本申请涉及目标检测，尤其涉及一种疲劳驾驶检测方法、装置、设备及存储介质。
背景技术：
1、疲劳驾驶严重危害驾驶员和他人的生命安全，因此实现高精度的疲劳驾驶检测是非常有必要的。传统技术中是通过机器学习的方法训练一个疲劳驾驶检测模型，利用该疲劳驾驶检测模型判断驾驶员的驾驶状态。对疲劳驾驶检测模型的训练，完全依赖于训练数据的数据量，传统技术只能通过大规模的训练数据提升疲劳驾驶检测模型的精度，而且提升效果还不明显，疲劳驾驶检测模型对于有些驾驶员图像的识别总是会出现错误。
技术实现思路
1、有鉴于此，本申请实施例提供了一种疲劳驾驶检测方法、装置、设备及存储介质，以解决现有技术中，只能通过大规模的训练数据提升疲劳驾驶检测模型的精度并且提升精度不理想的问题。
2、本申请实施例的第一方面，提供了一种疲劳驾驶检测方法，包括：获取训练数据集，其中，训练数据集包括各种疲劳程度下的多张驾驶员图像；提取各张驾驶员图像的图像特征，并基于每种疲劳程度下的各张驾驶员图像的图像特征计算该疲劳程度对应的类中心向量；计算每张驾驶员图像的图像特征和该驾驶员图像所属疲劳程度对应的类中心向量之间的特征距离；基于每张驾驶员图像对应的特征距离确定在对疲劳驾驶检测模型的训练中该驾驶员图像被使用的次数；按照各张驾驶员图像被使用的次数对疲劳驾驶检测模型进行训练。
3、本申请实施例的第二方面，提供了一种疲劳驾驶检测装置，包括：获取模块，被配置为获取训练数据集，其中，训练数据集包括各种疲劳程度下的多张驾驶员图像；第一计算模块，被配置为提取各张驾驶员图像的图像特征，并基于每种疲劳程度下的各张驾驶员图像的图像特征计算该疲劳程度对应的类中心向量；第二计算模块，被配置为计算每张驾驶员图像的图像特征和该驾驶员图像所属疲劳程度对应的类中心向量之间的特征距离；确定模块，被配置为基于每张驾驶员图像对应的特征距离确定在对疲劳驾驶检测模型的训练中该驾驶员图像被使用的次数；训练模块，被配置为按照各张驾驶员图像被使用的次数对疲劳驾驶检测模型进行训练。
4、本申请实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且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如上述方法的步骤。
5、本申请实施例的第四方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如权利要求上述任一项方法的步骤。
6、本申请实施例与现有技术相比存在的有益效果至少包括：通过计算每张驾驶员图像对应的特征距离，并基于每张驾驶员图像对应的特征距离确定在对疲劳驾驶检测模型的训练中该驾驶员图像被使用的次数，按照各张驾驶员图像被使用的次数对疲劳驾驶检测模型进行训练，所以，采用上述技术手段，可以解决现有技术中只能通过大规模的训练数据提升疲劳驾驶检测模型的精度并且提升精度不理想的问题，进而在不增加训练数据的情况下提升训练后疲劳驾驶检测模型的精度，提高疲劳驾驶检测的准确率。
1.一种疲劳驾驶检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于每张驾驶员图像对应的特征距离确定在对疲劳驾驶检测模型的训练中该驾驶员图像被使用的次数，包括：
3.根据权利要求1所述的方法，其特征在于，按照各张驾驶员图像被使用的次数对所述疲劳驾驶检测模型进行训练，包括：
4.根据权利要求1所述的方法，其特征在于，计算每张驾驶员图像的图像特征和该驾驶员图像所属疲劳程度对应的类中心向量之间的特征距离之后，所述方法还包括：
5.根据权利要求1所述的方法，其特征在于，通过如下公式计算第j种疲劳程度对应的类中心向量μj：
6.根据权利要求1所述的方法，其特征在于，按照各张驾驶员图像被使用的次数对所述疲劳驾驶检测模型进行训练，包括：
7.根据权利要求1所述的方法，其特征在于，按照各张驾驶员图像被使用的次数对所述疲劳驾驶检测模型进行训练，包括：
8.一种疲劳驾驶检测装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并且可在所述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如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
