本申请涉及图像检测技术领域，特别是涉及一种疲劳驾驶状态检测方法、装置、计算机设备和存储介质。
背景技术
随着经济社会的发展，交通运输业逐渐扩大，机动车辆与日俱增。驾驶员的疲劳驾驶导致的道路交通事故也随之增多。可以通过检测驾驶员是否处于疲劳驾驶状态来避免交通事故的发生。
在检测驾驶员是否处于疲劳驾驶状态时，可以根据车辆在行驶过程中的各种行驶数据来判断驾驶员行为是否存在异常，并由此识别出驾驶疲劳。然而，由于影响行驶数据的环境干扰因素众多，导致基于行驶数据来判断驾驶员是否处于疲劳驾驶状态的方法准确率低。
技术实现要素：
基于此，有必要针对上述技术问题，提供一种能够提高判断驾驶员是否处于疲劳驾驶状态的准确率的疲劳驾驶状态检测方法、装置、计算机设备和存储介质。
一种疲劳驾驶状态检测方法，所述方法包括：
获取驾驶过程的监测图像，将图像进行分割得到对应的区域集合；
通过比较所述区域集合中相邻两个区域的相似度来获取所述监测图像中的目标候选区域，并对所述目标候选区域中的脸部区域进行识别；
识别所述脸部区域中的嘴巴关键点和眼睛关键点，并分别根据所述嘴巴关键点和眼睛关键点的位置随时间的变化判断驾驶员是否处于疲劳驾驶状态，其中，所述眼睛关键点为表征眼睛位置的坐标点，所述嘴巴关键点为表征嘴巴位置的坐标点。
在一个实施例中，所述的疲劳驾驶状态检测方法，所述通过比较所述区域集合中相邻两个区域的相似度来获取所述监测图像中的目标候选区域，包括：
通过计算所述区域集合中相邻两个区域的相似度来获取所述监测图像中的各个相似区域；
将各个所述相似区域中面积超过指定阈值的所述相似区域确定为目标候选区域。
在一个实施例中，所述的疲劳驾驶状态检测方法，所述通过计算所述区域集合中相邻两个区域的相似度来获取所述监测图像中的各个相似区域，包括：
计算所述区域集合中相邻两个区域的相似度；
将所述相似度满足预设条件的相邻两个区域进行合并，将合并后的区域设为相似区域。
在一个实施例中，所述的疲劳驾驶状态检测方法，所述相似度包括纹理相似度；
比较所述区域集合中相邻两个区域的纹理相似度的步骤包括：
将所述监测图像进行灰度化处理得到灰度图像；
计算所述相邻两个区域中各个区域的二值模式特征，并获取所述二值模式特征对应的向量；
根据所述向量计算相邻两个区域的纹理相似度。
在一个实施例中，所述的疲劳驾驶状态检测方法，所述识别所述脸部区域中的嘴巴关键点和眼睛关键点，包括：
将所述脸部区域与模板进行匹配，根据所述模板中的嘴巴关键点和眼睛关键点获取所述脸部区域中的嘴巴关键点和眼睛关键点。
在一个实施例中，所述的疲劳驾驶状态检测方法，所述分别根据所述嘴巴关键点和眼睛关键点的位置随时间的变化判断驾驶员是否处于疲劳驾驶状态，包括：
根据所述嘴巴关键点的位置随时间的变化判断驾驶员是否在打哈欠；
根据所述眼睛关键点的位置随时间的变化判断驾驶员是否在闭眼；
通过判断所述驾驶员是否在打哈欠以及是否在闭眼来判断驾驶员是否处于疲劳驾驶状态。
在一个实施例中，所述的疲劳驾驶状态检测方法，所述通过判断所述驾驶员是否在打哈欠以及是否在闭眼来判断驾驶员是否处于疲劳驾驶状态，包括：
获取驾驶员打哈欠的频率；
获取驾驶员闭眼时瞳孔被眼睑遮挡的时间占特定时间的比率；
根据所述打哈欠的频率以及闭眼时瞳孔被眼睑遮挡的时间占特定时间的比率来判断驾驶员是否处于疲劳驾驶状态。
一种疲劳驾驶状态检测装置，包括：
获取模块，用于获取驾驶过程的监测图像，将图像进行分割得到对应的区域集合；
识别模块，用于通过比较所述区域集合中相邻两个区域的相似度来获取所述监测图像中的目标候选区域，并对所述目标候选区域中的脸部区域进行识别；
判断模块，用于识别所述脸部区域中的嘴巴关键点和眼睛关键点，并分别根据所述嘴巴关键点和眼睛关键点的位置随时间的变化判断驾驶员是否处于疲劳驾驶状态，其中，所述眼睛关键点为表征眼睛位置的坐标点，所述嘴巴关键点为表征嘴巴位置的坐标点。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在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以下步骤：
获取驾驶过程的监测图像，将图像进行分割得到对应的区域集合；
通过比较所述区域集合中相邻两个区域的相似度来获取所述监测图像中的目标候选区域，并对所述目标候选区域中的脸部区域进行识别；
