一种基于rPPG技术的非接触式识别酒驾的方法

技术领域

本申请属于人工智能技术领域，尤其涉及一种基于rPPG技术的非接触式识别酒驾的方法。

背景技术

酒驾是严重影响交通安全的交通违法行为。识别驾驶员是否处于酒驾状态，对异常驾驶进行及时制止，能够有效避免交通事故。目前应用最广泛的酒驾识别方法是：交警在道路上对过路车辆进行检查，通过呼吸测试或者血液采样测试来检验驾驶员的血液酒精浓度，然而该方法需要依赖大量的人力，对于一些酒驾情况不能发现，或者发现的时间滞后，仍然存在交通安全隐患。

已有的通过接触式传感器识别驾驶员是否酒驾的方法，会干扰驾驶员正常驾驶。也有研究提出通过非接触式的方式提取心率、呼吸率等生理参数，识别驾驶员是否酒驾。但是，影响生理参数的因素有很多，利用该方法得到的识别结果的准确度较低。

发明内容

本申请实施例提供了一种基于rPPG技术的非接触式识别酒驾的方法，从而在不接触驾驶员的情况下识别驾驶员是否酒驾，并提高识别结果的准确度。

第一方面，本申请实施例提供了一种基于rPPG技术的非接触式识别酒驾的方法，所述方法包括：

获取包含驾驶员脸部区域的连续的多帧图像；

根据所述多帧图像，生成所述驾驶员对应的远程光电容积描记信号、心率变异性信号中的至少一个，并确定所述远程光电容积描记信号的波形特征、所述心率变异性信号的频域特征、所述心率变异性信号的多重分形特征中的至少一个，所述远程光电容积描记信号的波形特征、所述心率变异性信号的频域特征、所述心率变异性信号的多重分形特征中的至少一个反映酒精对所述远程光电容积描记信号、所述心率变异性信号中的至少一个的影响；

将所述远程光电容积描记信号的波形特征、所述心率变异性信号的频域特征、所述心率变异性信号的多重分形特征中的至少一个输入到酒驾识别模型中，根据所述酒驾识别模型的输出结果判断驾驶员是否酒驾。

特别地，所述心率变异性信号是根据所述远程光电容积描记信号中相邻两个波峰对应的时间间隔生成的。

特别地，所述方法还包括：

根据所述多帧图像，获取所述驾驶员的生理信息；

根据所述驾驶员的生理信息，确定所述酒驾识别模型。

特别地，所述驾驶员的生理信息包括年龄和血压中的至少一种。

本申请实施例中，最大程度的消除其他因素对酒驾识别的影响，提高模型预测的准确性。

特别地，所述远程光电容积描记信号的波形特征至少包括曲率特征。

特别地，所述心率变异性信号的频域特征包括功率谱特征、不同频率成分的非线性相位交互特征中的至少一个。

特别地，所述功率谱特征为第一功率与第二功率的比值，所述第一功率为：功率谱中以第一波谱峰为中心向左右各延伸到1/2第一波谱峰高度处的范围内的总功率，所述第二功率为：功率谱中以第二波谱峰为中心向左右各延伸到1/2第二波谱峰高度处的范围内的总功率，所述第一波谱峰为距离0.094Hz最近的波峰，所述第二波谱峰为距离0.31Hz最近的波峰。

相比于传统的第一功率与第二功率，本申请实施例中所定义的频率范围，能够更有效的把不同频段的数据区分开，从而更有效的反映血压波动及呼吸活动对心脏活动的影响，更有效的反映交感神经和副交感神经对心脏活动的影响。

特别地，所述功率谱特征是根据等时间间隔的瞬时心率信号得到的，所述瞬时心率信号是对所述心率变异性信号进行重采样得到的。

特别地，所述不同频率成分的非线性相位交互特征是通过对所述心率变异性信号进行小波变换以及希尔伯特变换得到的。

本申请实施例中采取小波变换和希尔伯特变换来提取所述心率变异性信号的不同频率成分的非线性相位交互特征，与所述心率变异性信号的功率谱特征相互补充，进一步提高识别酒驾的准确度。

特别地，所述多重分形特征的时间尺度特性包括短时相关性与长时相关性，反映所述短时相关性的特征包括较小波动的尺度不变特性与较大波动的尺度不变特性，反映所述长时相关性的特征包括较小波动的尺度不变特性与较大波动的尺度不变特性。

