[发明专利]信息输出方法和装置

说明书

技术领域

本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及信息输出方法和装置。

背景技术

驾驶疲劳，是指驾驶员在长时间连续行车后，产生生理机能和心理机能的失调，而在客观上出现驾驶技能下降的现象。驾驶员睡眠质量差或不足，长时间驾驶车辆，容易出现疲劳。驾驶疲劳会影响到驾驶员的注意、感觉、知觉、思维、判断、意志、决定和运动等诸方面。

驾驶员疲劳时判断能力下降、反应迟钝和操作失误增加。驾驶员处于轻微疲劳时，会出现换档不及时、不准确；驾驶员处于中度疲劳时，操作动作呆滞，有时甚至会忘记操作；驾驶员处于重度疲劳时，往往会下意识操作或出现短时间睡眠现象，严重时会失去对车辆的控制能力。驾驶员疲劳时，会出现视线模糊、腰酸背疼、动作呆板、手脚发胀或有精力不集中、反应迟钝、思考不周全、精神涣散、焦虑、急躁等现象。如果仍勉强驾驶车辆，则可能导致交通事故的发生。

发明内容

本申请实施例提出了信息输出方法和装置。

第一方面，本申请实施例提供了一种信息输出方法，该方法包括：获取记录有目标驾驶员的驾车过程的目标视频；将目标视频输入至预先训练的深度学习模型，得到目标驾驶员的预测驾驶类型，其中，深度学习模型用于表征记录有驾驶员的驾车过程的视频与驾驶员的预测驾驶类型之间的对应关系；将目标驾驶员的预测驾驶类型在预设的违规驾驶类型集合中进行匹配；响应于目标驾驶员的预测驾驶类型在违规驾驶类型集合中匹配成功，获取与匹配成功的违规驾驶类型相关联的提示信息；输出提示信息。

在一些实施例中，深度学习模型包括卷积神经网络、循环神经网络和全连接层。

在一些实施例中，将目标视频输入至预先训练的深度学习模型，得到目标驾驶员的预测驾驶类型，包括：将目标视频输入至卷积神经网络，得到目标视频的各帧图像的特征向量，其中，卷积神经网络用于表征视频与视频的各帧图像的特征向量之间的对应关系；将目标视频的各帧图像的特征向量输入至循环神经网络，得到目标视频的特征向量，其中，循环神经网络用于表征视频的各帧图像的特征向量与视频的特征向量之间的对应关系，视频的特征向量用于表征视频的各帧图像的特征向量之间的关联关系；将目标视频的特征向量输入至全连接层，得到目标驾驶员的预测驾驶类型，其中，全连接层用于表征视频的特征向量与驾驶员的预测驾驶类型之间的对应关系。

在一些实施例中，深度学习模型通过如下步骤训练得到：获取多个记录有样本驾驶员的驾车过程的样本视频和多个样本视频中的每个样本视频所对应的样本驾驶员的驾驶类型；将多个样本视频中的每个样本视频作为输入，将多个样本视频中的每个样本视频所对应的样本驾驶员的驾驶类型作为输出，训练得到深度学习模型。

在一些实施例中，将多个样本视频中的每个样本视频作为输入，将多个样本视频中的每个样本视频所对应的样本驾驶员的驾驶类型作为输出，训练得到深度学习模型，包括：执行以下训练步骤：将多个样本视频中的每个样本视频依次输入至初始化深度学习模型，得到多个样本视频中的每个样本视频所对应的样本驾驶员的预测驾驶类型，将多个样本视频中的每个样本视频所对应的样本驾驶员的预测驾驶类型与该样本视频所对应的样本驾驶员的驾驶类型进行比较，得到初始化深度学习模型的预测准确率，确定预测准确率是否大于预设准确率阈值，若大于预设准确率阈值，则将初始化深度学习模型作为训练完成的深度学习模型。

在一些实施例中，将多个样本视频中的每个样本视频作为输入，将多个样本视频中的每个样本视频所对应的样本驾驶员的驾驶类型作为输出，训练得到深度学习模型，还包括：响应于不大于预设准确率阈值，调整初始化深度学习模型的参数，并继续执行训练步骤。

第二方面，本申请实施例提供了一种信息输出装置，该装置包括：目标视频获取单元，配置用于获取记录有目标驾驶员的驾车过程的目标视频；驾驶类型预测单元，配置用于将目标视频输入至预先训练的深度学习模型，得到目标驾驶员的预测驾驶类型，其中，深度学习模型用于表征记录有驾驶员的驾车过程的视频与驾驶员的预测驾驶类型之间的对应关系；驾驶类型匹配单元，配置用于将目标驾驶员的预测驾驶类型在预设的违规驾驶类型集合中进行匹配；提示信息获取单元，配置用于响应于目标驾驶员的预测驾驶类型在违规驾驶类型集合中匹配成功，获取与匹配成功的违规驾驶类型相关联的提示信息；提示信息输出单元，配置用于输出提示信息。

在一些实施例中，深度学习模型包括卷积神经网络、循环神经网络和全连接层。