驾驶员状态监测方法、装置、终端设备及存储介质与流程

本技术属于智能交通，尤其涉及一种驾驶员状态监测方法、装置、终端设备及存储介质。

背景技术：

1、目前，驾驶员在驾驶机动车辆时，存在疲劳驾驶、突发疾病等异常驾驶行为，因此，需要对驾驶员的驾驶状态进行监测，在出现异常时及时对驾驶员进行提醒，从而避免交通事故的发生，保障行车安全。

2、相关技术中，为了监测驾驶员的驾驶状态，通常是在驾驶位附近安装摄像头，然后通过分析驾驶员的面部表情来判断驾驶员的驾驶状态是否异常，但是驾驶员的面部表情与驾驶行为并无绝对关联，驾驶行为误判的现象经常发生，驾驶员状态监测的准确度很低。

技术实现思路

1、本技术实施例提供了一种驾驶员状态监测方法、装置、终端设备及存储介质，可以解决驾驶员的面部表情与驾驶行为并无绝对关联，驾驶行为误判的现象经常发生，驾驶员状态监测的准确度很低。

2、本技术实施例的第一方面提供了一种驾驶员状态监测方法，包括：

3、获取多源感知数据集，其中，多源感知数据集包括至少一台车辆在当前时刻对应的参考时间段内各时刻对应的多源感知数据；多源感知数据集包含多类型的感知设备采集的感知数据；

4、根据多源感知数据集，对至少一台车辆中的目标车辆进行跟踪处理，以确定目标车辆在参考时间段内对应的跟踪数据；

5、对目标车辆在参考时间段内的跟踪数据进行分析处理，确定目标车辆在当前时刻对应的驾驶员状态。

6、可选的，在第一方面一种可能的实现方式中，上述获取多源感知数据集，包括：

7、获取在参考时间段内采集的多个原始感知数据；

8、对多个原始感知数据进行时间同步，以确定参考时间段内各时刻对应的原始感知数据；

9、将参考时间段内各时刻对应的原始感知数据转换至同一预设坐标系下，以确定参考时间段内各时刻对应的空间同步感知数据；

10、将参考时间段内各时刻对应的空间同步感知数据进行融合，以确定多源感知数据集。

11、可选的，在第一方面一种可能的实现方式中，上述将参考时间段内各时刻对应的空间同步感知数据进行融合，以确定多源感知数据集，包括：

12、基于感知设备的类型，确定各个空间同步感知数据的类型；

13、将各个空间同步感知数据输入至预生成的边缘计算模型，以确定各种类型的空间同步感知数据对应的特征感知数据；

14、对各种类型的空间同步感知数据对应的特征感知数据进行决策融合，确定多源感知数据集。

15、可选的，在第一方面一种可能的实现方式中，上述将各个空间同步感知数据输入至预生成的边缘计算模型，以确定各种类型的空间同步感知数据对应的特征感知数据，包括：

16、将为视频数据的各个空间同步感知数据输入至预生成的边缘计算模型，确定视频特征感知数据集；

17、将为点云数据的各个空间同步感知数据输入至预生成的边缘计算模型，确定点云特征感知数据集；

18、将为毫米波数据的各个空间同步感知数据输入至预生成的边缘计算模型，确定毫米波特征感知数据集；

19、基于视频特征感知数据集、点云特征感知数据集及毫米波特征感知数据集，确定各种类型的空间同步感知数据对应的特征感知数据。

20、可选的，在第一方面一种可能的实现方式中，上述多源感知数据集包括至少一台车辆在当前时刻对应的参考时间段内各时刻的类型信息、状态信息、尺寸信息、位置信息、速度信息、加速度信息、航向角信息、以及车牌信息中的一种或多种。