饮酒会直接影响心血管系统和自主神经系统，饮酒对心血管和自主神经系统的影响会体现在心率变异性上，所述心率变异性信号的多重分形特征反映了心跳调节过程的复杂度和内在相关性，能更有效的反映酒精对心血管系统的影响，是心率变异性信号的内在的更本质的特性。

第二方面，本申请实施例还提供了一种基于rPPG技术的非接触式识别酒驾的装置，所述装置包括：

获取单元，用于获取包含驾驶员脸部区域的连续的多帧图像；

处理单元，用于根据所述多帧图像，生成所述驾驶员对应的远程光电容积描记信号、心率变异性信号中的至少一个，并确定所述远程光电容积描记信号的波形特征、所述心率变异性信号的频域特征、所述心率变异性信号的多重分形特征中的至少一个，所述远程光电容积描记信号的波形特征、所述心率变异性信号的频域特征、所述心率变异性信号的多重分形特征中的至少一个反映酒精对所述远程光电容积描记信号、所述心率变异性信号中的至少一个的影响；将所述远程光电容积描记信号的波形特征、所述心率变异性信号的频域特征、所述心率变异性信号的多重分形特征中的至少一个输入到酒驾识别模型中，根据所述酒驾识别模型的输出结果判断驾驶员是否酒驾。

第三方面，本申请实施例还提供了一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于rPPG技术的非接触式识别酒驾的方法。

第四方面，本申请实施例还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，当所述计算机指令在计算机上运行时，使得所述计算机执行如第一方面所述的基于rPPG技术的非接触式识别酒驾的方法。

第五方面，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，当所述计算机程序产品在计算机上运行时，实现如第一方面所述的基于rPPG技术的非接触式识别酒驾的方法。

本申请实施例提供了一种基于rPPG技术的非接触式识别酒驾的方法，该方法获取包含驾驶员脸部区域的连续的多帧图像；根据多帧图像，生成驾驶员对应的远程光电容积描记信号、心率变异性信号中的至少一个，并确定远程光电容积描记信号的波形特征、心率变异性信号的频域特征、心率变异性信号的多重分形特征中的至少一个，将远程光电容积描记信号的波形特征、心率变异性信号的频域特征、心率变异性信号的多重分形特征中的至少一个输入到酒驾识别模型中，根据酒驾识别模型的输出结果判断驾驶员是否酒驾。

本申请实施例中确定了远程光电容积描记信号的波形特征、心率变异性信号的频域特征、心率变异性信号的多重分形特征中的至少一个，前述特征反映酒精对远程光电容积描记信号、心率变异性信号的影响，通过前述特征能更有效的区分出是不是酒精的作用导致的远程光电容积描记信号、心率变异性信号的变化，因此利用本申请实施例提供的方法，能够提高识别结果的准确度。并且，训练酒驾识别模型时，不需要学习多个生理参数与酒驾的对应关系，降低了模型训练的复杂度，提高了模型训练的准确度，进而提高识别结果的准确度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或已有技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种基于rPPG技术的非接触式识别酒驾的系统100的结构示意图；

图2是本申请实施例提供的一种采集设备11设置位置的示意图；

图3是本申请实施例提供的一种基于rPPG技术的非接触式识别酒驾的方法300的流程示意图；

图4是本申请实施例提供的一种生成远程光电容积描记信号的方法400的流程示意图；

图5是本申请实施例提供的一种提取远程光电容积描记信号的波形特征的方法500的流程示意图；

图6是本申请实施例提供的一种生成心率变异性信号的方法600的流程示意图；

图7是本申请实施例提供的一种提取心率变异性信号的功率谱特征的方法700的流程示意图；

图8是本申请实施例提供的一种对心率变异性信号重采样的过程示意图；

图9是本申请实施例提供的一种基于rPPG技术的非接触式识别酒驾的方法流程示意图；

图10是本申请实施例提供的一种装置10的结构示意图；

图11是本申请实施例提供的一种电子设备11的结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

已有技术通过提取心率、呼吸率、血氧等生理参数以及心率变异性(Heart RateVariability，HRV)信号的时域特征和功率谱特征来识别酒驾。HRV是指连续心跳间期的微小变化。但是，影响生理参数的因素有很多，利用该方法得到的识别结果的准确度较低。而且，由于HRV信号反映的是一个由多种生理控制因素相互作用构成的非线性耦合的过程，是一个复杂的非平稳过程，酒精进入人体会使得HRV复杂度降低，已有的酒驾识别技术没有提取和利用反映HRV复杂度的特征，所以已有技术得到的识别结果的准确度较低。针对上述问题，本申请实施例提供了一种基于rPPG技术的非接触式识别酒驾的方法，以提高识别结果的准确度，以下详细说明。

