行疲劳驾驶预警方法对应的方法，以完成对驾驶员的疲劳驾驶预警，也就是当判断驾驶员可能存在疲劳驾驶行为时，输出报警信息。
60.如图1所示，图1为本技术实施例提供的疲劳驾驶预警方法的实现场景示意图，包括行程信息采集装置100以及疲劳驾驶预警装置200。
61.其中行程信息采集装置100主要用于采集驾驶员在驾驶目标车辆时的行程信息，行程信息主要包括两部分，一部分为与车辆相关的车辆行为信息，最简单的，例如车辆在行驶过程中的时长、速度、加速度，当然车辆行为信息也还可以包括其他信息，例如包括车辆在行驶过程中与一些目标障碍物，如前方车辆、道路边界之间的间距等等，车辆行为信息可以是通过行程信息采集装置中的车载终端来采集得到，而另一部分则为与驾驶员相关的驾驶员行为信息，例如驾驶员在驾驶过程中出现的疲劳事件，例如眼睛闭合、打哈欠等等，驾驶员行为信息可以是通过行程信息采集装置中的图像检测终端来实现的，也就是通过图像识别来判断驾驶员是否出现了眼睛闭合，打哈欠等疲劳行为。
62.进一步的，行程信息采集装置在采集得到驾驶员在驾驶目标车辆时的行程信息后，会持续发送给疲劳驾驶预警装置200，以使疲劳驾驶预警装置200在获取到行程信息中的车辆行为信息以及驾驶员行为信息后，通过执行下述步骤：根据车辆行为信息所述行程信息的危险驾驶特征，根据驾驶员行为信息提取行程信息的疲劳驾驶特征，根据危险驾驶特征和疲劳驾驶特征，确定目标驾驶员的疲劳驾驶预警结果，从而根据疲劳驾驶预警结果对驾驶员的驾驶行为进行相应的干预。
63.需要说明的是，图1所示的疲劳驾驶预警方法的实现场景示意图仅仅是一个示例，本技术实施例描述的疲劳驾驶预警方法的实现场景示意图是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定。
64.基于上述疲劳驾驶预警方法的实现场景示意图，提出了疲劳驾驶预警方法的具体实施例。
65.如图2所示，图2为本技术实施例提供的一种疲劳驾驶预警方法的步骤流程示意图。具体的，包括步骤201-204：
66.201，获取待检测的行程信息；所述行程信息包括目标车辆的车辆行为信息以及目
标驾驶员的驾驶员行为信息。
67.本技术实施例中，结合前述图1示出的疲劳驾驶预警方法的实现场景示意图可知，行程信息中的车辆行为信息是通过车载终端采集得到的，而驾驶员行为信息是通过图像检测终端采集得到的。具体的，目标车辆的车辆行为信息除了包含当前行驶时长、速度、加速度等一些常见的行驶信息外，还会包含通过雷达、车联网等技术采集得到的危险驾驶行为，例如，前车、行人间距过近、车道偏离、急加速、急减速、急转等弯等行为。而驾驶员行为信息则主要包含驾驶员在驾驶过程中的疲劳事件信息，例如驾驶员眼睛闭合、打哈欠等事件信息。为了更清楚的理解本技术实施例所提供的危险驾驶行为以及疲劳事件，后续图8将具体给出对车辆行为信息进行危险检测，以及对驾驶员行为信息进行疲劳检测，从而得到危险驾驶行为和疲劳事件的实现方案。
68.进一步的，在目标驾驶员驾驶目标车辆的行程中，行程信息会被持续采集并记录，并实时传输给疲劳驾驶预警装置进行处理，以得到实时的疲劳驾驶预警结果。事实上，考虑到车辆上所安装的设备的计算能力一般较差，作为本技术的一种可选实施例，为节约计算量，疲劳驾驶预警装置并不会时刻都对行程信息进行处理，而是会对当前所采集得到的实时行程信息中的实时车辆行为信息和实时驾驶员行为信息进行相应的危险或疲劳检测，并在检测到一次新的危险或疲劳事件后，才会进一步利用历史记录中的相关行程信息提取相应的驾驶特征，从而得到目标驾驶员的疲劳驾驶预警结果。具体的实现过程可以参阅后续图8及其解释说明的内容。
69.202，根据所述车辆行为信息提取所述行程信息的危险驾驶特征。
70.本技术实施例中，结合前述描述可知，车辆行为信息除了包含当前行驶时长、速度、加速度等一些常见的行驶信息外，还会包含危险驾驶行为，即通过对车辆行为信息处理，可以得到行程信息的危险驾驶特征。具体的，危险驾驶特征是预先通过大数据分析处理得到的和驾驶员疲劳驾驶有关的一些特征，例如，车辆出现危险驾驶行为的频率越高，表明驾驶员存在疲劳驾驶的可能性也就越高。当然，危险驾驶特征还可以包含其他特征信息，具体利用车辆行为信息提取得到行程信息的危险驾驶特征的步骤可以参阅后续图6及其解释说明的内容。
71.203，根据所述驾驶员行为信息提取所述行程信息的疲劳驾驶特征。
72.本技术实施例中，与前述通过车辆行为信息提取得到行程信息的危险驾驶特征相类似，通过对驾驶员行为信息进行处理，可以得到行程信息的疲劳驾驶特征。具体的，疲劳驾驶特征是预先通过大数据分析处理得到的和驾驶员疲劳驾驶有关的一些特征，例如，驾驶员出现疲劳时间的频率越高，表明驾驶员存在驾驶的可能性也就越高。当然，疲劳驾驶特征也可以包含其他特征信息，具体利用驾驶员行为信息提取得到行程信息的疲劳驾驶特征的步骤可以参阅后续图7及其解释说明的内容。
73.204，根据所述危险驾驶特征和所述疲劳驾驶特征，确定所述目标驾驶员的疲劳驾驶预警结果。
74.本技术实施例中，在利用车辆行为信息和驾驶员行为信息分别提取得到行程信息的危险驾驶特征以及疲劳驾驶特征后，危险驾驶特征和疲劳驾驶特征分别从两个不同的维度描述了驾驶员出现疲劳驾驶的可能性，及其相比于现有技术中仅仅通过疲劳事件这一单一维度来实现疲劳驾驶预警的方案，能够得到更准确的疲劳驾驶预警结果。例如，在实际应
