本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于输出信息的方法和装置。
背景技术：
驾驶员处于疲劳状态时，注意力通常不能集中，遇到紧急状况时采取措施的反映也会变得迟钝，因此处于疲劳状态的驾驶员容易出现事故，造成人员伤亡和财务损失。目前的疲劳驾驶监测方法通常是在设定的场景中有效，难以在实际使用中对驾驶员的疲劳状态正确监测。
技术实现要素：
本申请实施例提出了用于输出信息的方法和装置。
第一方面，本申请实施例提供了一种用于输出信息的方法，该方法包括：获取驾驶员的经预处理后的证件照片；获取预设的类别标识集合，其中，类别标识具有对应的疲劳阈值和第一向量，上述第一向量中的各个分量用于表征人脸的不同部位在上述类别标识所指示的类别下的包括人脸的图像中所处的位置；基于上述证件照片和上述类别标识集合中的类别标识所对应的第一向量，在上述类别标识集合中确定目标类别标识；执行以下处理步骤：获取面向上述驾驶员采集的包括人脸的人脸图像；对于预设的人脸部位标识集合中的每个人脸部位标识，从上述人脸图像中提取出包括该人脸部位标识所指示的人脸部位的人脸部位区域，其中，该人脸部位标识与预设的状态标识集合中的状态标识相对应；对提取出的人脸部位区域进行分析，确定提取出的人脸部位区域所包括的人脸部位是否处于该人脸部位标识所对应的状态标识所指示的状态；如果当前时刻到达指定时间，则基于上述目标类别标识所对应的疲劳阈值以及在上述当前时刻的前预设时间段内提取出的人脸部位区域所包括的人脸部位所处的状态，确定上述驾驶员是否处于疲劳状态；响应于确定上述驾驶员处于疲劳状态，则输出提示信息；如果上述当前时刻没有到达上述指定时间，则继续执行上述处理步骤。
在一些实施例中，上述基于上述证件照片和上述类别标识集合中的类别标识所对应的第一向量，在上述类别标识集合中确定目标类别标识，包括：对上述证件照片进行分析，生成第二向量，其中，上述第二向量中的各个分量用于表征上述证件照片中的不同的人脸部位在上述证件照片中所处的位置；确定上述第二向量与上述类别标识集合中的每个类别标识所对应的第一向量之间的相似度，将与上述第二向量的相似度最高的第一向量所对应的类别标识确定为上述目标类别标识。
在一些实施例中，状态标识还具有对应的分值；以及上述基于上述目标类别标识所对应的疲劳阈值以及在上述当前时刻的前预设时间段内提取出的人脸部位区域所包括的人脸部位所处的状态，确定上述驾驶员是否处于疲劳状态，包括：从在上述当前时刻的前预设时间段内提取出的各个人脸部位区域中选取出目标人脸部位区域，计算出上述目标人脸部位区域所包括人脸部位所处的状态的状态标识所对应的分值的总和，其中，上述目标人脸部位区域所包括的人脸部位所处的状态是上述状态标识集合中的状态标识所指示的状态；确定上述总和是否低于上述目标类别标识所对应的疲劳阈值，若否，则确定上述驾驶员处于疲劳状态。
在一些实施例中，类别标识还具有对应的经预先训练的卷积神经网络组，上述卷积神经网络组中的各个卷积神经网络对应上述状态标识集合中的不同的状态标识，卷积神经网络还具有对应的概率阈值；对于任意一个卷积神经网络，该卷积神经网络用于表征人脸部位区域与该人脸部位区域所包括的人脸部位处于该卷积神经网络所对应的状态标识所指示的状态的概率之间的对应关系。
在一些实施例中，上述对提取出的人脸部位区域进行分析，确定提取出的人脸部位区域所包括的人脸部位是否处于该人脸部位标识所对应的状态标识所指示的状态，包括：将该人脸部位区域输入目标卷积神经网络，得到该人脸部位区域所包括的人脸部位处于上述目标卷积神经网络所对应的状态标识所指示的状态的概率，其中，上述目标卷积神经网络是与上述目标类别标识对应的卷积神经网络组中的、与该人脸部位标识所对应的状态标识相对应的卷积神经网络；确定所得的概率是否低于上述目标卷积神经网络所对应的概率阈值，若否，则确定该人脸部位区域所包括的人脸部位处于上述目标卷积神经网络所对应的状态标识所指示的状态。
