CN113370786A - 基于多源信息融合的单位用车车载酒驾综合检测系统 - Google Patents

Abstract

本发明公开一种基于多源信息融合的单位用车车载酒驾综合检测系统，包括汽车启动与行驶过程中的身份验证与酒精检测，适用于公务车、旅游包车与运输车队等单位车辆。本发明包括主控模块、显示模块、通信模块、声光报警模块、人脸识别与酒精检测模块、酒精采集模块及定位模块，采用Facenet系统实现人脸识别身份验证；采用视觉检测通过已训练的Nin网络识别酒驾；采用多种酒精检测器联合检测，将三种传感器检测的数值与人脸图像识别的结果通过深度学习训练方法综合得出检测结果；车辆启动过程中进行酒精检测，根据检测结果控制车辆启停；在行驶过程中实时验证驾驶员身份与酒驾检测，根据结果控制车辆报警，并将相关信息上传上级管理部门与交警总队指挥中心。

Description

基于多源信息融合的单位用车车载酒驾综合检测系统

技术领域

本发明属于酒驾检测技术领域，具体涉及一种基于多源信息融合的单位用车车载酒驾综合检测系统。

背景技术

随着经济的发展，世界汽车保有量呈上升趋势。在我国，这种趋势更加明显，交通事故已经成为全世界范围内的问题，由汽车引发的交通事故给世界带来了重大的人员和财产的损失，其引起的财产损失和人员伤亡，已经成为当今世界不可忽视的问题，行车安全越来越重要。据世界卫生组织调查，酒后驾驶是引起交通事故的一个重要原因。每年因为酒后驾驶造成的交通事故近万起，酒后驾驶严重威胁着人们的生命和财产安全。在我国法律明确规定：酒精含量达到20mg/100ml但不足80mg/100ml，属于饮酒驾驶。针对饮酒驾驶,暂扣6个月驾驶证，并处1000元以上2000元以下罚款。此前曾因酒驾被处罚，再次酒后驾驶的，处10日以下拘留，并处1000元以上2000元以下罚款，吊销驾驶证。酒后驾驶营运车辆，处15日拘留，并处5000元罚款，吊销驾驶证，5年内不得重新取得驾驶证。

虽然处罚力度一直加大，但酒驾问题从根本上并没有做到杜绝。其原因在于现有的酒精检测方式是交警拦下可疑车辆后，通过检测驾驶员呼出的气体中含有的酒精含量的多少来判断驾驶员是否属于酒后驾车，这种检测方法是随机被动的，而且只能检测出一部分酒后驾车的驾驶员，大部分酒后驾车的驾驶员没有被检查到，检查范围很小，并且在检测时，即便检测出酒后驾驶，此次酒后驾驶事件也已经发生，无法做到事前防范，极易发生交通事故，因此，迫切需要检测手段，减少交通事故，提高行车安全率和通行效率。

发明内容

本发明针对现有技术的不足，提供了一种基于多源信息融合的单位用车车载酒驾综合检测系统，适用于公务车、旅游包车与运输车队等单位车辆，能够在驾驶员开车前对驾驶员进行酒精含量主动检测以及在行驶中进行实时检测，根据检测结果对车辆采取控制，以防止酒后驾驶、驾驶员中途饮酒或者更换驾驶员的情况，从源头遏制酒后驾驶行为，减少交通事故，提高行车安全率和通行效率。

为了实现上述目的，本发明的技术方案如下：

一种基于多源信息融合的单位用车车载酒驾综合检测系统，主要包括安装在汽车内部的主控模块、显示模块、通信模块、定位模块、声光报警器、人脸识别与酒精检测模块、酒精采集模块；所述的主控模块设有第一处理器；所述的定位模块安装有GPS定位系统；所述的声光报警器设有蜂鸣器和警报灯；所述的显示模块设有显示屏；所述的人脸识别与酒精检测模块包括摄像头、存储单元和第二处理器；所述的摄像头、存储单元分别与第二处理器电性连接；所述通信模块包括信息传输单元、语音提示单元及电话提示单元；所述的信息传输单元、语音提示单元、电话提示单元、第二处理器、GPS定位系统、蜂鸣器、警报灯、显示屏分别与第一处理器电性连接；所述的第一处理器通过继电器与汽车的点火控制模块连接；所述的第一处理器还与汽车的车灯控制模块电性连接；所述的酒精采集模块包括蓄电池、汗液酒精传感器、气体酒精传感器和红外传感器；所述的蓄电池、汗液酒精传感器、气体酒精传感器、红外传感器分别与第一处理器电性连接。

