一种驾驶员状态监测方法、装置、设备及介质与流程

1.本发明涉及汽车技术领域，尤其涉及一种驾驶员状态监测方法、装置、设备及介质。


背景技术：

2.随着车辆智能化的发展，车辆中的电子系统越来越多，驾驶员状态监测系统是关乎驾驶安全的一项配置，如何利用现有的资源，实现驾驶员状态的精准检测，是亟需解决的一个技术问题。
3.目前，驾驶员状态监测的主要方案是在车辆中加装各类可检测驾驶员状态的传感器，通过传感器检测到的各项数据，实现对驾驶员状态的监测，然而，上述方案会大大增加整车成本，进而增加消费者的消费负担。


技术实现要素：

4.本发明提供了一种驾驶员状态监测方法、装置、设备及介质，以在不额外增加传感器的情况下，实现驾驶员状态的精准监测，进而降低整车成本。
5.根据本发明的一方面，提供了一种驾驶员状态监测方法，所述方法包括：
6.通过拍摄装置获取驾驶员的驾驶图像；
7.基于驾驶员状态监测模型对所述驾驶图像进行处理，得到与所述驾驶图像相对应的目标驾驶状态；所述驾驶员状态监测模型是基于分类算法建立的；
8.根据驾驶状态和提示操作的对应关系，确定对应于所述目标驾驶状态的目标提示操作，并执行所述目标提示操作。
9.根据本发明的另一方面，提供了一种驾驶员状态监测装置，包括：
10.驾驶图像获取模块，用于通过拍摄装置获取驾驶员的驾驶图像；
11.目标驾驶状态确定模块，用于基于驾驶员状态监测模型对所述驾驶图像进行处理，得到与所述驾驶图像相对应的目标驾驶状态；所述驾驶员状态监测模型是基于分类算法建立的；
12.目标提示操作执行模块，用于根据驾驶状态和提示操作的对应关系，确定对应于所述目标驾驶状态的目标提示操作，并执行所述目标提示操作。
13.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
14.至少一个处理器；以及
15.与所述至少一个处理器通信连接的存储器；其中，
16.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的驾驶员状态监测方法。
17.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述
的驾驶员状态监测方法。
18.本技术实施例的技术方案，包括：通过拍摄装置获取驾驶员的驾驶图像；基于驾驶员状态监测模型对所述驾驶图像进行处理，得到与所述驾驶图像相对应的目标驾驶状态；所述驾驶员状态监测模型是基于分类算法建立的；根据驾驶状态和提示操作的对应关系，确定对应于所述目标驾驶状态的目标提示操作，并执行所述目标提示操作。本技术方案中的驾驶员状态监测模型是基于分类算法建立的，使得驾驶员状态监测模型具有对于驾驶状态的精准分辨能力，可精准地确定出驾驶图像中的驾驶员的驾驶状态，并且，本技术方案是通过驾驶图像对驾驶员的驾驶状态进行监测，无需额外安装其它传感器，具有减低整车成本的效果。
19.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
20.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，对于本领域普通技术人员来讲，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。
21.图1是根据本技术实施例一提供的一种驾驶员状态监测方法的流程图；
22.图2是根据本技术实施例二提供的一种驾驶员状态监测方法的流程图；
23.图3是根据本技术实施例三提供的一种驾驶员状态监测装置的结构示意图；
24.图4是实现本技术实施例的一种驾驶员状态监测方法的电子设备的结构示意图。
具体实施方式
