疲劳驾驶智能分析方法及装置与流程

1.本发明涉及智能决策领域，尤其涉及一种疲劳驾驶智能分析方法及装置。


背景技术：

2.驾驶疲劳，是指驾驶者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，因此，如何准确的判别出驾驶者的驾驶疲劳状态，保障驾驶人的驾驶行车安全显得尤为重要。
3.目前，道路驾驶过程中通常是基于设置驾驶时间提醒驾驶者，但通过设置驾驶时间无法准确捕捉到驾驶者的驾驶状态，从而无法准确分析出驾驶者的驾驶疲劳信息。


技术实现要素：

4.本发明提供一种疲劳驾驶智能分析方法及装置，其主要目的在于实现驾驶者的驾驶状态智能分析，提高驾驶者的疲劳状态分析准确性。
5.为实现上述目的，本发明提供的一种疲劳驾驶智能分析方法，包括：接收驾驶启动指令，根据所述驾驶启动指令开启预先安装在驾驶舱内的监控设备；利用所述监控设备实时捕捉驾驶者的驾驶状态，得到驾驶图片；从所述驾驶图片中抠取驾驶者的原始人脸图片，对所述原始人脸图片拆分为多个人脸像素块；将多个所述人脸像素块投射到预构建的坐标系中，得到多个人脸向量块；对多个所述人脸向量块执行直方映射，得到人脸量化直方图；计算所述人脸量化直方图的空间共生矩阵，其中计算方法如下：其中计算方法如下：其中，c表示所述空间共生矩阵，k表示所述空间共生矩阵的矩阵维度，表示所述空间共生矩阵的每个矩阵元素，和表示所述人脸图片第s及m个像素，和表示所述人脸量化直方图的第i及第j组，d表示所述空间共生矩阵的每个矩阵元素和在所述坐标系中的切比雪夫距离；将所述空间共生矩阵转变为马尔科夫矩阵，通过所述马尔科夫矩阵优化所述人脸像素块，得到优化人脸图片；将所述优化人脸图片输入至预先训练完成的疲劳驾驶智能诊断模型，得到驾驶者的驾驶疲劳等级，其中所述疲劳驾驶智能诊断模型由卷积神经网络构建。
6.可选地，所述对所述原始人脸图片拆分为多个人脸像素块，包括：使用滑动平均滤波器对所述原始人脸图片进行低通滤波预处理，得到初级人脸图
片；基于预先构建的滑动窗口，对所述初级人脸图片执行像素拆分，得到多个人脸像素块，其中人脸像素块的个数为：其中，为所述人脸像素块的个数，为所述初级人脸图片的图片规格。
7.可选地，所述对多个所述人脸向量块执行直方映射，得到人脸量化直方图，包括：接收预先构建的向量直方块集，其中所述向量直方块集共有120个向量直方块，每个向量直方块均由列长为16的单维矢量组成；将每个人脸向量块按照首尾连接的方式转为长度为16的单维向量；依次计算每个1单维向量与所述向量直方块集中每个向量直方块的曼哈顿距离，选择出曼哈顿距离最小的向量直方块确定为人脸量化直方块；将每个单维向量所对应的人脸量化直方块分组，构建得到所述人脸量化直方图。
8.可选地，所述将所述空间共生矩阵转变为马尔科夫矩阵，包括：采用如下计算方法，将所述空间共生矩阵转变为马尔科夫矩阵：其中，表示所述马尔科夫矩阵第u行第v列的值，表示所述空间共生矩阵的每个矩阵元素，k表示所述空间共生矩阵的矩阵维度。
9.可选地，所述通过所述马尔科夫矩阵优化所述人脸像素块，得到优化人脸图片，包括：根据每个所述人脸像素块所计算得到散度矩阵；计算所述马尔科夫矩阵的优化像素值集；将所述优化像素值集按照位置对应关系，依次加入至所述散度矩阵，得到所述优化人脸图片。
10.可选地，所述根据每个所述人脸像素块所计算得到散度矩阵，包括：根据如下计算公式，计算得到所述散度矩阵：计算得到所述散度矩阵：其中，s表示所述散度矩阵，n为所述人脸像素块的总块数，表示所述第i个人脸像素块，为所有人脸像素块对应的均值。
11.可选地，所述计算所述马尔科夫矩阵的优化像素值集，包括：采用如下计算公式，计算得到优化像素值集
其中，表示优化像素值集，表示马尔科夫矩阵的像素概率分布函数，表示马尔科夫矩阵的矩阵常数。
12.可选地，所述将所述优化人脸图片输入至预先训练完成的疲劳驾驶智能诊断模型，得到驾驶者的驾驶疲劳等级，包括：利用所述预先训练完成的疲劳驾驶智能诊断模型中卷积层对所述优化图片进行特征提取，得到特征图片；利用所述预先训练完成的疲劳驾驶智能诊断模型中标准层将所述特征图片与所述优化人脸图片进行底层特征融合，得到融合图片；利用所述预先训练完成的疲劳驾驶智能诊断模型中池化层对所述融合图片进行池化处理，得到池化图片；利用所述预先训练完成的疲劳驾驶智能诊断模型中全连接层计算所述池化图片的驾驶疲劳类别概率，并根据所述驾驶疲劳类别概率，利用所述利用所述预先训练完成的疲劳驾驶智能诊断模型中输出层输出所述驾驶者的驾驶疲劳等级。
