一种驾驶状态监控方法及装置与流程

1.本公开涉及汽车安全技术领域，尤其涉及一种驾驶状态监控方法及装置。


背景技术：

2.目前，随着汽车行业的不断发展，越来越多的家庭选择驾车出行，交通事故也不断的增多。其中，疲劳驾驶是交通事故变得日益严重的重要原因之一。疲劳后继续驾驶车辆，会感到困倦瞌睡，四肢无力，注意力不集中，判断能力下降，甚至出现精神恍惚或瞬间记忆消失，出现动作迟误或过早，操作停顿或修正时间不当等不安全因素，极易发生道路交通事故。因此，疲劳检测对于行车安全至关重要。
3.但是，相关技术中的疲劳检测方法的准确度较低，鲁棒性较差。


技术实现要素：

4.本公开提供了一种驾驶状态监控方法、装置、电子设备和存储介质。
5.根据本公开的第一方面，提供了一种驾驶状态监控方法，该方法包括：获取图像，并对图像进行人脸识别，以获取图像对应的特征序列；基于特征序列，确定图像对应的驾驶状态；根据图像对应的驾驶状态，对用户的疲劳图像队列进行更新，疲劳图像队列中包含驾驶状态为疲劳态的多帧图像，疲劳图像队列的更新规则为先进先出规则；根据更新后的疲劳图像队列，确定用户的驾驶状态。
6.在一些实施例中，基于特征序列，确定图像对应的驾驶状态包括：根据获取到的人脸部位的特征值，获取图像对应的特征序列，其中，人脸部位包括眼部和口部；当特征序列中眼部的特征值指示双眼闭合时，或当特征序列中眼部的特征值指示单眼闭合且口部的特征值指示口部张开时，确定图像对应的驾驶状态为疲劳态；否则，确定图像对应的驾驶状态为非疲劳。
7.在一些实施例中，根据图像对应的驾驶状态，对用户的疲劳图像队列进行更新包括：当图像对应的驾驶状态为疲劳态时，将图像插入疲劳图像队列的队首，其中，图像对应的时间戳为疲劳图像队列中的最新时间。
8.在一些实施例中，非疲劳包括第一非疲劳态和第二非疲劳态，确定图像对应的驾驶状态为非疲劳包括：当特征序列中眼部和/或口部的特征值指示未识别时，确定图像对应的驾驶状态为所述第一非疲劳态；当驾驶状态不为疲劳态和第一非疲劳态时，确定驾驶状态为第二非疲劳态。
9.在一些实施例中，当图像对应的驾驶状态为非疲劳态或未知时，从疲劳图像队列的队尾删除预定帧数的图像。
10.在一些实施例中，当图像对应的驾驶状态为非疲劳态时，从疲劳图像队列的队尾删除预定帧数的图像包括：当图像对应的驾驶状态为第二非疲劳态时，从疲劳图像队列的队尾删除第一预定帧数的图像；当图像对应的驾驶状态为第一非疲劳态时，从疲劳图像队列的队尾删除第二预定帧数的图像；其中，第一预定帧数与第二预定帧数不同。
11.在一些实施例中，根据更新后的疲劳图像队列，确定用户的驾驶状态包括：当疲劳图像队列中的图像帧数大于或等于预设阈值时，确定用户的驾驶状态为疲劳态；当疲劳图像队列中的图像帧数小于预设阈值时，确定用户的驾驶状态为正常驾驶态。
12.根据本公开的实施例，通过获取图像，并对图像进行人脸识别，以获取图像对应的特征序列；基于特征序列，确定图像对应的驾驶状态；根据图像对应的驾驶状态，对用户的疲劳图像队列进行更新，疲劳图像队列中包含驾驶状态为疲劳态的多帧图像，疲劳图像队列的更新规则为先进先出规则；根据更新后的疲劳图像队列，确定用户的驾驶状态，提高了疲劳检测在行车过程中的准确度和鲁棒性。
13.根据本公开的第二方面，提供了一种驾驶状态监控装置，该装置包括：获取单元，用于获取图像，并对图像进行人脸识别，以获取图像对应的特征序列；第一确定单元，用于基于特征序列，确定图像对应的驾驶状态；更新单元，用于根据图像对应的驾驶状态，对用户的疲劳图像队列进行更新，疲劳图像队列中包含驾驶状态为疲劳态的多帧图像，疲劳图像队列的更新规则为先进先出规则；第二确定单元，用于根据更新后的疲劳图像队列，确定用户的驾驶状态。
14.根据本公开的实施例，通过驾驶状态监控装置，获取图像，并对图像进行人脸识别，以获取图像对应的特征序列；基于特征序列，确定图像对应的驾驶状态；根据图像对应的驾驶状态，对用户的疲劳图像队列进行更新，疲劳图像队列中包含驾驶状态为疲劳态的多帧图像，疲劳图像队列的更新规则为先进先出规则；根据更新后的疲劳图像队列，确定用户的驾驶状态，提高了疲劳检测在行车过程中的准确度和鲁棒性。
15.根据本公开的第三方面，提供了一种电子设备，包括：
16.至少一个处理器；以及
17.与至少一个处理器通信连接的存储器；其中，
18.存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前述第一方面的方法。
19.根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行前述第一方面的方法。