在一些实施例中，对于任意一个类别标识所对应的卷积神经网络组中的与任意一个状态标识对应的卷积神经网络，该卷积神经网络是通过以下训练步骤训练得到的：获取预置的、同时与该类别标识和该状态标识对应的训练样本，其中，上述训练样本包括显示有与该状态标识对应的人脸部位标识所指示的人脸部位的样本图像和上述样本图像的标注，其中，上述标注包括用于指示上述样本图像中的人脸部位是否处于该状态标识所指示的状态的数据标记；利用机器学习方法，基于上述样本图像、上述数据标记、预设的分类损失函数和反向传播算法训练得到卷积神经网络。
在一些实施例中，对于任意一个类别标识，同时与该类别标识和上述状态标识集合中的状态标识对应的训练样本中的样本图像是通过以下步骤生成的：获取预置的与该类别标识对应的驾驶员标识集合，其中，驾驶员标识具有对应的视频标识对组，上述视频标识对组中的各个视频标识对对应上述状态标识集合中的不同的状态标识，对于每个视频标识对，该视频标识对包括第一视频标识和第二视频标识，上述第一视频标识所指示的视频中的图像显示与该视频标识对对应的状态标识相对应的人脸部位标识所指示的人脸部位处于该状态标识所指示的状态，上述第二视频标识所指示的视频中的图像显示该人脸部位未处于该状态；对于上述状态标识集合中的每个状态标识，从该状态标识所对应的第一视频标识和第二视频标识分别指示的视频所包括的图像中提取出包括该状态标识所对应的人脸部位标识所指示的人脸部位的人脸部位区域，基于提取出的人脸部位区域生成样本图像。
在一些实施例中，上述驾驶员标识集合归属于预设的驾驶员标识集合组，上述驾驶员标识集合组是通过以下步骤生成的：获取经预处理后的证件照片集合，其中，证件照片具有对应的驾驶员标识；对上述证件照片集合中的证件照片进行分析，生成与该证件照片对应的特征向量，其中，该特征向量中的各个分量用于表征该证件照片所包括的不同的人脸部位在该证件照片中所处的位置；基于所生成的各个特征向量，对上述证件照片集合中的证件照片进行聚类，得到至少一个类簇，并为每个类簇设置类别标识；将处于同一个类簇的证件照片所对应的驾驶员标识归入同一个驾驶员标识集合，建立该类簇的类别标识与该驾驶员标识集合之间的对应关系；将所得的各个驾驶员标识集合组成上述驾驶员标识集合组。
在一些实施例中，类别标识所对应的第一向量是通过以下步骤生成的：对于该类别标识所对应的类簇，对该类簇中的各个证件照片分别对应的特征向量中的对应位置的分量的值求平均值，将求出的平均值生成该类别标识所对应的第一向量。
第二方面，本申请实施例提供了一种用于输出信息的装置，该装置包括：第一获取单元，配置用于获取驾驶员的经预处理后的证件照片；第二获取单元，获取预设的类别标识集合，其中，类别标识具有对应的疲劳阈值和第一向量，上述第一向量中的各个分量用于表征人脸的不同部位在上述类别标识所指示的类别下的包括人脸的图像中所处的位置；确定单元，配置用于基于上述证件照片和上述类别标识集合中的类别标识所对应的第一向量，在上述类别标识集合中确定目标类别标识；第一处理单元，配置用于执行以下处理步骤：获取面向上述驾驶员采集的包括人脸的人脸图像；对于预设的人脸部位标识集合中的每个人脸部位标识，从上述人脸图像中提取出包括该人脸部位标识所指示的人脸部位的人脸部位区域，其中，该人脸部位标识与预设的状态标识集合中的状态标识相对应；对提取出的人脸部位区域进行分析，确定提取出的人脸部位区域所包括的人脸部位是否处于该人脸部位标识所对应的状态标识所指示的状态；如果当前时刻到达指定时间，则基于上述目标类别标识所对应的疲劳阈值以及在上述当前时刻的前预设时间段内提取出的人脸部位区域所包括的人脸部位所处的状态，确定上述驾驶员是否处于疲劳状态；响应于确定上述驾驶员处于疲劳状态，则输出提示信息；第二处理单元，配置用于如果上述当前时刻没有到达上述指定时间，则继续执行上述处理步骤。