用过程中，针对于部分习惯打哈欠的驾驶员来说，若采用现有的方案进行疲劳驾驶预警，会频繁检测到驾驶员出现打哈欠这一疲劳事件，从而通过警报等手段进行预警，反而会干预驾驶员的正常行驶，若采用本技术提供的疲劳驾驶预警方法，当通过车辆行为信息所提取得到的危险驾驶特征表明驾驶员在驾驶行程中几乎不存在危险驾驶行为时，即使频繁检测到驾驶员出现打哈欠的疲劳事件，仍会认为驾驶员处于较低的疲劳等级，并不会发出预警，从而避免了频繁的疲劳误报对驾驶员的正常行驶所带来的干扰。
75.进一步的，综合危险驾驶特征和疲劳驾驶特征确定疲劳驾驶预警结果的实现方案有很多种，例如，可以是先分别通过危险驾驶特征和疲劳驾驶特征确定各自对应的疲劳驾驶预警结果，再综合危险驾驶特征和疲劳驾驶特征各自所对应的疲劳驾驶预警结果，共同确定最终的疲劳驾驶预警结果。具体的，当通过危险驾驶特征和疲劳驾驶特征各自确定的疲劳驾驶预警结果均为需要预警时，才将最终的疲劳驾驶预警结果确定为需要预警。其中，通过危险驾驶特征和疲劳驾驶特征分别确定各自对应的疲劳驾驶预警结果的一种可行实现方案如下：
76.将提取出来的危险驾驶特征和预设的一些危险驾驶条件进行比对，根据比对结果确定危险驾驶特征所对应的疲劳驾驶预警结果。例如，当危险驾驶特征表明车辆出现危险驾驶行为的频率较高，也就是车辆出现前车或者行人碰撞、车辆偏离、急加速、急减速、急转弯等危险驾驶行为的频率超过一定的频率阈值时，可以认为此时通过危险驾驶特征所确定出来的疲劳驾驶预警结果为需要进行预警。同样的，将提取出来的疲劳驾驶特征和预设的一些疲劳驾驶条件进行比对，根据比对结果就可以确定疲劳驾驶特征所对应的疲劳驾驶预警结果，例如，当疲劳驾驶特征表明驾驶员出现疲劳时间的频率较高，也就是驾驶员经常出现眼睛闭合、打哈欠等疲劳事件的频率超过一定的阈值时，可以认为此时通过疲劳驾驶特征所确定出来的疲劳驾驶预警结果为需要进行预警。
77.当然，分别通过危险驾驶特征和疲劳驾驶特征确定各自对应的疲劳驾驶预警结果没有考虑到危险驾驶特征和疲劳驾驶特征之间的关联性，往往也会存在一定的误判。例如，在很多时候，当车辆以中等的频率出现危险驾驶行为，同时驾驶员也以中等的频率出现疲劳事件时，就表明驾驶员可能已经处于疲劳驾驶状态，需要进行疲劳预警，但单独通过危险驾驶特征和疲劳驾驶特征确定各自对应的疲劳驾驶预警结果均为不需要进行疲劳预警。因此，作为本技术的一种可选实施例，在根据危险驾驶特征和疲劳驾驶特征，确定疲劳驾驶预警结果的过程中，是将危险驾驶特征以及疲劳驾驶特征数值化，也就是处理成向量的形式，再对以数值化形式存在的危险驾驶特征以及疲劳驾驶特征进行组合运算，得到用于衡量驾驶员疲劳程度的数值化等级，再根据驾驶员疲劳程度的数值化等级确定疲劳驾驶预警结果。此时，具体的实现方案可以参阅后续图3及其解释说明的内容。
78.进一步的，作为本技术的另一可选实施例，除了提取当前行程信息的危险驾驶特征和疲劳驾驶特征外，还可以进一步结合历史行程信息的历史驾驶特征，共同来确定目标驾驶员的疲劳驾驶预警结果。具体的实现方案可以参阅后续图9及其解释说明的内容。
79.本技术实施例提供的技术方案，分别通过行程信息中的目标车辆的车辆行为信息以及目标驾驶员的驾驶员行为信息，得到危险驾驶特征和疲劳驾驶特征，然后综合危险驾驶特征和疲劳驾驶特征来确定目标驾驶员的疲劳驾驶预警结果。相比于现有技术中单一通过疲劳事件来实现疲劳驾驶的预警，本技术实施例提供的方案，还额外考虑到车辆出现危
险驾驶行为的特征，利用危险驾驶特征和疲劳驾驶特征能够更准确的实现对疲劳驾驶的预警，有效提高了疲劳驾驶预警的准确性。
80.如图3所示，图3为本技术实施例提供的一种根据驾驶特征确定疲劳驾驶预警结果的步骤流程示意图。具体的，包括步骤301～303：
81.301，获取所述危险驾驶特征以及所述疲劳驾驶特征对应的权重系数。
82.本技术实施例中，危险驾驶特征以及疲劳驾驶特征对应的权重系数可以理解为危险驾驶特征和疲劳驾驶特征与驾驶员疲劳驾驶之间的相关程度，例如，危险驾驶特征中，车辆出现危险驾驶行为的频次越高，则表明驾驶员越可能存在疲劳驾驶，同理，疲劳驾驶特征中，驾驶员出现疲劳时间的频次越高，则表明驾驶员越可能存在疲劳驾驶。
83.具体的，各危险驾驶特征以及疲劳驾驶特征对应的权重系数可以是预先通过大数据分析处理得到的，也就是利用大量的样本驾驶数据分析各个危险驾驶特征与疲劳驾驶之间的关联程度，具体设定权重系数的实现方案可以参阅后续图4及其解释说明的内容。
84.302，根据所述权重系数，对所述危险驾驶特征和所述疲劳驾驶特征进行加权，得到所述目标驾驶员的疲劳等级。
85.本技术实施例中，结合前述描述可知，危险驾驶特征和疲劳驾驶特征可以是以数值化的形式，例如特征向量的形式存在，其中特征向量中的每一维度代表着危险驾驶特征和疲劳驾驶特征中的每一特征信息。具体的，以危险驾驶特征包含完整驾驶行程内出现危险驾驶行为的频次、最近一段时间内出现危险驾驶行为的频次、距离上一次出现危险驾驶行为的间隔以及距离行程内首次出现危险驾驶行为的间隔为例，则向量(10，3，5，30)代表完整驾驶行程内出现危险驾驶行为的频次为10，最近一段时间内出现危险驾驶行为的频次为3，距离上一次出现危险驾驶行为的间隔为5分钟，距离行程内首次出现危险驾驶行为的间隔为30分钟。当然，上述仅仅是以一个简单的四维向量来表示危险驾驶特征，事实上危险驾驶特征是以一个更高维度的向量来表示的，其包含了更多维度的特征信息。