本申请实施例提供了一种基于rPPG技术的非接触式识别酒驾的系统100，如图1所示，该系统100包括采集设备11与处理设备12，采集设备11设置在车辆内部，设置的位置以驾驶员正常驾驶时能够拍摄到驾驶员脸部区域为准，比如可以设置在仪表盘遮光板上(如图2(a)所示)，或者设置在方向盘转向柱护套上(如图2(b)所示)。采集设备11可以为单通道红外摄像头，或者多通道红外摄像头，或者RGB-IR摄像头等设备。采集设备11用于拍摄包含驾驶员脸部区域的连续的多帧图像。

采集设备11与处理设备12连接，处理设备12获取采集设备11拍摄的多帧图像，并对多帧图像进行处理，生成远程光电容积描记(Remote Photoplethysmography，rPPG)信号和HRV信号中的至少一个，并进一步得到rPPG信号的波形特征、HRV信号的频域特征、HRV信号的多重分形特征中的至少一个，前述特征反映酒精对rPPG信号、HRV信号的影响，将前述特征输入到酒驾识别模型，得到酒驾识别结果。处理设备12可以是远程服务器、或者具有处理功能的设备。处理设备12还具有报警功能，当识别到驾驶员处于酒驾状态时，处理设备12向监控中心发出报警信息，尽可能地避免交通事故的发生。

在图1与图2所示实施例的基础上，本申请实施例提供了一种基于rPPG技术的非接触式识别酒驾的方法300，如图3所示，该方法300包括：

S301：获取包含驾驶员脸部区域的连续的多帧图像。

S302：根据多帧图像，生成驾驶员对应的远程光电容积描记信号、心率变异性信号中的至少一个，并确定远程光电容积描记信号的波形特征、心率变异性信号的频域特征、心率变异性信号的多重分形特征中的至少一个。

其中，远程光电容积描记信号的波形特征、心率变异性信号的频域特征、心率变异性信号的多重分形特征中的至少一个反映酒精对远程光电容积描记信号、心率变异性信号中的至少一个的影响。

S303：将远程光电容积描记信号的波形特征、心率变异性信号的频域特征、心率变异性信号的多重分形特征中的至少一个输入到酒驾识别模型中，根据酒驾识别模型的输出结果判断驾驶员是否酒驾。

酒精会直接影响自主神经系统(Autonomic Nervous System，ANS)和心血管系统，这种影响会体现在rPPG信号和HRV信号的特征上。例如，酒精会造成血清钾水平降低，使交感神经活动增加，使心率变异性(HRV)降低。酒精能降低胰岛素敏感性，刺激胰岛素释放，使血液中胰岛素增高，导致血糖降低，当酒精引起低血糖时，表现为交感神经及脑功能障碍。酒精会导致血液中儿茶酚胺水平增加，酒精会影响血压，影响内皮依赖性血管舒张功能，也会影响凝血和纤溶。

本申请实施例中，处理设备12获取包含驾驶员脸部区域的连续的多帧图像，根据多帧图像，生成驾驶员对应的rPPG信号、HRV信号中的至少一个，至少一个表示可以生成rPPG信号、或可以生成HRV信号、或可以生成rPPG信号和HRV信号。然后提取能反映酒精对rPPG信号影响的特征，包括：波形特征。提取能反映酒精对HRV信号影响的特征，包括：频域特征与多重分形特征。

本申请实施例中，预先根据前述特征中的至少一个训练得到酒驾识别模型。在得到前述特征中的至少一个之后，将至少一个特征输入到酒驾识别模型中，根据酒驾识别模型的输出结果判断驾驶员是否酒驾。

本申请实施例中确定了rPPG信号的波形特征、HRV信号的频域特征、HRV信号的多重分形特征中的至少一个，前述特征中的至少一个反映酒精对rPPG信号、HRV信号中的至少一个的影响，通过前述特征中能更有效的区分出是不是酒精的作用导致的rPPG信号、HRV信号的变化，因此利用本申请实施例提供的方法，能够提高识别结果的准确度。并且，训练酒驾识别模型时，不需要学习多个生理参数与酒驾的对应关系，降低了模型训练的复杂度，提高了模型训练的准确度，进而提高识别结果的准确度。