13.可选的，所述利用所述预先训练完成的疲劳驾驶智能诊断模型中标准层将所述特征图片与所述优化人脸图片进行底层特征融合，得到融合图片，包括：利用下述公式将所述特征图片与所述优化人脸图片进行底层特征融合，得到融合图片：其中，表示融合图片，h表示特征图片与优化人脸图片的特征，x表示特征图片与优化人脸图片，表示特征图片与优化人脸图片的融合特征均值函数，表示特征图片与优化人脸图片的融合特征标准差函数，表示特征图片与优化人脸图片语义特征和声纹特征的归一化函数。
14.为了解决上述问题，本发明还提供一种疲劳驾驶智能分析的装置，所述装置包括：监控设备启动模块，用于接收驾驶启动指令，根据所述驾驶启动指令开启预先安装在驾驶舱内的监控设备；驾驶图片捕捉模块，用于利用所述监控设备实时捕捉驾驶者的驾驶状态，得到驾驶图片；人脸图片拆分模块，用于从所述驾驶图片中抠取驾驶者的原始人脸图片，对所述原始人脸图片拆分为多个人脸像素块；人脸像素块投射模块，用于将多个所述人脸像素块投射到预构建的坐标系中，得到多个人脸向量块；人脸向量块映射模块，用于对多个所述人脸向量块执行直方映射，得到人脸量化直方图；共生矩阵计算模块，用于计算所述人脸量化直方图的空间共生矩阵，其中计算方法如下：
其中，c表示所述空间共生矩阵，k表示所述空间共生矩阵的矩阵维度，表示所述空间共生矩阵的每个矩阵元素，和表示所述人脸图片第s及m个像素，和表示所述人脸量化直方图的第i及第j组，d表示所述空间共生矩阵的每个矩阵元素和在所述坐标系中的切比雪夫距离；人脸图片优化模块，用于将所述空间共生矩阵转变为马尔科夫矩阵，通过所述马尔科夫矩阵优化所述人脸像素块，得到优化人脸图片；疲劳等级检测模块，用于将所述优化人脸图片输入至预先训练完成的疲劳驾驶智能诊断模型，得到驾驶者的驾驶疲劳等级，其中所述疲劳驾驶智能诊断模型由卷积神经网络构建。
15.本发明实施例为解决背景技术所述问题，接收驾驶启动指令，以开启预先安装在驾驶舱内的监控设备；利用监控设备实时捕捉驾驶者的驾驶状态，得到驾驶图片，以实时拍摄驾驶者的驾驶状态，保障后续驾驶者的状态实时分析；其次，本发明实施例通过从驾驶图片中抠取驾驶者的原始人脸图片后拆分为多个人脸像素块，可以通过分析驾驶者的面部状态诊断驾驶者的疲劳情况，保障后续驾驶者的状态分析准确性，并将多个人脸像素块投射到预构建的坐标系中，得到多个人脸向量块，以对多个人脸向量块执行直方映射，得到人脸量化直方图，并计算人脸量化直方图的空间共生矩阵后转变为马尔科夫矩阵，通过马尔科夫矩阵优化人脸像素块，得到优化人脸图片，可以保障最终获取的人脸图片处于最优状态，进一步保障后续驾驶者疲劳状态分析准确性；进一步地，本发明实施例通过将优化人脸图片输入至预先训练完成的疲劳驾驶智能诊断模型，以智能检测所述优化人脸图片的驾驶疲劳程度，得到驾驶者的驾驶疲劳等级。因此本发明提出的疲劳驾驶智能分析方法、装置可以实现驾驶者的驾驶状态智能分析，提高驾驶者的疲劳状态分析准确性。
附图说明
16.图1为本发明一实施例提供的疲劳驾驶智能分析方法的流程示意图；图2为图1中其中一个步骤的详细实施流程示意图；图3为图1中加密计数器的举例示意图；图4为本发明一实施例提供的疲劳驾驶智能分析的装置的功能模块图；图5为本发明一实施例提供的实现所述疲劳驾驶智能分析方法的电子设备的结构示意图。
17.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
18.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
19.本技术实施例提供一种疲劳驾驶智能分析方法。所述疲劳驾驶智能分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述疲劳驾驶智能分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务
器或云端服务器集群等。
20.实施例1：参照图1所示，为本发明一实施例提供的疲劳驾驶智能分析方法的流程示意图。在本实施例中，所述疲劳驾驶智能分析方法包括：s1、接收驾驶启动指令，根据所述驾驶启动指令开启预先安装在驾驶舱内的监控设备。
21.本发明实施例主要目的在于实时监控驾驶者的疲劳状态，以安全提醒驾驶者谨慎驾驶。因此先接收驾驶启动指令，其中驾驶启动指令一般与汽车等发动机连接，当发动机启动后会自动触发驾驶启动指令，进而根据驾驶启动指令开启预先安装在驾驶舱内的监控设备。