86.进一步的，在确定各个危险驾驶特征和疲劳驾驶特征对应的权重系数，也就是与驾驶员疲劳驾驶之间的相关程度之后，根据该权重系数，对危险驾驶特征和疲劳驾驶特征进行加权求和，最终得到的计算值，即为衡量目标驾驶员疲劳程度的数值，也就是目标驾驶员的疲劳等级。例如，同样是以前述提供的示例进行说明，经过数据统计发现，危险驾驶特征中完整驾驶行程内出现危险驾驶行为的频次、最近一段时间内出现危险驾驶行为的频次，以及距离行程内首次出现危险驾驶行为的间隔，是与目标驾驶员的疲劳程度正相关的，也就是完整驾驶行程内出现危险驾驶行为的频次越高，最近一段时间内出现危险驾驶行为的频次越高，距离行程内首次出现危险驾驶行为的间隔越长，表明驾驶员疲劳程度越高，因此，其权重系数可以设定为正数，而距离上一次出现危险驾驶行为的间隔是与目标驾驶员的疲劳程度负相关的，也就是距离上一次出现危险驾驶行为的间隔越短，表明驾驶员疲劳程度越高，因此，其权重系数可以设定为负数。最终，所计算出来的数值，也就是目标驾驶员的疲劳等级越高，则表明目标驾驶员的疲劳程度越高。
87.303，根据所述目标驾驶员的疲劳等级，与预设的疲劳等级阈值的大小关系，确定所述目标驾驶员的疲劳驾驶预警结果。
88.本技术实施例中，结合前述描述可知，利用危险驾驶特征和疲劳驾驶特征所计算出来的疲劳等级越高，表明目标驾驶员的疲劳程度越高。因此，可以通过比对疲劳等级和预
设的疲劳等级阈值的大小关系，来确定目标驾驶员的疲劳驾驶预警结果。具体的，当疲劳等级大于预设的疲劳等级阈值时，可以认为目标驾驶员的疲劳程度较高，需要进行预警，反之，若疲劳等级小于疲劳等级阈值，则可以认为目标驾驶员的疲劳程度较低，无需要进行预警。
89.进一步的，作为本技术的另一种可行实现方案，预设的疲劳等级阈值可以包含有多个，分别对应不同的疲劳驾驶预警结果，例如，当目标驾驶员的疲劳等级小于预设的第一疲劳等级阈值时，可以认为目标驾驶员的疲劳程度较低，此时，疲劳驾驶预警结果为不执行预警，当目标驾驶员的疲劳等级大于预设的第一疲劳等级阈值，而小于预设的第二疲劳等级阈值时，可以认为目标驾驶员的疲劳程度中等，此时，疲劳驾驶预警结果为输出警报信号，但不进行驾驶干预，而当目标驾驶员的疲劳等级大于预设的第二疲劳等级阈值时，可以认为目标驾驶员的疲劳程度较高，此时，疲劳驾驶预警结果为输出警报信号，并进行驾驶干预。当然，具体的疲劳等级阈值的数量以及对应的疲劳驾驶预警结果可以根据实际需求实际设定，本技术实施例在此不做限制。
90.此外，考虑到人体生物节律的影响，驾驶员在不同时间段所产生的疲劳感有所差异，为了更好的适应人体生物节律所带来的影响，作为本技术的一种可选实施例，疲劳等级阈值并非是预先设定好的固定值，而是会随着行程信息的时间节点动态调整。具体的实现方案可以参阅后续图5及其解释说明的内容。
91.如图4所示，图4为本技术实施例提供的一种获取权重系数的步骤流程示意图，详述如下。
92.本技术实施例中，提供了基于大数据处理设定各驾驶特征对应的权重系数的具体实现方案，具体的包括步骤401～403：
93.401，获取样本行程信息，以及所述样本行程信息对应的标签疲劳等级。
94.本技术实施例中，样本行程信息是预先采集到的一批数据，与前述步骤201中获取的待检测的行程信息相类似，也是由车辆的车辆行为信息以及驾驶员的驾驶员行为信息组成，但不同的是，样本行程信息已经预先通过标注(例如人工标注)的方式标识好各样本行程信息对应的标签疲劳等级。
95.402，提取所述样本行程信息中的危险驾驶特征以及疲劳驾驶特征。
96.与前述对步骤201中获取的待检测的行程信息进行处理的方案相类似，本技术实施例中，也是通过样本行程信息中的车辆行为信息提取得到样本行程信息的危险驾驶特征，通过样本行程信息中的驾驶员行为信息提取得到样本行程信息的疲劳驾驶特征。具体的实现步骤可以参阅前述步骤202～203及其解释说明的内容，本技术实施例在此不再赘述。
97.403，通过逻辑回归算法对各所述样本行程信息对应的标签疲劳等级、危险驾驶特征以及疲劳驾驶特征进行处理，得到所述危险驾驶特征和所述疲劳驾驶特征对应的权重系数。
98.本技术实施例中，以各样本行程信息的危险驾驶特征，以及疲劳驾驶特征后作为自变量，以各样本行程信息对应的标签疲劳等级作为因变量，基于多元逻辑回归模型可以构建得到自变量和因变量之间的线性关系，也就是通过逻辑回归算法可以得到各自变量和因变量之间的关联关系，其中线性关系中，各自变量，也就是危险驾驶特征和疲劳驾驶特征
的线性因子，即可理解为其对应的权重系数。
99.进一步的，作为本技术的可选实施例，在预先通过逻辑回归算法得到各自变量和因变量之间的关联关系的过程中，可以分析各自变量和因变量之间的关联强度，并不断删去关联关系较弱的自变量，保留关联关系较强的自变量，被保留的自变量即为后续实际疲劳驾驶预警过程中所需要提取的危险驾驶特征和疲劳驾驶特征。
100.如图5所示，图5为本技术实施例提供的一种比对疲劳等级的步骤流程示意图，详述如下。
101.本技术实施例中，提供了一种设定疲劳等级阈值，从而比对得到疲劳驾驶预警结果的实现方案，具体的包括步骤501～502：
102.501，根据所述行程信息对应的时间信息，确定与所述行程信息对应的关联疲劳等级。
103.本技术实施例中，结合前述描述可知，由于人体生物节律的影响，驾驶员在不同时间段所产生的疲劳感有所差异。例如，驾驶员在凌晨0点～1点、3点到4点以及下午1点到2点、4点到5点的时间段内容易产生疲劳感，因此，对于这几个时间段，应当将疲劳等级阈值设定相对较为较低，从而便于提升疲劳驾驶预警的效果。具体的，可以是在分析人体生物节律后，确定各时间段对应的疲劳等级阈值，并将该疲劳等级阈值与其对应的时间段关联存储在预设数据库中。此后，疲劳驾驶预警装置在获取到行程信息后，还会同步获取到行程信息对应的时间信息，从而利用该时间信息查询预设数据库，得到与此时间信息相关联的关联疲劳等级，来作为此行程信息所对应的疲劳等级阈值。