第一处理器通过继电器与汽车的点火控制部分形成与门，联合控制发动机启动，初始状态继电器闭合，当第一处理器接收到酒驾信号时，控制继电器断开，发动机关闭。

作为进一步技术改进，所述的汗液酒精传感器设置在汽车方向盘的左侧；所述的红外传感器设置在汽车方向盘的右侧；所述的气体酒精传感器设置在汽车驾驶员座椅的左侧。

作为进一步技术改进，所述的摄像头设置在汽车副驾驶前方的一侧，并且摄像头朝向汽车驾驶员座椅，监测驾驶员头部状态。

作为进一步技术改进，所述的汽车方向盘上还安装有电热片和化学药物匹鲁卡品，所述的电热片与第一处理器电性连接。

作为进一步技术改进，所述的第一处理器和第二处理器皆采用AT89C51单片机。

作为进一步技术改进，所述的定位模块设置在汽车的A柱位置。

所述通信模块包括信息传输单元，所述信息传输单元用于当所述驾驶员属于所述酒驾行为时，通过移动网络将车辆位置、车牌、所述酒精程度以及所述驾驶员的身份信息上传到交警指挥中心。

所述通信模块还包括语音提示单元，所述语音提示单元用于当所述驾驶员属于所述酒驾行为时，提供语音播报。

所述通信模块还包括电话提示单元，所述电话提示单元用于当所述驾驶员属于所述酒驾行为时，向所述驾驶员提供电话拨打服务。

所述系统采用多种传感器检测驾驶员体内酒精含量与摄像头识别驾驶员眼睛充血、面部潮红或惨白、表情僵硬、疲倦、瞌睡等面部特征以评估驾驶员是否酒驾两种方法，通过深度学习训练方法综合判定驾驶员体内酒精含量。

采用MTCNN完成人脸检测和人脸对齐的任务，采用Facenet进行人脸识别，采用Nin网络识别图像，进行酒驾判断。

所述的酒精采集模块用于检测驾驶员的酒精浓度，并将酒精浓度信号送给主控模块。

所述的汗液酒精传感器是一种贴片式的酒精传感器，用于检测驾驶员手上分泌的汗液是否含有酒精成分，因为汗液中的酒精浓度与血液中的酒精浓度存在一定的关系，通过监测汗液中酒精的浓度可知驾驶者血液内的酒精浓度，达到监测驾驶者是否为酒驾的目的；汗液酒精传感器设置在方向盘上，具体在方向盘左侧上；检测驾驶员手握方向盘上的汗液里的酒精浓度的数据，转化为电信号，转给主控模块进行处理，与其他俩种传感器与摄像头综合判定驾驶员是否酒驾；

同时为了防止驾驶员检测时汗液量不足，影响测量结果。在汽车方向盘上安装电热片和化学药物匹鲁卡品(Pilocarpine)，可以促进汗液排出，酒精挥发，增强检测精度；

所述的气体酒精传感器是基于探测到的气体中的酒精浓度转换成有用的电信号器件，并根据这些电信号的强弱可以获得与待测气体在环境中存在的有关信息的原理，进行检测驾驶员座椅周围的酒精气体的，当驾驶员坐在座位上启动点火装置的时候，所述的气体酒精传感器开始工作，可以但不限于乙醇敏感传感器，用以检查车辆内驾驶员周围的酒精浓度值P，当达到一定的阈值之后，将信息传输给主控模块中心进行判断，所述的气体酒精传感器安装在驾驶员座椅左侧，该传感器与其他俩种传感器与摄像头综合判定驾驶员是否酒驾；

所述的红外传感器是基于红外检测电路的系统设计,设置在方向盘右侧，以驾驶员的手指为检测对象，当驾驶员握住方向盘时,酒精检测模块开始以设定的时间下循环检测驾驶员体内的酒精，红外传感器输出的模拟信号通过A/D模数转换器转化成数字信号，输入到主控模块的AT89C51单片机内进行数据分析和处理后，进而判断驾驶员体内酒精含量，与其他两种传感器与摄像头综合判定驾驶员是否酒驾。

所述的人脸识别与酒精检测模块包括摄像头、存储单元与处理器；摄像头用于采集驾驶员的头部图像信息，存储单元存有预先存储的已注册的驾驶员人脸数据信息，处理器对图片进行预处理，采用已训练的Facenet网络进行人脸识别，验证驾驶员身份；采用卷积神经网络(Nin网络)识别眼睛充血、面部潮红或惨白、表情僵硬、疲倦、瞌睡等面部特征，评估驾驶员是否酒驾，并把判断结果传给主控模块；由于酗酒者在面部表情上不仅会出现扭曲狂乱等表情，同时会出现昏睡等表情，因此通过面部表情，可有效评估驾驶员是否酒驾。