22.其中监控设备一般安装在汽车等驾驶舱内的固定位置，且需强调的是，在该固定位置上监控设备可捕捉到驾驶者的人脸。
23.s2、利用所述监控设备实时捕捉驾驶者的驾驶状态，得到驾驶图片。
24.可理解的是，当监控设备启动后，会实时拍摄驾驶者的驾驶状态，从而得到驾驶图片，其中驾驶图片中包括驾驶者的面部状态。
25.s3、从所述驾驶图片中抠取驾驶者的原始人脸图片，对所述原始人脸图片拆分为多个人脸像素块。
26.由于本发明实施例中，主要通过分析驾驶者的面部状态诊断驾驶者的疲劳情况，因此详细地，所述从所述驾驶图片中抠取驾驶者的原始人脸图片，包括：将所述驾驶图片输入至预先构建的人脸识别模型，其中所述人脸识别模型包括yolo模型；根据所述yolo模型识别出驾驶者的人脸区域，得到所述原始人脸图片。
27.需解释的是yolo模型是一个端到端的目标检测算法，具备检测速度快的优点，可适用于本发明实施例实时检测人脸的应用场景。
28.进一步地，所述对所述原始人脸图片拆分为多个人脸像素块，包括：使用滑动平均滤波器对所述原始人脸图片进行低通滤波预处理，得到初级人脸图片；基于预先构建的滑动窗口，对所述初级人脸图片执行像素拆分，得到多个人脸像素块，其中人脸像素块的个数为：其中，为所述人脸像素块的个数，为所述初级人脸图片的图片规格。
29.需解释的是，滑动平均滤波器可有效消除原始人脸图片中的高频噪声, 保留对人脸识别更有用的低频类的像素点。
30.进一步地，本发明实施例中，每个像素块的规格为4*4，即的图片规格的初级人脸图片，每个像素块的规格为4*4。
31.s4、将多个所述人脸像素块投射到预构建的坐标系中，得到多个人脸向量块。
32.需了解的是，本发明实施例为了提高疲劳驾驶的识别准确率，需要优化原始人脸图片每个像素点，因此需先将每个人脸像素块投射到预构建的坐标系中，得到多个人脸向量块，向量块表示像素块映射至坐标系不仅包括像素点的值，还包括方向，其中方向是每个
像素点与圆点连接所指出的方向。
33.s5、对多个所述人脸向量块执行直方映射，得到人脸量化直方图。
34.详细地，参阅图2所示，所述对多个所述人脸向量块执行直方映射，得到人脸量化直方图，包括：s21、接收预先构建的向量直方块集，其中所述向量直方块集共有120个向量直方块，每个向量直方块均由列长为16的单维矢量组成；s22、将每个人脸向量块按照首尾连接的方式转为长度为16的单维向量；s23、依次计算每个1单维向量与所述向量直方块集中每个向量直方块的曼哈顿距离，选择出曼哈顿距离最小的向量直方块确定为人脸量化直方块；s24、将每个单维向量所对应的人脸量化直方块分组，构建得到所述人脸量化直方图。
35.需解释的是，向量直方块集是预先根据驾驶者在不同驾驶环境下拍摄并量化的矢量。如向量直方块a是驾驶者在昏暗驾驶环境下所拍摄并矢量化得到、向量直方块b是光线充足驾驶环境下矢量化得到、向量直方块c是深夜的驾驶环境下矢量化得到。
36.进一步地，每个向量直方块均由16组数字的单维矢量组成，因此为了方便计算人脸向量块与每个向量直方块的曼哈顿距离，向量直方块和人脸向量块的维度需要相同，由于每个人脸向量块由像素块投射而来，而像素块的规格为4*4，因此人脸向量块的规格也为4*4。
37.示例性的，人脸向量块为，通过首尾连接的方式所得到的长度为16的单维向量为：。
38.示例性的，如共有人脸向量块132，则对应有132组人脸量化直方块，若存在相同的人脸量化直方块，如上述人脸量化直方块a有20组，人脸量化直方块b有12组等，则根据每组的数量构建得到所述人脸量化直方图。其中所述人脸量化直方图的横坐标为每组人脸量化直方块的标识，如a、b、c等，纵坐标为每组人脸量化直方块的数量，如人脸量化直方块a为20、人脸量化直方块b为12。
39.s6、计算所述人脸量化直方图的空间共生矩阵。
40.详细地，所述计算所述人脸量化直方图的空间共生矩阵，所述计算方法如下：所述计算方法如下：其中，c表示所述空间共生矩阵，k表示所述空间共生矩阵的矩阵维度，表示所述空间共生矩阵的每个矩阵元素，和表示所述人脸图片第s及m个像素，和表示所述人脸量化直方图的第i及第j组，d表示所述空间共生矩阵的每个矩阵元素和在所述坐标系中的切比雪夫距离。
41.s7、将所述空间共生矩阵转变为马尔科夫矩阵，通过所述马尔科夫矩阵优化所述人脸像素块，得到优化人脸图片。