20.根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如前述第一方面的方法。
21.根据本公开的实施例，通过获取图像，并对图像进行人脸识别，以获取图像对应的特征序列；基于特征序列，确定图像对应的驾驶状态；根据图像对应的驾驶状态，对用户的疲劳图像队列进行更新，疲劳图像队列中包含驾驶状态为疲劳态的多帧图像，疲劳图像队列的更新规则为先进先出规则；根据更新后的疲劳图像队列，确定用户的驾驶状态，提高了疲劳检测在行车过程中的准确度和鲁棒性。
22.应当理解，本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征，也不用于限制本技术的范围。本技术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
23.附图用于更好地理解本方案，不构成对本公开的限定。其中：
24.图1为本公开实施例提供的一种驾驶状态监控方法的流程示意图；
25.图2为本公开实施例提供的一种驾驶状态监控方法的流程示意图；
26.图3为本公开实施例提供的一种具体的特征组合方法的流程示意图；
27.图4为本公开实施例提供的一种具体的时序队列衰减方法的流程示意图；
28.图5为本公开实施例提供的一种驾驶状态监控装置的结构示意图；
29.图6为本公开实施例提供的示例电子设备600的示意性框图。
具体实施方式
30.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
31.下面参考附图描述本公开实施例的一种驾驶状态监控方法、装置、电子设备和存储介质。
32.目前，随着汽车行业的不断发展，越来越多的家庭选择驾车出行，交通事故也不断的增多。其中，疲劳驾驶是交通事故变得日益严重的重要原因之一。疲劳后继续驾驶车辆，会感到困倦瞌睡，四肢无力，注意力不集中，判断能力下降，甚至出现精神恍惚或瞬间记忆消失，出现动作迟误或过早，操作停顿或修正时间不当等不安全因素，极易发生道路交通事故。因此，疲劳检测对于行车安全至关重要。
33.但是，相关技术中的疲劳检测方法的准确度较低，鲁棒性较差。
34.具体的，现有技术主要分为两类：一种是根据疲劳特征进行简单组合，得到最终的疲劳状态。一种是设定疲劳特征阈值，用规则控制疲劳输出。
35.例如，相关技术中通过速度、头部姿态、眼部姿态和嘴部姿态进行简单组合，得出最终的疲劳状态，或通过视频算法对视频直接分析任务状态，通过加权平均计算对工作人员一定时间内眼睛和嘴巴的开合度达到阈值的频率来判断是否疲劳。
36.然而，驾驶疲劳是一个时序过程，相关技术仅采用特征组合的方式判断当前是否疲劳，利用单张图像的特征组合来判断，对于整个疲劳过程来说，非常的不合理且精度很低。
37.此外，相关技术直接对视频分析，一定程度上拥有了时序信息，但是这种方法的运行速度很慢，对计算资源要求极高。其采用加权平均设置频率的方法判断是否疲劳，会受到模型精度的严重影响，鲁棒性较差。
38.本公开提出了一种驾驶状态监控方案，可以有效避免因为模型精度导致的结果误差，同时考虑时序信息对驾驶员疲劳的影响。
39.本公开主要用于汽车领域的驾驶员监控系统(driver monitoring system，dms)，诸如高级驾驶辅助系统(advanced driving assistance system，adas)，本公开提出的方法作为dms系统的一部分，在时序上融合了多项算法的结果，极大程度上排除了在个别图片帧上算法出错的干扰，可以给出驾驶员在一定时间内是否出现疲劳状态的信息，本公开提出的方法可以有效提升了整个dms系统的准确性和抗干扰能力。
40.本公开的重点在于获取驾驶员各项信息后，对获取的信息进行特征组合，然后将当前映射状态使用队列衰减的方法判断驾驶员是否处于疲劳状态。
41.为此，针对上述现有技术的问题，本公开提出一种驾驶状态监控方法，通过获取图像，并对图像进行人脸识别，以获取图像对应的特征序列；基于特征序列，确定图像对应的驾驶状态；根据图像对应的驾驶状态，对用户的疲劳图像队列进行更新，疲劳图像队列中包含驾驶状态为疲劳态的多帧图像，疲劳图像队列的更新规则为先进先出规则；根据更新后的疲劳图像队列，确定用户的驾驶状态，提高了疲劳检测在行车过程中的准确度和鲁棒性。
42.本公开提出的方法主要应用于车辆，具体地应用于高级驾驶辅助系统，即驾驶员监控系统，在本公开实施例中对此不予限制。
43.下面结合附图详细描述实现本公开提出的一种驾驶状态监控方法、装置、电子设备、存储介质以及程序产品。
44.图1为本公开实施例所提供的一种驾驶状态监控方法的流程示意图。该方法可以用于驾驶员监控系统，在本公开实施例中对此不予限制。如图1所示，该方法包含以下步骤：