所述的主控模块采用以单片机为主要控制的电路，将三种酒精传感器浓度检测的数值与人脸图像识别的结果通过深度学习综合得出酒精检测的结果且做出应对措施，并且用来控制和协调其他模块的工作。能控制酒精采集模块定时检测驾驶员血液中的酒精。在汽车启动时，身份验证成功后，再进行酒精检测；若检测结果为酒驾，则蜂鸣器报警提示，同时启动通信模块中的语音提示单元，询问驾驶员是否需要拨打电话，或寻找代驾，给饮酒的驾驶员提供了方便，该电话包括预存的亲属电话和代驾的电话等；在行驶过程中，摄像头对驾驶员面部特征进行实时比对，同时人脸识别与酒精检测模块和酒精采集模块进行酒精检测，若检测结果判断为酒驾，则启动定位模块和通信模块，将车牌、位置信息、酒精浓度及驾驶员个人信息通过网络的形式上传给公司上级管理部门与交警总队指挥中心，同时单片机控制声光报警模块与显示模块启动，显示屏会显示警示信息，蜂鸣器发出刺耳的蜂鸣声提示驾驶员注意自己的状态，并语音提时停车。

所述的定位模块使用的GPS定位技术，通过GPS天线接收定位信号，以确定模块的位置包括经度，纬度以及时间信息等，以实现车辆的定位。

所述的通信模块包括语音提示单元、电话提示单元、信息传输单元；在汽车行驶过程中发现驾驶员酒驾时，将车牌、定位、酒精浓度及驾驶员个人信息通过移动网络的形式上传给交警总队指挥中心，同时语音提示器在检测到驾驶员酒驾时，把结果用语音播放出来；另外，电话提示单元向所述驾驶员提供电话拨打服务，拨打提前预存的电话。

所述的声光报警模块接收到主控模块报警信号时，会控制警报灯和蜂鸣器报警，用来警示驾驶员。

所述的显示模块用于将主控模块的判定的结果显示出来，以供驾驶员知晓自己的状态。

本发明所述的基于多源信息融合的车载酒驾综合检测系统的使用方法，包括汽车启动与行驶过程的酒精检测，适用于公务车、旅游包车与运输车队等单位车辆，包括以下步骤：

S1：驾驶员通过钥匙启动汽车发动机，此时摄像头打开，采集驾驶员面部图像，第二处理器采用Facenet网络验证驾驶员身份，同时获取的驾驶员面部特征上传至云端待管理人员调用；

S2：身份验证成功后，汗液酒精传感器、气体酒精传感器以及红外传感器通电开始进行驾驶员酒精检测，信号传输至主控模块进行处理；同时摄像头获取驾驶员面部图像传至第二处理器，第二处理器采用Nin网络识别眼睛充血、面部潮红或惨白、表情僵硬、疲倦、瞌睡等面部特征，评估驾驶员是否酒驾，将结果传输至主控模块；

S3：主控模块采用深度学习训练得到的预测函数进行数据融合，汗液酒精传感器、气体酒精传感器、红外传感器以及图像识别结果共同判定驾驶员是否酒驾，把三种传感器都检测到的数据含量及图像识别结果输入预测函数，得到预测实值然后经过Sigmoid函数进行转换0或者1，0代表无酒驾行为，1代表酒驾行为，由此判断是否发生酒驾行为；

S4：在启动过程中，若检测合格，则汽车正常行驶，若检测为酒驾，则发动机熄火，同时通信模块中的语音提示单元询问驾驶员是否需要拨打电话，或寻找代驾，该电话包括预存的亲属电话和代驾的电话等；在汽车行驶过程中，摄像头对驾驶员面部特征进行实时比对，确保驾驶员的信息能够匹配正确，如果驾驶员的信息不能匹配成功，声光报警模块就会启动，汽车开始警报，并打开双闪提示停车，同时将车牌、定位、酒精浓度及驾驶员个人信息上传到公司上级管理部门；另外，在行驶过程中实时进行酒驾检测，若检测结果为酒驾则主控模块接收定位模块的位置信息，通过通信模块，将车牌、定位、酒精浓度及驾驶员个人信息上传到公司上级管理部门与交警总队指挥中心，同时小汽车报警并打开双闪提示停车。

作为进一步技术改进，所述的预测函数通过深度学习的训练方法得到，包括以下步骤：安排相关驾驶员做实验，用血液酒精含量检验的方法测量出该驾驶员的体内酒精含量，然后安排驾驶员上车测量出三组传感器数据与图像识别结果，用深度学习训练的方法，找出三组传感器数据、图像识别结果与用血液酒精含量检验得到的数据之间的关系，得到一个预测函数，其中三个传感器的测量值分别记为x_1,x_2,x₃，图像识别结果记为x₄；