25.为了使本技术领域的人员更好地理解本发明方案，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的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
26.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
27.实施例一
28.图1为本技术实施例一提供了一种驾驶员状态监测方法的流程图，本技术实施例可适用于对驾驶员的驾驶状态进行监测的情况，该方法可以由驾驶员状态监测装置来执行，该驾驶员状态监测装置可以采用硬件和/或软件的形式实现，该驾驶员状态监测装置可
配置于具有数据处理能力的电子设备中。如图1所示，该方法包括：
29.s110，通过拍摄装置获取驾驶员的驾驶图像。
30.其中，拍摄装置可位于车辆中，通过拍摄装置可对驾驶员进行拍摄，示例性的，拍摄装置包括但不限于：高清摄像机、照相机、驾驶员监控系统(driver monitoring system，dms)等，需要说明的是，可以根据驾驶员状态监测模型所需要提取的特征，适应性地设置拍摄装置，例如，若驾驶员状态监测模型所需要提取的特征可以在单独的图像帧中提取，则拍摄装置可以是照相机等，若驾驶员状态监测模型所需要提取的特征需要在连续的视频帧中提取，则拍摄装置可以是高清摄像机、dms等。驾驶图像可以是能够反映驾驶员的状态的图像，所述状态是指健康状态、不健康状态、疲劳状态等，驾驶图像可以是图像帧，还可以是视频(即多个视频帧)，显然，驾驶图像可以包括驾驶员的任意部位，本技术实施例对其不做限定，示例性的，驾驶图像中包括了驾驶员的上半身。
31.具体的，在一种可实现的方案中，若车辆上电，则开启拍摄装置，并通过拍摄装置获取驾驶员的驾驶图像。在另一种可实现的方案中，每经过预设时间间隔后，通过拍摄装置获取驾驶员的驾驶图像。在又一种可实现的方案中，若检测到驾驶员状态监测控件为开启状态，则通过拍摄装置获取驾驶员的驾驶图像。在又一种可实现的方案中，实时通过拍摄装置获取驾驶员的驾驶图像。
32.s120，基于驾驶员状态监测模型对所述驾驶图像进行处理，得到与所述驾驶图像相对应的目标驾驶状态；所述驾驶员状态监测模型是基于分类算法建立的。
33.其中，驾驶员状态监测模型为预先训练的，可以输出驾驶图像中的驾驶员的驾驶状态的模型，驾驶员状态监测模型可以是基于分类算法建立的，即驾驶员状态监测模型可以识别出驾驶图像中的驾驶员的驾驶状态所属类别，并输出该所属类别，该所属类别即为目标驾驶状态。所述驾驶状态可以反映驾驶员的健康程度，本技术实施例不限定驾驶状态的具体内容，示例性的，驾驶状态可以是：健康状态、次健康状态、一般不健康状态以及严重不健康状态。所述分类算法为进行数据分类所使用的人工智能算法，本技术实施例不限定所述分类算法的具体内容，示例性的，分类算法包括但不限于：决策树、朴素贝叶斯、支持向量机、k-最近邻算法、k-均值算法、随机森林算法等。
34.具体的，预先基于分类算法建立驾驶员状态监测模型，获取到驾驶图像后，将驾驶图像输入至驾驶员状态监测模型，该驾驶员状态监测模型输出与驾驶图像对应的目标驾驶状态，该目标驾驶状态为驾驶图像中的驾驶员的驾驶状态。
35.s130，根据驾驶状态和提示操作的对应关系，确定对应于所述目标驾驶状态的目标提示操作，并执行所述目标提示操作。
36.其中，提示操作可以是与驾驶状态相对应的，用于提示驾驶员和/或其它车辆的一系列操作，提示操作可以是声音提醒、震动提醒、紧急报警等，本技术实施例不限定提示操作的具体内容，也不限定各驾驶状态所对应的提示操作，示例性的，各驾驶状态和提示操作的对应关系可以是：对应于健康状态的提示操作可以是无操作；对应于次健康状态的提示操作可以是语音提示以及文字提示，提示内容可以是建议驾驶员休息；对应于一般不健康状态的提示操作可以是语音提示以及文字提示，提示内容可以是驾驶员的当前身体状况，以及强烈建议驾驶员停车休息；对应于严重不健康状态的提示操作可以是通过e-call系统(车辆紧急呼叫系统)发起紧急求助。