识别所述脸部区域中的嘴巴关键点和眼睛关键点，并分别根据所述嘴巴关键点和眼睛关键点的位置随时间的变化判断驾驶员是否处于疲劳驾驶状态，其中，所述眼睛关键点为表征眼睛位置的坐标点，所述嘴巴关键点为表征嘴巴位置的坐标点。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取驾驶过程的监测图像，将图像进行分割得到对应的区域集合；
通过比较所述区域集合中相邻两个区域的相似度来获取所述监测图像中的目标候选区域，并对所述目标候选区域中的脸部区域进行识别；
识别所述脸部区域中的嘴巴关键点和眼睛关键点，并分别根据所述嘴巴关键点和眼睛关键点的位置随时间的变化判断驾驶员是否处于疲劳驾驶状态，其中，所述眼睛关键点为表征眼睛位置的坐标点，所述嘴巴关键点为表征嘴巴位置的坐标点。
本申请实施例中的疲劳驾驶状态检测方法、装置、计算机设备和存储介质，将驾驶过程的监测图像图像进行分割得到对应的区域集合，通过比较区域集合中相邻两个区域的相似度来获取目标候选区域，并对目标候选区域中的脸部区域进行识别，分别根据脸部区域中的嘴巴关键点和眼睛关键点的位置随时间的变化判断驾驶员是否处于疲劳驾驶状态，可以提高判断驾驶员是否处于疲劳驾驶状态的准确率。
附图说明
图1为一个实施例中疲劳驾驶状态检测方法的应用环境图；
图2为一个实施例中疲劳驾驶状态检测方法的流程示意图；
图3为一个实施例中图像的二值模式特征提取示意图；
图4为一个实施例中疲劳驾驶状态检测装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
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。
本申请提供的疲劳驾驶状态检测方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种疲劳驾驶状态检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，获取驾驶过程的监测图像，将图像进行分割得到对应的区域集合。
在本步骤中，监测图像可以是监控驾驶员的视频帧图像，可以使用基于图的图像分割方法(efficientgraph-basedimagesegmentation)将监测图像分割成原始区域集合r＝{r1，...，rn}，其中n为整数，表示原始区域集合分割的区域数量。
步骤204，通过比较区域集合中相邻两个区域的相似度来获取监测图像中的目标候选区域，并对目标候选区域中的脸部区域进行识别。
在上述步骤中，相似度可以包括颜色相似度、纹理相似度、大小相似度以及吻合相似度，最终得到的相邻两个区域的相似度可以是颜色相似度、纹理相似度、大小相似度以及吻合相似度的组合。对目标候选区域中的脸部区域进行识别时可以执行以下步骤：利用haar特征描述人脸的共有属性；建立了一种称为积分图像的特征，并且基于积分图像，可以快速获取几种不同的矩形特征；利用迭代算法进行训练；建立层级分类器。
步骤206，识别脸部区域中的嘴巴关键点和眼睛关键点，并分别根据嘴巴关键点和眼睛关键点的位置随时间的变化判断驾驶员是否处于疲劳驾驶状态，其中，眼睛关键点为表征眼睛位置的坐标点，嘴巴关键点为表征嘴巴位置的坐标点。
其中，可以通过人脸检测库进行人眼与嘴巴关键点的检测。
上述实施例，将驾驶过程的监测图像进行分割得到对应的区域集合，通过比较区域集合中相邻两个区域的相似度来获取目标候选区域，并对目标候选区域中的脸部区域进行识别，分别根据脸部区域中的嘴巴关键点和眼睛关键点的位置随时间的变化判断驾驶员是否处于疲劳驾驶状态，可以提高判断驾驶员是否处于疲劳驾驶状态的准确率。
在一个实施例中，可以通过以下步骤获取监测图像中的目标候选区域，包括：通过计算区域集合中相邻两个区域的相似度来获取监测图像中的各个相似区域；将各个相似区域中面积超过指定阈值的相似区域确定为目标候选区域。
在上述实施例中，最终得到的相邻两个区域的相似度可以是颜色相似度、纹理相似度、大小相似度以及吻合相似度的组合。例如，用scolour(ri，rj)来表示相邻两个区域的颜色相似度，用stexture(ri，rj)来表示相邻两个区域的纹理相似度，用ssize(ri，rj)来表示相邻两个区域的大小相似度，用sfill(ri，rj)来表示相邻两个区域的吻合相似度，则可以用以下公式来表示最终的相似度：