具体算法如下：将实验测得的一组数据x_1,x_2,x_3,x₄记为

用血液酒精含量检验的方法测量出的数据记为y_i；经过多次实验得到多组数据，记为样例集

经过线性回归学得预测函数

使得

得到最优解

将线性回归的预测值

记为z，则

而z是预测的实值，现为将z转化为接近0或者1的y值，引入Sigmoid函数

完成测量值的转换，之后得到转换值0或者1，即y_i∈(0,1),其中0表示无酒驾行为，1表示酒驾行为，由此判断是否发生酒驾行为。

作为进一步技术改进，所述的身份验证模型与图像酒驾识别模型在云端中识别训练，包含Facenet、Nin和深入学习的构建和训练。其步骤如下：

本发明采用MTCNN完成人脸检测和人脸对齐的任务，采用Facenet进行人脸识别，通过CNN(convolutional neural network，卷积神经网络)将人脸映射到欧式空间的特征向量上，计算不同图片人脸特征的距离，通过相同个体人脸的距离总是小于不同个体人脸的距离这一先验知识训练网络。

本发明通过Nin网络模型来进行酒驾识别，首先利用酒驾检测系统采集大量样本，并根据驾驶员是否醉酒分为有醉酒和无醉酒两类，大部分作为训练样本，少部分作为测试样本。通过摄像头采集人脸区域图像获取训练样本，利用这些人脸区域图像训练Nin网络模型。因图像识别的目的为驾驶员是否酒驾，只需要分为酒驾和无酒驾2类。训练后的Nin网络模型能识别图像中驾驶员是否处于酒驾。

与现有技术相比，本发明具有的有益效果如下：

1.本发明适用于本发明适用于公务车、旅游包车与运输车队等单位车辆，包括汽车启动过程与行驶过程中的酒精检测，通过酒精采集模块和人脸识别与酒精检测模块，采用深度学习训练的方法融合多个传感器与摄像头识别驾驶员眼睛充血、面部潮红或惨白、表情僵硬、疲倦、瞌睡等面部特征，完成汽车在启动过程中的酒精检测，也提高酒精浓度判断的精准度；同时也实现在行驶过程中对驾驶员面部特征的实时比对和实时酒精检测，检测到异常，会上传至交管部门进行监管。本发明在启动过程与行驶过程可根据检测结果做出不同反应，做到了行驶前和行驶中双重检测装置，大大降低交通事故发生概率。

2.本发明通过安装在驾驶座前方摄像头，可以对驾驶员面部特征进行获取并与已存档的驾驶员面部特征进行对比校验，同时获取的驾驶员面部特征保存至存储单元并上传至云端待管理人员调用，且在行驶过程中对驾驶员信息进行实时比对，防止中途换驾驶员。

3.本发明采用多种传感器检测驾驶员体内酒精含量与摄像头识别驾驶员眼睛充血、面部潮红或惨白、表情僵硬、疲倦、瞌睡等面部特征综合判定酒精检测，提高检测精度。

附图说明

图1为本发明实施例所提供的一种基于多源信息融合的车载酒驾综合检测系统的模块框图。

图2为本发明结构示意图。

图3为本发明安装在汽车的位置结构示意图。

图4为实施例汽车启动过程的工作流程示意图。

图5为实施例汽车行驶过程的工作流程示意图。

图6为实施例的数据流向示意图。

图7为本发明实施例所提供的关于通信模块的结构框图。

其中，上述各图标记及其对应的部件名称如下：

1-主控模块，3-A/D模数转换器，4-气体酒精传感器，5-红外传感器，6-汗液酒精传感器，7-人脸识别与酒精检测模块，71-摄像头，8-通信模块，9-定位模块，10-显示屏，12-显示模块，14-酒精采集模块，15-声光报警器。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例：

如附图1-5所示，本实施例的一种基于多源信息融合的单位用车车载酒驾综合检测系统，主要包括安装在汽车内部的主控模块1、显示模块12、通信模块8、定位模块9、声光报警器15、人脸识别与酒精检测模块7、酒精采集模块14；所述的主控模块1设有第一处理器；所述的定位模块9安装有GPS定位系统；所述的声光报警器15设有蜂鸣器和警报灯；所述的显示模块12设有显示屏10；所述的人脸识别与酒精检测模块7包括摄像头71、存储单元和第二处理器；所述的摄像头71、存储单元分别与第二处理器电性连接；所述通信模块8包括信息传输单元、语音提示单元及电话提示单元；所述的信息传输单元、语音提示单元、电话提示单元、第二处理器、GPS定位系统、蜂鸣器、警报灯、显示屏10分别与第一处理器电性连接；所述的第一处理器通过继电器与汽车的点火控制模块连接；所述的第一处理器还与汽车的车灯控制模块电性连接；所述的酒精采集模块14包括蓄电池、汗液酒精传感器6、气体酒精传感器4和红外传感器5；所述的蓄电池、汗液酒精传感器6、气体酒精传感器4、红外传感器5分别与第一处理器电性连接。

