[0001] 本发明涉及交通服务设施的技术领域，更具体的说是涉及一种基于驾驶员佩戴的智能手环。

[0002] 随着科技的不断发展，智能手环将在未来发挥更加重要的作用，随着人工智能技术的不断进步，智能手环将具备更强大的智能分析能力，能够更准确地预测用户的健康状况并提供个性化建议，其目前的智能手环涵盖了健康监测、运动记录、睡眠分析、信息提醒等多个方面的功能。

[0003] 但是针对公共交通领域，对于驾驶员的管控还仅仅依赖于驾驶室内的监控，针对驾驶员的疲劳监测，目前的公交系统中未对其进行监测或采用人为监测，而铁路系统中采用的是驾驶员定时踩踏或按压某项设备以保证清醒状态，而将传统的智能手环与驾驶员进行结合，仅仅只能具备对驾驶员的实时健康状态进行监测，无法做到疲劳监测，驾驶员的疲劳程度很大程度上影响着公共安全，因此，如何有效的对驾驶员的疲劳进行监测是至关重要的一项任务。

[0030] 下面结合附图和实施例，对本发明进一步详细说明。其中相同的零部件用相同的附图标记表示。需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“底面”和“顶面”、“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。

[0031] 由于针对驾驶员的疲劳监测，目前的公交系统中未对其进行监测或采用人为监测，而铁路系统中采用的是驾驶员定时踩踏或按压某项设备以保证清醒状态，而将传统的智能手环与驾驶员进行结合，仅仅只能具备对驾驶员的实时健康状态进行监测，无法做到疲劳监测，驾驶员的疲劳程度很大程度上影响着公共安全，因此，本发明设计这种基于驾驶员佩戴的智能手环，包括手环本体以及位于手环内的多个不同类型的传感器，传感器包括视觉传感器，视觉传感器位于手环本体的侧部，便于捕捉驾驶员面部的图像数据，如图1和图2所示，手环本体内还包括：

[0032] 人脸图像采集模块，获取视觉传感器采集驾驶员的人脸图像，其中，还包括图像处理模块，通过图像优化算法，确保即使在光线变化或快速移动的情况下，也能对其捕获的图像进行修正优化，便于后续的分析使用。

[0033] 眼部图像分析模块，通过前期大量数据训练的语义分割模型对人脸图像进行精细分割，提取出眼部区域图像，再通过前期大量数据训练的目标匹配模型判断眼部图像中的关键部分(如瞳孔、眼皮等)是否清晰可见，以确认图像足够后续分析，根据眼部图像的清晰度、关键部分是否能够清晰可见，模块将决定是进行眼部动态分析还是体态监测指令，当眼部图像中的瞳孔、眼皮较为清晰，则优先以眼部动态分析为主，当驾驶员佩戴墨镜时，眼部图像无法清晰识别到瞳孔和眼皮，则优先以体态监测为主。

[0034] 眼部动态分析模块，当获取到眼部动态分析指令时，该模块进一步细化眼部图像分析，同步使用语义分割策略和计算策略，精确测量眼皮闭合程度和眨眼频率，将测量结果与预设的阈值进行比较，以判断驾驶员是否处于疲劳、分心或正常状态，并据此输出当前状态。

[0035] 体态监测验证模块，当获取到体态监测指令时，通过人脸图像动态轨迹分析策略，分析人脸图像中头部的微小动作，特别是驾驶员的点头频率，当驾驶员犯困时，容易出现点头行为，即点头频率的增加可能是驾驶员困倦或注意力不集中的表现，模块据此输出当前状态。

[0036] 另外，还包括信息交互模块，将眼部动态分析模块中的当前状态或体态监测验证模块中的当前状态均输送至公交系统中，由后台管理人员再次进行评估，或者由手环内设的指标评价模块进行危险度评分，且公交系统中会做记录，当评估后，危险系数较高，则对应的手环会发生震动以提醒犯困的驾驶员。

[0037] 本发明的优点是：这种智能手环通过集成高精度传感器和先进的图像处理技术，实现了对驾驶员生理状态和体态行为的实时监测与评估，有助于及时发现并预防因驾驶员疲劳、分心等原因导致的交通事故，提升道路行驶的安全性，且能够同步对所有驾驶员做在线管理和监测。