s(ri，rj)＝a1scolour(ri，rj)+a2stexture(ri，rj)+a3ssize(ri，rj)+a4sfill(ri，rl)
其中，ai为常数，ai∈{0，1}。
上述实施例，通过计算区域集合中相邻两个区域的相似度来获取监测图像中的各个相似区域，并将各个相似区域中面积超过指定阈值的相似区域确定为目标候选区域，可以精确地定位出目标候选区域，进而可以提高判断驾驶员是否处于疲劳驾驶状态的准确率。
在一个实施例中，相似度包括纹理相似度stexture(ri，rj)。可以通过以下步骤比较区域集合中相邻两个区域的纹理相似度：将监测图像进行灰度化处理得到灰度图像；计算相邻两个区域中各个区域的二值模式特征，并获取二值模式特征对应的向量；根据向量计算相邻两个区域的纹理相似度。
在上述实施例中，可以将图像转化为灰度图，再计算图像的局部二值模式(localbinarypatterns，lbp)特征，计算公式如下：
(xc，yc)为中心像素的坐标，p为邻域的第p个像素(一共有八个像素)，ip为邻域像素的灰度值，ic为中心像素的灰度值，s(x)为符号函数的公式如下：
下面结合附图进行说明，如图3所示，方格中的数字是像素点灰度值大小，左侧为原图，对于9个方格中的中间方格，做一个阈值化处理，大于等于中心点像素的标记为1，小于中心点像素的标记为0。最后将中心像素点周围的二进制数化为十进制数，得到lbp值。可以将lbp特征用26bin的直方图表示，可以获得26维的向量：
可以通过以下公式计算纹理的相关性：
其中，计算颜色直方图需要将颜色空间划分为若干小的颜色区间，即直方图的bin，通过计算颜色在每个小区间内的像素得到颜色直方图，bin越多，直方图对颜色的分辨率越强。
对于颜色相似度scolour(ri，rj)可以根据以下公式计算得到：
其中，
对于大小相似度ssize(ri，rj)可以根据以下公式计算得到：
其中，size(ri)为区域ri的像素点个数，size(im)表示整个图片的像素数目。
对于吻合相似度sfill(ri，rl)，可以根据以下公式计算得到：
其中，bbij指包含i，j区域的最小外包区域。
上述实施例中在计算纹理相似度时，对局部二值模式特征进行提取，在保持准确率的情况下，大大减少了特征提取的计算量。
在一个实施例中，疲劳驾驶状态检测方法中通过计算区域集合中相邻两个区域的相似度来获取监测图像中的各个相似区域，包括：计算区域集合中相邻两个区域的相似度；将相似度满足预设条件的相邻两个区域进行合并，将合并后的区域设为相似区域。
在上述实施例中，可以在计算完原始区域集合r＝{r1，...，rn}里每个相邻区域的相似度s＝{s1，...，sn}后，执行区域合并步骤：找出相似度最高的两个区域ri和rj，将其合并为新集rt，添加进r。再从s中移除所有与ri和rj有关的数据，并计算新集rt与所有与它相邻区域的相似性s(rt，r*)，再重复区域合并步骤，直到s集为空。直到s集为空时，得到合并在一起的区域就是相似区域，监测图像中可以包含多个相似区域。
上述实施例，将驾驶过程的监测图像进行分割得到对应的区域集合，通过比较区域集合中相邻两个区域的相似度来获取目标候选区域，并对目标候选区域中的脸部区域进行识别，分别根据脸部区域中的嘴巴关键点和眼睛关键点的位置随时间的变化判断驾驶员是否处于疲劳驾驶状态，可以提高判断驾驶员是否处于疲劳驾驶状态的准确率。
在一个实施例中，可以通过以下方式识别脸部区域中的嘴巴关键点和眼睛关键点：将脸部区域与模板进行匹配，根据模板中的嘴巴关键点和眼睛关键点获取脸部区域中的嘴巴关键点和眼睛关键点。
上述实施例中，模板可以是dlib库，可以检测出人脸的68个关键点，其中，第36点～41点为右眼对应的关键点，第42点～47点为左眼对应的关键点，第48点～68点为嘴巴对应的关键点。
上述实施例，将驾驶过程的监测图像进行分割得到对应的区域集合，通过比较区域集合中相邻两个区域的相似度来获取目标候选区域，并对目标候选区域中的脸部区域进行识别，分别根据脸部区域中的嘴巴关键点和眼睛关键点的位置随时间的变化判断驾驶员是否处于疲劳驾驶状态，可以提高判断驾驶员是否处于疲劳驾驶状态的准确率。