所述的汗液酒精传感器6设置在汽车方向盘的左侧；所述的红外传感器5设置在汽车方向盘的右侧；所述的气体酒精传感器4设置在汽车驾驶员座椅的左侧。

所述的摄像头71设置在汽车的副驾驶前方的一侧，并且摄像头71朝向汽车驾驶员座椅，监测驾驶员头部状态。

所述的汽车方向盘上还安装有电热片和化学药物匹鲁卡品，所述的电热片与第一处理器电性连接。

所述的第一处理器和第二处理器皆采用AT89C51单片机。

所述的定位模块9设置在汽车的A柱位置。

本实施例所述的基于多源信息融合的车载酒驾综合检测系统，包括汽车启动与行驶过程的酒精检测，适用于公务车、旅游包车与运输车队等单位车辆，包括以下步骤：

S1：驾驶员通过钥匙启动汽车发动机，此时摄像头71打开，采集驾驶员面部图像，第二处理器采用Facenet网络验证驾驶员身份，同时获取的驾驶员面部特征上传至云端待管理人员调用；

S2：身份验证成功后，汗液酒精传感器6、气体酒精传感器4以及红外传感器5通电开始进行驾驶员酒精检测，信号传输至主控模块1进行处理；同时摄像头71获取驾驶员面部图像传至第二处理器，第二处理器采用Nin网络识别眼睛充血、面部潮红或惨白、表情僵硬、疲倦、瞌睡等面部特征，评估驾驶员是否酒驾，将结果传输至主控模块1；

S3：主控模块1采用深度学习训练得到的预测函数进行数据融合，汗液酒精传感器6、气体酒精传感器4、红外传感器5以及图像识别结果共同判定驾驶员是否酒驾，把三种传感器都检测到的数据含量及图像识别结果输入预测函数，得到预测实值然后经过Sigmoid函数进行转换0或者1，0代表无酒驾行为，1代表酒驾行为，由此判断是否发生酒驾行为；

S4：在启动过程中，若检测合格，则汽车正常行驶，若检测为酒驾，则发动机熄火，同时通信模块8中的语音提示单元询问驾驶员是否需要拨打电话，或寻找代驾，该电话包括预存的亲属电话和代驾的电话等；在汽车行驶过程中，摄像头71对驾驶员面部特征进行实时比对，确保驾驶员的信息能够匹配正确，如果驾驶员的信息不能匹配成功，声光报警模块15就会启动，汽车开始警报，并打开双闪提示停车，同时将车牌、定位、酒精浓度及驾驶员个人信息上传到公司上级管理部门；另外，在行驶过程中实时进行酒驾检测，若检测结果为酒驾则主控模块1接收定位模块9的位置信息，通过通信模块8，将车牌、定位、酒精浓度及驾驶员个人信息上传到公司上级管理部门与交警总队指挥中心，同时小汽车报警并打开双闪提示停车。

本实施例采用MTCNN+Facenet网络进行人脸识别，采用大部分样本数据训练模型，少部分用于验证模型，采用MTCNN完成人脸检测和人脸对齐的任务，采用Facenet进行识别。

采用MTCNN完成人脸检测和人脸对齐的任务，具体步骤为：首先通过缩放系数对驾驶员照片进行缩放，生成图像金字塔，输入P-Net，然后通过一个全卷积网络生成人脸边界框，利用非极大值抑制(NMS)进行筛选，P-Net的输入图像为12x12x3；将图像缩放为24x24x3，输入R-Net，利用NMS进行第二次筛选，去除大量的非人脸框；将R-Net输出的图像缩放到48×48×3，输入O-Net，利用NMS进行第二次筛选，得到人脸候选框。

采用Facenet进行识别，Facenet是一种经典的人脸识别。本实施例识别具体步骤为：首先利用facenet计算驾驶员数据库中的embedding生成embedding数据库并且保存在存储单元中。在进行识别时，把经MTCNN处理过的人脸区域图像输入到FaceNet网络，通过已训练的深度学习网络提取特征，经归一化、L2范数后，计算Embedding的特征向量，把图像x通过函数f映射到d维欧式空间；比较特征向量间的欧式距离，判断驾驶员是否有效。

本发明通过Nin网络模型来进行酒驾识别，首先利用酒驾检测系统采集大量样本，并根据驾驶员是否醉酒分为有醉酒和无醉酒两类，大部分作为训练样本，小部分作为测试样本。通过摄像头采集人脸区域图像获取训练样本，利用这些人脸区域图像训练Nin网络模型。因图像识别的目的为驾驶员是否酒驾，只需要分为酒驾和无酒驾2类。训练后的Nin网络模型能识别图像中驾驶员是否处于酒驾。

具体地，构建Nin网络模型架构：本发明中Nin网络的目的是识别驾驶员是否酒驾，根据此将图像分为有醉酒和无醉酒两类。由3层Mlpconv层组成(Mlpconv1、Mlpconv2和Mlpconv3)，每一个Mlpconv层后都跟着一层池化层(Pool1、Pool2和Pool3)，除了最后一个Mlpconv层，每一个后面都加dropout层以防止过拟合，最后接一个全局均值池化层(GAP)，分别为相应的醉酒与无醉酒两种类别生成一个特征图，再计算每个特征图的平均值直接输入2个标签的softmax层进行分类，醉酒与无醉酒。