以下对rPPG信号的生成及特征提取进行说明。如图4所示，生成rPPG信号的方法400至少包括以下步骤：

S401：获取包含驾驶员脸部区域的连续的多帧图像。

S402：对多帧图像进行人脸检测以及人脸特征点检测和跟踪。

S403：基于人脸特征点确定人脸感兴趣区域，并根据人脸感兴趣区域生成原始信号。

S404：对原始信号去噪生成rPPG信号。

本申请实施例中，对多帧图像进行人脸检测以及人脸特征点检测和跟踪，然后基于人脸特征点确定人脸感兴趣区域，根据人脸感兴趣区域的像素值生成原始信号，对原始信号去除运动噪声和光照变化噪声后，得到rPPG信号。

酒精的作用会体现在rPPG信号的波形特征上，例如rPPG信号的弯曲程度会发生变化。rPPG信号的波形特征至少包括曲率特征，如图5所示，得到曲率特征的方法500至少包括以下步骤：

S501：对rPPG信号进行重采样。

S502：对rPPG信号进行检测得到波峰点和波谷点。

S503：确定连续的M个rPPG下降段。

S504：计算每个rPPG下降段的一阶导数和二阶导数。

S505：根据每个rPPG下降段的一阶导数和二阶导数，计算rPPG信号的曲率特征。

本申请实施例中，利用多项式插值算法对rPPG信号进行重采样，以增加时域分辨率，重采样后的频率可以是800Hz或者1000Hz等，在此不做限定。多项式插值算法可以是三次样条插值等，在此不做限定。

然后检测rPPG信号的波峰点和波谷点，一个波峰点与其右边最近的波谷点之间的rPPG信号部分构成rPPG下降段，从而确定rPPG信号的连续的多个rPPG下降段，记为M，计算每个rPPG下降段的一阶导数和二阶导数，根据一阶导数和二阶导数计算rPPG信号的曲率特征。

曲率特征的具体计算过程如下：

rPPG下降段对应心脏的舒张期，酒精会导致rPPG信号下降段的弯曲程度的变化较为明显，因此，rPPG信号的曲率特征是与酒精有较大相关度的特征，利用rPPG信号的曲率特征反映酒精对rPPG信号的影响，能够提高酒驾识别的准确度。

以下对HRV信号的生成进行说明。如图6所示，生成HRV信号的方法600至少包括以下步骤：

S601：获取包含驾驶员脸部区域的连续的多帧图像，并根据多帧图像生成rPPG信号。

S602：检测rPPG信号的波峰点。

S603：根据rPPG信号中相邻两个波峰对应的时间间隔生成HRV信号。

酒精对HRV信号的影响体现在频域特征、多重分形特征上。频域特征又包括功率谱特征、不同频率成分的非线性相位交互特征。以下对HRV信号的特征提取依次进行说明。

如图7所示，得到功率谱特征的方法700至少包括以下步骤：

S701：生成HRV信号，并对HRV信号进行重采样生成等时间间隔的瞬时心率信号。

S702：确定瞬时心率信号对应的变化部分。

S703：计算瞬时心率信号的功率谱。

S704：根据瞬时心率信号的功率谱，得到HRV信号的功率谱，并计算HRV信号的功率谱特征。

本申请实施例中，为了能够尽快识别出驾驶员是否酒驾，获取时长为3分钟的短时HRV信号，因为原始的HRV信号在时域上不是等时间间隔采样，所以直接采用原始的HRV信号计算功率谱特征得到的误差较大。本申请通过类卷积操作将HRV信号重采样成等时间间隔的4Hz的瞬时心率信号。

重采样的过程，如图8所示，(a)表示rPPG信号以及相应生成的HRV信号，(b)表示重采样的时刻。根据rPPG信号相邻两个波峰之间的时间间隔生成HRV信号，在图中HRV信号依次记为I

