眼部睁闭状态检测方法、装置、电子设备及介质

1.一种眼部睁闭状态检测方法，其特征在于，包括：获取待检测眼部图像确定所述待检测眼部图像的眼睛纵横比信息，提取所述待检测眼部图像的HOG特征；将所述眼睛纵横比信息和所述HOG特征输入至目标支持向量机模型进行分类，确定所述待检测眼部图像对应的睁闭眼状态类别，所述目标支持向量机模型为粒子群算法优化的支持向量机模型；所述目标支持向量机模型通过如下方式训练：获取眼部图像样本；基于所述眼部图像样本的眼睛纵横比信息、所述眼部图像样本的HOG特征和所述眼部图像样本对应的睁闭眼状态类别，构建所述眼部图像样本对应的特征向量数据集；基于所述特征向量数据集，训练所述目标支持向量机模型；所述基于所述特征向量数据集，训练所述目标支持向量机模型，包括：基于粒子群优化算法，对所述特征向量数据集进行处理，得到最优参数；基于所述最优参数和所述特征向量数据集，训练所述目标支持向量机模型；所述提取所述待检测眼部图像的HOG特征，包括：计算所述待检测眼部图像中每个像素的梯度；将所述待检测眼部图像划分为方格区间，再将每个方格区间划分成多个小方格；统计每个小方格中的梯度分布直方图，得到每个小方格的描述子，统计每个像素的梯度方向分布，并按梯度大小加权投影到直方图中；将多个小方格组成一个方格区间；将每个小方格的描述子串联起来得到方格区间的HOG特征描述子；将该眼部图像中每个方格区间的描述串联起来得到所述待检测眼部图像的HOG特征；其中，提取HOG特征时，分别用[-1，0，1]梯度算子和[1，0，-1] T 梯度算子，对原眼部图像做卷积运算，得到水平方向和竖直方向的梯度分量；将所述待检测眼部图像划分为6 6像素的小方格，将3 3个小方格组成一个方格区间。 2.根据权利要求1所述的眼部睁闭状态检测方法，其特征在于，所述获取眼部图像样本，包括：获取人脸关键点图像数据集；将所述人脸关键点图像数据集输入至深度学习网络中进行眼部关键点检测，得到眼部图像数据集；对所述眼部图像数据集进行灰度化操作，得到所述眼部图像样本。 3.根据权利要求2所述的眼部睁闭状态检测方法，其特征在于，所述将所述人脸关键点图像数据集输入至深度学习网络中进行眼部关键点检测，得到眼部图像数据集，包括：将所述人脸关键点图像数据集输入至深度学习网络中进行特征提取，确定人脸鼻尖定位点和人脸框中线位置；基于所述人脸鼻尖定位点和所述人脸框中线位置，筛选出所述眼部图像数据集。 4.根据权利要求2或3所述的眼部睁闭状态检测方法，其特征在于，所述深度学习网络的主干特征提取网络为轻量化卷积网络特征提取器。 5.一种眼部睁闭状态检测装置，其特征在于，包括：第一获取模块，用于获取待检测眼部图像第一处理模块，用于确定所述待检测眼部图像的眼睛纵横比信息，提取所述待检测眼部图像的HOG特征；第一确定模块，用于将所述眼睛纵横比信息和所述HOG特征输入至目标支持向量机模型进行分类，确定所述待检测眼部图像对应的睁闭眼状态类别；所述目标支持向量机模型通过如下方式训练：获取眼部图像样本；基于所述眼部图像样本的眼睛纵横比信息、所述眼部图像样本的HOG特征和所述眼部图像样本对应的睁闭眼状态类别，构建所述眼部图像样本对应的特征向量数据集；基于所述特征向量数据集，训练所述目标支持向量机模型；所述基于所述特征向量数据集，训练所述目标支持向量机模型，包括：基于粒子群优化算法，对所述特征向量数据集进行处理，得到最优参数；基于所述最优参数和所述特征向量数据集，训练所述目标支持向量机模型；所述第一处理模块具体用于：计算所述待检测眼部图像中每个像素的梯度；将所述待检测眼部图像划分为方格区间，再将每个方格区间划分成多个小方格；统计每个小方格中的梯度分布直方图，得到每个小方格的描述子，统计每个像素的梯度方向分布，并按梯度大小加权投影到直方图中；将多个小方格组成一个方格区间；将每个小方格的描述子串联起来得到方格区间的HOG特征描述子；将该眼部图像中每个方格区间的描述串联起来得到所述待检测眼部图像的HOG特征；其中，提取HOG特征时，分别用[-1，0，1]梯度算子和[1，0，-1] T 梯度算子，对原眼部图像做卷积运算，得到水平方向和竖直方向的梯度分量；将所述待检测眼部图像划分为6 6像素的小方格，将3 3个小方格组成一个方格区间。 6.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述眼部睁闭状态检测方法。 7.一种非暂态计算机可读存储介质，其上存储有计算机程序，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4任一项所述眼部睁闭状态检测方法。 8.一种计算机程序产品，包括计算机程序，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4任一项所述眼部睁闭状态检测方法。