CN113255558A - 一种基于单幅图像的司机疲劳驾驶低耗识别方法及装置 - Google Patents

Abstract

本发明提出了一种基于单幅图像的司机疲劳驾驶低耗识别方法及装置，涉及智能识别领域。其如下步骤：获取待检测图像，该待检测图像为单幅图像。将待检测图像输入至预先建立好的司机疲劳驾驶决策模型，以得到识别结果。根据识别结果判断待检测图像是否为司机疲劳驾驶的图像，继而获知司机是否在疲劳驾驶，即实现了由单幅图像较为精准、低消耗地判断司机是否在疲劳驾驶的目的。

Description

一种基于单幅图像的司机疲劳驾驶低耗识别方法及装置

技术领域

本发明涉及智能识别技术领域，具体而言，涉及一种基于单幅图像的司机疲劳驾驶低耗识别方法及装置。

背景技术

随着科技的进步，汽车已经成为了我们主要的交通工具，尤其在城市中，几乎每个家庭都拥有至少一辆汽车。汽车会极大地方便我们的生活，让我们的出行更加便利。同时，有效防范疲劳驾驶并保证驾驶安全也是一个必不可少的环节，因为很多交通事故都是由于疲劳驾驶而产生的。因此，如何能够有效地识别出司机是否在疲劳驾驶尤为重要。

目前，虽然关于识别司机是否在疲劳驾驶的识别方法层出不穷，但它们往往需要多幅图像，甚至是视频来识别司机是否在疲劳驾驶，无法通过单幅图像较为精准、低消耗地判断司机是否在疲劳驾驶。

发明内容

本发明的目的在于提供一种基于单幅图像的司机疲劳驾驶低耗识别方法及装置，用以改善现有技术中无法通过单幅图像判断司机是否在疲劳驾驶的问题。

本发明的实施例是这样实现的：

第一方面，本申请实施例提供一种基于单幅图像的司机疲劳驾驶低耗识别方法，其包括如下步骤：获取待检测图像，该待检测图像为单幅图像。将待检测图像输入至预先建立好的司机疲劳驾驶决策模型，以得到识别结果。根据识别结果判断待检测图像是否为司机疲劳驾驶的图像，继而获知司机是否在疲劳驾驶，即实现了由单幅图像较为精准、低消耗地判断司机是否在疲劳驾驶的目的。

在本发明的一些实施例中，上述获取待检测图像的步骤之后，该方法还包括：利用最小二乘滤波器对待检测图像进行过滤，以得到待检测图像的多个尺度图像。对不同尺度图像进行计算，以得到多个细节信息。将细节信息加权到待检测图像中，以得到加强图像。因此，该加强图像突出了待检测图像的细节信息，使得待检测图像在司机疲劳驾驶决策模型中的识别结果更加准确，则对待检测图像的判断也会更准确。

在本发明的一些实施例中，上述将待检测图像输入至预先建立好的疲劳驾驶决策模型的步骤之前，该方法还包括：建立初始模型。获取样本，并对样本进行高斯模糊处理，得到模糊图像。对模糊图像和样本分别进行减法处理，以得到不同的细节信息。将多个细节信息加权到原图中，得到样本加强图像。提取每个样本加强图像的SIFT特征，以得到图像的表征结果。根据表征结果训练初始模型，以得到训练好的司机疲劳驾驶决策模型。上述实现过程中，获取样本后，对样本进行处理，处理后样本的细节信息更加突出，继而提取的SIFT特征更加准确，使得表征结果更加准确，从而通过表征结果训练司机疲劳驾驶决策模型，可以使得训练好的司机疲劳驾驶决策模型对待检测图像的识别结果可以更准确。

在本发明的一些实施例中，上述样本包括正训练样本和负训练样本，正训练样本为司机疲劳驾驶的图像，负训练样本为司机非疲劳驾驶的图像。由正训练样本和负训练样本训练初始模型，正训练样本和负训练样本使得样本图像更加完整，从而使得训练好的司机疲劳驾驶决策模型对待检测图像的识别结果更加准确。