104.具体的，这里的时间信息，以及后续提到的时间节点可以是以凌晨0点开始的分或秒来数值化的，例如，一天包含86400秒，则可以利用取值范围为[0，86400]的整数值来表示各个时间节点，其中数值为43200代表时间信息或者时间节点为中午12点，其他的时间信息或者时间节点可以以此类推得到。本技术实施例在此不再赘述。
[0105]
502，根据所述目标驾驶员的疲劳等级，与所述关联疲劳等级的大小关系，确定所述目标驾驶员的疲劳驾驶预警结果。
[0106]
本技术实施例中，结合前述步骤描述可知，关联疲劳等级是预先通过人体生物节律分析所设定好的与时间信息相关的疲劳等级阈值，因此，通过比对目标驾驶员的疲劳等级与关联疲劳等级的大小关系，能够考虑到人体生物节律所带来的影响，从而在人体更容易产生疲劳感的时间段内更准确的完成对疲劳驾驶的预警。
[0107]
如图6所示，图6为本技术实施例提供的一种提取危险驾驶特征的步骤流程示意图，详述如下。
[0108]
本技术实施例中，提供了利用车辆行为信息得到若干维度的危险驾驶特征的具体实现方案，具体的包括步骤601～602：
[0109]
601，统计所述车辆行为信息中危险驾驶行为的次数，得到所述危险驾驶特征中的危险频次特征。
[0110]
本技术实施例中，车辆行为信息记录了车辆在行驶过程中的全部行为信息，其中包含了前车行人距离过近、车道偏离、急转弯、急加速、急减速等一些危险驾驶行为的相关信息。考虑到驾驶员在正常行驶过程中出现上述危险驾驶行为的频率会较低，而当处于疲劳驾驶状态下，随着驾驶能力的下降，出现上述危险驾驶行为的频率会逐渐增加，因此，可
以统计车辆行为信息中危险驾驶行为的次数，得到危险驾驶特征中的危险频次特征。
[0111]
具体的，统计车辆行为信息中危险驾驶行为的次数可以有多种统计方式，例如可以统计完整行程内的危险驾驶行为的次数，当然也可以是统计最近一段时间内或者最近一段行程内出现危险驾驶行为的次数，例如，最近3分钟内危险驾驶行为的次数，最近10km内危险驾驶行为的次数等等。当然，作为本技术的可选实施例，不同时间周期内或者行程周期内的危险驾驶行为的次数都可以视作危险频次特征的一种，后续利用多元逻辑回归模型以及样本行程信息可以确定出各危险频次特征与疲劳驾驶之间的相关度，也就是设定好各危险频次特征对应的权重系数。
[0112]
602，根据所述车辆行为信息中的危险驾驶行为对应的时间节点，确定所述危险驾驶特征中的危险间隔特征。
[0113]
本技术实施例中，进一步的，行程信息采集装置在通过雷达、车联网等技术手段检测到车辆出现危险驾驶行为时，会同步记录下车辆出现危险驾驶行为的时间节点，此时，根据车辆行为信息中的危险驾驶行为对应的时间节点，可以确定各危险驾驶行为发生的间隔，从而确定危险驾驶特征中的危险间隔特征。显然，车辆出现危险驾驶行为之间的间隔越短，则驾驶员处于疲劳驾驶的可能性也就越高。
[0114]
具体的，危险间隔特征可以是当前时间节点与上一次危险驾驶行为对应的时间节点之间的时间间隔，也可以是当前时间节点与行程信息中第一次危险驾驶行为对应的时间节点之间的时间间隔。当然，危险间隔特征还可以包含当前时间节点与其他特定危险驾驶行为对应的时间节点之间的时间间隔，例如与最近10km行程内第一次危险驾驶行为对应的时间节点之间的时间间隔。此外，危险间隔特征也可以是由最近若干次危险驾驶行为对应的时间节点之间的时间间隔的序列组成。作为本技术的可选实施例，当前时间节点与不同危险驾驶行为对应的时间节点之间的时间间隔都可以视作危险间隔特征的一种，后续利用多元逻辑回归模型以及样本行程信息可以确定出各危险间隔特征与疲劳驾驶之间的相关度，也就是设定好各危险间隔特征对应的权重系数。
[0115]
此外，需要说明的是，上述仅仅是以车辆行为信息中的危险驾驶行为为例，提供了危险驾驶特征在频次和间隔两个维度上的特征，事实上，车辆行为信息还可以包含车辆当前行驶时长、当前行驶行程、当前行程速度等等，这些信息也可以被视为危险驾驶特征中的一种，本技术实施例在此不再赘述。
[0116]
如图7所示，图7为本技术实施例提供的一种提取疲劳驾驶特征的步骤流程示意图，详述如下。
[0117]
本技术实施例中，提供了利用驾驶员行为信息得到若干维度的疲劳驾驶特征的具体实现方案，具体包括步骤701～702：
[0118]
701，统计所述驾驶员行为信息中疲劳事件的次数，得到所述疲劳驾驶特征中的疲劳频次特征。
[0119]
本技术实施例中，与前述步骤601统计车辆行为信息中危险驾驶行为的次数，得到危险驾驶特征中的危险频次特征相类似，驾驶员行为信息记录了驾驶员在行驶过程中的全部行为信息，其中包含了眼睛闭合、打哈欠等一些疲劳事件的相关信息。考虑到驾驶员在正常行驶过程中出现上述疲劳事件的频率会较低，而当处于疲劳驾驶状态下，出现上述疲劳事件的频率会变高，因此，可以统计驾驶员行为信息中疲劳事件的次数，得到疲劳驾驶特征
中的疲劳频次特征。
[0120]
具体的，统计驾驶员行为信息中疲劳事件的次数可以有多种统计方式，例如可以统计完整行程内的疲劳事件的次数，当然也可以是统计最近一段时间内或者最近一段行程内出现疲劳事件的次数，例如，最近3分钟内疲劳事件的次数，最近10km内疲劳事件的次数等等。当然，作为本技术的可选实施例，不同时间周期内或者行程周期内的疲劳事件的次数都可以视作疲劳频次特征的一种，后续利用多元逻辑回归模型以及样本行程信息可以确定出各疲劳频次特征与疲劳驾驶之间的相关度，也就是设定好各疲劳频次特征对应的权重系数。
[0121]
