CN109919089A - 用于推送信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于推送信息的方法和装置。该方法的一具体实施方式包括：获取对待识别用户进行拍摄所得到的待识别图像；基于待识别图像和预先训练的疲劳识别模型，得到待识别用户的疲劳参数，其中，疲劳识别模型用于识别图像中的用户的疲劳参数；从预先存储的疲劳缓解信息集合中查询出待识别用户的疲劳参数对应的疲劳缓解信息；将待识别用户的疲劳参数对应的疲劳缓解信息推送给待识别用户。该实施方式基于疲劳识别模型进行疲劳识别，能够快速地识别出用户的疲劳情况。并且，基于用户的疲劳情况向用户推送疲劳缓解信息，实现了富于针对性地信息推送，有助于实现针对性地疲劳缓解。

Description

用于推送信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于推送信息的方法和装置。

背景技术

随着生活节奏的加快，越来越多的人需要经常熬夜。经常熬夜会导致人们处于疲劳状态。然而，处于疲劳状态而不自知，或自知处于疲劳状态而不知如何缓解，会导致意外发生。例如，司机疲劳驾驶是引发交通事故的一个重要因素。驾驶员睡眠质量差、睡眠不足和长时间驾驶车辆，会出现生理机能和心理机能的失调，从而出现驾驶技能下降的现象。又例如，夏天出行，人们处于疲劳状态导致中暑倒地。

目前，通常由人们自主感知自身是否处于疲劳状态。当人们感知到自身可能处于疲劳状态时，无论其疲劳程度如何，人们会利用其惯用的方式来缓解疲劳。例如，有些人通过睡觉缓解疲劳，而有些人通过听音乐来缓解疲劳。

发明内容

本申请实施例提出了用于推送信息的方法和装置。

第一方面，本申请实施例提供了一种用于推送信息的方法，包括：获取对待识别用户进行拍摄所得到的待识别图像；基于待识别图像和预先训练的疲劳识别模型，得到待识别用户的疲劳参数，其中，疲劳识别模型用于识别图像中的用户的疲劳参数；从预先存储的疲劳缓解信息集合中查询出待识别用户的疲劳参数对应的疲劳缓解信息；将待识别用户的疲劳参数对应的疲劳缓解信息推送给待识别用户。

在一些实施例中，基于待识别图像和预先训练的疲劳识别模型，得到待识别用户的疲劳参数，包括：从待识别图像中分割出待识别用户的人脸图像；将人脸图像输入至疲劳识别模型，得到待识别用户的疲劳参数。

在一些实施例中，从待识别图像中分割出待识别用户的人脸图像，包括：将待识别图像输入至预先训练的人脸检测模型，得到待识别用户的人脸的位置信息；基于待识别用户的人脸的位置信息对待识别图像进行分割，得到待识别用户的人脸图像。

在一些实施例中，疲劳识别模型包括特征提取网络和拟合网络。

在一些实施例中，将人脸图像输入至疲劳识别模型，得到待识别用户的疲劳参数，包括：将人脸图像输入至特征提取网络，得到待识别用户的人脸特征；将待识别用户的人脸特征输入至拟合网络，得到待识别用户的疲劳参数。

在一些实施例中，疲劳识别模型通过如下步骤训练得到：获取训练样本，其中，训练样本包括样本人脸图像和对应的样本疲劳标签；将样本人脸图像作为输入，将样本疲劳标签作为输出，训练得到疲劳识别模型。

第二方面，本申请实施例提供了一种用于推送信息的装置，包括：获取单元，被配置成获取对待识别用户进行拍摄所得到的待识别图像；识别单元，被配置成基于待识别图像和预先训练的疲劳识别模型，得到待识别用户的疲劳参数，其中，疲劳识别模型用于识别图像中的用户的疲劳参数；查询单元，被配置成从预先存储的疲劳缓解信息集合中查询出待识别用户的疲劳参数对应的疲劳缓解信息；推送单元，被配置成将待识别用户的疲劳参数对应的疲劳缓解信息推送给待识别用户。