42.详细地，所述将所述空间共生矩阵转变为马尔科夫矩阵，包括：采用如下计算方法，将所述空间共生矩阵转变为马尔科夫矩阵：其中，表示所述马尔科夫矩阵第u行第v列的值，表示所述空间共生矩阵的每个矩阵元素，k表示所述空间共生矩阵的矩阵维度。
43.进一步地，所述通过所述马尔科夫矩阵优化所述人脸像素块，得到优化人脸图片，包括：根据每个所述人脸像素块所计算得到散度矩阵；计算所述马尔科夫矩阵的优化像素值集；将所述优化像素值集按照位置对应关系，依次加入至所述散度矩阵，得到所述优化人脸图片。
44.详细地，所述根据每个所述人脸像素块所计算得到散度矩阵，包括：根据如下计算公式，计算得到所述散度矩阵：计算得到所述散度矩阵：其中，s表示所述散度矩阵，n为所述人脸像素块的总块数，表示所述第i个人脸像素块，为所有人脸像素块对应的均值。
45.进一步地，所述计算所述马尔科夫矩阵的优化像素值集，包括：采用如下计算公式，计算得到优化像素值集其中，表示优化像素值集，表示马尔科夫矩阵的像素概率分布函数，表示马尔科夫矩阵的矩阵常数。
46.s8、将所述优化人脸图片输入至预先训练完成的疲劳驾驶智能诊断模型，得到驾驶者的驾驶疲劳等级，其中所述疲劳驾驶智能诊断模型由卷积神经网络构建。
47.本发明实施例通过将所述优化人脸图片输入至预先训练完成的疲劳驾驶智能诊断模型，以智能检测所述优化人脸图片的驾驶疲劳程度，从而得到所述驾驶者的驾驶疲劳等级，其中，所述疲劳驾驶智能诊断模型由卷积神经网络构建，包括卷积层、标准层、池化层以及全连接层，所述卷积层用于提取所述优化人脸图片的特征图片，所述标准层用于将所述特征图片与所述优化人脸图片的底层特征进行融合，所述池化层用于对图片进行降维，减少图片的计算复杂度，所述全连接层用于计算图片的疲劳驾驶类别概率，从而输出驾驶者的驾驶疲劳等级。
48.作为本发明的一个实施例，参阅图3所示，所述将所述优化人脸图片输入至预先训练完成的疲劳驾驶智能诊断模型，得到驾驶者的驾驶疲劳等级，包括：s31、利用所述预先训练完成的疲劳驾驶智能诊断模型中卷积层对所述优化图片进行特征提取，得到特征图片；s32、利用所述预先训练完成的疲劳驾驶智能诊断模型中标准层将所述特征图片与所述优化人脸图片进行底层特征融合，得到融合图片；s33、利用所述预先训练完成的疲劳驾驶智能诊断模型中池化层对所述融合图片进行池化处理，得到池化图片；s34、利用所述预先训练完成的疲劳驾驶智能诊断模型中全连接层计算所述池化图片的驾驶疲劳类别概率，并根据所述驾驶疲劳类别概率，利用所述利用所述预先训练完成的疲劳驾驶智能诊断模型中输出层输出所述驾驶者的驾驶疲劳等级。
49.可选的，所述优化图片的特征提取可以通过所述卷积层中的卷积核实现，所述融合图片的池化处理可以通过所述池化层中的最大/最小池化函数实现，所述池化图片的驾驶疲劳类别概率可以通过所述全连接层中的激活函数计算，如softmax函数。
50.进一步地，本发明一可选实施例中，利用下述公式将所述特征图片与所述优化人脸图片进行底层特征融合，得到融合图片：其中，表示融合图片，h表示特征图片与优化人脸图片的特征，x表示特征图片与优化人脸图片，表示特征图片与优化人脸图片的融合特征均值函数，表示特征图片与优化人脸图片的融合特征标准差函数，表示特征图片与优化人脸图片语义特征和声纹特征的归一化函数。
51.本发明实施例为解决背景技术所述问题，接收驾驶启动指令，以开启预先安装在驾驶舱内的监控设备；利用监控设备实时捕捉驾驶者的驾驶状态，得到驾驶图片，以实时拍摄驾驶者的驾驶状态，保障后续驾驶者的状态实时分析；其次，本发明实施例通过从驾驶图片中抠取驾驶者的原始人脸图片后拆分为多个人脸像素块，可以通过分析驾驶者的面部状态诊断驾驶者的疲劳情况，保障后续驾驶者的状态分析准确性，并将多个人脸像素块投射到预构建的坐标系中，得到多个人脸向量块，以对多个人脸向量块执行直方映射，得到人脸量化直方图，并计算人脸量化直方图的空间共生矩阵后转变为马尔科夫矩阵，通过马尔科夫矩阵优化人脸像素块，得到优化人脸图片，可以保障最终获取的人脸图片处于最优状态，进一步保障后续驾驶者疲劳状态分析准确性；进一步地，本发明实施例通过将优化人脸图片输入至预先训练完成的疲劳驾驶智能诊断模型，以智能检测所述优化人脸图片的驾驶疲劳程度，得到驾驶者的驾驶疲劳等级。因此本发明提出的疲劳驾驶智能分析方法可以实现驾驶者的驾驶状态智能分析，提高驾驶者的疲劳状态分析准确性。
52.实施例2：如图4所示，是本发明一实施例提供的疲劳驾驶智能分析的装置的功能模块图。