如果类卷积窗口完全落在rPPG信号相邻的两个波峰之间，如图8所示Δt时刻的采样点，则n

如果类卷积窗口不在rPPG信号相邻的两个波峰之间，如图8所示8Δt时刻的采样点，则n

其中，x

每个采样点时刻的瞬时心率hr

计算重采样后的瞬时心率信号对应的序列的均值，用序列减去均值得到瞬时心率信号的变化(Alternating Current，AC)成分。根据HRV信号得到瞬时心率信号的过程，在时域上为对HRV信号以时间窗口宽度为2Δt的矩形窗口进行了类卷积操作，相当于在频域上对HRV信号进行低通滤波，即瞬时心率信号的功率谱是对HRV信号的功率谱进行低通滤波得到的。本申请实施例中，利用Lomb-Scargle算法计算瞬时心率信号的AC成分的功率谱P

其中，

功率谱为关于频率的函数，本申请实施例中根据P

LF′表示第一功率(低频功率)，HF′表示第二功率(高频功率)，第一功率LF′是第一频率范围内的总功率，第二功率HF′为第二频率范围内的总功率，LF′/HF′即第一功率与第二功率的比值。其中，第一频率范围为：以第一波谱峰为中心向左右各延伸到1/2第一波谱峰高度处的范围。第二频率范围为：以第二波谱峰为中心向左右各延伸到1/2第二波谱峰高度处的范围。功率谱中距离0.094Hz最近的波峰为第一波谱峰，距离0.31Hz最近的波峰为第二波谱峰。

低频功率反映交感神经和副交感神经的联合作用，高频功率反映了副交感神经的活动，功率谱特征LF′/HF′能够反映饮酒对自主神经系统的影响。相比于传统的LF(0.04-0.15Hz)与HF(0.15-0.4Hz)，本申请实施例中所定义的频率范围，能够更有效的把不同频段的数据区分开，从而形成的特征更为准确。

HRV信号在频域具有一种非常重要的非线性特征，即不同频率成分存在非线性的相位交互关系，传统的功率谱分析方法不能提取这一特征，本申请实施例中，对原始的HRV信号采取小波变换和希尔伯特变换，提取不同频率成分的非线性相位交互特征，具体计算过程如下：

首先，按照公式(6)对HRV信号进行小波变换：

HRV信号以

将小波变换w

HRV除了反映交感神经和副交感神经对心脏调节的过程及两者之间平衡程度，还与众多因素有关，包括血液、中枢神经系统(脑干、下丘脑、延髓)、压力感受器、血压、呼吸、激素(如肾上腺素等)、酒精等，因此HRV信号反映的是一个由多种生理控制因素相互作用构成的非线性耦合的过程，是一个复杂的非平稳过程。

本申请实施例中，采用非线性分析方法提取反映HRV信号复杂度的多重分形特征。多重分形特征具体包括不同时间尺度与不同波动幅度的特征。时间尺度特性包括：短时相关性和长时相关性。波动幅度特性包括：较小波动特性和较大波动特征。其中，反映短时相关性的特征包括：较小波动的尺度不变特性、较大波动的尺度不变特性。反映长时相关性的特征包括：较小波动的尺度不变特性、较大波动的尺度不变特性。

本申请实施例中采用多重分形去趋势波动分析(Multifractal DetrendedFluctuation Analysis，MFDFA)计算多重分形特征。在对多重分形特征缺乏先验或者HRV信号较短的情况下，采用MFDFA方法可以更准确的得到多重分形特征。以下具体描述多重分形特征的具体计算过程。

首先，计算双求和序列

其中

然后，对双求和序列进行分段并计算每一段中去趋势的平方的均值。

将

当v＝1,2,…,M

当v＝M

然后，计算结构函数，如公式(12)所示：

最后，计算多重分形特征。

当固定q后，F

α

当n∈[n

对n

记：x＝log

对α

k＝1表示短时相关性，k＝2表示长时相关性。

对于N(N<1000)，n

多重分形特征反映了心跳调节过程的复杂度和内在相关性的特征，HRV信号的复杂度体现了心血管系统和自主神经系统之间的调节能力，是一种内在的更本质的特性，HRV信号复杂度越高，反映出心血管系统和自主神经系统自适应调节能力越好，饮酒会导致HRV信号的复杂度降低，利用反映复杂度的特征能更有效的反映酒精是否对心血管系统产生了影响；由于人体是由多种生理控制因素相互作用的，HRV信号反映的是一个由多种生理控制因素相互作用构成的非线性耦合的过程，因此采用非线性分析的方法提取反映复杂度的特征，能更加准确的反映HRV信号的复杂度，更有效的反映酒精进入人体对心血管系统的影响，提高识别结果的准确度。