在一些实施例中，识别单元包括：分割子单元，被配置成从待识别图像中分割出待识别用户的人脸图像；识别子单元，被配置成将人脸图像输入至疲劳识别模型，得到待识别用户的疲劳参数。

在一些实施例中，识别单元包括：分割子单元，被配置成从待识别图像中分割出待识别用户的人脸图像；识别子单元，被配置成将人脸图像输入至疲劳识别模型，得到待识别用户的疲劳参数。

在一些实施例中，疲劳识别模型包括特征提取网络和拟合网络。

在一些实施例中，识别子单元包括：提取模块，被配置成将人脸图像输入至特征提取网络，得到待识别用户的人脸特征；拟合模块，被配置成将待识别用户的人脸特征输入至拟合网络，得到待识别用户的疲劳参数。

在一些实施例中，疲劳识别模型通过如下步骤训练得到：获取训练样本，其中，训练样本包括样本人脸图像和对应的样本疲劳标签；将样本人脸图像作为输入，将样本疲劳标签作为输出，训练得到疲劳识别模型。

第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于推送信息的方法和装置，在获取对待识别用户进行拍摄所得到的待识别图像之后，基于待识别图像和预先训练的疲劳识别模型，得到待识别用户的疲劳参数；然后从预先存储的疲劳缓解信息集合中查询出待识别用户的疲劳参数对应的疲劳缓解信息；最后将待识别用户的疲劳参数对应的疲劳缓解信息推送给待识别用户。基于疲劳识别模型进行疲劳识别，能够快速地识别出用户的疲劳情况。并且，基于用户的疲劳情况向用户推送疲劳缓解信息，实现了富于针对性地信息推送，有助于实现针对性地疲劳缓解。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构；

图2是根据本申请的用于推送信息的方法的一个实施例的流程图；

图3是图2所示的用于推送信息的方法的一个应用场景的示意图；

图4是根据本申请的用于推送信息的方法的又一个实施例的流程图；

图5是根据本申请的用于推送信息的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于推送信息的方法或用于推送信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100中可以包括终端设备101、摄像头102、服务器103和网络104。网络104用以在终端设备101、摄像头102和服务器103之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

摄像头102可以部署在用户经常出现的地方，用于拍摄用户的图像。

用户可以使用终端设备101通过网络104与服务器103交互，以接收或发送消息等。终端设备101可以是硬件，也可以是软件。当终端设备101为硬件时，可以是各种电子设备。包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器103可以提供各种服务。例如服务器103可以对从摄像头102获取到的待识别图像等数据进行分析等处理，并将处理结果(例如疲劳缓解信息)推送给终端设备101。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于推送信息的方法一般由服务器103执行，相应地，用于推送信息的装置一般设置于服务器103中。

应该理解，图1中的终端设备、摄像头、服务器和网络的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、摄像头、服务器和网络。

继续参考图2，其示出了根据本申请的用于推送信息的方法的一个实施例的流程200。该用于推送信息的方法，包括以下步骤：

步骤201，获取对待识别用户进行拍摄所得到的待识别图像。

在本实施例中，用于推送信息的方法的执行主体(例如图1所示的服务器103)可以从摄像头(例如图1所示的摄像头102)获取对待识别用户进行拍摄所得到的待识别图像。其中，待识别用户可以是需要识别是否处于疲劳状态的用户。

实践中，待识别用户经常出现的地方可以部署有摄像头。摄像头可以对待识别用户进行拍摄，以得到待识别图像。同时，摄像头还可以将拍摄到的待识别图像实时发送至上述执行主体。例如，对于驾驶员来说，可以在其所驾驶的汽车的前方，正对主驾驶位置处部署摄像头，以拍摄驾驶员在驾车过程中的图像。又例如，对于长期伏案工作的用户来说，可以在其办公地点处部署摄像头，以拍摄用户在工作工程中的图像。