45.步骤101，获取图像，并对图像进行人脸识别，以获取图像对应的特征序列。
46.在本公开的一种实现方式中，可以通过红外摄像头采集驾驶员图像，从视频中获取单帧图像定位驾驶员双眼和嘴作为特征点。根据预设定的标号将获取到的特征点的状态以特征序列的形式表示。
47.步骤102，基于特征序列，确定图像对应的驾驶状态。
48.在本公开的一种实施方式中，对驾驶员面部区域裁剪定位，根据双眼和嘴的疲劳特征进行组合，作为判断疲劳的标准。根据特征序列进行映射，疲劳类别为两类，分别为疲劳态，非疲劳态。
49.其中，非疲劳态在本公开中包括第一非疲劳态和第二非疲劳态。第一非疲劳态为未知状态，即指没有清晰的图像成像，当算法出错时导致的裁切错误或者裁切不全的情况，不能识别到用户的面部特征而无法确认的状态。第二非疲劳态为经过判断确定用户处于清醒状态，本公开通过分类模型对左眼、右眼、嘴部进行分类基于特征序列确定，例如当001(即左眼张开，右眼张开，嘴巴闭合)时，可以确定用户处于清醒状态。
50.步骤103，根据图像对应的驾驶状态，对用户的疲劳图像队列进行更新，疲劳图像队列中包含驾驶状态为疲劳态的多帧图像，疲劳图像队列的更新规则为先进先出规则。
51.在本公开的一种实施方式中，对步骤102中获取的图像对应的驾驶状态，即单帧疲劳状态，维持一个时序衰减的疲劳状态队列，即队列衰减，其中队列是一种先进先出的数据结构。
52.其中，抽帧是间隔一个周期抽取一帧。队列衰减中的衰减是指出现疲劳就累计，但是当出现非疲劳的时候，会进行衰退。队列衰减的方法，承认算法并非100％是可靠的，但是算法大部分时间是可靠的。当出现算法误判时，如果后续预测了非疲劳，则会进行衰减。如果算法不能一直以判断疲劳的次数远大于判断非疲劳的次数持续下去，就会不停的进行衰退，无论多长时间都不会认定驾驶者疲劳。只有当算法判断疲劳的次数远大于判断非疲劳的次数，即衰退不下去，则开始往上累计，达到预设定的疲劳状态比例时，则判定驾驶者已经产生疲劳。
53.步骤104，根据更新后的疲劳图像队列，确定用户的驾驶状态。
54.在本公开的一种实施方式中，通过比较疲劳图像队列队列中更新后存在的疲劳图像队列中的图像帧数与预设阈值的大小来判断此时驾驶员是否处于疲劳状态。
55.其中，疲劳图像队列中的图像都是疲劳态。
56.因此，根据本公开的实施例，通过获取图像，并对图像进行人脸识别，以获取图像对应的特征序列；基于特征序列，确定图像对应的驾驶状态；根据图像对应的驾驶状态，对用户的疲劳图像队列进行更新，疲劳图像队列中包含驾驶状态为疲劳态的多帧图像，疲劳图像队列的更新规则为先进先出规则；根据更新后的疲劳图像队列，确定用户的驾驶状态，提高了疲劳检测在行车过程中的准确度和鲁棒性。
57.图2为本公开实施例提供的一种驾驶状态监控方法的流程示意图。图2基于图1所示的实施例，对步骤101、步骤103以及步骤104进行进一步定义。在图2所示的实施例中，步骤101包括步骤201和步骤202以及步骤203，步骤103包括步骤205和步骤206，步骤104包括步骤207。如图2所示，该方法包括如下步骤。
58.步骤201，识别图像的多个人脸部位，多个人脸部位包括眼部和口部。
59.在本公开的一些实施方式中，可以从视频中获取单帧图像，也可以以一定周期抓取单帧图像，在本公开实施例中不予限制。对单帧图像进行人脸识别，即通过人脸关键点检测裁减出左眼区域、右眼区域、嘴部区域。
60.步骤202，获取各个人脸部位的特征值。
61.在本公开的一些实施方式中，根据分类模型，对左眼、右眼、嘴部状态进行分类，类别分为张开、闭合和未知状态，由标号0、1、2进行代替，在本公开实施例中对于标号的设定不予限制。
62.其中，分类模型中的未知状态是由于实际情况中，不能保证所有图像都能够清晰的成像。由于眼部区域和嘴部区域是根据算法裁剪出来的，算法可能会出错，即裁剪出来的图片区域就有可能出错。当裁切错误或者裁切不全时，则会被分类为未知状态。
63.分类是针对单帧图片而言的，对于每一帧图片都会进行分类。一帧图像通过人脸识别会获取两块眼睛区域，一块嘴部区域，每次获取的单帧图像都会对这三个区域进行分类。
64.步骤203，根据获取到的人脸部位的特征值，获取图像对应的特征序列。
65.在本公开的一些实施方式中，将获取到的人脸部位的特征值进行组合，以得到图像对应的特征序列。
66.具体的，根据获取到的人脸部位的类别，即左眼类别、右眼类别、嘴部类别，进行特征组合，形成特征序列。在本公开实施例中例如001，代表左眼闭合，右眼闭合，嘴巴张开的状态。其中，特征组合的顺序在本公开中不予限制。