在一个实施例中，可以通过以下步骤判断驾驶员是否处于疲劳驾驶状态：根据嘴巴关键点的位置随时间的变化判断驾驶员是否在打哈欠；根据眼睛关键点的位置随时间的变化判断驾驶员是否在闭眼；通过判断驾驶员是否在打哈欠以及是否在闭眼来判断驾驶员是否处于疲劳驾驶状态。
上述实施例中，可以通过以下方式判断驾驶员是否在打哈欠：将检测到的嘴巴关键点转化为相对坐标，嘴巴以48点为原点坐标，公式如下
x′＝x-xo；
y′＝y-yo；
其中xo、yo为原点坐标。
根据相对坐标计算每点与上一帧的相同点的差值，计算位移距离：
dt为该点t时刻的位移距离，x′t为该点t时刻的x轴相对坐标，x′t-1为该点上一帧的x轴相对坐标。可以通过以下公式计算各个坐标点位移距离数据。累计5帧的以及所有点的位移距离数据，当累计值超过相应阀值时设定为打哈欠状态。
其中，
可以通过以下步骤判断眼睛的闭合状态：计算眼睛区域相应点的y轴差值：
右眼：e＝(y37-y41)+(y38-y40)；
左眼：e＝(y43-y47)+(y44-y46)。
当e小于阀值时，设定为眨眼状态，当两个眼睛均为闭眼，视为闭眼状态。
上述实施例，将驾驶过程的监测图像进行分割得到对应的区域集合，通过比较区域集合中相邻两个区域的相似度来获取目标候选区域，并对目标候选区域中的脸部区域进行识别，分别根据脸部区域中的嘴巴关键点和眼睛关键点的位置随时间的变化判断驾驶员是否处于疲劳驾驶状态，可以提高判断驾驶员是否处于疲劳驾驶状态的准确率。
在一个实施例中，可以通过以下步骤来判断驾驶员是否处于疲劳驾驶状态：获取驾驶员打哈欠的频率；获取驾驶员闭眼时瞳孔被眼睑遮挡的时间占特定时间的比率；根据打哈欠的频率以及闭眼时瞳孔被眼睑遮挡的时间占特定时间的比率来判断驾驶员是否处于疲劳驾驶状态。
驾驶员闭眼时瞳孔被眼睑遮挡的时间占特定时间的比率(percentageofeyeiidciosureoverthepupii，perclos)可以用以下公式计算：
当perclos值超过阀值，并且不时有打哈欠行为发生时，认定驾驶员为疲劳驾驶状态。
上述实施例，将驾驶过程的监测图像进行分割得到对应的区域集合，通过比较区域集合中相邻两个区域的相似度来获取目标候选区域，并对目标候选区域中的脸部区域进行识别，分别根据脸部区域中的嘴巴关键点和眼睛关键点的位置随时间的变化判断驾驶员是否处于疲劳驾驶状态，可以提高判断驾驶员是否处于疲劳驾驶状态的准确率。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种疲劳驾驶状态检测装置，包括：
获取模块402，用于获取驾驶过程的监测图像，将图像进行分割得到对应的区域集合；
识别模块404，用于通过比较区域集合中相邻两个区域的相似度来获取监测图像中的目标候选区域，并对目标候选区域中的脸部区域进行识别；
判断模块406，用于识别脸部区域中的嘴巴关键点和眼睛关键点，并分别根据嘴巴关键点和眼睛关键点的位置随时间的变化判断驾驶员是否处于疲劳驾驶状态，其中，眼睛关键点为表征眼睛位置的坐标点，嘴巴关键点为表征嘴巴位置的坐标点。
关于疲劳驾驶状态检测装置的具体限定可以参见上文中对于疲劳驾驶状态检测方法的限定，在此不再赘述。上述疲劳驾驶状态检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本发明实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或(模块)单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储疲劳驾驶状态检测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种疲劳驾驶状态检测方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取驾驶过程的监测图像，将图像进行分割得到对应的区域集合；
通过比较区域集合中相邻两个区域的相似度来获取监测图像中的目标候选区域，并对目标候选区域中的脸部区域进行识别；