步骤202，基于待识别图像和预先训练的疲劳识别模型，得到待识别用户的疲劳参数。

在本实施例中，上述执行主体可以利用预先训练的疲劳识别模型对待识别图像进行处理，以得到待识别用户的疲劳参数。具体地，上述执行主体可以将待识别图像直接输入至疲劳识别模型，以得到待识别用户的疲劳参数。上述执行主体也可以首先对待识别图像进行预处理，然后将预处理后的待识别图像输入至疲劳识别模型，以得到待识别用户的疲劳参数。其中，疲劳参数可以包括用于标识疲劳程度的数据，包括但不限于眼睛红血丝程度、黑眼圈程度和皮肤粗糙程度等等。通常，眼睛红血丝程度、黑眼圈程度和皮肤粗糙程度越高，疲劳程度越高，反之，疲劳程度越低。这里，预先将眼睛红血丝程度、黑眼圈程度和皮肤粗糙程度等划分为多个级别，不同的级别对应的疲劳程度不同。例如，将眼睛红血丝程度、黑眼圈程度和皮肤粗糙程度等均划分为五个等级。第一等级对应的疲劳程度最低，第五等级对应的疲劳程度最高。

在本实施例的一些可选的实现方式中，上述执行主体可以首先从待识别图像中分割出待识别用户的人脸图像；然后将人脸图像输入至疲劳识别模型，以得到待识别用户的疲劳参数。通常，上述执行主体可以首先检测出待识别图像中的待识别用户的人脸的位置，然后基于人脸的位置，从待识别图像中分割出待识别用户的人脸图像。

这里，疲劳识别模型可以用于识别图像中的用户的疲劳参数。通常，疲劳识别模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练而得到的。具体地，上述执行主体可以通过如下步骤训练疲劳识别模型：

首先，获取训练样本。

这里，每个训练样本可以包括样本人脸图像和对应的样本疲劳标签。其中，样本人脸图像中存在人脸。样本疲劳标签可以用于标识样本人脸图像中的人脸的疲劳程度。例如，样本疲劳标签可以通过对样本人脸图像中的人脸进行眼睛红血丝程度、黑眼圈程度和皮肤粗糙程度等的等级标注所得到。

然后，将样本人脸图像作为输入，将样本疲劳标签作为输出，训练得到疲劳识别模型。

这里，上述执行主体可以将样本人脸图像从初始疲劳识别模型的输入侧输入，经过初始疲劳识别模型的处理，从输出侧输出样本人脸图像中的人脸的疲劳参数。随后，上述执行主体可以基于样本人脸图像中的人脸的疲劳参数和样本疲劳标签计算初始疲劳识别模型的识别准确度。若识别准确度不满足预先设定的约束条件，则调整初始疲劳识别模型的参数，随后输入样本人脸图像继续进行模型训练。若识别准确度满足预先设定的约束条件，则模型训练完成，此时的初始疲劳识别模型即为疲劳识别模型。其中，初始疲劳识别模型可以是初始化参数的各种目标识别模型，例如特征提取网络和拟合网络组合而成的模型。特征提取网络可以包括但不限于VGG模型、mobilenet模型、ResNet50模型等等。拟合网络可以由多个卷积层和多个全连接层组成。初始化参数可以是一些不同的小随机数。

步骤203，从预先存储的疲劳缓解信息集合中查询出待识别用户的疲劳参数对应的疲劳缓解信息。

在本实施例中，上述执行主体可以从预先存储的疲劳缓解信息集合中查找出待识别用户的疲劳参数对应的疲劳缓解信息。其中，疲劳缓解信息集合中的每种疲劳缓解信息对应一种疲劳参数。例如，眼睛红血丝程度的等级较高的疲劳参数对应的疲劳缓解信息可以是滴眼药水。黑眼圈程度的等级较高的疲劳参数对应的疲劳缓解信息可以是做眼保健操。皮肤粗糙程度的等级较高的疲劳参数对应的疲劳缓解信息可以是睡觉。

步骤204，将待识别用户的疲劳参数对应的疲劳缓解信息推送给待识别用户。

在本实施例中，上述执行主体可以将待识别用户的疲劳参数对应的疲劳缓解信息推送给待识别用户的终端设备(例如图1所示的终端设备101)。终端设备可以显示或播报该疲劳缓解信息，以使待识别用户看到或听到疲劳缓解信息之后，根据其提示进行对应疲劳缓解操作，以实现针对性地疲劳缓解。