在一些实施例中，上述确定单元包括：生成子单元，配置用于对上述证件照片进行分析，生成第二向量，其中，上述第二向量中的各个分量用于表征上述证件照片中的不同的人脸部位在上述证件照片中所处的位置；第一确定子单元，配置用于确定上述第二向量与上述类别标识集合中的每个类别标识所对应的第一向量之间的相似度，将与上述第二向量的相似度最高的第一向量所对应的类别标识确定为上述目标类别标识。
在一些实施例中，状态标识还具有对应的分值；以及上述第一处理单元包括：计算子单元，配置用于从在上述当前时刻的前预设时间段内提取出的各个人脸部位区域中选取出目标人脸部位区域，计算出上述目标人脸部位区域所包括人脸部位所处的状态的状态标识所对应的分值的总和，其中，上述目标人脸部位区域所包括的人脸部位所处的状态是上述状态标识集合中的状态标识所指示的状态；第二确定子单元，配置用于确定上述总和是否低于上述目标类别标识所对应的疲劳阈值，若否，则确定上述驾驶员处于疲劳状态。
在一些实施例中，类别标识还具有对应的经预先训练的卷积神经网络组，上述卷积神经网络组中的各个卷积神经网络对应上述状态标识集合中的不同的状态标识，卷积神经网络还具有对应的概率阈值；对于任意一个卷积神经网络，该卷积神经网络用于表征人脸部位区域与该人脸部位区域所包括的人脸部位处于该卷积神经网络所对应的状态标识所指示的状态的概率之间的对应关系。
在一些实施例中，上述第一处理单元包括：输入子单元，配置用于将该人脸部位区域输入目标卷积神经网络，得到该人脸部位区域所包括的人脸部位处于上述目标卷积神经网络所对应的状态标识所指示的状态的概率，其中，上述目标卷积神经网络是与上述目标类别标识对应的卷积神经网络组中的、与该人脸部位标识所对应的状态标识相对应的卷积神经网络；第三确定子单元，配置用于确定所得的概率是否低于上述目标卷积神经网络所对应的概率阈值，若否，则确定该人脸部位区域所包括的人脸部位处于上述目标卷积神经网络所对应的状态标识所指示的状态。
在一些实施例中，对于任意一个类别标识所对应的卷积神经网络组中的与任意一个状态标识对应的卷积神经网络，该卷积神经网络是通过以下训练步骤训练得到的：获取预置的、同时与该类别标识和该状态标识对应的训练样本，其中，上述训练样本包括显示有与该状态标识对应的人脸部位标识所指示的人脸部位的样本图像和上述样本图像的标注，其中，上述标注包括用于指示上述样本图像中的人脸部位是否处于该状态标识所指示的状态的数据标记；利用机器学习方法，基于上述样本图像、上述数据标记、预设的分类损失函数和反向传播算法训练得到卷积神经网络。
在一些实施例中，对于任意一个类别标识，同时与该类别标识和上述状态标识集合中的状态标识对应的训练样本中的样本图像是通过以下步骤生成的：获取预置的与该类别标识对应的驾驶员标识集合，其中，驾驶员标识具有对应的视频标识对组，上述视频标识对组中的各个视频标识对对应上述状态标识集合中的不同的状态标识，对于每个视频标识对，该视频标识对包括第一视频标识和第二视频标识，上述第一视频标识所指示的视频中的图像显示与该视频标识对对应的状态标识相对应的人脸部位标识所指示的人脸部位处于该状态标识所指示的状态，上述第二视频标识所指示的视频中的图像显示该人脸部位未处于该状态；对于上述状态标识集合中的每个状态标识，从该状态标识所对应的第一视频标识和第二视频标识分别指示的视频所包括的图像中提取出包括该状态标识所对应的人脸部位标识所指示的人脸部位的人脸部位区域，基于提取出的人脸部位区域生成样本图像。
