一种DMS驾驶员疲劳等级识别系统的制作方法

本发明涉及驾驶员疲劳识别，更具体地说，本发明涉及一种dms驾驶员疲劳等级识别系统。

背景技术：

1、疲劳驾驶是指驾驶人在长时间连续行车后，由于睡眠不足、身体状态疲乏或是其他原因，导致生理机能和心理机能失调，从而在客观上出现驾驶技能下降的现象。

2、疲劳驾驶是引发交通事故的一个重要因素，疲劳驾驶所导致的交通事故也以相当快的速度增长。疲劳驾驶不仅会减缓驾驶员的反应速度，降低判断能力，还可能导致注意力不集中，从而大大增加交通事故的风险。因此，确保驾驶安全的同时避免疲劳驾驶的发生显得非常关键。driver monitoring systems（dms）驾驶员监控系统的设计，就是为了通过检测和评估驾驶员的状态来提高行车安全。

3、在现有技术中，驾驶员疲劳检测技术是保障汽车安全的关键技术之一。由于疲劳驾驶是交通事故发生的重要因素，提高驾驶员疲劳状态的检测精度对于提升道路安全极为重要。虽然当前的疲劳检测系统利用了眼动追踪、面部识别和生理信号监测等方法，但它们通常无法结合个体驾驶员的生理和行为差异以及实时更新数据集来捕捉驾驶员疲劳状态的即时变化。因此，现有系统往往缺乏个性化和动态适应性，难以及时准确地提供疲劳警示。

技术实现思路

1、为了克服现有技术缺乏个性化和动态适应性，难以及时准确地提供疲劳警示的问题，本发明提出了一种dms驾驶员疲劳等级识别系统，用于解决上述问题。

2、本发明提供如下技术方案：

3、一种dms驾驶员疲劳等级识别系统，包括：

4、数据库模块，用于获取并存储历史驾驶过程中，疲劳提醒前的行为数据，及疲劳提醒后的行为数据和疲劳指数；

5、数据准备模块，使用疲劳提醒前的行为数据和疲劳指数，组成第一数据集，使用疲劳提醒前的行为数据、疲劳提醒后的行为数据和疲劳指数组成第二数据集；

6、网络模型模块，用于构建并训练网络模型，所述网络模型包括用于获取疲劳指数的第一网络模型和用于获取校验疲劳指数的第二网络模型；

7、采集分析模块，用于获取驾驶员的实时行为数据，并运用第一网络模型根据这些行为数据计算出当前疲劳指数；

8、报警模块，根据采集分析模块计算的当前疲劳指数，若当前疲劳指数大于预设的疲劳阈值，则向驾驶员发出疲劳提醒；

9、校验模块，当报警模块发出报警后，采集行为数据并记为验证行为数据，根据当前行为数据和验证行为数据，利用第二网络模型获取校验疲劳指数；

10、数据集更新模块，用于根据当前疲劳指数和校验疲劳指数处理第一数据集；

11、模型重训模块，用于使用当前的第一数据集对第一网络模型进行重新训练。

12、优选的，所述行为数据包括车辆行为数据和人员行为数据，所述车辆行为数据包括车道保持数据、车辆速度数据、方向盘动作数据，所述人员行为数据包括心率数据、头部动作数据、哈欠动作数据、眨眼动作数据；所述行为数据通过对应技术采集相关数据后，经过量化处理得到。

