员体征的视频图像。
[0109]该步骤的实现原理及过程与步骤101相同，在此不再赘述。
[0110]在步骤202中，对视频图像进行预设步长帧图像划分，得到待检测帧图像。
[0111]视频图像是由一帧一帧的静态图像连接而成，且通常一秒钟的视频图像中可以包含几十帧的静态图像，若对视频图像中的每帧图像都进行检测，以定位出特征图像，运算量巨大;且人体的移动频率或面部表情变化频率或眨眼的频率通常比每帧图像间的间隔频率要慢很多倍，也就是说，相邻帧图像间的图像变化率很低，因此，不需要也不必要对每帧图像进行检测。设定预设步长，例如每间隔20帧图像，提取出一帧图像作为待检测帧图像，对该待检测帧图像进行扫描，以确定待检测帧图像中的特征图像，从而大大减少了视频图像的数据分析数量，进而有效提高对特征图像的定位效率。
[0112]在步骤203中，对待检测帧图像进行特征图像检测，确定特征图像在待检测帧图像中的位置信息。
[0113]对根据预设步长提取出的每帧待检测帧图像进行扫描，找到特征图像，并确定该特征图像在待检测帧图像中的位置信息，该位置信息可以用特征图像位于帧图像中的位置坐标来表示。若特征图像有多个，例如特征图像包含有眼睛图像、头部图像、嘴部图像，则可以分别标注出每个特征图像在整个帧图像中的位置信息。以便后续对某类特征图像进行分析时，可以快速在帧图像中定位并提取出相应的特征图像。
[0114]在步骤204中，对特征图像进行分析，确定特征图像的特征信息。
[0115]该特征图像可以包括:头部图像。则该步骤具体可以通过以下步骤实现:
[0116]步骤一、对头部图像进行轮廓检测，确定头部图像的定位坐标。定位坐标可以为该头部图像的轮廓重心点；或头部图像中某一特征位置的坐标，例如鼻尖所在位置的坐标、双眼眼角连线的中心点等等。
[0117]步骤二、记录定位坐标的移动轨迹，确定头部图像的特征信息。跟踪定位坐标在各个特征图像中的变化轨迹，从而以该定位坐标的移动轨迹作为该头部图像的移动特征信息。例如，定位坐标为鼻尖的坐标，驾驶员由于打瞌睡把头低下，则鼻尖在帧图像中位置坐标向下移动，从而确定驾驶员头部低下。
[0118]或者，该特征图像可以包括:眼部图像。则该步骤具体可以通过对眼部图像进行轮廓检测，确定眼部图像中眼睛开度特征参数来实现。疲劳状态下，人体的眼睛会趋于闭合，眼睛变小，因此可以通过对眼部轮廓进行检测，确定眼睛开度，从而判断驾驶员是否疲劳。其中，眼睛开度特征可以包括:瞳孔开度特征参数、上下眼睑之间的距离;还可以通过对眼睛开度进行判定后计算得到眨眼频率、闭眼时长等，进而还可以根据眨眼频率、闭眼时长进行疲劳度的评价。
[0119]在步骤205中，将特征图像的特征信息与预设统计模型进行比对，确定驾驶员的驾驶状态。
[0120]预设统计模型可以包括:驾驶员头部移动范围阈值;特征图像可以包括:头部图像。则步骤205具体可以通过判断定位坐标的移动轨迹是否超出驾驶员头部移动范围阈值，若超出阈值的时长大于第一预设时长，判断驾驶员的驾驶状态为疲劳驾驶状态。
[0121]驾驶员头部移动范围阈值可以为通过采集驾驶员大量行车视频信息后，分析、建模得到的符合驾驶员个体驾驶习惯的头部移动范围阈值，例如，有些驾驶员驾车时喜欢听歌，则头部会随乐曲晃动，而有些驾驶员则属于一动不动专注开车的类型，则对上述两类驾驶员所确定的头部移动范围阈值会有所不同。当头部移动范围超出预设统计模型的范围阈值，且为一段时间持续超出阈值，例如，第一预设时长为3秒，则可以认为驾驶员头部低下超过3秒的时间，此时，很有可能是由于驾驶员打瞌睡而低下了头，判断其为疲劳驾驶状态。
[0122]或者，预设统计模型可以包括:眼睛开度阈值;特征图像可以包括:眼部图像。则步骤205具体可以通过判断眼睛开度特征参数是否小于预设眼睛开度阈值，若小于预设眼睛开度阈值的持续时长大于第二预设时长，判断驾驶员的驾驶状态为疲劳驾驶状态。
[0123]例如，驾驶员由于疲劳而微闭双眼，则检测到眼睛的开度变小，且开度小于预设眼睛开度阈值，并且小于开度阈值的时长持续了一段时间，例如，第二预设时长为2秒，则可以判断驾驶员微闭双眼2秒钟，判定驾驶员进入了疲劳驾驶状态，需要及时对其发出警告。
