技術(shù)特征：

1.基于深度學習的駕駛員疲勞檢測方法，其特征在于，該方法包括：

第一步驟，選取不同狀態(tài)的駕駛員圖像作為樣本圖像，對具有深度學習的神經(jīng)網(wǎng)絡(luò)進行訓練，獲取訓練好的駕駛員狀態(tài)識別模型；

第二步驟，采集駕駛員的視頻圖像；

第三步驟，采用人臉檢測算法從每幀視頻圖像中獲取人臉區(qū)域；

第四步驟，采用訓練好的駕駛員狀態(tài)識別模型對每幀視頻圖像的人臉區(qū)域進行識別，獲取每幀視頻圖像中駕駛員的狀態(tài)；及

第五步驟，根據(jù)連續(xù)幀的視頻圖像中駕駛員的狀態(tài)，采用眨眼分析、打哈欠分析、綜合分析判斷駕駛員是否疲勞，并輸出結(jié)果。

2.如權(quán)利要求1所述的方法，其特征在于，所述第一步驟包括：

樣本選取步驟，分別選取DNum1個閉眼的駕駛員圖像、DNum2個打哈欠的駕駛員圖像、DNum3個正常狀態(tài)的駕駛員圖像為樣本圖像，并將樣本圖像縮放為寬度為Th_Width、高度為Th_Height，若樣本圖像為彩色圖像，對樣本圖像進行灰度化處理，獲取灰度的樣本圖像；

初步樣本訓練步驟，利用具有深度學習的神經(jīng)網(wǎng)絡(luò)對灰度的樣本圖像進行訓練，獲取初步訓練好的模型；

二次訓練步驟，選取TNum個由閉眼、打哈欠、正常狀態(tài)的駕駛員圖像組成的測試圖像，并將測試圖像縮放為寬度Th_Width、高度為Th_Height，若測試圖像為彩色圖像，對測試圖像進行灰度化處理，獲取灰度的測試圖像，利用初步訓練好的模型對灰度的測試圖像進行反復訓練，直至模型收斂，將收斂的模型作為駕駛員狀態(tài)識別模型輸出。

3.如權(quán)利要求2所述的方法，其特征在于，所述二次訓練步驟包括：

測試圖像選取步驟，選取TNum個測試圖像，測試圖像由閉眼、打哈欠、正常狀態(tài)的駕駛員圖像組成，并將測試圖像縮放為寬度Th_Width、高度為Th_Height，若測試圖像為彩色圖像，對測試圖像進行灰度化處理，獲取灰度的測試圖像；

訓練特征提取步驟，根據(jù)初步訓練好的模型提取灰度的測試圖像的特征；

訓練分類判定步驟，計算灰度的測試圖像的特征與閉眼的駕駛員的特征的相似度Simi₁、與打哈欠的駕駛員的特征的相似度Simi₂、以及與正常狀態(tài)的駕駛員的特征的相似度Simi₃，選取Simi_k值最大的駕駛員狀態(tài)類別作為候選駕駛員狀態(tài)類別，k表示第k個類別，k＝{1,2,3}；

反復訓練步驟，計算判定結(jié)果與真實結(jié)果的誤差，利用反向傳播算法來訓練模型，重復訓練特征提取步驟和訓練分類判定步驟，直至該模型收斂，將收斂的模型作為駕駛員狀態(tài)識別模型并輸出。

4.如權(quán)利要求2和3所述的方法，所述DNum1≥1000，DNum2≥1000，DNum3≥1000，Th_Width∈[32,64]，Th_Height∈[36,72]，TNum≥1000。

5.如權(quán)利要求1所述的方法，其特征在于，所述第四步驟包括：

人臉區(qū)域預處理步驟，將當前幀視頻圖像內(nèi)人臉區(qū)域縮放為寬度為Th_Width、高度為Th_Height，若人臉區(qū)域為彩色圖像，對人臉區(qū)域進行灰度化處理，獲取灰度化的人臉區(qū)域；