识别脸部区域中的嘴巴关键点和眼睛关键点，并分别根据嘴巴关键点和眼睛关键点的位置随时间的变化判断驾驶员是否处于疲劳驾驶状态，其中，眼睛关键点为表征眼睛位置的坐标点，嘴巴关键点为表征嘴巴位置的坐标点。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过计算区域集合中相邻两个区域的相似度来获取监测图像中的各个相似区域；将各个相似区域中面积超过指定阈值的相似区域确定为目标候选区域。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：计算区域集合中相邻两个区域的相似度；将相似度满足预设条件的相邻两个区域进行合并，将合并后的区域设为相似区域。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：相似度包括纹理相似度；比较区域集合中相邻两个区域的纹理相似度的步骤包括：将监测图像进行灰度化处理得到灰度图像；计算相邻两个区域中各个区域的二值模式特征，并获取二值模式特征对应的向量；根据向量计算相邻两个区域的纹理相似度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将脸部区域与模板进行匹配，根据模板中的嘴巴关键点和眼睛关键点获取脸部区域中的嘴巴关键点和眼睛关键点。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据嘴巴关键点的位置随时间的变化判断驾驶员是否在打哈欠；根据眼睛关键点的位置随时间的变化判断驾驶员是否在闭眼；通过判断驾驶员是否在打哈欠以及是否在闭眼来判断驾驶员是否处于疲劳驾驶状态。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取驾驶员打哈欠的频率；获取驾驶员闭眼时瞳孔被眼睑遮挡的时间占特定时间的比率；根据打哈欠的频率以及闭眼时瞳孔被眼睑遮挡的时间占特定时间的比率来判断驾驶员是否处于疲劳驾驶状态。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取驾驶过程的监测图像，将图像进行分割得到对应的区域集合；
通过比较区域集合中相邻两个区域的相似度来获取监测图像中的目标候选区域，并对目标候选区域中的脸部区域进行识别；
识别脸部区域中的嘴巴关键点和眼睛关键点，并分别根据嘴巴关键点和眼睛关键点的位置随时间的变化判断驾驶员是否处于疲劳驾驶状态，其中，眼睛关键点为表征眼睛位置的坐标点，嘴巴关键点为表征嘴巴位置的坐标点。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过计算区域集合中相邻两个区域的相似度来获取监测图像中的各个相似区域；将各个相似区域中面积超过指定阈值的相似区域确定为目标候选区域。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：计算区域集合中相邻两个区域的相似度；将相似度满足预设条件的相邻两个区域进行合并，将合并后的区域设为相似区域。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：相似度包括纹理相似度；比较区域集合中相邻两个区域的纹理相似度的步骤包括：将监测图像进行灰度化处理得到灰度图像；计算相邻两个区域中各个区域的二值模式特征，并获取二值模式特征对应的向量；根据向量计算相邻两个区域的纹理相似度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将脸部区域与模板进行匹配，根据模板中的嘴巴关键点和眼睛关键点获取脸部区域中的嘴巴关键点和眼睛关键点。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据嘴巴关键点的位置随时间的变化判断驾驶员是否在打哈欠；根据眼睛关键点的位置随时间的变化判断驾驶员是否在闭眼；通过判断驾驶员是否在打哈欠以及是否在闭眼来判断驾驶员是否处于疲劳驾驶状态。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取驾驶员打哈欠的频率；获取驾驶员闭眼时瞳孔被眼睑遮挡的时间占特定时间的比率；根据打哈欠的频率以及闭眼时瞳孔被眼睑遮挡的时间占特定时间的比率来判断驾驶员是否处于疲劳驾驶状态。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。