继续参见图3，图3是图2所示的用于推送信息的方法的一个应用场景的示意图。在图3所示的应用场景中，驾驶员所驾驶的汽车的前方，正对主驾驶位置处部署摄像头。若驾驶员连续驾车时间超过1个小时，摄像头可以拍摄驾驶员的图像，并发送至服务器。在接收的驾驶员的图像之后，服务器可以首先将驾驶员的图像输入至疲劳识别模型，得到驾驶员的疲劳参数；然后从疲劳缓解信息集合中查找出驾驶员的疲劳参数对应的疲劳缓解信息，并发送至驾驶员的手机，其中，驾驶员的疲劳参数对应的疲劳缓解信息可以例如是“请播放音乐，以缓解疲劳”。此时，驾驶员的手机可以语音播报该疲劳缓解信息。当用户听到该疲劳缓解信息时，可以根据其提示开启汽车上的音乐播放装置播放音乐，以缓解疲劳。

本申请实施例提供的用于推送信息的方法和装置，在获取对待识别用户进行拍摄所得到的待识别图像之后，基于待识别图像和预先训练的疲劳识别模型，得到待识别用户的疲劳参数；然后从预先存储的疲劳缓解信息集合中查询出待识别用户的疲劳参数对应的疲劳缓解信息；最后将待识别用户的疲劳参数对应的疲劳缓解信息推送给待识别用户。基于疲劳识别模型进行疲劳识别，能够快速地识别出用户的疲劳情况。并且，基于用户的疲劳情况向用户推送疲劳缓解信息，实现了富于针对性地信息推送，有助于实现针对性地疲劳缓解。

进一步参考图4，其示出了根据本申请的用于推送信息的方法的又一个实施例的流程400。该用于推送信息的方法，包括以下步骤：

步骤401，获取对待识别用户进行拍摄所得到的待识别图像。

在本实施例中，步骤401的具体操作已在图2所示的实施例中步骤201中进行了详细的介绍，在此不再赘述。

步骤402，将待识别图像输入至预先训练的人脸检测模型，得到待识别用户的人脸的位置信息。

在本实施例中，用于推送信息的方法的执行主体(例如图1所示的服务器103)可以将待识别图像输入至预先训练的人脸检测模型，以得到待识别用户的人脸的位置信息。

这里，人脸检测模型可以用于检测图像中的人脸的位置。通常，人脸检测模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种目标检测模型等)进行有监督训练而得到的。具体地，上述执行主体可以通过如下步骤训练人脸检测模型：

首先，获取训练样本。

这里，每个训练样本可以包括样本人脸图像和对应的样本人脸标注结果。其中，样本人脸图像中可以存在人脸。样本人脸标注结果可以是样本人脸图像中的人脸进行位置标注所得到的结果。

然后，将训练样本中的样本人脸图像作为输入，将训练样本中的样本人脸标注结果作为输出，训练得到人脸检测模型。

这里，上述执行主体可以将样本人脸图像从初始人脸检测模型的输入侧输入，经过初始人脸检测模型的处理，从输出侧输出样本人脸图像中的人脸的位置信息。随后，上述执行主体可以基于样本人脸图像中的人脸的位置信息和样本人脸标注结果计算初始人脸检测模型的检测准确度。若检测准确度不满足预先设定的约束条件，则调整初始人脸检测模型的参数，随后输入样本人脸图像继续进行模型训练。若检测准确度满足预先设定的约束条件，则模型训练完成，此时的初始人脸检测模型即为人脸检测模型。其中，初始人脸检测模型可以是初始化参数的各种目标检测模型，例如FaceBoxes模型。通常，初始化参数可以是一些不同的小随机数。

步骤403，基于待识别用户的人脸的位置信息对待识别图像进行分割，得到待识别用户的人脸图像。

在本实施例中，上述执行主体可以根据待识别用户的人脸的位置信息，从待识别图像分割出待识别用户的人脸图像。

步骤404，将人脸图像输入至特征提取网络，得到待识别用户的人脸特征。

在本实施例中，疲劳识别模型可以由特征提取网络和拟合网络组合而成。上述执行主体可以首先将人脸图像输入至特征提取网络，以得到待识别用户的人脸特征。其中，特征提取网络可以包括但不限于VGG模型、mobilenet模型、ResNet50模型等等。人脸特征可以是用于对人脸图像中的人脸进行描述的信息，包括但不限于与人脸相关的各种基本要素(例如表情、五官、纹理、线条、颜色等)。通常，人脸特征可以用多维向量来表示。