人臉特征提取步驟，對于當前幀視頻圖像，利用訓練好的駕駛員狀態(tài)識別模型提取當前幀視頻圖像內(nèi)人臉區(qū)域的特征；

駕駛員狀態(tài)類別判定步驟，計算當前幀視頻圖像內(nèi)人臉特征與閉眼的駕駛員的特征的相似度Simi₁、與打哈欠的駕駛員的特征的相似度Simi₂、與正常狀態(tài)的駕駛員的特征的相似度Simi₃，選取Simi_k值最大的駕駛員狀態(tài)類別作為候選駕駛員狀態(tài)類別，k表示第k個類別，k＝{1,2,3}。

6.如權(quán)利要求1所述的方法，其特征在于，所述第五步驟包括：

駕駛員狀態(tài)統(tǒng)計步驟，對于連續(xù)FINum幀視頻圖像，分別統(tǒng)計屬于閉眼的駕駛員的幀數(shù)CNum、打哈欠的駕駛員的幀數(shù)YNum；

眨眼分析步驟，計算連續(xù)FINum幀視頻圖像內(nèi)的眨眼頻率Bfre，

若Bfre≥Th_BF，則輸出駕駛員處于疲勞狀態(tài)，否則轉(zhuǎn)入打哈欠分析步驟；

打哈欠分析步驟，計算連續(xù)FINum幀視頻圖像內(nèi)的哈欠頻率Yfre，

若Yfre≥Th_YF，則輸出駕駛員處于疲勞狀態(tài)，否則轉(zhuǎn)入綜合分析步驟；

綜合分析步驟，計算連續(xù)FINum幀視頻圖像內(nèi)的眨眼打哈欠總和頻率Cfre，若Cfre≥Th_CF，則輸出駕駛員處于疲勞狀態(tài)，否則輸出駕駛員處于清醒狀態(tài)。

7.如權(quán)利要求6所述的方法，所述FINum∈[20,50]，Th_BF∈[0.35,0.45]，Th_YF∈[0.55,0.65]，Th_CF∈[0.4,0.6]。

8.基于深度學習的駕駛員疲勞檢測裝置，其特征在于，該裝置包括：

駕駛員狀態(tài)識別模型獲取模塊(1)，用于選取不同狀態(tài)的駕駛員圖像作為樣本圖像，對具有深度學習的神經(jīng)網(wǎng)絡(luò)進行訓練，獲取訓練好的駕駛員狀態(tài)識別模型；視頻圖像獲取模塊(2)，用于采集駕駛員的視頻圖像；

人臉區(qū)域獲取模塊(3)，用于采用人臉檢測算法從每幀視頻圖像中獲取人臉區(qū)域；駕駛員狀態(tài)獲取模塊(4)，用于采用訓練好的駕駛員狀態(tài)識別模型對每幀視頻圖像的人臉區(qū)域進行識別，獲取每幀視頻圖像中駕駛員的狀態(tài)；及

駕駛員疲勞判斷模塊(5)，用于根據(jù)連續(xù)幀的視頻圖像中駕駛員的狀態(tài)，采用眨眼分析、打哈欠分析、綜合分析判斷駕駛員是否疲勞，并輸出結(jié)果。

9.如權(quán)利要求8所述的裝置，其特征在于，所述駕駛員狀態(tài)識別模型獲取模塊(1)包括：

樣本選取模塊(11)，用于分別選取DNum1個閉眼的駕駛員圖像、DNum2個打哈欠的駕駛員圖像、DNum3個正常狀態(tài)的駕駛員圖像為樣本圖像，并將樣本圖像縮放為寬度為Th_Width、高度為Th_Height，若樣本圖像為彩色圖像，對樣本圖像進行灰度化處理，獲取灰度的樣本圖像；

初步樣本訓練模塊(12)，用于利用具有深度學習的神經(jīng)網(wǎng)絡(luò)對灰度的樣本圖像進行訓練，獲取初步訓練好的模型；

二次訓練模塊(13)，用于選取TNum個由閉眼、打哈欠、正常狀態(tài)的駕駛員圖像組成的測試圖像，并將測試圖像縮放為寬度Th_Width、高度為Th_Height，若測試圖像為彩色圖像，對測試圖像進行灰度化處理，獲取灰度的測試圖像，利用初步訓練好的模型對灰度的測試圖像進行反復訓練，直至模型收斂，將收斂的模型作為駕駛員狀態(tài)識別模型輸出。