在一些实施例中，上述驾驶员标识集合归属于预设的驾驶员标识集合组，上述驾驶员标识集合组是通过以下步骤生成的：获取经预处理后的证件照片集合，其中，证件照片具有对应的驾驶员标识；对上述证件照片集合中的证件照片进行分析，生成与该证件照片对应的特征向量，其中，该特征向量中的各个分量用于表征该证件照片所包括的不同的人脸部位在该证件照片中所处的位置；基于所生成的各个特征向量，对上述证件照片集合中的证件照片进行聚类，得到至少一个类簇，并为每个类簇设置类别标识；将处于同一个类簇的证件照片所对应的驾驶员标识归入同一个驾驶员标识集合，建立该类簇的类别标识与该驾驶员标识集合之间的对应关系；将所得的各个驾驶员标识集合组成上述驾驶员标识集合组。
在一些实施例中，类别标识所对应的第一向量是通过以下步骤生成的：对于该类别标识所对应的类簇，对该类簇中的各个证件照片分别对应的特征向量中的对应位置的分量的值求平均值，将求出的平均值生成该类别标识所对应的第一向量。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当上述一个或多个程序被上述一个或多个处理器执行，使得上述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存储介质，其上存储有计算机程序，上述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输出信息的方法和装置，通过获取驾驶员的经预处理后的证件照片以及预设的类别标识集合，以便基于该证件照片和该类别标识集合中的类别标识所对应的第一向量，在该类别标识集合中确定目标类别标识。而后通过执行以下处理步骤以便在检测到驾驶人员处于疲劳状态时输出提示信息：获取面向驾驶员采集的包括人脸的人脸图像；对于预设的人脸部位标识集合中的每个人脸部位标识，从人脸图像中提取出包括该人脸部位标识所指示的人脸部位的人脸部位区域，其中，该人脸部位标识与预设的状态标识集合中的状态标识相对应；对提取出的人脸部位区域进行分析，确定提取出的人脸部位区域所包括的人脸部位是否处于该人脸部位标识所对应的状态标识所指示的状态；如果当前时刻到达指定时间，则基于目标类别标识所对应的疲劳阈值以及在当前时刻的前预设时间段内提取出的人脸部位区域所包括的人脸部位所处的状态，确定驾驶员是否处于疲劳状态；响应于确定驾驶员处于疲劳状态，则输出提示信息。如果当前时刻没有达到指定时间，则可以继续执行该处理步骤。从而有效利用了对目标类别标识的确定、以及对在上述预设时间段内提取出的人脸部位区域所包括的人脸部位所处的状态的确定，实现了对驾驶员是否处于疲劳状态的检测，并在检测出驾驶员处于疲劳状态时输出提示信息，可以实现富于针对性的信息输出。
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；
图2是根据本申请的用于输出信息的方法的一个实施例的流程图；
图3是根据本申请的用于输出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输出信息的装置的一个实施例的结构示意图；
图5是适于用来实现本申请实施例的电子设备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输出信息的方法或用于输出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可以包括图像采集装置101，网络102和信息处理设备103。网络102用以在图像采集装置101和信息处理设备103之间提供通信链路的介质。网络102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。
图像采集装置101可以是用于采集图像的装置，例如摄像头等。图像采集装置101可以安装在驾驶员所驾驶的车辆内且位于驾驶员的前方。图像采集装置101可以面向驾驶员实时采集包括人脸的人脸图像，并将该人脸图像发送至信息处理设备103。