步骤405，将待识别用户的人脸特征输入至拟合网络，得到待识别用户的疲劳参数。

在本实施例中，上述执行主体可以将人脸特征输入至拟合网络，以得到待识别用户的疲劳参数。其中，拟合网络可以由多个卷积层和多个全连接层组成，用于拟合疲劳参数。

步骤406，从预先存储的疲劳缓解信息集合中查询出待识别用户的疲劳参数对应的疲劳缓解信息。

步骤407，将待识别用户的疲劳参数对应的疲劳缓解信息推送给待识别用户。

在本实施例中，步骤406-407的具体操作已在图2所示的实施例中步骤203-204中进行了详细的介绍，在此不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于推送信息的方法的流程400突出了对待识别图像进行预处理的步骤和对预处理后的待识别图像进行疲劳识别步骤。由此，本实施例描述的方案从待识别图像中分割出人脸图像，输入至由特征提取网络和拟合网络组合而成的疲劳识别模型进行疲劳识别，避免了待识别图像中的背景对疲劳识别过程造成干扰，提高了疲劳识别准确度。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于推送信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于推送信息的装置500可以包括：获取单元501、识别单元502、查询单元503和推送单元504。其中，获取单元501，被配置成获取对待识别用户进行拍摄所得到的待识别图像；识别单元502，被配置成基于待识别图像和预先训练的疲劳识别模型，得到待识别用户的疲劳参数，其中，疲劳识别模型用于识别图像中的用户的疲劳参数；查询单元503，被配置成从预先存储的疲劳缓解信息集合中查询出待识别用户的疲劳参数对应的疲劳缓解信息；推送单元504，被配置成将待识别用户的疲劳参数对应的疲劳缓解信息推送给待识别用户。

在本实施例中，用于推送信息的装置500中：获取单元501、识别单元502、查询单元503和推送单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，识别单元502包括：分割子单元(图中未示出)，被配置成从待识别图像中分割出待识别用户的人脸图像；识别子单元(图中未示出)，被配置成将人脸图像输入至疲劳识别模型，得到待识别用户的疲劳参数。

在本实施例的一些可选的实现方式中，分割子单元包括：检测模块(图中未示出)，被配置成将待识别图像输入至预先训练的人脸检测模型，得到待识别用户的人脸的位置信息；分割模块(图中未示出)，被配置成基于待识别用户的人脸的位置信息对待识别图像进行分割，得到待识别用户的人脸图像。

在本实施例的一些可选的实现方式中，疲劳识别模型包括特征提取网络和拟合网络。

在本实施例的一些可选的实现方式中，识别子单元包括：提取模块(图中未示出)，被配置成将人脸图像输入至特征提取网络，得到待识别用户的人脸特征；拟合模块(图中未示出)，被配置成将待识别用户的人脸特征输入至拟合网络，得到待识别用户的疲劳参数。

在本实施例的一些可选的实现方式中，疲劳识别模型通过如下步骤训练得到：获取训练样本，其中，训练样本包括样本人脸图像和对应的样本疲劳标签；将样本人脸图像作为输入，将样本疲劳标签作为输出，训练得到疲劳识别模型。

下面参考图6，其示出了适于用来实现本申请实施例的服务器(例如图1所示的服务器103)的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、识别单元、查询单元和推送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取对待识别用户进行拍摄所得到的待识别图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：获取对待识别用户进行拍摄所得到的待识别图像；基于待识别图像和预先训练的疲劳识别模型，得到待识别用户的疲劳参数，其中，疲劳识别模型用于识别图像中的用户的疲劳参数；从预先存储的疲劳缓解信息集合中查询出待识别用户的疲劳参数对应的疲劳缓解信息；将待识别用户的疲劳参数对应的疲劳缓解信息推送给待识别用户。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种用于推送信息的方法，包括：

