[发明专利]一种驾驶员疲劳状态的监测识别方法及其装置

权利要求书

1.一种驾驶员疲劳状态的监测识别方法，其特征在于，包括以下步骤：

S1、获取驾驶员脸部图像；

S2、采用轻量型深度学习模型对所述驾驶员脸部图像进行推理，同时得到驾驶员上眼皮轮廓的模型图和瞳孔部位的模型图；

S3、利用步骤S2得到的模型图获取驾驶员上眼皮轮廓和瞳孔部位的信息，并计算出驾驶员上眼皮轮廓中心点和和瞳孔部位圆心点；

S4、计算步骤S3中驾驶员上眼皮轮廓中心点与瞳孔部位圆心点之间的距离；

S5、在驾驶员行车期间，持续循环进行步骤S1到S4，记录这一期间得到的距离数字，其中，驾驶员上眼皮轮廓中心点与瞳孔部位圆心点之间的多个距离数字形成一个距离数组；

S6、利用所述距离数组计算出距离特征值，并与预设的阈值进行比较，判断驾驶员是否处于疲劳状态。

2.根据权利要求1所述的一种驾驶员疲劳状态的监测识别方法，其特征在于：步骤S1中的驾驶员脸部图像为红外摄像头配合红外补光灯采集的红外光图像或RGB彩色摄像头采集的彩色图像，对应得到的驾驶员脸部图像为h*w或者h*w*3的图片。

3.根据权利要求1所述的一种驾驶员疲劳状态的监测识别方法，其特征在于：步骤S2中的轻量型深度学习模型采用mobilenet与Unet++相结合的结构，并通过梯度下降算法进行训练，训练数据为上眼皮轮廓和瞳孔部位的图像图片以及二者相对应的标注数据，所述标注数据为上眼皮轮廓的模型图和瞳孔部位的模型图。

4.根据权利要求3所述的一种驾驶员疲劳状态的监测识别方法，其特征在于：所述训练数据来自被监测驾驶员，长期的训练结果形成驾驶员的历史信息，所述阈值根据驾驶员的历史信息来确定。

5.根据权利要求1所述的一种驾驶员疲劳状态的监测识别方法，其特征在于：步骤S6中的比较方法为计算出不同时间段驾驶员的上眼皮轮廓中心点与瞳孔部位圆心点的平均距离，假设时间段为t1，t2，t3，……，tn，对应的驾驶员上眼皮轮廓中心点与瞳孔部位圆心点的平均距离为d1，d2，d3，……，dn，dn/d1为所述距离特征值，若dn/d1阈值T，则认为驾驶员处于疲劳状态。

6.一种驾驶员疲劳状态的监测识别装置，其特征在于，包括：

获取模块，用于获取驾驶员脸部图像；

推理模块，用于采用轻量型深度学习模型对所述驾驶员脸部图像进行推理，得到驾驶员上眼皮轮廓的模型图和瞳孔部位的模型图；

第一计算模块，用于利用所述驾驶员上眼皮轮廓的模型图和瞳孔部位的模型图获取驾驶员上眼皮轮廓和瞳孔部位的信息，并计算出驾驶员上眼皮轮廓中心点和和瞳孔部位圆心点；

第二计算模块，用于计算驾驶员上眼皮轮廓中心点与瞳孔部位圆心点之间的距离；

记录模块，用于记录在驾驶员行车期间，持续循环进行所述驾驶员上眼皮轮廓中心点与瞳孔部位圆心点之间距离的计算而得到的距离数字，其中，多个驾驶员上眼皮轮廓中心点与瞳孔部位圆心点之间的距离数字形成一个距离数组；

判断模块，用于利用所述距离数组计算出距离特征值，并与预设的阈值进行比较，判断驾驶员是否处于疲劳状态。

7.根据权利要求6所述的一种驾驶员疲劳状态的监测识别装置，其特征在于：所述驾驶员脸部图像为红外摄像头配合红外补光灯采集的红外光图像或RGB彩色摄像头采集的彩色图像，对应得到的驾驶员脸部图像为h*w或者h*w*3的图片。

8.根据权利要求6所述的一种驾驶员疲劳状态的监测识别装置，其特征在于：所述轻量型深度学习模型采用mobilenet与Unet++相结合的结构，并通过梯度下降算法进行训练，训练数据为上眼皮轮廓和瞳孔部位的图像图片以及二者相对应的标注数据，所述标注数据为上眼皮轮廓的模型图和瞳孔部位的模型图。

9.根据权利要求8所述的一种驾驶员疲劳状态的监测识别装置，其特征在于：所述训练数据来自被监测驾驶员，长期的训练结果形成驾驶员的历史信息，所述阈值根据驾驶员的历史信息来确定。

10.根据权利要求6所述的一种驾驶员疲劳状态的监测识别装置，其特征在于：所述判断模块具体用于，计算出不同时间段驾驶员的上眼皮轮廓中心点与瞳孔部位圆心点的平均距离，假设时间段为t1，t2，t3，……，tn，对应的驾驶员上眼皮轮廓中心点与瞳孔部位圆心点的平均距离为d1，d2，d3，……，dn，dn/d1为所述距离特征值，若dn/d1阈值T，则认为驾驶员处于疲劳状态。