信息处理设备103可以是车载终端，该车载终端可以接收图像采集装置101发送的人脸图像，并对该人脸图像进行分析等处理。
需要说明的是，本申请实施例所提供的用于输出信息的方法一般由信息处理设备103执行，相应地，用于输出信息的装置一般设置于信息处理设备103中。
应该理解，图1中的图像采集装置、网络和信息处理设备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图像采集装置、网络和信息处理设备。
继续参考图2，示出了根据本申请的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法的流程200，包括以下步骤：
步骤201，获取驾驶员的经预处理后的证件照片。
在本实施例中，用于输出信息的方法运行于其上的电子设备(例如图1所示的信息处理设备103)可以通过有线连接方式或者无线连接方式从所连接的服务器获取驾驶员的经预处理后的证件照片。当然，上述电子设备也可以本地获取该证件照片，本实施例不对此方面内容做任何限定。
这里，上述证件照片可以是上述驾驶员的身份证或驾驶证等证件使用的照片。另外，预处理可以包括以下至少一项：按照预设尺寸进行裁剪、降噪、二值化。其中，图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。
在本实施例的一些可选的实现方式中，上述电子设备可以在上述驾驶员所驾驶的车辆起步前获取上述证件照片。
步骤202，获取预设的类别标识集合。
在本实施例中，上述电子设备可以从本地或上述服务器获取预设的类别标识集合。其中，类别标识可以是包括人脸的图像所归属的类别的标识。类别标识可以具有对应的疲劳阈值和第一向量。对于任意一个类别标识所对应的第一向量，该第一向量中的各个分量可以用于表征人脸的不同部位(例如左眉毛、右眉毛、左眼睛、右眼睛、鼻子、嘴巴、面部轮廓等)在该类别标识所指示的类别下的包括人脸的图像中所处的位置。
步骤203，基于证件照片和类别标识集合中的类别标识所对应的第一向量，在类别标识集合中确定目标类别标识。
在本实施例中，上述电子设备可以基于上述证件照片和上述类别标识集合中的类别标识所对应的第一向量，在上述类别标识集合中确定目标类别标识。作为示例，上述证件照片可以具有对应的照片标识。上述电子设备本地可以预先存储有用于表征照片标识和第一向量之间的对应关系的对应关系表。上述电子设备可以在该对应关系表中查找与上述证件照片所对应的照片标识相关联的第一向量，将查找到的第一向量所对应的类别标识作为目标类别标识。
在本实施例的一些可选的实现方式中，上述电子设备可以先对上述证件照片进行分析，生成第二向量。其中，该第二向量中的各个分量可以用于表征上述证件照片中的不同的人脸部位在上述证件照片中所处的位置。之后上述电子设备可以确定该第二向量与上述类别标识集合中的每个类别标识所对应的第一向量之间的相似度，将与该第二向量的相似度最高的第一向量所对应的类别标识确定为目标类别标识。这里，该第二向量与第一向量可以具有相同的维度。该第二向量与任意一个第一向量中的对应位置上的分量可以对应相同的人脸部位。
需要指出的是，上述电子设备可以利用预设的用于检测人脸的算法(例如基于harr特征的adaboost算法等)在上述证件照片中检测出人脸区域；接着在该人脸区域中进行眼睛、眉毛、鼻子、嘴巴、面部轮廓的定位；然后再基于定位结果生成上述第二向量。这里，harr特征可以称为矩形特征。adaboost是一种迭代算法，adaboost算法的实现采用的是输入图像的矩形特征。由于adaboost算法是目前广泛研究和应用的公知技术，在此不再赘述。
另外，上述电子设备可以采用任意一种用于计算向量之间的相似度的算法(例如余弦相似度算法或欧氏距离等)来确定上述第二向量与任意一个第一向量之间的相似度。
步骤204，执行处理步骤。