13、优选的，所述通过对应技术采集相关数据包括：

14、所述车道保持数据的相关数据由车道偏离系统获取，包括时间内均匀分布的个车辆偏离车道中心的距离和对应车道宽度；

15、所述车辆速度数据的相关数据由车速传感器获取，包括时间内均匀分布的个车速；

16、所述方向盘动作数据的相关数据由方向盘位置传感器获取，包括时间内方向盘转动方向发生变化时对应的转动角度；

17、所述心率数据的相关数据通过心率传感设备获取，包括时间内心率超出预设的心率范围的总时长；

18、所述头部动作数据的相关数据通过车内摄像头和ai图像识别技术获取，包括时间内头部角度超出预设头部角度范围的总时长；

19、所述哈欠动作数据通过车内摄像头和ai图像识别技术获取，包括时间内嘴部张开的总时长；

20、所述眨眼动作数据通过车内摄像头和ai图像识别技术获取，包括时间内眼睛闭合状态的总时长；

21、所述为预设的采集时长，为预设的采集次数。

22、优选的，所述量化处理得到包括：

23、对车道保持数据，使用如下公式进行量化处理：

24、，

25、式中，表示车道保持数据，表示个车辆偏离车道中心的距离之和，表示个对应车道宽度和；

26、对车辆速度数据，使用如下公式进行量化处理：

27、，

28、式中，表示车辆速度数据，表示个车速的平均值，表示个车速的最小值，表示个车速的最大值；

29、对方向盘动作数据，使用如下公式进行量化处理：

30、，

31、式中，表示方向盘动作数据，表示第次方向盘转动方向变化时对应的转动角度，表示时间内方向盘转动方向变化的总次数；

32、对心率数据，使用如下公式进行量化处理：

33、，

34、式中，表示心率数据，表示时间t内心率超出预设的心率范围的总时长；

35、对头部动作数据，使用如下公式进行量化处理：

36、，

37、式中，表示头部动作数据，表示时间内头部角度超出预设头部角度范围的总时长；

38、对哈欠动作数据，使用如下公式进行量化处理：

39、，

40、式中，表示哈欠动作数据，表示时间内嘴部张开状态的总时长；

41、对眨眼动作数据，使用如下公式进行量化处理：

42、，

43、式中，表示眨眼动作数据，表示时间内眼睛闭合状态的总时长。

44、优选的，所述构建并训练网络模型包括：

45、s1、使用全连接神经网络作为基础框架，构建机器学习模型作为网络模型；

46、s2、获取第一数据集中的数据，将第一处理数据集的数据按照8：2的比例，划分为与第一网络模型对应的第一训练集和第一验证集，获取第二数据集中的数据，将第二处理数据集的数据按照8：2的比例，划分为与第二网络模型对应的第二训练集和第二验证集；

47、s3、分别从所述第一训练集和第二训练集中随机选取m条样本数据组成各自的批次数据；

48、s4、将选取的批次数据放入对应的网络模型中进行正向传播，计算网络模型的输出值；

49、s5、利用损失函数计算当前批次的损失值；

50、s6、根据损失值通过反向传播算法，计算损失函数关于模型参数的梯度；

51、s7、应用计算得到的梯度使用优化器，更新网络模型中的权重和偏置；

52、s8、重复s3到s7步骤直至完成一个训练周期，并继续进行后续训练周期，直到模型性能满足预设的停训条件。

53、优选的，所述利用损失函数计算当前批次的损失值包括：

54、使用如下损失函数计算当前批次的损失值：

55、，

56、式中，表示当前批次的损失值，表示当前批次样本数，表示当前批次第个样本的疲劳指数，表示模型对当前批次第个样本的输出值，表示阈值惩罚函数，表示阈值惩罚的系数；

57、其中阈值惩罚函数的公式如下：

58、，

59、式中，表示指示函数，如果大括号内的条件为真，则其值为1，否则为0，表示预设的惩罚阈值。

60、优选的，所述一个训练周期为所有训练集中的数据至少被模型学习一次的过程；

61、所述停训条件包括准确率达标和提前停止；

62、其中满足准确率达标条件包括：

63、在每个训练周期结束后，使用验证集数据计算模型的准确率，所述准确率的计算公式如下：

64、，

65、式中，表示准确率，表示指示函数，如果大括号内的条件为真，则其值为1，否则为0，表示验证集样本数，表示验证集第个样本的疲劳指数，表示模型对验证集第个样本的输出值，其中为预设的下限系数，为预设的上限系数，且，；

66、若大于预设的准确率阈值，则满足准确率达标条件；

67、其中满足提前停止条件包括：

68、在每个训练周期结束后，使用验证集数据计算模型的准确率；

69、若连续四个训练周期结束后的准确率没有增加，则满足提前停止条件。

70、优选的，所述根据当前疲劳指数和校验疲劳指数处理第一数据集包括：

71、获取当前疲劳指数和校验疲劳指数；

72、判断，其中为预设的处理下限值，为预设的处理上限值，且，；

73、若是，则不对第一数据集实施任何处理；

74、否则，更新第一数据集。

75、优选的，所述更新第一数据集包括：

76、获取对应的实时行为数据，和校验疲劳指数；

77、提取实时行为数据中，七种数据的数据值组成数组a，按照同样的顺序，提取第一数据集中已存储的行为数据中，七种数据的数据值组成数组b；

78、使用如下公式计算匹配度：

79、，

80、式中，表示数组a中的第个数据，表示数组b中的第个数据；

81、找出第一数据集中与实时行为数据匹配度最高的行为数据；

82、在第一数据集中，用获取的实时行为数据替换掉匹配度最高的行为数据，并同步更新该行为数据的疲劳指数为所获取的校验疲劳指数。

83、优选的，所述对第一网络模型进行重新训练包括：

84、设定计数器，初始化；

85、当数据集更新模块对第一数据集进行一次更新后，；

86、当时，使用网络模型模块对第一网络模型进行重新训练，并初始化，其中为预设的重训练阈值。

87、本发明提供了一种dms驾驶员疲劳等级识别系统，具备以下有益效果：

88、1、通过数据库模块和模型重训模块进行高度个性化的疲劳检测，通过记录和学习个体驾驶员的行为模式，利用两个定制的网络模型，一个用于疲劳指数获取，一个用于疲劳校验，实现了针对每一位驾驶员的疲劳状态定制评估，这种方法可以更准确地捕捉到个体驾驶员疲劳状态的细微差异，从而准确地提供疲劳警示；

89、2、通过用于实时行为数据采集分析的采集分析模块，以及用于处理和更新历史数据的数据集更新模块，可使系统在接收到校验模块的反馈后，自动更新第一数据集以细化网络模型的训练，进而获得基于实时和历史数据进行自学习、自适应的模型，该模型能随着时间的推移自我优化以提升疲劳检测的精度。