10.如權(quán)利要求9所述的裝置，所述其特征在于，所述二次訓練模塊(13)包括：測試圖像選取模塊(131)，用于選取TNum個測試圖像，測試圖像由閉眼、打哈欠、正常狀態(tài)的駕駛員圖像組成，并將測試圖像縮放為寬度Th_Width、高度為Th_Height，若測試圖像為彩色圖像，對測試圖像進行灰度化處理，獲取灰度的測試圖像；

訓練特征提取模塊(132)，用于根據(jù)初步訓練好的模型提取灰度的測試圖像的特征；

訓練分類判定模塊(133)，用于計算灰度的測試圖像的特征與閉眼的駕駛員的特征的相似度Simi₁、與打哈欠的駕駛員的特征的相似度Simi₂、以及與正常狀態(tài)的駕駛員的特征的相似度Simi₃，選取Simi_k值最大的駕駛員狀態(tài)類別作為候選駕駛員狀態(tài)類別，k表示第k個類別，k＝{1,2,3}；

反復訓練模塊(134)，用于計算判定結(jié)果與真實結(jié)果的誤差，利用反向傳播算法來訓練模型，重復訓練特征提取模塊和訓練分類判定模塊，直至該模型收斂，將收斂的模型作為駕駛員狀態(tài)識別模型并輸出。

11.如權(quán)利要求9和10所述的裝置，所述DNum1≥1000，DNum2≥1000，DNum3≥1000，Th_Width∈[32,64]，Th_Height∈[36,72]，TNum≥1000。

12.如權(quán)利要求8所述的裝置，其特征在于，所述駕駛員狀態(tài)獲取模塊(4)包括：

人臉區(qū)域預處理模塊(41)，用于將當前幀視頻圖像內(nèi)人臉區(qū)域縮放為寬度為Th_Width、高度為Th_Height，若人臉區(qū)域為彩色圖像，對人臉區(qū)域進行灰度化處理，獲取灰度化的人臉區(qū)域；

人臉特征提取模塊(42)，用于對于當前幀視頻圖像，利用訓練好的駕駛員狀態(tài)識別模型提取當前幀視頻圖像內(nèi)人臉區(qū)域的特征；

駕駛員狀態(tài)類別判定模塊(43)，用于計算當前幀視頻圖像內(nèi)人臉特征與閉眼的駕駛員的特征的相似度Simi₁、與打哈欠的駕駛員的特征的相似度Simi₂、與正常狀態(tài)的駕駛員的特征的相似度Simi₃，選取Simi_k值最大的駕駛員狀態(tài)類別作為候選駕駛員狀態(tài)類別，k表示第k個類別，k＝{1,2,3}。

13.如權(quán)利要求8所述的裝置，其特征在于，所述駕駛員疲勞判斷模塊(5)進一步包括：

駕駛員狀態(tài)統(tǒng)計模塊(51)，用于對于連續(xù)FINum幀視頻圖像，分別統(tǒng)計屬于閉眼的駕駛員的幀數(shù)CNum、打哈欠的駕駛員的幀數(shù)YNum；

眨眼分析模塊(52)，用于計算連續(xù)FINum幀視頻圖像內(nèi)的眨眼頻率Bfre，若Bfre≥Th_BF，則輸出駕駛員處于疲勞狀態(tài)，否則轉(zhuǎn)入打哈欠分析模塊；

打哈欠分析模塊(53)，用于計算連續(xù)FINum幀視頻圖像內(nèi)的哈欠頻率Yfre，若Yfre≥Th_YF，則輸出駕駛員處于疲勞狀態(tài)，否則轉(zhuǎn)入綜合分析模塊；

綜合分析模塊(54)，用于計算連續(xù)FINum幀視頻圖像內(nèi)的眨眼打哈欠總和頻率若Cfre≥Th_CF，則輸出駕駛員處于疲勞狀態(tài)，否則輸出駕駛員處于清醒狀態(tài)。

14.如權(quán)利要求13所述的裝置，所述FINum∈[20,50]，Th_BF∈[0.35,0.45]，Th_YF∈[0.55,0.65]，Th_CF∈[0.4,0.6]。