Mlpconv层的计算公式如下：

式中：(i,j)表示图像像素点的位置索引，x_i,j表示卷积窗口中位置索引为(i,j)的图像块，k表示特征图通道的索引，n表示多层感知器的层的数目，k_b表示特征图的偏置，多层感知器的激活函数采用Relu函数。

Nin网络模型训练：对输入的人脸候选图像进行预处理，输入上述Nin网络，采用Caffe(Convolutional Architecture for Fast Feature Embedding)深度学习框架进行训练。训练迭代次数为10000，训练学习率为0.01。

所述的预测函数通过深度学习的训练方法得到，包括以下步骤：安排相关驾驶员做实验，用血液酒精含量检验的方法测量出该驾驶员的体内酒精含量，然后安排驾驶员上车测量出三组传感器数据，用深度学习训练的方法，找出三组传感器数据、图片识别酒驾结果与用血液酒精含量检验得到的数据之间的关系，得到一个预测函数，其中三个传感器的测量值分别记为x_1,x_2,x₃，图像识别结果记为x₄；

具体算法如下：将实验测得的一组数据x_1,x_2,x_3,x₄记为

用血液酒精含量检验的方法测量出的数据记为y_i；经过多次实验得到多组数据，记为样例集

经过线性回归学得预测函数

使得

得到最优解

将线性回归的预测值

记为z，则

而z是预测的实值，现为将z转化为接近0或者1的y值，引入Sigmoid函数

完成测量值的转换，之后得到转换值0或者1，即y_i∈(0,1),其中0表示无酒驾行为，1表示酒驾行为，由此判断是否发生酒驾行为。

所述的身份验证模型与图像酒驾识别模型在云端中识别训练，包含Facenet、Nin网络和深入学习的构建和训练。

所述的酒精检测模块14用于检测驾驶员的酒精浓度，并将酒精浓度信号送给信号处理模块2。所述的汗液酒精传感器6用于检测驾驶员手上分泌的汗液是否含有酒精成分，因为汗液中的酒精浓度与血液中的酒精浓度存在一定的关系，通过监测汗液中酒精的浓度可知驾驶者血液内的酒精浓度，达到监测驾驶者是否为酒驾的目的；汗液酒精传感器6设置在方向盘上，具体在方向盘左侧上；检测驾驶员手握方向盘上的汗液里的酒精浓度的数据，转化为电信号，转给信息处理模块2进行处理，与其他俩种传感器共同判定驾驶员体内酒精含量；同时为了防止驾驶员检测时汗液量不足，影响测量结果。在汽车方向盘上安装电热片和化学药物匹鲁卡品(Pilocarpine)，可以促进汗液排出，酒精挥发，增强检测精度；

所述的气体酒精传感器4是基于探测到的气体中的酒精浓度转换成有用的电信号器件，并根据这些电信号的强弱可以获得与待测气体在环境中存在的有关信息的原理，进行检测驾驶员座椅周围的酒精气体的，当驾驶员坐在座位上启动点火装置的时候，所述的气体酒精传感器4开始工作，可以但不限于乙醇敏感传感器，用以检查车辆内驾驶员周围的酒精浓度值P，当达到一定的阈值之后，将信息传输给信息处理模块2，然后传到主控模块1中心进行判断，所述的气体酒精传感器4安装在驾驶员座椅左侧，该传感器与其他俩种传感器和摄像头综合判定驾驶员是否酒驾；

所述的红外传感器5是基于红外检测电路的系统设计,设置在方向盘右侧，以驾驶员的手指为检测对象，当驾驶员握住方向盘时,酒精检测模块14开始以设定的时间下循环检测驾驶员体内的酒精，红外传感器5输出的模拟信号通过A/D模数转换器3转化成数字信号，输入到信息处理模块2的AT89C51单片机内进行数据分析和处理后，进而判断驾驶员体内酒精含量，红外传感器输出的信号传输给信息处理模块2，信息处理模块2判断并处理传到主控模块1中心，红外传感器5与其他俩种传感器和摄像头综合判定驾驶员是否酒驾。

所述的人脸识别与酒精检测模块包括摄像头、存储单元与处理器；摄像头用于采集驾驶员的头部图像信息，存储单元存有预先存储的已注册的驾驶员人脸数据信息，处理器对图片进行预处理，采用已训练的Facenet网络进行人脸识别，验证驾驶员身份；采用卷积神经网络(Nin网络)识别眼睛充血、面部潮红或惨白、表情僵硬、疲倦、瞌睡等面部特征，评估驾驶员是否酒驾，并把判断结果传给主控模块；由于酗酒者在面部表情上不仅会出现扭曲狂乱等表情，同时会出现昏睡等表情，因此通过面部表情，可有效评估驾驶员是否酒驾。