37.具体的，得到目标驾驶状态后，读取各驾驶状态与提示操作的对应关系，确定目标驾驶状态所对应的目标提示操作，进而执行目标提示操作。在一种可实现的方案中，若目标驾驶状态为非健康状态，则在执行目标提示操作时，可以控制车辆的双闪警示灯为开启状态，以提醒其它车辆。在另一种可实现的方案中，若目标驾驶状态为非健康状态，则在执行目标提示操作时，可以开启车辆的自动驾驶功能，以在驾驶员无法正常驾驶车辆时，及时介入对于车辆的控制，保障车辆人员的人身安全。
38.本技术实施例的技术方案，包括：通过拍摄装置获取驾驶员的驾驶图像；基于驾驶员状态监测模型对所述驾驶图像进行处理，得到与所述驾驶图像相对应的目标驾驶状态；所述驾驶员状态监测模型是基于分类算法建立的；根据驾驶状态和提示操作的对应关系，确定对应于所述目标驾驶状态的目标提示操作，并执行所述目标提示操作。本技术方案中的驾驶员状态监测模型是基于分类算法建立的，使得驾驶员状态监测模型具有对于驾驶状态的精准分辨能力，可精准地确定出驾驶图像中的驾驶员的驾驶状态，并且，本技术方案是通过驾驶图像对驾驶员的驾驶状态进行监测，无需额外安装其它传感器，具有减低整车成本的效果。
39.实施例二
40.图2为本技术实施例二提供的一种驾驶员状态监测方法的流程图，本技术实施例以上述实施例为基础进行优化。具体优化为：基于驾驶员状态监测模型对所述驾驶图像进行处理，得到与所述驾驶图像相对应的目标驾驶状态，包括：将驾驶图像输入至驾驶员状态监测模型中的各分类模型中，将各分类模型的输出结果作为候选驾驶状态；根据候选驾驶状态，确定目标驾驶状态。
41.如图2所示，本技术实施例的方法具体包括如下步骤：
42.s210，通过拍摄装置获取驾驶员的驾驶图像。
43.本技术实施例中，可选的，通过拍摄装置获取驾驶员的驾驶图像，包括：在车辆为行驶状态下，通过拍摄装置获取车辆内驾驶员的驾驶图像；或者，若驾驶员状态监测控件已触发，则通过拍摄装置获取车辆内驾驶员的驾驶图像。
44.本方案这样设置，可以在用户需要进行驾驶员状态监测时，再进行驾驶员状态监测，提高了用户的使用体验。
45.本技术实施例中，可选的，驾驶员状态监测模型的确定过程包括步骤a1-a4：
46.步骤a1，获取历史驾驶图像以及历史驾驶图像对应的历史驾驶状态。
47.步骤a2，基于历史驾驶状态，确定历史驾驶图像的标签，并根据所述历史驾驶图像以及所述标签确定训练样本。
48.步骤a3，在各训练样本中，以有放回的方式进行随机抽样，得到第一预设数量个训练样本集。
49.步骤a4，基于所述第一预设数量个训练样本集，对待训练驾驶员状态监测模型进行训练，得到驾驶员状态监测模型。
50.具体的，通过拍摄装置获取多个驾驶员在不同的驾驶状态下的历史驾驶图像，在历史驾驶图像的获取过程中，可以通过心率探测设备、体温探测设备等可以监测生理指标的仪器设备，对驾驶员的驾驶状态进行辅助确定，进而得到历史驾驶图像以及各历史驾驶图像对应的历史驾驶状态。显然，历史驾驶状态的具体分类本技术实施例不做限定，示例性
的，历史驾驶状态为：健康状态、次健康状态、一般不健康状态以及严重不健康状态。进一步的，对历史驾驶图像进行打标签操作，即建立历史驾驶状态与对应的历史驾驶图像的关联关系，将已打完标签的历史驾驶图像，确定为训练样本。然后对训练样本进行有放回的随机抽样，得到第一预设数量个训练样本集，本技术实施例对第一预设数量不做限定，示例性的，第一预设数量为4。显然，在各训练样本集中，包括了第二数量个训练样本，所述第二数量可以是任意值，本技术实施例对所述第二数量不做限定。