53.本发明所述疲劳驾驶智能分析的装置100可以安装于电子设备中。根据实现的功能，所述疲劳驾驶智能分析的装置100可以包括监控设备启动模块101、驾驶图片捕捉模块102、人脸图片拆分模块103、人脸像素块投射模块104、人脸向量块映射模块105、共生矩阵
计算模块106、人脸图片优化模块107以及疲劳等级检测模块108。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
54.所述监控设备启动模块101，用于接收驾驶启动指令，根据所述驾驶启动指令开启预先安装在驾驶舱内的监控设备；所述驾驶图片捕捉模块102，用于利用所述监控设备实时捕捉驾驶者的驾驶状态，得到驾驶图片；所述人脸图片拆分模块103，用于从所述驾驶图片中抠取驾驶者的原始人脸图片，对所述原始人脸图片拆分为多个人脸像素块；所述人脸像素块投射模块104，用于将多个所述人脸像素块投射到预构建的坐标系中，得到多个人脸向量块；所述人脸向量块映射模块105，用于对多个所述人脸向量块执行直方映射，得到人脸量化直方图；所述共生矩阵计算模块106，用于计算所述人脸量化直方图的空间共生矩阵，其中计算方法如下：计算方法如下：其中，c表示所述空间共生矩阵，k表示所述空间共生矩阵的矩阵维度，表示所述空间共生矩阵的每个矩阵元素，和表示所述人脸图片第s及m个像素，和表示所述人脸量化直方图的第i及第j组，d表示所述空间共生矩阵的每个矩阵元素和在所述坐标系中的切比雪夫距离；所述人脸图片优化模块107，用于将所述空间共生矩阵转变为马尔科夫矩阵，通过所述马尔科夫矩阵优化所述人脸像素块，得到优化人脸图片；所述疲劳等级检测模块108，用于将所述优化人脸图片输入至预先训练完成的疲劳驾驶智能诊断模型，得到驾驶者的驾驶疲劳等级，其中所述疲劳驾驶智能诊断模型由卷积神经网络构建。
55.详细地，本发明实施例中所述疲劳驾驶智能分析的装置100中的所述各模块的使用具体实施方式与实施例1相同，在此不再赘述。
56.实施例3：如图5所示，是本发明一实施例提供的实现疲劳驾驶智能分析方法的电子设备的结构示意图。
57.所述电子设备1可以包括处理器10、存储器11和总线12，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如疲劳驾驶智能分析方法程序。
58.其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：sd或dx存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子
设备1上配备的插接式移动硬盘、智能存储卡（smart media card， smc）、安全数字（secure digital， sd）卡、闪存卡（flash card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如疲劳驾驶智能分析方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
59.所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（central processing unit，cpu）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（control unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如疲劳驾驶智能分析方法程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
60.所述总线12可以是外设部件互连标准（peripheral component interconnect，简称pci）总线或扩展工业标准结构（extended industry standard architecture，简称eisa）总线等。该总线12可以分为地址总线、数据总线、控制总线等。所述总线12被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
61.图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
62.例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