[0038] 为了能够更全面地反映驾驶员当前的生理状态和驾驶风险，如图2所示，还包括指标评价模块，首先，从手环内的各类传感器收集动态监测数据，动态监测数据包括心率值、血氧率、呼吸频率以及心电图等，其次对收集到的数据进行预处理，包括去噪、滤波、标准化等步骤，以确保数据的准确性和可比性，然后进行权重评分计算，根据预设的权重分配方案，将各个特征(包括动态监测数据和眼部动态分析结果)进行加权求和，计算出第一危险度评分，权重的分配通常基于大量的实验数据和专家经验，以确保评分的准确性和有效性，假设第一危险度评分记为89分，则将计算得到的89分以直观的方式输出给公交系统中进行进一步评估或手环进一步分析，根据评分的不同，可以给出不同的警告或建议，如提醒驾驶员注意休息、调整驾驶状态或采取其他安全措施；

[0039] 如图3所示，语义分割策略包括语义分割步骤和点比较步骤，

[0040] 语义分割步骤，在眼部图像中精确地识别和分割出眼皮轮廓线和下眼睑线，其使用深度学习(卷积神经网络CNN)或传统图像处理(边缘检测、阈值分割等)对眼部图像进行处理，通过图像分割技术，将眼皮轮廓线和下眼睑线从眼部图像中分离出来，并清晰地勾勒出它们的边界；

[0041] 点比较步骤，首先，标记中心点：分别在眼皮轮廓线和下眼睑线上标记中心点，这些中心点通常是线的几何中心计算得到的；

[0042] 其次，位置校正：确保两个中心点位于同一竖直线上，需要通过对图像进行旋转、扭曲拉伸，以消除图像拍摄带来的偏差；

[0043] 然后，计算间隙距离：计算两个中心点之间的直线距离，即该直线距离反映眼皮与下眼睑之间的间隙大小；如图3中的A所示，点1与点2之间的距离代表间隙距离，其间隙距离为h，图3中的B所示，点1与点2几乎可以认定为重合，则间隙距离可确定为零；

[0044] 其次，筛选目标值：在连续的眼部图像帧中，跟踪间隙距离的变化，并筛选出间隙距离在一个周期内(从最大值到最小值)的最小值作为目标值。这个值可以反映眼皮的闭合程度；例如，图3中A‑B代表一个周期，如图4所示，横坐标的n代表周期，纵坐标代表间隙距离值，当驾驶员疲倦犯困时，前几个周期中，间隙距离不会马上变为零，但是从间隙距离最大到最小，然后又变大，则认定为一个周期，通常选择一个周期中最小值作为目标值；

[0045] 最后，比较眼皮闭合程度：将目标值与眼宽进行比较(眼宽则等于间隙距离最大值)，以量化眼皮的闭合程度，当出现图3所示的A‑B过程时，即表示眼皮的闭合程度为百分百。

[0046] 计算策略包括计算步骤，首先，预设分析时间段：确定一个固定的时间段，用于分析眨眼行为；

[0047] 其次：搜索起始点：以间隙距离在第一个周期的最大值为起始点，这标志着一次眨眼周期的开始；

[0048] 然后：计数周期数：在预设的分析时间段内，计数间隙距离从最大值到最小值(再回到最大值)所经历的完整周期数，这个周期数即为眨眼次数；

[0049] 最后：计算眨眼频率：将眨眼次数除以分析时间段(转换为秒或其他时间单位)，得到眨眼频率，这个频率可以用于评估眼部活动、疲劳程度或作为生物识别特征等。

[0050] 上述，当驾驶员出现疲劳驾驶犯困时，则正常情况下，眨眼频率相对较快，眼皮的闭合程度均在变化，若以处于睡觉状态时，则眨眼频率就相对较低了，此时只需要判断眼皮的闭合程度是否为百分百。