67.步骤204，基于特征序列，确定图像对应的驾驶状态。
68.在本公开的一些实施方式中，当特征序列中眼部的特征值指示双眼闭合时，或当特征序列中眼部的特征值指示单眼闭合且口部的特征值指示口部张开时，确定图像对应的驾驶状态为疲劳态；否则，确定图像对应的驾驶状态为非疲劳态。
69.根据特征序列进行映射，疲劳类别为两类，分别为疲劳态，非疲劳态。例如，在本公开实施例中，设定001时，为双眼闭合、嘴巴张开，可以判定为疲劳态；110时，为双眼张开，嘴巴闭合，可以判断为非疲劳态。
70.非疲劳态包括第一非疲劳态和第二非疲劳态，当特征序列中眼部和/或口部的特征值指示未识别时，确定图像对应的驾驶状态为所述第一非疲劳态；当驾驶状态不为疲劳
态和第一非疲劳态时，确定驾驶状态为第二非疲劳态。
71.当通过特征序列，判断出用户的驾驶状态是除了上述疲劳态和第一非疲劳态对应的情形之外的其他情形时，确定为第二非疲劳态。
72.具体的，对于单帧图片来说，通过人脸关键点检测并裁减出左眼区域、右眼区域、嘴部区域，那么这张图片将由三个数字组合，分别代表左眼类别、右眼类别、嘴部类别。
73.其中，每个数字有三个选项，通过组合排列三个数字一共27种组合，分别为000、100、200、010、020、030、110、120、130
…
以此类推。对于001来说，就是左眼闭眼、右眼闭眼、嘴部张开，这种情况在本公开实施例中自定义为疲劳。在本公开实施例的定义中，所有定义为疲劳的状态有001，000，011，101，一共四种情况，则其他23种情况，为非疲劳态。
74.在本公开实施例中依据设定的判断条件，如图3所示，对单帧图片进行人脸关键点检测及分类，包括识别出双眼(左眼、右眼)以及嘴部的类别，再对各个部位进行特征组合，通过特征组合的特征序列与疲劳类别的映射关系，确定疲劳类别。
75.步骤205，当图像对应的驾驶状态为疲劳态时，将图像插入疲劳图像队列的队首，其中，图像对应的时间戳为疲劳图像队列中的最新时间。
76.在本公开的一些实施方式中，设置一个长度为l的队列queue，队列queue是一种先进先出的数据结构。根据上述步骤获取特征组合后得到单帧图片的类别，分为疲劳、非疲劳两类。
77.根据类别进行不同的进队或者出队操作，对于每一时刻，当出现疲劳帧时，将该帧tn插入队列头。
78.具体的，在本公开实施例中为了便于理解，可以将队列看作一种容器，这个容器的特点是先进去的，一定先出来。所以队列中现存的状态，一定是按照时间先后顺序排列的，所以队头是最新时间的疲劳状态。
79.步骤206，当图像对应的驾驶状态为非疲劳态时，从疲劳图像队列的队尾删除预定帧数的图像。
80.在本公开的一些实施方式中，当图像对应的驾驶状态为第二非疲劳态时，从疲劳图像队列的队尾删除第一预定帧数的图像；当图像对应的驾驶状态为第一非疲劳态时，从疲劳图像队列的队尾删除第二预定帧数的图像；其中，第一预定帧数与第二预定帧数不同，可以根据实际情况进行设定，在本公开中不予限制。
81.具体的，根据类别进行不同的进队或者出队操作，对于每一时刻，当出现第二非疲劳帧时，从队尾取出β帧，当出现第一非疲劳帧时，从队尾取出α帧，一段时间后，队列中将装有若干数量的疲劳帧。对于第一非疲劳和第二非疲劳，可从队尾删除相同或不同帧数的疲劳帧。删除预定帧数的图像是将时序较远的帧删除，即先进队列的帧(队尾帧)。
82.其中，α和β可以是相同的值，也可以是不同的值，本公开不予限制。可以理解为对于不同非疲劳状态进行不同程度的衰减。换言之，当α和β为不同值时，进行不同速度的衰减，充分体现了时间对当前状态的影响，以及根据当前状态做不同的衰减处理。
83.步骤207，当疲劳图像队列中的图像帧数大于或等于预设阈值时，确定用户的驾驶状态为疲劳态；当疲劳图像队列中的图像帧数小于预设阈值时，确定用户的驾驶状态为正常驾驶态。
84.在本公开的一些实施方式中，每一次从队列取出或者插入帧后，对当前队列中的
疲劳帧进行判断，设置阈值γ，当队列中的帧数量大于此阈值时，则判断当前状态是疲劳驾驶状态；当队列中的帧数量不足阈值时，则判断当前状态为正常驾驶状态。
85.其中，阈值γ代表帧数。
86.可以理解的是，在本公开中疲劳图像队列queue是一种先进先出的数据结构，所以疲劳图像队列中的图像可以通过一定时序来排列。
87.在本公开实施例中以疲劳状态时序队列衰减为依据，如图4所示，提供一种具体的时序队列衰减方法的流程示意图。