63.进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如wi-fi接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
64.可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（display）、输入单元（比如键盘（keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled（organic light-emitting diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
65.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
66.所述电子设备1中的所述存储器11存储的疲劳驾驶智能分析方法程序是多个指令的组合，在所述处理器10中运行时，可以实现：接收驾驶启动指令，根据所述驾驶启动指令开启预先安装在驾驶舱内的监控设备；
利用所述监控设备实时捕捉驾驶者的驾驶状态，得到驾驶图片；从所述驾驶图片中抠取驾驶者的原始人脸图片，对所述原始人脸图片拆分为多个人脸像素块；将多个所述人脸像素块投射到预构建的坐标系中，得到多个人脸向量块；对多个所述人脸向量块执行直方映射，得到人脸量化直方图；计算所述人脸量化直方图的空间共生矩阵，其中计算方法如下：其中计算方法如下：其中，c表示所述空间共生矩阵，k表示所述空间共生矩阵的矩阵维度，表示所述空间共生矩阵的每个矩阵元素，和表示所述人脸图片第s及m个像素，和表示所述人脸量化直方图的第i及第j组，d表示所述空间共生矩阵的每个矩阵元素和在所述坐标系中的切比雪夫距离；将所述空间共生矩阵转变为马尔科夫矩阵，通过所述马尔科夫矩阵优化所述人脸像素块，得到优化人脸图片；将所述优化人脸图片输入至预先训练完成的疲劳驾驶智能诊断模型，得到驾驶者的驾驶疲劳等级，其中所述疲劳驾驶智能诊断模型由卷积神经网络构建。
67.具体地，所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述，在此不赘述。
68.进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（rom，read-only memory）。
69.本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：接收驾驶启动指令，根据所述驾驶启动指令开启预先安装在驾驶舱内的监控设备；利用所述监控设备实时捕捉驾驶者的驾驶状态，得到驾驶图片；从所述驾驶图片中抠取驾驶者的原始人脸图片，对所述原始人脸图片拆分为多个人脸像素块；将多个所述人脸像素块投射到预构建的坐标系中，得到多个人脸向量块；对多个所述人脸向量块执行直方映射，得到人脸量化直方图；计算所述人脸量化直方图的空间共生矩阵，其中计算方法如下：其中计算方法如下：
其中，c表示所述空间共生矩阵，k表示所述空间共生矩阵的矩阵维度，表示所述空间共生矩阵的每个矩阵元素，和表示所述人脸图片第s及m个像素，和表示所述人脸量化直方图的第i及第j组，d表示所述空间共生矩阵的每个矩阵元素和在所述坐标系中的切比雪夫距离；将所述空间共生矩阵转变为马尔科夫矩阵，通过所述马尔科夫矩阵优化所述人脸像素块，得到优化人脸图片；将所述优化人脸图片输入至预先训练完成的疲劳驾驶智能诊断模型，得到驾驶者的驾驶疲劳等级，其中所述疲劳驾驶智能诊断模型由卷积神经网络构建。
70.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
71.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
72.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
73.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
74.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
75.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
76.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。