综上所述，本申请实施例提取的用于酒驾识别的特征包括：rPPG信号的波形特征、HRV信号的频域特征以及HRV信号的多重分形特征。其中，rPPG信号的波形特征至少包括曲率特征

以下对酒驾识别模型进行详细说明。本申请实施例提供的方法还包括：

根据包含驾驶员脸部区域的连续的多帧图像，获取驾驶员的生理信息；

根据驾驶员的生理信息，确定酒驾识别模型。

本申请实施例中，建立了驾驶员的生理信息与酒驾识别模型的映射关系，在获取驾驶员的生理信息之后，确定与驾驶员的生理信息相匹配的酒驾识别模型，利用该相匹配的酒驾识别模型进行酒驾识别。其中，生理信息包括驾驶员的年龄、血压中的至少一种。针对不同的生理信息，训练模型时采集的训练样本是不同的。

以驾驶员的生理信息包括年龄与血压为例进行说明。不同年龄段人群、高血压与非高血压的人群对应的rPPG信号、HRV信号的特征是有区别的，训练酒驾识别模型的时候，将驾驶员的年龄划分为四个年龄段，将驾驶员的血压划分为高血压和非高血压两种，非高血压包括低血压和正常血压，则采集样本时需要划分8个样本集，如表1所示。应理解的是，本申请实施例只是一种示例，实际上年龄段可以有不同的划分方式，生理信息还可以包括性别等其他影响因素。

表1样本集划分表

针对一个样本集，比如样本集1，对年龄为小于等于34岁且血压为高血压的人群，采集驾驶员饮酒与没有饮酒的样本作为样本集1，然后基于采集的样本集1，训练具有非线性分类能力(酒驾和非酒驾二分类问题)的机器学习算法模型1，例如算法模型1可以采用带有Kernel的SVM，或者多层神经网络，这里不做限定。训练好的算法模型1就作为适用于年龄小于等于34岁且血压为高血压的人群的酒驾识别模型。同理，得到适用于其他人群(对应表1中的编号2-8)的酒驾识别模型。实际应用时，对多帧图像进行人脸检测，利用预先训练的深度学习模型识别驾驶员的年龄。并且基于多帧图像生成rPPG信号，根据rPPG信号确定驾驶员的血压。然后，从多个酒驾识别模型中确定与驾驶员的年龄与血压相对应的酒驾识别模型，根据相对应的酒驾识别模型进行酒驾识别。

由于年龄、高血压对rPPG信号和HRV信号的特征有较大影响，因此根据年龄、高血压训练不同的酒驾识别模型，以消除其他因素对酒驾识别的影响，提高模型预测的准确性。

本申请实施例中，在限定年龄段与血压类型之后训练酒驾识别模型，不需要学习上述rPPG信号和HRV信号的特征、年龄、血压、是否酒驾之间的对应关系，从而降低了模型训练的复杂度，可以在训练样本较少的情况下得到准确度较高的模型。并且，由于限定了影响因素，本申请实施例训练得到的酒驾识别模型的针对性更高，从而得到的识别结果更准确。

在采集驾驶员饮酒与没有饮酒的样本时，在一种实现方式中，样本只包括rPPG信号的曲率特征、HRV信号的功率谱特征、HRV信号的不同频率成分的非线性相位交互特征、HRV信号的多重分形特征中的一种特征，比如多重分形特征，利用多重分形特征训练酒驾识别模型。实际应用时，将多重分形特征输入酒驾识别模型进行酒驾识别。

在另一种实现方式中，样本包括rPPG信号的曲率特征、HRV信号的功率谱特征、HRV信号的不同频率成分的非线性相位交互特征、HRV信号的多重分形特征中的多种特征的任意组合。

比如，样本包括前述全部特征，利用前述全部特征训练酒驾识别模型。实际应用时，如图9所示，一方面，根据采集的多帧图像，基于深度学习模型识别驾驶员的年龄。并根据多帧图像生成rPPG信号，根据rPPG信号确定驾驶员的血压，确定与驾驶员的血压和年龄匹配的酒驾识别模型。另一方面，根据rPPG信号确定rPPG信号的曲率特征，并基于rPPG信号生成HRV信号，然后确定HRV信号的功率谱特征、不同频率成分的非线性相位交互特征、多重分形特征，将前述全部特征均输入到确定的酒驾识别模型中，识别驾驶员是否酒驾。本申请实施例提供的方法，在不干扰驾驶员正常驾驶的同时，实现短时间内自动识别是否饮酒；并且对与酒精相关的特征的提取更为合理和全面，能更准确的识别驾驶员是否饮酒。