在本发明的一些实施例中，上述根据识别结果判断待检测图像是否为司机疲劳驾驶的图像的步骤包括：计算待检测图像和样本的空间距离，以得到计算结果。根据计算结果，多次查询空间距离与待检测图像的空间距离邻近的不同数量的样本及其类别，以得到多个判别结果。比较多个判别结果，得到比较结果。根据比较结果判断待检测图像是否为司机疲劳驾驶的图像。上述步骤为对待检测图像进行二次判定，对待检测图像进行二次判定后，可以得到更加准确的比较结果，进而可以更加准确的判断待检测图像是否为司机疲劳驾驶图像。

第二方面，本申请实施例提供一种基于单幅图像的司机疲劳驾驶低耗识别装置，其包括：图像获取模块，用于获取待检测图像。图像识别模块，用于将待检测图像输入至预先建立好的司机疲劳驾驶决策模型，以得到识别结果。图像判断模块，用于根据识别结果判断待检测图像是否为司机疲劳驾驶的图像。上述实现过程中，通过对获取的待检测图像的判断，可以获知司机是否在疲劳驾驶。

在本发明的一些实施例中，上述基于单幅图像的司机疲劳驾驶低耗识别装置还包括图像加强模块，图像加强模块包括：图像过滤单元，用于利用最小二乘滤波器对待检测图像进行过滤，以得到待检测图像的多个尺度图像。尺度计算单元，用于对不同尺度图像进行计算，以得到多个细节信息。加强图像获取单元，用于将细节信息加权到待检测图像中，以得到加强图像。该加强图像可以突出待检测图像的细节信息，使得司机疲劳驾驶决策模型对待检测图像的评价更为准确。

在本发明的一些实施例中，上述基于单幅图像的司机疲劳驾驶低耗识别装置还包括：初始模型建立单元，用于建立初始模型。样本处理单元，用于获取样本，并对样本进行高斯模糊处理，得到模糊图像。细节信息获取单元，用于对模糊图像和样本分别进行减法处理，以得到不同的细节信息。样本加强图像获取单元，用于将多个细节信息加权到原图中，得到样本加强图像。表征结果获取单元，用于提取每个样本加强图像的SIFT特征，以得到图像的表征结果。模型训练单元，用于根据表征结果训练初始模型，以得到训练好的司机疲劳驾驶决策模型。通过上述对获取样本的处理，可以使得样本图像的细节更加突出，继而提取的SIFT特征更准确，也就使得表征结果更为准确，从而通过表征结果训练司机疲劳驾驶决策模型，可以使得司机疲劳驾驶决策模型对待检测图像的识别结果更准确。

在本发明的一些实施例中，上述基于单幅图像的司机疲劳驾驶低耗识别装置，获取的样本包括正训练样本和负训练样本。其中，正训练样本为司机疲劳驾驶的图像，负训练样本为司机非疲劳驾驶的图像。正训练样本和负训练样本使得样本图像更加完整，通过正训练样本和负训练样本训练司机疲劳驾驶决策模型，可以使得司机疲劳驾驶决策模型对待检测图像进行识别后，得到的识别结果更加准确。

在本发明的一些实施例中，上述图像判断模块包括：空间距离计算单元，用于计算待检测图像和样本的空间距离，以得到计算结果。判别单元，用于根据计算结果，多次查询空间距离与待检测图像的空间距离邻近的不同数量的样本及其类别，以得到多个判别结果。比较单元，用于比较多个判别结果，得到比较结果。判断单元，用于根据比较结果判断待检测图像是否为司机疲劳驾驶的图像。通过上述各单元的配合，可以实现对待检测图像的二次判定，使得对待检测图像的判断更准确。

第三方面，本申请实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。

第四方面，本申请实施例提供一种计算机可读存储介质，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上述第一方面中任一项的方法。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例提供的一种基于单幅图像的司机疲劳驾驶低耗识别方法的流程图；

图2为本发明实施例提供的一种基于单幅图像的司机疲劳驾驶低耗识别装置的结构示意图；

图3为本发明实施例提供的一种电子设备的示意性结构框图。

图标：100-基于单幅图像的司机疲劳驾驶低耗识别装置；110-图像获取模块；120-图像识别模块；130-图像分类模块；101-存储器；102-处理器；103-通信接口。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，若出现术语“第一”、“第二”、“第三”、“第四”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，若出现术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，若出现由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