702，根据所述驾驶员行为信息中的疲劳事件对应的时间节点，确定所述疲劳驾驶特征中的疲劳间隔特征。
[0122]
同样的，与前述步骤602根据车辆行为信息中的危险驾驶行为对应的时间节点，确定危险驾驶特征中的危险间隔特征相类似。本技术实施例中，行程信息采集装置在通过图像识别等技术手段检测到驾驶员出现疲劳事件时，会同步记录下驾驶员出现疲劳事件的时间节点，此时，根据驾驶员行为信息中的疲劳事件对应的时间节点，可以确定各疲劳事件发生的间隔，从而确定疲劳驾驶特征中的疲劳间隔特征。显然，驾驶员出现疲劳事件之间的间隔越短，则驾驶员处于疲劳驾驶的可能性也就越高。
[0123]
具体的，疲劳间隔特征可以是当前时间节点与上一次疲劳事件对应的时间节点之间的时间间隔，也可以是当前时间节点与行程信息中第一次疲劳事件对应的时间节点之间的时间间隔。当然，疲劳间隔特征还可以包含当前时间节点与其他特定疲劳事件对应的时间节点之间的时间间隔，例如与最近10km行程内第一次疲劳事件对应的时间节点之间的时间间隔。此外，疲劳间隔特征也可以是由最近若干次疲劳事件对应的时间节点之间的时间间隔的序列组成。作为本技术的可选实施例，当前时间节点与不同疲劳事件对应的时间节点之间的时间间隔都可以视作疲劳间隔特征的一种，后续利用多元逻辑回归模型以及样本行程信息可以确定出各疲劳间隔特征与疲劳驾驶之间的相关度，也就是设定好各疲劳间隔特征对应的权重系数。
[0124]
如图8所示，图8为本技术实施例提供的另一种疲劳驾驶预警方法的步骤流程示意图，详述如下。
[0125]
本技术实施例中，与图2示出的疲劳驾驶预警方法相比，在获取到行程信后，也就是步骤201之后，会先对行程信息中的车辆行为信息和驾驶员行为信息进行检测，具体的，包括步骤801～803：
[0126]
801，对所述行程信息中的车辆行为信息进行危险检测，得到所述目标车辆的危险检测结果。
[0127]
本技术实施例中，疲劳驾驶预警装置在获取到行程信息中的实时车辆行为信息后，通过危险检测，可以得到危险检测结果。具体的，危险检测是指根据车辆行为信息判断车辆是否出现危险驾驶行为。例如，通过车载设备采集到的车辆的加速度判断车辆是否存在急加速、急减速以及急转弯等危险驾驶行为，通过雷达、车联网等技术手段采集到的车辆与前车或者行人之间的间距判断车辆是否存在前车、行人间距过近等危险驾驶行为，通过gps技术采集到的车辆定位信息判断车辆是否存在车道偏离等危险驾驶行为。进一步的，若判断车辆存在某一危险驾驶行为，则可以确定目标车辆的危险检测结果为危险，反之，若车
辆不存在危险驾驶行为，则可以确定目标车辆的危险检测结果为正常。
[0128]
802，对所述行程信息中的驾驶员行为信息进行疲劳检测，得到所述目标驾驶员的疲劳检测结果。
[0129]
本技术实施例中，疲劳驾驶预警装置在获取到行程信息中的实时驾驶员行为信息后，通过疲劳检测，可以得到疲劳检测结果。具体的，驾驶员行为信息通常是以驾驶员的面部图像存在，而疲劳检测则是指通过图像识别技术对驾驶员的面部图像进行识别，判断驾驶员是否存在眼睛闭合、打哈欠等疲劳事件。具体的，以检测眼睛闭合事件为例，可以先使用基于卷积神经网络的最大边缘对象检测器进行驾驶员的面部轮廓检测，再利用集成回归树的级联回归算法进行在面部轮廓内部进行人脸关键点的检测，并从检测得到的人脸关键点中提取得到眼部轮廓点的坐标，同时根据眼部轮廓点中，眼睛上下眼睑中心点坐标p1、p2计算眼睛高度he，根据眼部轮廓点中，左右眼角坐标p3、p4计算两个眼角间距le，计算眼睛高度he与眼角间距le的比值，得到眼睛闭合度，若眼睛闭合度小于预设的闭合阈值，则可以认为驾驶员的眼睛闭合检测结果为闭合，当然，考虑到驾驶员眨眼的干扰，可以通过检测连续若干帧驾驶员的面部图像得到各面部图像对应的眼睛闭合检测结果，当连续超过一定数量的面部图像对应的眼睛闭合均为闭合时，也就是驾驶员出现眼睛闭合的持续事件超过一定时长时，可以认为驾驶员出现了眼睛闭合疲劳事件。同样的，从检测得到的人脸关键点中提取得到嘴部轮廓点的坐标，同时根据嘴部轮廓点中，上下嘴唇中心点坐标以及左右嘴角坐标，可以计算得到嘴巴张度，若嘴巴张度大于预设的张度阈值，则可以认为驾驶员出现了打哈欠疲劳事件。进一步的，若判断驾驶员出现了眼睛闭合或打哈欠等疲劳事件，则可以认为疲劳检测结果为疲劳，反之，若驾驶员没有出现眼睛闭合或打哈欠等疲劳事件，则可以认为疲劳检测结果为正常。
[0130]
803，若所述危险检测结果为危险，或所述疲劳检测结果为疲劳，则根据所述车辆行为信息提取所述行程信息的危险驾驶特征。
[0131]
本技术实施例中，当危险检测结果为危险，或疲劳检测结果为疲劳，也就是通过实时获取的行程信息判断车辆出现了危险行驶行为，或者驾驶员出现了疲劳事件后，才会执行后续的步骤，也就是从历史记录的车辆行为信息中提取得到危险驾驶特征，从历史记录的驾驶员行为信息中提取得到疲劳驾驶特征，以确定疲劳驾驶预警结果。一方面，能够避免疲劳驾驶预警装置时刻都在执行疲劳驾驶预警方法，以得到疲劳驾驶预警结果，从而大大降低了对疲劳驾驶预警结果处理能力的需求，另一方面，每一次危险检测或者疲劳检测所得到的检测结果都会被记录下来，从而用于后续的疲劳驾驶预警。
[0132]
如图9所示，图9为本技术实施例提供的结合历史驾驶特征确定疲劳驾驶预警结果的步骤流程示意图，详述如下。
[0133]
本技术实施例中，提供了融合行程信息对应的历史驾驶特征确定疲劳驾驶预警结果的具体实现方案，具体的，包括步骤901～903：
[0134]
901，获取所述行程信息对应的历史行程信息。
[0135]
