[發明專利]基于貝葉斯網絡和HMM的駕駛員疲勞檢測方法和裝置

有效

• 申請號: 202010550212.2
• 申請日: 2020-06-16
• 公開（公告）號: CN111738126B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 方斌;楊降勇;王巖;胡鵬
• 申請（專利權）人: 湖南警察學院
• 主分類號: G06V20/59
• 分類號: G06V20/59;G06V10/84
• 代理公司: 長沙國科天河知識產權代理有限公司 43225
• 代理人: 董惠文

本申請涉及一種基于貝葉斯網絡和HMM的駕駛員疲勞檢測方法和裝置。所述方法包括：獲取駕駛員所處駕駛環境的環境參數，將環境參數輸入預先設置的第一貝葉斯模型，得到環境狀態信息，獲取駕駛員的面部狀態信息，將面部狀態信息輸入預先設置的第二貝葉斯模型，得到視覺狀態信息，根據環境狀態信息和視覺狀態信息，構建疲勞狀態序列，將疲勞狀態序列輸入預先設置的HMM中，得到駕駛員對應的疲勞等級。采用本方法能夠提高疲勞駕駛檢測的精度。

技術領域

本申請涉及機器視覺和模式識別技術領域，特別是涉及一種基于貝葉斯網絡和HMM的駕駛員疲勞檢測方法和裝置。

背景技術

疲勞駕駛是大多數自動化駕駛的重要組成部分，是安全駕駛的關鍵環節。針對汽車駕駛室空間小、環境復雜、傳感器檢測存在偏差的特點，如何從快捷、低成本出發，有效的提高駕駛員的疲勞檢測效率是研究的熱點。隨著高性能的GPU的出現以及人工智能芯片的發展使得深度學習方法在圖像領域取得了巨大的發展，在各個領域內基于深度學習的方法的均取得了非常良好的性能表現，采用輕量化的神經網絡算法使的深度學習方法應用到移動平臺當中成為了可能。傳統的駕駛員疲勞檢測的研究重點在于如何提高視覺檢測的精度，因此提高了相應的成本，較少的考慮駕駛員自身的因素和由于視覺檢測照成的誤差因素。

發明內容

基于此，有必要針對上述技術問題，提供一種能夠提高疲勞駕駛檢測精度的基于貝葉斯網絡和HMM的駕駛員疲勞檢測方法和裝置。

一種基于貝葉斯網絡和HMM的駕駛員疲勞檢測方法，所述方法包括：

獲取駕駛員所處駕駛環境的環境參數，將所述環境參數輸入預先設置的第一貝葉斯模型，得到環境狀態信息；

獲取駕駛員的面部狀態信息，將所述面部狀態信息輸入預先設置的第二貝葉斯模型，得到視覺狀態信息；

根據所述環境狀態信息和所述視覺狀態信息，構建疲勞狀態序列，將所述疲勞狀態序列輸入預先設置的HMM中，得到駕駛員對應的疲勞等級。

在其中一個實施例中，還包括：利用GPIO端口獲取駕駛員所處駕駛環境中傳感器反饋的駕駛時段信息、連續駕駛時間、駕駛室溫度以及駕駛室亮度。

在其中一個實施例中，還包括：將所述環境參數設置為第一貝葉斯模型中的節點，以及設置所述節點的疲勞狀態；根據每個節點的先驗概率以及對應的環境參數，計算得到每個節點的后驗概率；將每個節點的后驗概率聯合，得到環境狀態信息。

在其中一個實施例中，還包括：利用GPIO端口獲取駕駛員所處駕駛環境中圖像傳感器反饋的駕駛員面部的圖像信息；設置獨立線程對所述圖像信息進行處理，得到面部狀態信息。

在其中一個實施例中，還包括：將所述面部狀態信息輸入預先設置的第二貝葉斯模型進行歸一化，得到視覺狀態信息。

在其中一個實施例中，還包括：根據所述環境狀態信息和所述視覺狀態信息，構建疲勞狀態序列；將所述疲勞狀態序列作為觀測序列輸入HMM中，輸出所述疲勞狀態序列對應的疲勞等級；所述HMM的狀態包括：良好、輕度疲勞以及重度疲勞；所述狀態與所述疲勞等級對應。

在其中一個實施例中，還包括：根據所述疲勞等級，確定是否進行預警。

一種基于貝葉斯網絡和HMM的駕駛員疲勞檢測裝置，所述裝置包括：

環境信息獲取模塊，用于獲取駕駛員所處駕駛環境的環境參數，將所述環境參數輸入預先設置的第一貝葉斯模型，得到環境狀態信息；

視覺信息獲取模塊，用于獲取駕駛員的面部狀態信息，將所述面部狀態信息輸入預先設置的第二貝葉斯模型，得到視覺狀態信息；

檢測模塊，用于根據所述環境狀態信息和所述視覺狀態信息，構建疲勞狀態序列，將所述疲勞狀態序列輸入預先設置的HMM中，得到駕駛員對應的疲勞等級。