在本申请的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。

请参阅图1，图1所示为本申请实施例提供的一种基于单幅图像的司机疲劳驾驶低耗识别方法的流程图。一种基于单幅图像的司机疲劳驾驶低耗识别方法，其包括如下步骤：

步骤S110：获取待检测图像，待检测图像为单幅图像。

具体的，可以通过摄像装置拍摄多张图片，继而可以从多张图片中选出一张最为清晰的图片，该图片中包含了司机轮廓和其他各类图像。由于司机疲劳驾驶决策模型是用来判断司机是否在疲劳驾驶，因此需要从挑选的图片中将司机轮廓提取出来，由司机轮廓确定待检测图像。

步骤S120：将待检测图像输入至预先建立好的司机疲劳驾驶决策模型，以得到识别结果。

具体的，将待检测图像输入至预先建立好的司机疲劳驾驶决策模型，可以对待检测图像进行识别，从而得到识别结果。

步骤S130：根据识别结果判断待检测图像是否为司机疲劳驾驶的图像。

具体的，可以由识别结果对待检测图像进行判断，继而获知待检测图像是否为司机疲劳驾驶的图像，从而可以实现由单幅图像较为精准、低消耗地判断司机是否在疲劳驾驶的目的。

在上述实现过程中，司机疲劳驾驶决策模型可以是一种神经网络模型。经过正训练样本和负训练样本训练后的神经网络模型，可以完成当待检测图像输入至司机疲劳驾驶决策模型后，可以直接获得识别结果。

此外，司机疲劳驾驶决策模型还可以在对待检测图像进行识别之前，预先设定一个标准分。待检测图像可以输入司机疲劳驾驶决策模型进行处理，从而计算出待检测图像在司机疲劳驾驶决策模型中的得分，该得分即为上述识别结果。通过比较待检测图像的得分和标准分，可以判断待检测图像是否为司机疲劳驾驶的图像。具体的，当待检测图像的得分高于标准分时，待检测图像为司机疲劳驾驶的图像，则司机在疲劳驾驶。当待检测图像的得分低于标准分时，待检测图像为司机非疲劳驾驶的图像，则司机没有在疲劳驾驶。

其中，上述标准分可以为60分。当待检测图像在司机疲劳驾驶决策模型中的得分高于60分时，将待检测图像判定为司机疲劳驾驶图像。当待检测图像在司机疲劳驾驶决策模型中的得分低于60分时，将待检测图像判定为司机非疲劳驾驶图像。

在本实施例的一些实施方式中，获取待检测图像的步骤之后，该方法还包括：利用最小二乘滤波器对待检测图像进行过滤，以得到待检测图像的多个尺度图像。对不同尺度图像进行计算，以得到多个细节信息。将细节信息加权到待检测图像中，以得到加强图像。通过上述方式可以获得待检测图像的加强图像，该加强图像可以突出待检测图像的细节信息，从而使得待检测图像在司机疲劳驾驶决策模型中的识别结果更加准确，则对待检测图像的判断也会更准确。

在本实施例的一些实施方式中，将待检测图像输入至预先建立好的疲劳驾驶决策模型的步骤之前，方法还包括：建立初始模型。获取样本，并对样本进行高斯模糊处理，得到模糊图像。对模糊图像和样本分别进行减法处理，以得到不同的细节信息。将多个细节信息加权到原图中，得到样本加强图像。提取每个样本加强图像的SIFT特征，以得到图像的表征结果。根据表征结果训练初始模型，以得到训练好的司机疲劳驾驶决策模型。上述实现过程中，获取样本后，对样本进行处理，处理后样本的细节信息更加突出，继而提取的SIFT特征更加准确，使得表征结果更加准确，进而使得训练好的司机疲劳驾驶决策模型对待检测图像的识别结果可以更准确。

其中，上述SIFT的全称是尺度不变特征变换（Scale-invariant featuretransform），是指是一种检测局部特征的算法，该算法通过求一幅图中的特征点及其特征点有关信息，可以得到特征。当图像进行旋转、尺度缩放、亮度变化等改变时，SIFT特征都可以保持不变性，SIFT特征是一种非常稳定的局部特征。则由SIFT特征得到的图像的表征结果是唯一的，且不会由于图像的改变而发生变化，也就可以获得准确的表征结果。