51.进一步的，得到第一预设数量个训练样本集后，可以基于第一预设数量个训练样本集对待训练驾驶员状态监测模型进行训练，得到驾驶员状态监测模型，该驾驶员状态监测模型包括多个分类模型，即每个训练样本集，可以对应一个分类模型。
52.本技术实施例通过有放回的方式对训练样本进行随机抽样，得到第一预设数量个训练样本集，使得训练样本集中的训练样本是随机确定的，且训练样本集中，各驾驶状态的训练样本的分布也是较为均匀的，使得最终训练得到的驾驶员状态监测模型具有较高的可信度。
53.本技术实施例中，可选的，基于所述第一预设数量个训练样本集，对待训练驾驶员状态监测模型进行训练，得到驾驶员状态监测模型，包括：针对第一预设数量个训练样本集，基于训练样本集中的训练样本，对待训练分类模型进行训练，得到第一预设数量个分类模型；所述分类模型用于根据驾驶图像确定驾驶图像中的驾驶员的驾驶状态；根据第一预设数量个分类模型，确定驾驶员状态监测模型。
54.具体的，驾驶员状态监测模型包括了第一预设数量个分类模型，所以驾驶员状态监测模型的训练过程，即为第一预设数量个分类模型的训练过程。进一步的，得到第一预设数量个训练样本集后，对于每个训练样本集，均训练一个分类模型，得到第一预设数量个分类模型，所述第一预设数量个分类模型均可以对驾驶图像中的驾驶员的驾驶状态进行识别，但识别结果可能不同，是因为各分类模型的训练样本并不相同。
55.s220，将驾驶图像输入至驾驶员状态监测模型中的各分类模型中，将各分类模型的输出结果作为候选驾驶状态。
56.其中，所述驾驶员状态监测模型是基于分类算法建立的。
57.具体的，将驾驶图像输入至驾驶员状态监测模型中的各分类模型中，各分类模型均会对驾驶图像进行处理，得到各分类模型的输出结果，将各分类模型的输出结果作为候选驾驶状态，示例性的，候选驾驶状态中，可以包括10个健康状态、12个次健康状态等等。
58.s230，根据候选驾驶状态，确定目标驾驶状态。
59.具体的，得到候选驾驶状态后，可以根据实际情况，确定目标驾驶状态。
60.本技术实施例中，可选的，根据候选驾驶状态，确定目标驾驶状态，包括步骤b1-b2：
61.步骤b1，统计候选驾驶状态中，相同的驾驶状态的数量。
62.步骤b2，将数量满足预设条件的驾驶状态确定为目标驾驶状态。
63.其中，预设条件可以根据实际情况确定，本技术实施例对此不做限定。
64.具体的，统计候选驾驶状态中，相同的驾驶状态的数量，可以是：对候选驾驶状态，相同的驾驶状态进行累加求和，可得到如下示例性的结果：10个健康状态、12个次健康状态、3个一般不健康状态以及0个严重不健康状态。显然，上述结果仅仅是具体示例，不应理
解为本技术实施例的限定。
65.进一步的，在一种可实现的方案中，将数量满足预设条件的驾驶状态确定为目标驾驶状态，包括：将数量最多的驾驶状态，确定为目标驾驶状态。在另一种可实现的方案中，将数量满足预设条件的驾驶状态确定为目标驾驶状态，包括：将数量大于第一数量阈值的驾驶状态，确定为目标驾驶状态。在又一种可实现的方案中，将数量满足预设条件的驾驶状态确定为目标驾驶状态，包括：将数量最多，且大于第二数量阈值的驾驶状态确定为目标驾驶状态，若数量最多的驾驶状态小于或等于第二数量，可以确定数量最多的两个驾驶状态均为目标驾驶状态，并在后续执行目标提示操作时，执行两个目标驾驶状态对应的提示操作，这样设置使得在驾驶状态不易区分的情况下，可以尽可能的避免驾驶状态确定不准确的问题。
66.本技术实施例中，可选的，基于所述第一预设数量个训练样本集，对待训练驾驶员状态监测模型进行训练，得到驾驶员状态监测模型，包括步骤c1-c2：
67.步骤c1，针对训练样本集，对训练样本集中的训练样本进行特征提取，得到至少一个特征。
68.步骤c2，根据各训练样本集分别对应的至少一个特征对待训练驾驶员状态监测模型进行训练，得到驾驶员状态监测模型。
69.所述特征包括以下至少一项：