[0051] 另外，为了能够更全面地反映驾驶员当前的生理状态和驾驶风险，对应眼皮图像识别不清晰时，需要针对点头频率进行评估，则如图2所示，其中的指标评价模块，同样需要从手环内的各类传感器收集动态监测数据，根据专家经验和实验数据，为动态监测数据的各个特征和点头频率分配权重，将各个特征和点头频率按照其权重进行加权求和，得到第二危险度评分的初步结果，假设第一危险度评分记为85分，则将计算得到的85分以直观的方式输出给公交系统中进行进一步评估或手环进一步分析，根据评分的不同，可以给出不同的警告或建议，如提醒驾驶员注意休息、调整驾驶状态或采取其他安全措施。

[0052] 具体的，动态轨迹分析策略包括轮廓分析步骤和位移计算步骤，

[0053] 轮廓分析步骤，首先，在车辆平稳行驶时，通过连续的若干张人脸图像，利用图像处理技术(如边缘检测、霍夫变换等)对每张图像进行校正，确保所有图像中驾驶员头部的视角一致，然后，应用轮廓算法(如Canny边缘检测)来提取驾驶员的头部轮廓；

[0054] 位移计算步骤，建立对应的二维坐标系，在二维坐标系中，选取头部轮廓上的几个关键点(如额头、下巴等处的特征点)，通过比较相邻两张图像中这些关键点的y轴坐标变化，计算出点头的幅度，进一步地，分析连续图像序列，识别出完整的点头周期(即头部从抬起到落下再回到起始位置的过程)，并统计一定时间内的点头周期数，从而得到点头频率。

[0055] 由于，不同的驾驶员有不同的生理情况，因此第一危险度评分和第二危险度评分均相对粗糙，因此需要结合驾驶员的个人情况进行综合分析，即如图2所示，还包括危险度调整模块，获取公交系统中存储的驾驶员信息，在驾驶员信息中，筛选出与眼部类型(如单眼皮、双眼皮、眼睛大小等)和可能影响眼皮闭合程度的健康因素(如眼部疾病史、近视度数等)，根据眼部信息对眼皮闭合程度的权重值以及眨眼频率的权重值进行调整，例如，对于近视度数较高的驾驶员，可能会增加眨眼频率的权重，因为他们可能更频繁地眨眼以缓解眼部疲劳，例如，对于有的驾驶员会有频繁眨眼的习惯，则该眨眼频率较快也能与疲劳度进行区分，除了眼部信息外，还需考虑驾驶员的整体健康状况，如心血管疾病史、血压状况、糖尿病等，这些都可能影响驾驶员的生理反应和驾驶能力，进一步的根据健康信息对动态监测数据的权重值进行调整，例如，对于有心血管疾病史的驾驶员，可能会增加心率变异性在评估中的权重，应用调整后的权重，再次通过权重算法计算得到更新后的第一危险度评分；

[0056] 当获取到体态监测指令时，在驾驶员信息中筛选出与头部类型相关性大的头部信息(如头型大小、颈部长度等)，这些信息可能影响点头频率的评估准确性，根据头部信息对点头频率的权重值进行调整，根据健康信息对动态监测数据的权重值进行调整，对于颈部较短的驾驶员，点头动作可能更加明显，因此需要相应调整权重，同样地，应用调整后的权重，再次通过权重算法计算得到更新后的第二危险度评分。

[0057] 另外，由于目前的驾驶员在遇到突发情况时，还需要手动报警，因此为了提高驾驶员的报警速度，本发明中的手环还包括信息交互模块，当公交系统中的监控设备监测到车内出现紧急情况时，会向手环发送紧急指令，且在手环本体上显示一键报警按钮，相比于公交系统自动报警的方式，本发明通过手环快速给予驾驶员报警按钮，则是否报警的决策由驾驶员发出，能够避免出现误报等现象。

[0058] 另外，由于公交车厢内的温度由公交系统控制，而往往出现温度高或温度低，因此其中的信息交互模块，能够获取温度传感器检测到驾驶员的体表温度，根据体表温度向公交系统输出空调控制指令，驾驶员的体表温度过高时，可以输出空调打开功率提高的指令，反之，输出空调打开功率降低的指令。

[0059] 以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。