在本实施例的一些实施方式中，上述样本包括正训练样本和负训练样本，正训练样本为司机疲劳驾驶的图像，负训练样本为司机非疲劳驾驶的图像。其中，正训练样本和负训练样本使得样本图像更加完整，通过正训练样本和负训练样本对初始模型的训练，可以使得训练好的司机疲劳驾驶决策模型对待检测图像的识别结果更加准确。

需要说明的是，上述正训练样本和负训练样本的数量为多个，可以根据实际情况选择数量。上述实现过程中，为了保证司机疲劳驾驶决策模型中正训练样本和负训练样本的均衡性，所选择的正训练样本的数量应该与负训练样本相同。当需要构建更为准确的司机疲劳驾驶决策模型时，可以选取较多的样本，具体的，选取正训练样本和负训练样本的数量可以为1000张。当不想消耗过多计算量时，可以选取较少的样本训练司机疲劳驾驶决策模型，具体的，可以分别选取两百张到五百张的正训练样本和负训练样本。

在本实施例的一些实施方式中，根据识别结果判断待检测图像是否为司机疲劳驾驶的图像的步骤包括：计算待检测图像和样本的空间距离，以得到计算结果。具体的，可以利用欧式距离计算待检测图像和样本的空间距离。根据计算结果，多次查询空间距离与待检测图像的空间距离邻近的不同数量的样本及其类别，以得到多个判别结果。比较多个判别结果，得到比较结果。根据比较结果判断待检测图像是否为司机疲劳驾驶的图像。上述步骤为对待检测图像进行二次判定，具体的，当待检测图像在疲劳驾驶决策模型中的得分与标准分太接近时，需要进行二次判定，以得到更为准确的比较结果，进而可以对待检测图像的判断可以更加准确。

其中，当待检测图像在疲劳驾驶决策模型中的得分为59分或者61分，甚至更接近60分的分数时，需要对待检测图像进行二次判定，从而更准确的判断待检测图像是否为司机疲劳驾驶图像。

需要说明的是，可以根据实际需求对查询的样本数量进行选择。具体的，查询的样本数量可以为10个、20个及50个。上述实现过程中，首先通过欧式距离计算出待检测图像和样本的空间距离，然后以待检测图像为基准，选择与待检测图像相邻的10个样本，当这10个样本中的超过5个样本为正训练样本时，待检测图像为司机疲劳驾驶图像，反之，当这10个样本中正训练样本的数量不超过5个时，待检测图像为司机非疲劳驾驶图像。接着再以待检测图像为基准，选择与待检测图像相邻的20个样本，当这20个样本中的超过10个样本为正训练样本时，待检测图像为司机疲劳驾驶图像，反之，当这20个样本中正训练样本的数量不超过10个时，待检测图像为司机非疲劳驾驶图像。然后依然以待检测图像为基准，选择与待检测图像相邻的50个样本，当这50个样本中的超过25个样本为正训练样本时，待检测图像为司机疲劳驾驶图像，反之，当这50个样本中正训练样本的数量不超过25个时，待检测图像为司机非疲劳驾驶图像。当经过上述三次判别后，待检测图像有两次及以上被判定为司机疲劳驾驶图像，则最终判定为司机疲劳驾驶图像。反之，若待检测图像有两次及以上被判定为司机非疲劳驾驶图像，则最终判定为司机非疲劳驾驶图像。

请参照图2，图2所示为本申请实施例提供一种基于单幅图像的司机疲劳驾驶低耗识别装置100的结构示意图。一种基于单幅图像的司机疲劳驾驶低耗识别装置100，其包括：图像获取模块110，用于获取待检测图像。具体的，可以通过摄像装置图片，该图片中包含了司机轮廓和其他图像。图像获取模块110可以将图片中的司机轮廓提取出来，从而获取待检测图像。图像识别模块120，用于将待检测图像输入至预先建立好的司机疲劳驾驶决策模型，以得到识别结果。图像判断模块，用于根据识别结果判断待检测图像是否为司机疲劳驾驶的图像。上述实现过程中，通过对获取的待检测图像的判断，可以获知司机是否在疲劳驾驶。