本技术实施例中，行程信息对应的历史行程信息是指驾驶员上一段驾驶行程中被行程信息采集装置所采集到的行程信息，具体包括上一段驾驶行程中，车辆的车辆行为信息，以及驾驶员的驾驶员行为信息。本技术实施例在此不再赘述。
[0136]
902，提取所述历史行程信息对应的历史驾驶特征。
[0137]
本技术实施例中，与前述步骤202以及203中提取行程信息的危险驾驶特征和疲劳驾驶特征相类似，历史行程信息对应的历史驾驶特征也主要是由历史危险驾驶特征和疲劳驾驶特征构成，本技术实施例在此不再赘述。
[0138]
此外，历史驾驶特征中还额外包含有当前驾驶行程与上一段驾驶行程之间的时间间隔。具体的，根据该时间间隔可以设定为历史驾驶特征对应的权重系数，也就是说，若当前驾驶行程与上一段驾驶行程之间的时间间隔足够长时，可以认为驾驶员得到了足够的休息时间，上一段驾驶行程对当前驾驶行程无影响，此时权重系数可以设定为0，若当前驾驶行程与上一段驾驶行程之间的时间间隔较短时，驾驶员没有得到充足的休息时间，因而上一段驾驶行程对当前驾驶行程存在干扰，并且时间间隔越短，权重系数设定的也就越高。
[0139]
903，根据所述危险驾驶特征、所述疲劳驾驶特征以及所述历史驾驶特征，确定所述目标驾驶员的疲劳驾驶预警结果。
[0140]
与前述图3示出的利用疲劳驾驶特征以及历史驾驶特征对应的权重系数对疲劳驾驶特征以及历史驾驶特征进行加权，得到目标驾驶员的疲劳等级，从而确定疲劳驾驶预警结果的实现方案相同的是，本技术实施例也可以是利用危险驾驶特征、疲劳驾驶特征以及历史驾驶特征各自对应的权重系数进行加权，得到目标驾驶员的疲劳等级，从而确定疲劳驾驶预警结果。具体的实现方案，本技术实施例同样在此不再赘述。
[0141]
为了更好的理解本技术实施例提供的疲劳驾驶预警方法，下面将给出一种完整的实现方式，详述如下。
[0142]
1)在车辆行驶过程中，车辆上安装的行程信息采集装置时刻采集行程信息，其中包括通过雷达或车联网技术采集得到的与前车、行人之间的间距，通过gps技术采集得到的车辆定位信息以及速度与加速度信息，通过监控摄像头采集得到的驾驶员的面部图像等等，并将实时行程信息与对应的时间节点关联传输给疲劳驾驶预警装置；
[0143]
2)疲劳驾驶预警装置对行程信息采集装置传输过来的实时行程信息进行处理。处理过程包括：根据前车、行人之间的间距判断是否存在前车、行程间距过近的危险行为，根据车辆定位信息判断是否存在车道行驶偏离的危险行为，根据速度与加速度信息判断是否存在急加速、急减速以及急转弯行为，若存在，则记录当前的危险行为以及对应的时间节点，得到危险行为信息，并缓存在行程信息中；根据驾驶员的面部图像判断驾驶员是否存在眼睛闭合、打哈欠疲劳事件，若存在，则记录当前的疲劳事件以及对应的时间节点，并缓存在行程信息中；
[0144]
3)若检测到危险行为或疲劳事件，则对行程信息中历史记录的危险行为信息以及历史记录的疲劳事件进行统计，提取完整行程内、最近3分钟内、最近10km内危险行为信息和疲劳事件出现的频次，以及与上一次危险行为信息之间的时间间隔，与行程内首次出现危险行为信息之间的时间间隔，得到危险驾驶特和疲劳驾驶特征，并转化为特征向量的形式；
[0145]
4)根据预先通过逻辑回归算法对样本行程信息处理得到的权重向量，对特征向量进行处理，计算得到驾驶员的疲劳等级，同时根据行程信息对应的时间节点，在预先根据人体生物节律设定的疲劳等级查询表格中进行查询，得到与行程信息对应的时间节点相关联的关联疲劳等级，并根据驾驶员的疲劳等级和关联疲劳等级的大小关系确定疲劳驾驶预警结果；
[0146]
5)若疲劳驾驶预警结果为预警，则执行相应的预警措施，例如输出警报信号，或者干预驾驶行为，若疲劳驾驶预警结果为正常，则重新返回至步骤1)继续采集行程信息。
[0147]
为了更好实施本技术实施例提供的疲劳驾驶预警方法，在疲劳驾驶预警方法基础之上，本技术实施例还提供一种疲劳驾驶预警装置。如图10所示，图10为本技术实施例提供的一种疲劳驾驶预警装置的结构示意图。具体的，疲劳驾驶预警装置包括：
[0148]
获取模块1001，用于获取待检测的行程信息；所述行程信息包括目标车辆的车辆行为信息以及目标驾驶员的驾驶员行为信息；
[0149]
第一提取模块1002，用于根据所述车辆行为信息提取所述行程信息的危险驾驶特征；
[0150]
第二提取模块1003，用于根据所述驾驶员行为信息提取所述行程信息的疲劳驾驶特征；
[0151]
预警模块1004，用于根据所述危险驾驶特征和所述疲劳驾驶特征，确定所述目标驾驶员的疲劳驾驶预警结果。
[0152]
在本技术一些实施例中，上述预警模块包括：
[0153]
权重获取次模块，用于获取所述危险驾驶特征以及所述疲劳驾驶特征对应的权重系数；
[0154]
加权次模块，用于根据所述权重系数，对所述危险驾驶特征和所述疲劳驾驶特征进行加权，得到所述目标驾驶员的疲劳等级；
[0155]
比对次模块，用于根据所述目标驾驶员的疲劳等级，与预设的疲劳等级阈值的大小关系，确定所述目标驾驶员的疲劳驾驶预警结果。
[0156]
在本技术一些实施例中，上述预警模块还包括权重设定次模块，上述权重设定次模块包括：
[0157]
样本获取单元，用于获取样本行程信息，以及所述样本行程信息对应的标签疲劳等级；
[0158]
特征提取单元，用于提取所述样本行程信息中的危险驾驶特征以及疲劳驾驶特征；
[0159]
逻辑回归处理单元，用于通过逻辑回归算法对各所述样本行程信息对应的标签疲劳等级、危险驾驶特征以及疲劳驾驶特征进行处理，设定所述危险驾驶特征和所述疲劳驾驶特征对应的权重系数。