70.驾驶员心率、驾驶员呼吸频率、驾驶员眨眼频率、驾驶员嘴部动作、驾驶员面部动作、驾驶员身体姿态。
71.本技术实施例中，对训练样本集中的训练样本进行特征提取时，所提取的特征的数量以及特征的内容，本技术实施例不做限定。示例性的，所提取的特征的数量为4，所提取的特征的数量远远小于训练样本集中，训练样本的数量。
72.本技术实施例中，训练样本为已打标签的历史驾驶图像，对训练样本可提取如下至少一项特征：驾驶员心率、驾驶员呼吸频率、驾驶员眨眼频率、驾驶员嘴部动作、驾驶员面部动作、驾驶员身体姿态。显然，对于驾驶员身体姿态等特征，可以在一张图像帧中提取，也可以在多张图像帧中进行提取。对于驾驶员呼吸频率等特征，可以在多张图像帧中进行提取。需要说明的是，历史驾驶图像并非单独的一张图像，历史驾驶图像可以是多张图像帧，即一段视频。
73.关于从训练样本中提取驾驶员心率、驾驶员呼吸频率等特征，是近期公开的技术，例如驾驶员呼吸频率的确定过程可以是：通过对用户胸部最小运动的捕捉，可得出呼吸频率。对于驾驶员心率的确定过程可以是：用户将手指等部位放在拍摄装置上时，摄像头可以通过透光检测模式，检测并获取血液流过时而导致的色差，进而得到驾驶员心率。
74.s240，根据驾驶状态和提示操作的对应关系，确定对应于所述目标驾驶状态的目标提示操作，并执行所述目标提示操作。
75.本技术实施例中，将驾驶图像输入至各分类模型中，根据各分类模型所输出的结果，确定候选驾驶状态，并根据候选驾驶状态，确定目标驾驶状态，使得目标驾驶状态的确定更为精准。
76.实施例三
77.图3为本技术实施例三提供的一种驾驶员状态监测装置的结构示意图，该装置可
执行本发明任意实施例所提供的驾驶员状态监测方法，具备执行方法相应的功能模块和有益效果。如图3所示，该装置包括：
78.驾驶图像获取模块310，用于通过拍摄装置获取驾驶员的驾驶图像；
79.目标驾驶状态确定模块320，用于基于驾驶员状态监测模型对所述驾驶图像进行处理，得到与所述驾驶图像相对应的目标驾驶状态；所述驾驶员状态监测模型是基于分类算法建立的；
80.目标提示操作执行模块330，用于根据驾驶状态和提示操作的对应关系，确定对应于所述目标驾驶状态的目标提示操作，并执行所述目标提示操作。
81.可选的，所述装置还包括驾驶员状态监测模型确定模块，所述驾驶员状态监测模型确定模块包括：
82.历史驾驶图像获取单元，用于获取历史驾驶图像以及历史驾驶图像对应的历史驾驶状态；
83.训练样本确定单元，用于基于历史驾驶状态，确定历史驾驶图像的标签，并根据所述历史驾驶图像以及所述标签确定训练样本；
84.训练样本集确定单元，用于在各训练样本中，以有放回的方式进行随机抽样，得到第一预设数量个训练样本集；
85.驾驶员状态监测模型确定单元，用于基于所述第一预设数量个训练样本集，对待训练驾驶员状态监测模型进行训练，得到驾驶员状态监测模型。
86.可选的，驾驶员状态监测模型确定单元，包括：
87.分类模型训练子单元，用于针对第一预设数量个训练样本集，基于训练样本集中的训练样本，对待训练分类模型进行训练，得到第一预设数量个分类模型；所述分类模型用于根据驾驶图像确定驾驶图像中的驾驶员的驾驶状态；
88.驾驶员状态监测模型确定子单元，用于根据第一预设数量个分类模型，确定驾驶员状态监测模型。
89.可选的，目标驾驶状态确定模块320，包括：
90.候选驾驶状态确定单元，用于将驾驶图像输入至驾驶员状态监测模型中的各分类模型中，将各分类模型的输出结果作为候选驾驶状态；
91.目标驾驶状态确定单元，用于根据候选驾驶状态，确定目标驾驶状态。
92.可选的，目标驾驶状态确定单元，包括：
93.驾驶状态统计子单元，用于统计候选驾驶状态中，相同的驾驶状态的数量；
94.目标驾驶状态确定子单元，用于将数量满足预设条件的驾驶状态确定为目标驾驶状态。