在本实施例的一些实施方式中，上述基于单幅图像的司机疲劳驾驶低耗识别装置100还包括图像加强模块，图像加强模块包括：图像过滤单元，用于利用最小二乘滤波器对待检测图像进行过滤，以得到待检测图像的多个尺度图像。尺度计算单元，用于对不同尺度图像进行计算，以得到多个细节信息。加强图像获取单元，用于将细节信息加权到待检测图像中，以得到加强图像。以上述方式获得的加强图像可以突出待检测图像的细节信息，使得司机疲劳驾驶决策模型对待检测图像的评价更为准确。

在本实施例的一些实施方式中，上述基于单幅图像的司机疲劳驾驶低耗识别装置100还包括：初始模型建立单元，用于建立初始模型。样本处理单元，用于获取样本，并对样本进行高斯模糊处理，得到模糊图像。细节信息获取单元，用于对模糊图像和样本分别进行减法处理，以得到不同的细节信息。样本加强图像获取单元，用于将多个细节信息加权到原图中，得到样本加强图像。表征结果获取单元，用于提取每个样本加强图像的SIFT特征，以得到图像的表征结果。模型训练单元，用于根据表征结果训练初始模型，以得到训练好的司机疲劳驾驶决策模型。上述实现过程中，对获取样本的处理，可以使得样本图像的细节更加突出，继而提取的SIFT特征更准确，也就使得表征结果更为准确，从而通过表征结果训练司机疲劳驾驶决策模型，可以使得司机疲劳驾驶决策模型对待检测图像的识别结果更准确。

在本实施例的一些实施方式中，上述基于单幅图像的司机疲劳驾驶低耗识别装置100，获取的样本包括正训练样本和负训练样本。其中，正训练样本为司机疲劳驾驶的图像，负训练样本为司机非疲劳驾驶的图像。正训练样本和负训练样本使得样本图像更加完整，通过正训练样本和负训练样本训练司机疲劳驾驶决策模型，可以使得司机疲劳驾驶决策模型对待检测图像进行识别后，得到的识别结果更加准确。

在本实施例的一些实施方式中，图像判断模块包括：空间距离计算单元，用于计算待检测图像和样本的空间距离，以得到计算结果。判别单元，用于根据计算结果，多次查询空间距离与待检测图像的空间距离邻近的不同数量的样本及其类别，以得到多个判别结果。比较单元，用于比较多个判别结果，得到比较结果。判断单元，用于根据比较结果判断待检测图像是否为司机疲劳驾驶的图像。上述过程为二次判定的过程，具体的，当待检测图像在司机疲劳驾驶决策模型中的得分与标准分太接近时，可以进行二次判定，以获得更为准确的比较结果，继而可以更加准确的判断待检测图像是否为司机疲劳驾驶的图像。

请参阅图3，图3为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本申请实施例所提供的基于单幅图像的司机疲劳驾驶低耗识别装置100对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。

其中，存储器101可以是但不限于，随机存取存储器101（Random Access Memory，RAM），只读存储器101（Read Only Memory，ROM），可编程只读存储器101（ProgrammableRead-Only Memory，PROM），可擦除只读存储器101（Erasable Programmable Read-OnlyMemory，EPROM），电可擦除只读存储器101（Electric Erasable Programmable Read-OnlyMemory，EEPROM）等。

处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器102，包括中央处理器102（Central Processing Unit，CPU）、网络处理器102（Network Processor，NP）等；还可以是数字信号处理器102（Digital Signal Processing，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

可以理解，图3所示的结构仅为示意，电子设备还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、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，所述模块、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方式中，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，两个连续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动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。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块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取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器101（ROM，Read-Only Memory）、随机存取存储器101（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