本申请实施例还提供了一种基于rPPG技术的非接触式识别酒驾的装置10，如图10所示，该装置10包括获取单元1001、处理单元1002。

获取单元1001，用于获取包含驾驶员脸部区域的连续的多帧图像；

处理单元1002，用于多帧图像，生成驾驶员对应的远程光电容积描记信号、心率变异性信号中的至少一个，并确定远程光电容积描记信号的波形特征、心率变异性信号的频域特征、心率变异性信号的多重分形特征中的至少一个，远程光电容积描记信号的波形特征、心率变异性信号的频域特征、心率变异性信号的多重分形特征中的至少一个反映酒精对远程光电容积描记信号、心率变异性信号中的至少一个的影响；将远程光电容积描记信号的波形特征、心率变异性信号的频域特征、心率变异性信号的多重分形特征中的至少一个输入到酒驾识别模型中，根据酒驾识别模型的输出结果判断驾驶员是否酒驾。

特别地，心率变异性信号是根据远程光电容积描记信号中相邻两个波峰对应的时间间隔生成的。

特别地，处理单元1002，还用于根据多帧图像，获取驾驶员的生理信息；根据驾驶员的生理信息，确定酒驾识别模型。

特别地，驾驶员的生理信息包括年龄和血压中的至少一种。

特别地，远程光电容积描记信号的波形特征至少包括曲率特征。

特别地，心率变异性信号的频域特征包括功率谱特征、不同频率成分的非线性相位交互特征中的至少一个。

特别地，功率谱特征为第一功率与第二功率的比值，第一功率为：功率谱中以第一波谱峰为中心向左右各延伸到1/2第一波谱峰高度处的范围内的总功率，第二功率为：功率谱中以第二波谱峰为中心向左右各延伸到1/2第二波谱峰高度处的范围内的总功率，第一波谱峰为距离0.094Hz最近的波峰，第二波谱峰为距离0.31Hz最近的波峰。

特别地，功率谱特征是根据等时间间隔的瞬时心率信号得到的，瞬时心率信号是对心率变异性信号进行重采样得到的。

特别地，不同频率成分的非线性相位交互特征是通过对心率变异性信号进行小波变换以及希尔伯特变换得到的。

特别地，多重分形特征的时间尺度特性包括短时相关性与长时相关性，反映短时相关性的特征包括较小波动的尺度不变特性与较大波动的尺度不变特性，反映长时相关性的特征包括较小波动的尺度不变特性与较大波动的尺度不变特性。

应理解的是，本申请实施例的装置10可以通过专用集成电路(application-specific integrated circuit，ASIC)实现，或可编程逻辑器件(programmable logicdevice，PLD)实现，上述PLD可以是复杂程序逻辑器件(complex programmable logicaldevice，CPLD)，现场可编程门阵列(field-programmable gate array，FPGA)，通用阵列逻辑(generic array logic，GAL)或其任意组合。也可以通过软件实现图3所示的基于rPPG技术的非接触式识别酒驾的方法，通过软件实现图3所示的基于rPPG技术的非接触式识别酒驾的方法时，装置10及其各个模块也可以为软件模块。

图11为本申请实施例提供的一种电子设备11的结构示意图。如图11所示，该电子设备11包括处理器1101、存储器1102、通信接口1103和总线1104。其中，处理器1101、存储器1102、通信接口1103通过总线1104进行通信，也可以通过无线传输等其他手段实现通信。该存储器1102用于存储指令，该处理器1101用于执行该存储器1102存储的指令。该存储器1102存储程序代码1121，且处理器1101可以调用存储器1102中存储的程序代码1121执行图3所示的基于rPPG技术的非接触式识别酒驾的方法。

应理解，在本申请实施例中，处理器1101可以是CPU，处理器1101还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。

该存储器1102可以包括只读存储器和随机存取存储器，并向处理器1101提供指令和数据。存储器1102还可以包括非易失性随机存取存储器。该存储器1102可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(randomaccess memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data date SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhancedSDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。

该总线1104除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图11中将各种总线都标为总线1104。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘(solid state drive，SSD)。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。