所述的主控模块采用以单片机为主要控制的电路，将三种酒精传感器浓度检测的数值与人脸图像识别的结果通过深度学习综合得出酒精检测的结果且做出应对措施，并且用来控制和协调其他模块的工作。能控制酒精采集模块定时检测驾驶员血液中的酒精。在汽车启动时，身份验证成功后，再进行酒精检测；若检测结果为酒驾，则将车牌、位置信息、酒精浓度及驾驶员个人信息通过网络的形式上传给公司上级管理部门，同时蜂鸣器报警提示，启动通信模块中的语音提示单元，询问驾驶员是否需要拨打电话，或寻找代驾，给饮酒的驾驶员提供了方便，该电话包括预存的亲属电话和代驾的电话等；在行驶过程中，摄像头对驾驶员面部特征进行实时比对，同时人脸识别与酒精检测模块和酒精采集模块进行酒精检测，若检测结果判断为酒驾，则启动定位模块和通信模块，将车牌、位置信息、酒精浓度及驾驶员个人信息通过网络的形式上传给公司上级管理部门与交警总队指挥中心，同时单片机控制声光报警模块与显示模块启动，显示屏会显示警示信息，蜂鸣器发出刺耳的蜂鸣声提示驾驶员注意自己的状态，并语音提时停车。

所述的通信模块8在汽车行驶过程中发现驾驶员酒驾时，将车牌、定位、酒精浓度及驾驶员个人信息通过移动网络的形式上传给交警总队指挥中心，同时语音提示单元在检测到驾驶员酒驾时，把结果用语音播放出来，另外在汽车启动时检测到驾驶员酒驾，电话提示单元向驾驶员提供电话服务，比如询问驾驶员是否需要拨打电话，或寻找代驾，给饮酒的驾驶员提供了方便，该电话包括预存的亲属电话和代驾的电话等。

所述的定位模块9使用的GPS定位技术，通过GPS天线接收定位信号，以确定模块的位置包括经度，纬度以及时间信息等，以实现车辆的定位。所述的声光报警模块15接收到主控模块1报警信号时，会控制警报灯和蜂鸣器报警，用来警示驾驶员。所述的显示模块用于将主控模块1的判定的结果显示出来，以供驾驶员知晓自己的状态。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于多源信息融合的单位用车车载酒驾综合检测系统，其特征在于：主要包括安装在汽车内部的主控模块(1)、显示模块(12)、通信模块(8)、定位模块(9)、声光报警器(15)、人脸识别与酒精检测模块(7)、酒精采集模块(14)；所述的主控模块(1)设有第一处理器；所述的定位模块(9)安装有GPS定位系统；所述的声光报警器(15)设有蜂鸣器和警报灯；所述的显示模块(12)设有显示屏(10)；所述的人脸识别与酒精检测模块(7)包括摄像头(71)、存储单元和第二处理器；所述的摄像头(71)、存储单元分别与第二处理器电性连接；所述通信模块(8)包括信息传输单元、语音提示单元及电话提示单元；

所述的信息传输单元、语音提示单元、电话提示单元、第二处理器、GPS定位系统、蜂鸣器、警报灯、显示屏(10)分别与第一处理器电性连接；所述的第一处理器通过继电器与汽车的点火控制模块连接；所述的第一处理器还与汽车的车灯控制模块电性连接；

所述的酒精采集模块(14)包括蓄电池、汗液酒精传感器(6)、气体酒精传感器(4)和红外传感器(5)；所述的蓄电池、汗液酒精传感器(6)、气体酒精传感器(4)、红外传感器(5)分别与第一处理器电性连接。

2.根据权利要求1所述的基于多源信息融合的单位用车车载酒驾综合检测系统，其特征在于：所述的汗液酒精传感器(6)设置在汽车方向盘的左侧；所述的红外传感器(5)设置在汽车方向盘的右侧；所述的气体酒精传感器(4)设置在汽车驾驶员座椅的左侧。

3.根据权利要求1所述的基于多源信息融合的单位用车车载酒驾综合检测系统，其特征在于：所述的摄像头(71)设置在汽车的副驾驶前方的一侧，并且摄像头(71)朝向汽车驾驶员座椅，监测驾驶员头部状态。

4.根据权利要求3所述的基于多源信息融合的单位用车车载酒驾综合检测系统，其特征在于：所述的汽车方向盘上还安装有电热片和化学药物匹鲁卡品，所述的电热片与第一处理器电性连接。