[0124]综上，本实施例通过对视频图像进行预设步长划分，提取出待检测帧图像，并对待检测帧图像进行分析，从而大大减少了视频图像的数据分析数量，提高驾驶状态的确定效率;还通过将头部图像、眼部图像等特征图像中的特征信息与预设统计模型进行比对，从而快速并准确判定特征信息所代表的驾驶状态。
[0125]图3是根据另一示例性实施例示出的一种疲劳驾驶检测方法的流程图，如图3所示，本实施例的疲劳驾驶检测方法可以应用于云端的服务器中也可以应用于驾驶员的终端(客户端设备)中，本实施例的方法包括以下步骤:
[0126]在步骤301中，获取包含有驾驶员体征的视频图像。
[0127]在步骤302中，对视频图像进行检测，定位视频图像中的特征图像。
[0128]其中，特征图像包括:方向盘图像。
[0129]在步骤303中，对方向盘图像进行检测，确定方向盘图像区域是否包含有驾驶员手部图像。
[0130]若方向盘图像区域包含有驾驶员手部图像，确定驾驶员的手置于方向盘上;若方向盘图像区域没有包含有驾驶员手部图像，确定驾驶员的双手脱离了方向盘。
[0131]在步骤304中，若未包含驾驶员手部图像的持续时长超过第三预设时长，判断驾驶员的驾驶状态为疲劳驾驶状态。
[0132]通过对驾驶员手部图像与方向盘图像的连续分离时间进行计时，若超过一定时长，例如，第三预设时长为I秒种，则判断出驾驶员双手脱离方向盘I秒种，判定此时驾驶员进入疲劳驾驶状态。该方法无需对特征图像如眼睛、头部等特征进行识别，仅需检测图像中是否出现手部特征图像，简单且快速性好。
[0133]可选的，该方法还可以包括:
[0134]将驾驶员的驾驶状态与预设驾驶警告等级进行比对，发出与预设驾驶警告等级对应的警告。其具体实现可以通过对预设统计模型设置多个比较阈值，当特征图像中的特征参数归属于不同的比较阈值范围时，判断得到不同比较阈值范围内的不同驾驶状态。例如，眼睛开度阈值分为80%、50%;预设驾驶警告等级可相应为不警告、中等警告、高等警告;假设驾驶员眼睛开度大于80%，则认为其为清醒状态，不进行警告；当驾驶员眼睛开度在80%?50%之间徘徊，则认为其为半清醒半疲倦状态，可以发出中等警告，以提醒驾驶员是否停车休息后再行驶；当驾驶员眼睛开度低于50%，则发出高等警告，提醒驾驶员重新振奋精神或建议其制动休息;进一步地，当检测到驾驶员眼睛开度为0，即眼睛闭合，则可以紧急制动车辆，以防止疲劳驾驶导致的安全事故。
[0135]可选的，该预设统计模型可以通过以下方法得到:
[0136]采集预设数量的特征图像作为样本数据，根据预设算法对样本数据进行分析后得到该预设统计模型。其中，预设算法可以采用神经网络建模的方法。从而可以从大量的样本数据中得到具有统计意义的、参考价值的预设统计模型，为特征图像比对的精准性提供了可靠的参照标准。
[0137]下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
[0138]图4是根据一示例性实施例示出的一种疲劳驾驶检测装置的流程图，如图4所示，该疲劳驾驶检测装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。该疲劳驾驶检测装置可以包括:
[0139]获取模块41，用于获取包含有驾驶员体征的视频图像。
[0140]定位模块42，用于对视频图像进行检测，定位视频图像中的特征图像。
[0141 ]分析模块43，用于对特征图像进行分析，确定特征图像的特征信息。
[0142]确定模块44，用于根据特征信息，确定驾驶员的驾驶状态。
[0143]本实施例中，通过获取包含有驾驶员体征的视频图像，对该视频图像进行检测，定位出视频图像中的特征图像;再对特征图像进行分析，确定出特征图像所包含的特征信息；从而根据特征信息，确定出驾驶员的驾驶状态。该方法提高了对驾驶状态判断的准确性、快速性，能够及时对处于疲惫状态下的驾驶员进行预警，以提高驾驶安全性。
[0144]图5是根据另一示例性实施例示出的一种疲劳驾驶检测装置的流程图，该疲劳驾驶检测装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。基于上述装置实施