[0160]
在本技术一些实施例中，上述比对次模块包括：
[0161]
关联疲劳等级确定单元，用于根据所述行程信息对应的时间信息，确定与所述行程信息对应的关联疲劳等级；
[0162]
比对单元，用于根据所述目标驾驶员的疲劳等级，与所述关联疲劳等级的大小关系，确定所述目标驾驶员的疲劳驾驶预警结果。
[0163]
在本技术一些实施例中，上述第一提取模块包括：
[0164]
危险频次特征提取次模块，用于统计所述车辆行为信息中危险驾驶行为的次数，得到所述危险驾驶特征中的危险频次特征；
[0165]
危险间隔特征提取次模块，用于根据所述车辆行为信息中的危险驾驶行为对应的时间节点，确定所述危险驾驶特征中的危险间隔特征。
[0166]
在本技术一些实施例中，上述第二提取模块包括：
[0167]
疲劳频次特征提取次模块，用于统计所述驾驶员行为信息中疲劳事件的次数，得到所述疲劳驾驶特征中的疲劳频次特征；
[0168]
疲劳间隔特征提取次模块，用于根据所述驾驶员行为信息中的疲劳事件对应的时间节点，确定所述疲劳驾驶特征中的疲劳间隔特征。
[0169]
在本技术一些实施例中，上述疲劳驾驶预警装置还包括：
[0170]
危险检测模块，用于对所述行程信息中的车辆行为信息进行危险检测，得到所述目标车辆的危险检测结果；
[0171]
疲劳检测模块，用于对所述行程信息中的驾驶员行为信息进行疲劳检测，得到所述目标驾驶员的疲劳检测结果；
[0172]
在本技术一些实施例中，上述预警模块还包括：
[0173]
历史行程信息获取次模块，用于获取所述行程信息对应的历史行程信息；
[0174]
历史驾驶特提取次模块，用于提取所述历史行程信息对应的历史驾驶特征；
[0175]
预警模块次模块，用于根据所述危险驾驶特征、所述疲劳驾驶特征以及所述历史驾驶特征，确定所述目标驾驶员的疲劳驾驶预警结果。
[0176]
本发明实施例还提供一种疲劳驾驶预警设备，如图11所示，图11是本技术实施例中提供的疲劳驾驶预警设备的一个实施例结构示意图。
[0177]
疲劳驾驶预警设备包括存储器、处理器以及存储于存储器中，并可在处理器上运行的疲劳驾驶预警程序，处理器执行疲劳驾驶预警程序时实现任一实施例中的疲劳驾驶预警方法中的步骤。
[0178]
具体来讲：疲劳驾驶预警设备可以包括一个或者一个以上处理核心的处理器1101、一个或一个以上存储介质的存储器1102、电源1103和输入单元1104等部件。本领域技术人员可以理解，图11中示出的疲劳驾驶预警设备结构并不构成对疲劳驾驶预警设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
[0179]
处理器1101是该疲劳驾驶预警设备的控制中心，利用各种接口和线路连接整个疲劳驾驶预警设备的各个部分，通过运行或执行存储在存储器1102内的软件程序和/或模块，以及调用存储在存储器1102内的数据，执行疲劳驾驶预警设备的各种功能和处理数据，从而对疲劳驾驶预警设备进行整体监控。可选的，处理器1101可包括一个或多个处理核心；优选的，处理器1101可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1101中。
[0180]
存储器1102可用于存储软件程序以及模块，处理器1101通过运行存储在存储器1102的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器1102可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据疲劳驾驶预警设备的使用所创建的数据等。此外，存储器1102可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器1102还可以包括存储器控制器，以提供处理器1101对存储器1102的访问。
[0181]
疲劳驾驶预警设备还包括给各个部件供电的电源1103，优选的，电源1103可以通
过电源管理系统与处理器1101逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源1103还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
[0182]
该疲劳驾驶预警设备还可包括输入单元1104，该输入单元1104可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
[0183]
尽管未示出，疲劳驾驶预警设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，疲劳驾驶预警设备中的处理器1101会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器1102中，并由处理器1101来运行存储在存储器1102中的应用程序，从而实现本发明实施例所提供的任一种疲劳驾驶预警方法中的步骤。
[0184]
为此，本发明实施例提供一种计算机可读存储介质，该计算机可读存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、磁盘或光盘等。计算机可读存储介质上存储有疲劳驾驶预警程序，疲劳驾驶预警x程序被处理器执行时实现本技术实施例所提供的任一种疲劳驾驶预警方法中的步骤。
[0185]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。