综上所述，本申请实施例提供的一种基于单幅图像的司机疲劳驾驶低耗识别方法及装置，其包括如下步骤：获取待检测图像，该待检测图像为单幅图像。将待检测图像输入至预先建立好的司机疲劳驾驶决策模型，以得到识别结果。根据识别结果判断待检测图像是否为司机疲劳驾驶的图像，继而获知司机是否在疲劳驾驶，即实现了由单幅图像判断司机是否在疲劳驾驶的目的。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。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，本申请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囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种基于单幅图像的司机疲劳驾驶低耗识别方法，其特征在于，包括如下步骤：

获取待检测图像，所述待检测图像为单幅图像；

将所述待检测图像输入至预先建立好的司机疲劳驾驶决策模型，以得到识别结果；

根据所述识别结果判断所述待检测图像是否为司机疲劳驾驶的图像。

2.根据权利要求1所述的基于单幅图像的司机疲劳驾驶低耗识别方法，其特征在于，获取所述待检测图像的步骤之后，所述方法还包括：

利用最小二乘滤波器对所述待检测图像进行过滤，以得到所述待检测图像的多个尺度图像；

对不同所述尺度图像进行计算，以得到多个细节信息；

将所述细节信息加权到所述待检测图像中，以得到加强图像。

3.根据权利要求1所述的基于单幅图像的司机疲劳驾驶低耗识别方法，其特征在于，将所述待检测图像输入至预先建立好的疲劳驾驶决策模型的步骤之前，所述方法还包括：

建立初始模型；

获取样本，并对所述样本进行高斯模糊处理，得到模糊图像；

对所述模糊图像和所述样本分别进行减法处理，以得到不同的细节信息；

将多个所述细节信息加权到原图中，得到样本加强图像；

提取每个所述样本加强图像的SIFT特征，以得到图像的表征结果；

根据所述表征结果训练所述初始模型，以得到训练好的司机疲劳驾驶决策模型。

4.根据权利要求3所述的基于单幅图像的司机疲劳驾驶低耗识别方法，其特征在于，所述样本包括正训练样本和负训练样本，所述正训练样本为司机疲劳驾驶的图像，所述负训练样本为司机非疲劳驾驶的图像。

5.根据权利要求3所述的基于单幅图像的司机疲劳驾驶低耗识别方法，其特征在于，根据所述识别结果判断所述待检测图像是否为司机疲劳驾驶的图像的步骤包括：

计算所述待检测图像和所述样本的空间距离，以得到计算结果；

根据所述计算结果，多次查询所述空间距离与所述待检测图像的空间距离邻近的不同数量的所述样本及其类别，以得到多个判别结果；

比较多个所述判别结果，得到比较结果；

根据所述比较结果判断所述待检测图像是否为司机疲劳驾驶的图像。

6.一种基于单幅图像的司机疲劳驾驶低耗识别装置，其特征在于，包括：

图像获取模块，用于获取待检测图像；

图像识别模块，用于将所述待检测图像输入至预先建立好的司机疲劳驾驶决策模型，以得到识别结果；

图像判断模块，用于根据所述识别结果判断所述待检测图像是否为司机疲劳驾驶的图像。

7.根据权利要求6所述基于单幅图像的司机疲劳驾驶低耗识别装置，其特征在于，还包括图像加强模块，所述图像加强模块包括：

图像过滤单元，用于利用最小二乘滤波器对所述待检测图像进行过滤，以得到所述待检测图像的多个尺度图像；

尺度计算单元，用于对不同所述尺度图像进行计算，以得到多个细节信息；

加强图像获取单元，用于将所述细节信息加权到所述待检测图像中，以得到加强图像。

8.根据权利要求6所述基于单幅图像的司机疲劳驾驶低耗识别装置，其特征在于，所述图像判断模块包括：

空间距离计算单元，用于计算所述待检测图像和样本的空间距离，以得到计算结果；

判别单元，用于根据所述计算结果，多次查询所述空间距离与所述待检测图像的空间距离邻近的不同数量的所述样本及其类别，以得到多个判别结果；

比较单元，用于比较多个所述判别结果，得到比较结果；

判断单元，用于根据所述比较结果判断所述待检测图像是否为司机疲劳驾驶的图像。

9.一种电子设备，其特征在于，包括：

存储器，用于存储一个或多个程序；

处理器；

当所述一个或多个程序被所述处理器执行时，实现如权利要求1-5中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的方法。

Images