88.综上所述，根据本公开的实施例，通过根据驾驶员在每一时刻的状态进行特征组合，维持了一个时序衰减的疲劳状态队列，以此来判断是否处于疲劳驾驶状态。通过时间队列可以有效的评估，在一段时间内，驾驶员的状态，相比单帧图片判断，具有更加的准确性和鲁棒性。同时，根据当前状态的不同类别，设置了不同的衰减速度，对于第一非疲劳状态和第二非疲劳状态(未知状态)进行不同速度的衰减，充分体现了时间对当前状态的影响，规避了某些帧算法判断错误导致的误差，以及根据当前状态做不同的衰减处理，更加符合实际情况。
89.与上述的一种驾驶状态监控方法相对应，本公开还提出一种驾驶状态监控装置。图5为本公开实施例提供的一种驾驶状态监控装置500的结构示意图。如图5所示，包括：
90.获取单元510，用于获取图像，并对图像进行人脸识别，以获取图像对应的特征序列；
91.第一确定单元520，用于基于特征序列，确定图像对应的驾驶状态；
92.更新单元530，用于根据图像对应的驾驶状态，对用户的疲劳图像队列进行更新，疲劳图像队列中包含驾驶状态为疲劳态的多帧图像，疲劳图像队列的更新规则为先进先出规则；
93.第二确定单元540，用于根据更新后的疲劳图像队列，确定用户的驾驶状态。
94.在一些实施例中，第一确定单元520用于：基于特征序列，确定图像对应的驾驶状态包括：根据获取到的人脸部位的特征值，获取图像对应的特征序列，其中，人脸部位包括眼部和口部；当特征序列中眼部的特征值指示双眼闭合时，或当特征序列中眼部的特征值指示单眼闭合且口部的特征值指示口部张开时，确定图像对应的驾驶状态为疲劳态；否则，确定图像对应的驾驶状态为非疲劳。
95.在一些实施例中，更新单元530用于：当图像对应的驾驶状态为疲劳态时，将图像插入疲劳图像队列的队首，其中，图像对应的时间戳为疲劳图像队列中的最新时间。
96.在一些实施例中，第一确定单元520用于：确定图像对应的驾驶状态为非疲劳，非疲劳包括第一非疲劳态和第二非疲劳态，当特征序列中眼部和/或口部的特征值指示未识别时，确定图像对应的驾驶状态为第一非疲劳态；当驾驶状态不为疲劳态和第一非疲劳态时，确定驾驶状态为第二非疲劳态。
97.在一些实施例中，更新单元530用于：当图像对应的驾驶状态为非疲劳态时，从疲劳图像队列的队尾删除预定帧数的图像。
98.在一些实施例中，更新单元530用于：当图像对应的驾驶状态为第二非疲劳态时，从疲劳图像队列的队尾删除第一预定帧数的图像；当图像对应的驾驶状态为第一非疲劳态时，从疲劳图像队列的队尾删除第二预定帧数的图像；其中，第一预定帧数与第二预定帧数
不同。
99.在一些实施例中，第二确定单元540用于：当疲劳图像队列中的图像帧数大于或等于预设阈值时，确定用户的驾驶状态为疲劳态；当疲劳图像队列中的图像帧数小于预设阈值时，确定用户的驾驶状态为正常驾驶态。
100.综上，根据本公开的实施例，通过驾驶状态监控装置，获取图像，并对图像进行人脸识别，以获取图像对应的特征序列；基于特征序列，确定图像对应的驾驶状态；根据图像对应的驾驶状态，对用户的疲劳图像队列进行更新，疲劳图像队列中包含驾驶状态为疲劳态的多帧图像，疲劳图像队列的更新规则为先进先出规则；根据更新后的疲劳图像队列，确定用户的驾驶状态，提高了疲劳检测在行车过程中的准确度和鲁棒性。
101.需要说明的是，由于本公开的装置实施例与上述的方法实施例相对应，前述对方法实施例的解释说明，也适用于本实施例的装置，原理相同，对于装置实施例中未披露的细节可参照上述的方法实施例，本公开中不再进行赘述。
102.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
103.图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。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/或者要求的本公开的实现。
104.如图6所示，设备600包括计算单元601，其可以根据存储在rom(read-only memory，只读存储器)602中的计算机程序或者从存储单元608加载到ram(random access memory，随机访问/存取存储器)603中的计算机程序，来执行各种适当的动作和处理。在ram 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、rom 602以及ram 603通过总线604彼此相连。i/o(input/output，输入/输出)接口605也连接至总线604。
105.设备600中的多个部件连接至i/o接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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。
106.计算单元601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。计算单元601的一些示例包括但不限于cpu(central processing unit，中央处理单元)、gpu(graphic processing units，图形处理单元)、各种专用的ai(artificial intelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、dsp(digital signal processor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如驾驶状态监控的方法。例如，在一些实施例中，驾驶状态监控的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到ram 603并由计算单元601执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可
以通过其他任何适当的方式(例如，借助于固件)而被配置为执行前述驾驶状态监控的方法。
107.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、fpga(field programmable gate array，现场可编程门阵列)、asic(application-specific integrated circuit，专用集成电路)、assp(application specific standard product，专用标准产品)、soc(system on chip，芯片上系统的系统)、cpld(complex programmable logic device，复杂可编程逻辑设备)、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。
108.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
109.在本公开的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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、ram、rom、eprom(electrically programmable read-only-memory，可擦除可编程只读存储器)或快闪存储器、光纤、cd-rom(compact disc read-only memory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
110.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(cathode-ray tube，阴极射线管)或者lcd(liquid crystal display，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计算机。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。
111.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：lan(local area network，局域网)、wan(wide area network，广域网)、互联网和区块链网络。
112.计算机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("virtual private server"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
113.其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
114.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，本发公开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，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
115.上述具体实施方式，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。