95.可选的，驾驶员状态监测模型确定单元，包括：
96.特征提取子单元，用于针对训练样本集，对训练样本集中的训练样本进行特征提取，得到至少一个特征；
97.驾驶员状态监测模型训练子单元，用于根据各训练样本集分别对应的至少一个特征对待训练驾驶员状态监测模型进行训练，得到驾驶员状态监测模型；
98.所述特征包括以下至少一项：
99.驾驶员心率、驾驶员呼吸频率、驾驶员眨眼频率、驾驶员嘴部动作、驾驶员面部动
作、驾驶员身体姿态。
100.可选的，驾驶图像获取模块310，具体用于：在车辆为行驶状态下，通过拍摄装置获取车辆内驾驶员的驾驶图像；或者，
101.若驾驶员状态监测控件已触发，则通过拍摄装置获取车辆内驾驶员的驾驶图像。
102.本技术实施例所提供的一种驾驶员状态监测装置可执行本发明任意实施例所提供的一种驾驶员状态监测方法，具备执行方法相应的功能模块和有益效果。
103.实施例四
104.图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
105.如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
106.电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
107.处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如驾驶员状态监测方法。
108.在一些实施例中，驾驶员状态监测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的驾驶员状态监测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行驾驶员状态监测方法。
109.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器
可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
110.用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
111.在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
112.为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
113.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
114.计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
115.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
116.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明
的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

技术特征：
1.一种驾驶员状态监测方法，其特征在于，包括：通过拍摄装置获取驾驶员的驾驶图像；基于驾驶员状态监测模型对所述驾驶图像进行处理，得到与所述驾驶图像相对应的目标驾驶状态；所述驾驶员状态监测模型是基于分类算法建立的；根据驾驶状态和提示操作的对应关系，确定对应于所述目标驾驶状态的目标提示操作，并执行所述目标提示操作。2.