5.根据权利要求1所述的基于多源信息融合的单位用车车载酒驾综合检测系统，其特征在于：所述的第一处理器和第二处理器皆采用AT89C51单片机。

6.根据权利要求1所述的基于多源信息融合的单位用车车载酒驾综合检测系统，其特征在于：所述的定位模块(9)设置在汽车的A柱位置。

7.如权利要求1-6任一所述的基于多源信息融合的单位用车车载酒驾综合检测系统的使用方法，其特征在于：包括汽车启动与行驶过程的酒精检测，适用于公务车、旅游包车与运输车队等单位车辆，包括以下步骤：

S1：驾驶员通过钥匙启动汽车发动机，此时摄像头(71)打开，采集驾驶员面部图像，第二处理器采用Facenet网络验证驾驶员身份，同时获取的驾驶员面部特征上传至云端待管理人员调用；

S2：身份验证成功后，汗液酒精传感器(6)、气体酒精传感器(4)以及红外传感器(5)通电开始进行驾驶员酒精检测，信号传输至主控模块(1)进行处理；同时摄像头(71)获取驾驶员面部图像传至第二处理器，第二处理器采用Nin网络识别眼睛充血、面部潮红或惨白、表情僵硬、疲倦、瞌睡等面部特征，评估驾驶员是否酒驾，将结果传输至主控模块(1)；

S3：主控模块(1)采用深度学习训练得到的预测函数进行数据融合，汗液酒精传感器(6)、气体酒精传感器(4)、红外传感器(5)以及图像识别结果共同判定驾驶员是否酒驾，把三种传感器都检测到的数据含量及图像识别结果输入预测函数，得到预测实值然后经过Sigmoid函数进行转换0或者1，0代表无酒驾行为，1代表酒驾行为，由此判断是否发生酒驾行为；

S4：在启动过程中，若检测合格，则汽车正常行驶，若检测为酒驾，则发动机熄火，同时通信模块(8)中的语音提示单元询问驾驶员是否需要拨打电话，或寻找代驾，该电话包括预存的亲属电话和代驾的电话；在汽车行驶过程中，摄像头(71)对驾驶员面部特征进行实时比对，确保驾驶员的信息能够匹配正确，如果驾驶员的信息不能匹配成功，声光报警器(15)就会启动，汽车开始警报，并打开双闪提示停车，同时将车牌、定位、酒精浓度及驾驶员个人信息上传到公司上级管理部门；另外，在行驶过程中实时进行酒驾检测，若检测结果为酒驾则主控模块(1)接收定位模块(9)的位置信息，通过通信模块(8)，将车牌、定位、酒精浓度及驾驶员个人信息上传到公司上级管理部门与交警总队指挥中心，同时小汽车报警并打开双闪提示停车。

8.根据权利要求7所述的基于多源信息融合的单位用车车载酒驾综合检测系统的使用方法，其特征在于：所述的预测函数通过深度学习的训练方法得到，包括以下步骤：安排相关驾驶员做实验，用血液酒精含量检验的方法测量出该驾驶员的体内酒精含量，然后安排驾驶员上车测量出三组传感器数据，用深度学习训练的方法，找出三组传感器数据、图片识别酒驾结果与用血液酒精含量检验得到的数据之间的关系，得到一个预测函数，其中三个传感器的测量值分别记为x₁,x₂,x₃，图像识别结果记为x₄；

具体算法如下：将实验测得的一组数据x₁,x₂,x₃,x₄记为

用血液酒精含量检验的方法测量出的数据记为y_i；经过多次实验得到多组数据，记为样例集

经过线性回归学得预测函数

使得

得到最优解

b,将线性回归的预测值

记为z，则

而z是预测的实值，现为将z转化为接近0或者1的y值，引入Sigmoid函数

完成测量值的转换，之后得到转换值0或者1，即y_i∈(0,1),其中0表示无酒驾行为，1表示酒驾行为，由此判断是否发生酒驾行为。

9.根据权利要求7所述的基于多源信息融合的单位用车车载酒驾综合检测系统的使用方法，其特征在于：所述的身份验证模型与图像酒驾识别模型在云端中识别训练，包含Facenet、Nin网络和深入学习的构建和训练，其步骤如下：采用MTCNN完成人脸检测和人脸对齐的任务，采用Facenet进行人脸识别，通过CNN(convolutional neural network，卷积神经网络)将人脸映射到欧式空间的特征向量上，计算不同图片人脸特征的距离，通过相同个体人脸的距离总是小于不同个体人脸的距离这一先验知识训练网络；通过Nin网络模型来进行酒驾识别，首先利用酒驾检测系统采集大量样本，并根据驾驶员是否醉酒分为有醉酒和无醉酒两类，大部分作为训练样本，少部分作为测试样本；通过摄像头采集人脸区域图像获取训练样本，利用这些人脸区域图像训练Nin网络模型；因图像识别的目的为驾驶员是否酒驾，只需要分为酒驾和无酒驾2类；训练后的Nin网络模型能识别图像中驾驶员是否处于酒驾。

Images