21、可选的，在第一方面一种可能的实现方式中，上述根据多源感知数据集，对至少一台车辆中的目标车辆进行跟踪处理，以确定目标车辆在参考时间段内对应的跟踪数据，包括：

22、根据多源感知数据集，利用跟踪算法对目标车辆进行跟踪，确定目标车辆在参考时间段内对应的初始跟踪数据；

23、利用非极大值抑制算法，对初始跟踪数据进行筛选，以确定第一跟踪数据；

24、利用类别修正策略，对第一跟踪数据进行优化，以确定目标车辆在参考时间段内对应的跟踪数据。

25、可选的，在第一方面一种可能的实现方式中，上述对目标车辆在参考时间段内的跟踪数据进行分析处理，确定目标车辆在当前时刻对应的驾驶员状态，包括：

26、根据目标车辆在参考时间段内的跟踪数据，得到目标车辆的移动轨迹；

27、对移动轨迹进行分析，确定目标车辆在当前时刻对应的驾驶员状态。

28、可选的，在第一方面一种可能的实现方式中，上述对移动轨迹进行分析，确定目标车辆在当前时刻对应的驾驶员状态，包括：

29、将移动轨迹输入至预生成的深度学习模型中，以判断目标车辆在参考时间段内的跟踪数据是否出现异常；

30、在目标车辆在参考时间段内的跟踪数据出现异常时，确定目标车辆在当前时刻对应的驾驶员状态为异常状态；

31、在目标车辆在参考时间段内的跟踪数据未出现异常时，确定目标车辆在当前时刻对应的驾驶员状态为非异常状态。

32、可选的，在第一方面一种可能的实现方式中，上述将移动轨迹输入至预生成的深度学习模型中，以判断目标车辆在参考时间段内的跟踪数据是否出现异常，包括：

33、将移动轨迹输入至深度学习模型中，以确定目标车辆的驾驶轨迹是否平滑；

34、根据目标车辆的驾驶轨迹是否平滑，判断目标车辆在参考时间段内的跟踪数据是否出现异常。

35、可选的，在第一方面一种可能的实现方式中，上述将移动轨迹输入至预生成的深度学习模型中，以判断目标车辆在参考时间段内的跟踪数据是否出现异常，包括：

36、将移动轨迹输入至深度学习模型中，以确定目标车辆的速度是否匀速；

37、根据目标车辆的速度是否匀速，判断目标车辆在参考时间段内的跟踪数据是否出现异常。

38、可选的，在第一方面一种可能的实现方式中，上述方法还包括：

39、利用加密算法，对目标车辆在参考时间段内的跟踪数据进行加密处理。

40、可选的，在第一方面一种可能的实现方式中，上述方法还包括：

41、在目标车辆在当前时刻对应的驾驶员状态为异常状态时，发送异常报警信息至目标车辆。

42、可选的，在第一方面一种可能的实现方式中，上述在目标车辆在当前时刻对应的驾驶员状态为异常状态时，发送异常报警信息至目标车辆，包括：

43、将目标车辆的车牌信息发送至路侧单元，目标车辆的车牌信息被用于路侧单元发送异常报警信息至目标车辆。

44、可选的，在第一方面一种可能的实现方式中，上述将目标车辆的车牌信息发送至路侧单元，目标车辆的车牌信息被用于路侧单元发送异常报警信息至目标车辆，包括：

45、将目标车辆的车牌信息发送至路侧单元，以使路侧单元根据目标车辆的车牌信息确定目标车辆对应的ip地址，并根据目标车辆对应的ip地址，利用tcp/ip协议将异常报警信息发送至目标车辆。

46、本技术实施例的第二方面提供了一种驾驶员状态监测装置，包括：

47、数据获取模块，用于获取多源感知数据集，其中，多源感知数据集包括至少一台车辆在当前时刻对应的参考时间段内各时刻对应的多源感知数据；多源感知数据集包含多类型的感知设备采集的感知数据；

48、跟踪处理模块，用于根据多源感知数据集，对至少一台车辆中的目标车辆进行跟踪处理，以确定目标车辆在参考时间段内对应的跟踪数据；

49、状态监测模块，用于对目标车辆在参考时间段内的跟踪数据进行分析处理，确定目标车辆在当前时刻对应的驾驶员状态。

50、本技术实施例的第三方面提供了一种终端设备，包括：存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述第一方面的驾驶员状态监测方法。

51、本技术实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述第一方面的驾驶员状态监测方法。

52、本技术实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面的驾驶员状态监测方法。

53、本技术实施例与现有技术相比存在的有益效果是：本技术公开了一种驾驶员状态监测方法、装置、终端设备及存储介质，该方法首先获取感知设备采集的多源感知数据集，然后根据多源感知数据集对至少一台车辆中的目标车辆进行跟踪处理，以确定目标车辆在参考时间段内对应的跟踪数据，最后对目标车辆在参考时间段内的跟踪数据进行分析处理，确定目标车辆在当前时刻对应的驾驶员状态。由此，通过感知设备对行驶中的车辆进行多源感知，并基于感知数据对车辆进行跟踪分析，判断车辆是否存在行驶异常，并以此监测驾驶员状态，提高了驾驶员状态监测的准确度。