根据权利要求1所述的方法，其特征在于，驾驶员状态监测模型的确定过程包括：获取历史驾驶图像以及历史驾驶图像对应的历史驾驶状态；基于历史驾驶状态，确定历史驾驶图像的标签，并根据所述历史驾驶图像以及所述标签确定训练样本；在各训练样本中，以有放回的方式进行随机抽样，得到第一预设数量个训练样本集；基于所述第一预设数量个训练样本集，对待训练驾驶员状态监测模型进行训练，得到驾驶员状态监测模型。3.根据权利要求2所述的方法，其特征在于，基于所述第一预设数量个训练样本集，对待训练驾驶员状态监测模型进行训练，得到驾驶员状态监测模型，包括：针对第一预设数量个训练样本集，基于训练样本集中的训练样本，对待训练分类模型进行训练，得到第一预设数量个分类模型；所述分类模型用于根据驾驶图像确定驾驶图像中的驾驶员的驾驶状态；根据第一预设数量个分类模型，确定驾驶员状态监测模型。4.根据权利要求3所述的方法，其特征在于，基于驾驶员状态监测模型对所述驾驶图像进行处理，得到与所述驾驶图像相对应的目标驾驶状态，包括：将驾驶图像输入至驾驶员状态监测模型中的各分类模型中，将各分类模型的输出结果作为候选驾驶状态；根据候选驾驶状态，确定目标驾驶状态。5.根据权利要求4所述的方法，其特征在于，根据候选驾驶状态，确定目标驾驶状态，包括：统计候选驾驶状态中，相同的驾驶状态的数量；将数量满足预设条件的驾驶状态确定为目标驾驶状态。6.根据权利要求2所述的方法，其特征在于，基于所述第一预设数量个训练样本集，对待训练驾驶员状态监测模型进行训练，得到驾驶员状态监测模型，包括：针对训练样本集，对训练样本集中的训练样本进行特征提取，得到至少一个特征；根据各训练样本集分别对应的至少一个特征对待训练驾驶员状态监测模型进行训练，得到驾驶员状态监测模型；所述特征包括以下至少一项：驾驶员心率、驾驶员呼吸频率、驾驶员眨眼频率、驾驶员嘴部动作、驾驶员面部动作、驾驶员身体姿态。7.根据权利要求1所述的方法，其特征在于，通过拍摄装置获取驾驶员的驾驶图像，包括：在车辆为行驶状态下，通过拍摄装置获取车辆内驾驶员的驾驶图像；或者，
若驾驶员状态监测控件已触发，则通过拍摄装置获取车辆内驾驶员的驾驶图像。8.一种驾驶员状态监测装置，其特征在于，包括：驾驶图像获取模块，用于通过拍摄装置获取驾驶员的驾驶图像；目标驾驶状态确定模块，用于基于驾驶员状态监测模型对所述驾驶图像进行处理，得到与所述驾驶图像相对应的目标驾驶状态；所述驾驶员状态监测模型是基于分类算法建立的；目标提示操作执行模块，用于根据驾驶状态和提示操作的对应关系，确定对应于所述目标驾驶状态的目标提示操作，并执行所述目标提示操作。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的驾驶员状态监测方法。10.一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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的驾驶员状态监测方法。

技术总结
本申请实施例公开了一种驾驶员状态监测方法、装置、设备及介质。其中，该方法包括：通过拍摄装置获取驾驶员的驾驶图像；基于驾驶员状态监测模型对驾驶图像进行处理，得到与驾驶图像相对应的目标驾驶状态；驾驶员状态监测模型是基于分类算法建立的；根据驾驶状态和提示操作的对应关系，确定对应于目标驾驶状态的目标提示操作，并执行目标提示操作。本技术方案中的驾驶员状态监测模型是基于分类算法建立的，使得驾驶员状态监测模型具有对于驾驶状态的精准分辨能力，可精准地确定出驾驶图像中的驾驶员的驾驶状态，并且，本技术方案是通过驾驶图像对驾驶员的驾驶状态进行监测，无需额外安装其它传感器，具有减低整车成本的效果。具有减低整车成本的效果。具有减低整车成本的效果。


技术研发人员：于立娇 李长龙 孔祥明 南洋 周时莹 梁贵友
受保护的技术使用者：中国第一汽车股份有限公司
技术研发日：2023.06.08
技术公布日：2023/9/12