1.利用驾驶员眼部图像进行疲劳状态参量检测的方法，其特征在于，包括以下步骤：S01、构建一种先验高斯模型，用于表达眼部构造；S02、S01中所述先验高斯模型，对于每一个眼球或眼白，设定其二维分布如表达式；S03、设计Gauss EyeNet网络；S04、在S03步骤得到分割图后，求取疲劳状态参量；S01中构建的先验高斯模型，包括代表眼球分布概率密度的中间曲线、代表眼白分布概率密度的两侧曲线；将高斯模型结合UNet分割网络，组成一种Gauss EyeNet分割网络，用于应对结构化眼睛图像的分割；S02中所述先验高斯模型对于每一个眼球或眼白，其二维分布如表达式如f(x,y)所示，调整ρ，σ 1 ，σ 2 ，μ 1 和μ 2 的值，以使其适配眼睛结构的实际分布规律：Ω i ＝f i (x,y)*N；设计能量损失函数：能量损失函数由逐像素点的softmax损失联合交叉熵损失构成，其中t i 表示真实值，y i 表示softmax的结果，Ω i 表示某一类别的概率密度函数，N表示用于损失函数的特征图总点数，眼睑没有概率密度函数，设为1；S03中设计Gauss EyeNet网络，限制输入大小，为三级缩放结构；Gauss EyeNet网络使用步长为2卷积层替代了池化层，移除了典型UNet中因尺寸不一致带来的裁剪操作；同时在U型结构右半部分，中间两层添加了高斯模糊；最上面一层保留原始信息，以起到边缘精细化校正作用，根据分类类别，最终输出3个特征层；S04中求取疲劳状态参量时，将眼球和眼白边缘假设成两个椭圆曲线，并通过边缘点采样值拟合得到椭圆曲线的方程；一般椭圆方程为Ax 2 +Bxy+Cy 2 +Dx+Ey+F＝0,s.t.B 2 -4AC<0，令W＝[A,B,C,D,E,F] T ，X＝[x 2 ,xy,y 2 ,x,y,1] T ，优化min||W T X|| 2 ＝W T XX T W,s.t.W T HW＞0，其中H为6×6矩阵，满足4AC-B 2 ＞0；令W T HW＝1，构造拉格朗日函数L(W,λ)＝W T XX T W-λ(W T HW-1)，令 则 求取W的6个参数值；眼球和眼白椭圆的长轴和短轴比均可用于表达眼睛闭合度，近似得到眼睛闭合百分比表达式 其中α 1 ，α 2 为权重系数，L ball 和S ball 代表眼球椭圆的长轴和短轴，L white 和S white 代表眼白椭圆的长轴和短轴，Sigmoid函数将结果映射到0～1之间，公式为 设定闭眼阈值，通过视频流中PERCLOS的序列特性求取最长闭眼时间、眨眼频率、平均睁眼程度、特定闭眼时间对应的时间窗长度。