获取对待识别用户进行拍摄所得到的待识别图像；

基于所述待识别图像和预先训练的疲劳识别模型，得到所述待识别用户的疲劳参数，其中，所述疲劳识别模型用于识别图像中的用户的疲劳参数；

从预先存储的疲劳缓解信息集合中查询出所述待识别用户的疲劳参数对应的疲劳缓解信息；

将所述待识别用户的疲劳参数对应的疲劳缓解信息推送给所述待识别用户。

2.根据权利要求1所述的方法，其中，所述基于所述待识别图像和预先训练的疲劳识别模型，得到所述待识别用户的疲劳参数，包括：

从所述待识别图像中分割出所述待识别用户的人脸图像；

将所述人脸图像输入至所述疲劳识别模型，得到所述待识别用户的疲劳参数。

3.根据权利要求2所述的方法，其中，所述从所述待识别图像中分割出所述待识别用户的人脸图像，包括：

将所述待识别图像输入至预先训练的人脸检测模型，得到所述待识别用户的人脸的位置信息；

基于所述待识别用户的人脸的位置信息对所述待识别图像进行分割，得到所述待识别用户的人脸图像。

4.根据权利要求2所述的方法，其中，所述疲劳识别模型包括特征提取网络和拟合网络。

5.根据权利要求4所述的方法，其中，所述将所述人脸图像输入至所述疲劳识别模型，得到所述待识别用户的疲劳参数，包括：

将所述人脸图像输入至所述特征提取网络，得到所述待识别用户的人脸特征；

将所述待识别用户的人脸特征输入至所述拟合网络，得到所述待识别用户的疲劳参数。

6.根据权利要求1-5之一所述的方法，其中，所述疲劳识别模型通过如下步骤训练得到：

获取训练样本，其中，所述训练样本包括样本人脸图像和对应的样本疲劳标签；

将所述样本人脸图像作为输入，将所述样本疲劳标签作为输出，训练得到所述疲劳识别模型。

7.一种用于推送信息的装置，包括：

获取单元，被配置成获取对待识别用户进行拍摄所得到的待识别图像；

识别单元，被配置成基于所述待识别图像和预先训练的疲劳识别模型，得到所述待识别用户的疲劳参数，其中，所述疲劳识别模型用于识别图像中的用户的疲劳参数；

查询单元，被配置成从预先存储的疲劳缓解信息集合中查询出所述待识别用户的疲劳参数对应的疲劳缓解信息；

推送单元，被配置成将所述待识别用户的疲劳参数对应的疲劳缓解信息推送给所述待识别用户。

8.根据权利要求7所述的装置，其中，所述识别单元包括：

分割子单元，被配置成从所述待识别图像中分割出所述待识别用户的人脸图像；

识别子单元，被配置成将所述人脸图像输入至所述疲劳识别模型，得到所述待识别用户的疲劳参数。

9.根据权利要求8所述的装置，其中，所述分割子单元包括：

检测模块，被配置成将所述待识别图像输入至预先训练的人脸检测模型，得到所述待识别用户的人脸的位置信息；

分割模块，被配置成基于所述待识别用户的人脸的位置信息对所述待识别图像进行分割，得到所述待识别用户的人脸图像。

10.根据权利要求8所述的装置，其中，所述疲劳识别模型包括特征提取网络和拟合网络。

11.根据权利要求10所述的装置，其中，所述识别子单元包括：

提取模块，被配置成将所述人脸图像输入至所述特征提取网络，得到所述待识别用户的人脸特征；

拟合模块，被配置成将所述待识别用户的人脸特征输入至所述拟合网络，得到所述待识别用户的疲劳参数。

12.根据权利要求7-11之一所述的装置，其中，所述疲劳识别模型通过如下步骤训练得到：

获取训练样本，其中，所述训练样本包括样本人脸图像和对应的样本疲劳标签；

将所述样本人脸图像作为输入，将所述样本疲劳标签作为输出，训练得到所述疲劳识别模型。

13.一种服务器，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。