[0186]
具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
[0187]
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
[0188]
以上对本技术实施例所提供的一种疲劳驾驶预警方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种疲劳驾驶预警方法，其特征在于，包括：获取待检测的行程信息；所述行程信息包括目标车辆的车辆行为信息以及目标驾驶员的驾驶员行为信息；根据所述车辆行为信息提取所述行程信息的危险驾驶特征；根据所述驾驶员行为信息提取所述行程信息的疲劳驾驶特征；根据所述危险驾驶特征和所述疲劳驾驶特征，确定所述目标驾驶员的疲劳驾驶预警结果。2.根据权利要求1所述的疲劳驾驶预警方法，其特征在于，所述根据所述危险驾驶特征和所述疲劳驾驶特征，确定所述目标驾驶员的疲劳驾驶预警结果，包括：获取所述危险驾驶特征以及所述疲劳驾驶特征对应的权重系数；根据所述权重系数，对所述危险驾驶特征和所述疲劳驾驶特征进行加权，得到所述目标驾驶员的疲劳等级；根据所述目标驾驶员的疲劳等级，与预设的疲劳等级阈值的大小关系，确定所述目标驾驶员的疲劳驾驶预警结果。3.根据权利要求2所述的疲劳驾驶预警方法，其特征在于，所述获取所述危险驾驶特征以及所述疲劳驾驶特征对应的权重系数之前，所述疲劳驾驶预警方法还包括：获取样本行程信息，以及所述样本行程信息对应的标签疲劳等级；提取所述样本行程信息中的危险驾驶特征以及疲劳驾驶特征；通过逻辑回归算法对各所述样本行程信息对应的标签疲劳等级、危险驾驶特征以及疲劳驾驶特征进行处理，设定所述危险驾驶特征和所述疲劳驾驶特征对应的权重系数。4.根据权利要求2所述的疲劳驾驶预警方法，其特征在于，所述根据所述目标驾驶员的疲劳等级，与预设的疲劳等级阈值的大小关系，确定所述目标驾驶员的疲劳驾驶预警结果，包括：根据所述行程信息对应的时间信息，确定与所述行程信息对应的关联疲劳等级；根据所述目标驾驶员的疲劳等级，与所述关联疲劳等级的大小关系，确定所述目标驾驶员的疲劳驾驶预警结果。5.根据权利要求1所述的疲劳驾驶预警方法，其特征在于，所述根据所述车辆行为信息提取所述行程信息的危险驾驶特征，包括：统计所述车辆行为信息中危险驾驶行为的次数，得到所述危险驾驶特征中的危险频次特征；根据所述车辆行为信息中的危险驾驶行为对应的时间节点，确定所述危险驾驶特征中的危险间隔特征。6.根据权利要求1所述的疲劳驾驶预警方法，其特征在于，所述根据所述驾驶员行为信息提取所述行程信息的疲劳驾驶特征，包括：统计所述驾驶员行为信息中疲劳事件的次数，得到所述疲劳驾驶特征中的疲劳频次特征；根据所述驾驶员行为信息中的疲劳事件对应的时间节点，确定所述疲劳驾驶特征中的疲劳间隔特征。7.根据权利要求1所述的疲劳驾驶预警方法，其特征在于，所述获取待检测的行程信息
之后，所述方法包括：对所述行程信息中的车辆行为信息进行危险检测，得到所述目标车辆的危险检测结果；对所述行程信息中的驾驶员行为信息进行疲劳检测，得到所述目标驾驶员的疲劳检测结果；若所述危险检测结果为危险，或所述疲劳检测结果为疲劳，则执行所述根据所述车辆行为信息提取所述行程信息的危险驾驶特征的步骤。8.根据权利要求1～7任一项所述的疲劳驾驶预警方法，其特征在于，所述根据所述危险驾驶特征和所述疲劳驾驶特征，确定所述目标驾驶员的疲劳驾驶预警结果，包括：获取所述行程信息对应的历史行程信息；提取所述历史行程信息对应的历史驾驶特征；根据所述危险驾驶特征、所述疲劳驾驶特征以及所述历史驾驶特征，确定所述目标驾驶员的疲劳驾驶预警结果。9.一种疲劳驾驶预警装置，其特征在于，包括：获取模块，用于获取待检测的行程信息；所述行程信息包括目标车辆的车辆行为信息以及目标驾驶员的驾驶员行为信息；第一提取模块，用于根据所述车辆行为信息提取所述行程信息的危险驾驶特征；第二提取模块，用于根据所述驾驶员行为信息提取所述行程信息的疲劳驾驶特征；预警模块，用于根据所述危险驾驶特征和所述疲劳驾驶特征，确定所述目标驾驶员的疲劳驾驶预警结果。10.一种疲劳驾驶预警设备，其特征在于，所述疲劳驾驶预警设备包括处理器、存储器以及存储于所述存储器中并可在所述处理器上运行的疲劳驾驶预警程序，所述处理器执行所述疲劳驾驶预警程序以实现权利要求1至8任一项所述的疲劳驾驶预警方法中的步骤。11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有疲劳驾驶预警程序，所述疲劳驾驶预警程序被处理器执行以实现权利要求1至8任一项所述的疲劳驾驶预警方法中的步骤。

技术总结
本申请实施例提供一种疲劳驾驶预警方法、装置、设备及计算机可读存储介质，方法包括：获取待检测的行程信息；行程信息包括车辆行为信息以及驾驶员行为信息；根据车辆行为信息提取行程信息的危险驾驶特征；根据驾驶员行为信息提取行程信息的疲劳驾驶特征；根据危险驾驶特征和疲劳驾驶特征，确定目标驾驶员的疲劳驾驶预警结果。本申请实施例通过提取行程信息中的危险驾驶特征和疲劳驾驶特征，利用多维度的特征来综合确定目标驾驶员的疲劳驾驶预警结果，从而能够更准确的实现对疲劳驾驶的预警，有效提高了疲劳驾驶预警的准确性。提高了疲劳驾驶预警的准确性。提高了疲劳驾驶预警的准确性。


技术研发人员：王珊珊 张定棋 高珍
受保护的技术使用者：丰图科技（深圳）有限公司
技术研发日：2021.12.30
技术公布日：2023/7/12