在本实施例中，上述电子设备在确定目标类别标识后，上述电子设备可以执行处理步骤。其中，该处理步骤可以包括步骤2041-2045。
步骤2041，获取面向上述驾驶员采集的包括人脸的人脸图像。
步骤2042，对于预设的人脸部位标识集合中的每个人脸部位标识，从上述人脸图像中提取出包括该人脸部位标识所指示的人脸部位的人脸部位区域。
步骤2043，对提取出的人脸部位区域进行分析，确定提取出的人脸部位区域所包括的人脸部位是否处于该人脸部位标识所对应的状态标识所指示的状态。
步骤2044，如果当前时刻到达指定时间，则基于上述目标类别标识所对应的疲劳阈值以及在该当前时刻的前预设时间段(例如前一分钟等)内提取出的人脸部位区域所包括的人脸部位所处的状态，确定上述驾驶员是否处于疲劳状态。
步骤2045，响应于确定上述驾驶员处于疲劳状态，则输出提示信息。
在步骤2041中，上述电子设备可以从所连接的图像采集装置(例如图1所示的图像采集装置101)实时获取人脸图像。该图像采集装置可以在车辆行驶过程中面向上述驾驶员实时采集图像。
在步骤2042中，人脸部位标识所指示的人脸部位可以是眼睛、嘴巴或面部。另外，人脸部位标识可以与预设的状态标识集合中的状态标识相对应。该状态标识集合中的状态标识所指示的状态可以是以下中的一个：闭眼、张嘴、抬头、低头。与所指示的人脸部位为眼睛的人脸部位标识对应的状态标识所指示的状态可以是闭眼。与所指示的人脸部位为嘴巴的人脸部位标识对应的状态标识所指示的状态可以是张嘴。这里，所指示的人脸部位为面部的人脸部位标识可对应至少一个状态标识。该至少一个状态标识可以包括所指示的状态为低头的状态标识和/或所指示的状态为抬头的状态标识。
需要指出的是，上述电子设备可以利用上述用于检测人脸的算法在上述人脸图像中先检测出人脸区域，再在该人脸区域中进行眼睛、嘴巴、面部轮廓的定位，然后基于定位结果从该人脸区域中提取人脸部位区域，例如包括眼睛的人脸部位区域、包括嘴巴的人脸部位区域、包括面部的人脸部位区域等。
在步骤2043中，上述电子设备可以对提取出的人脸部位区域进行分析，确定提取出的人脸部位区域所包括的人脸部位是否处于相关联的状态标识(即与该人脸部位对应的人脸部位标识所对应的状态标识)所指示的状态。作为示例，上述电子设备本地可以预先存储有用于表征人脸部位图像与状态标识之间的对应关系的对应关系表，其中，该人脸部位图像所包括的人脸部位是该人脸部位标识所指示的人脸部位。上述电子设备可以在该对应关系表中查找与该人脸部位区域匹配的目标人脸部位图像，将该目标人脸部位图像所对应的状态标识所指示的状态确定为该人脸部位区域所包括的人脸部位所处的状态。
在步骤2044中，预设时间段的长度例如可以是1分钟等，上述电子设备例如可以每隔一分钟确定一次上述驾驶员是否处于疲劳状态。上述指定时间可以是当前时间段的下一时间段的起始时刻。需要指出的是，疲劳阈值可以指次数阈值。上述电子设备可以通过将上述驾驶人员在上述预设时间段内出现的上述状态标识集合中的状态标识所指示的状态的次数与该次数阈值进行比较，若该次数不低于该次数阈值，则上述电子设备可以确定上述驾驶人员处于疲劳状态。这里，上述电子设备可以从在上述预设时间段内提取出的各个人脸部位区域中选取出目标人脸部位区域，将该目标人脸部位区域的总数目确定为该次数。其中，该目标人脸部位区域所包括的人脸部位所处的状态是上述状态标识集合中的状态标识所指示的状态。
在步骤2045中，上述电子设备所输出的提示信息可以是语音提示信息，也可以是文本提示信息，本实施例不对此方面内容做任何限定。上述电子设备通过输出该提示信息，可以提醒上述驾驶员注意安全驾驶，可以使上述驾驶员尽可能地避免发生车祸等危险事故。
在本实施例的一些可选的实现方式中，上述电子设备执行完步骤2045后，可以转到步骤2041继续执行后续的流程。
在本实施例的一些可选的实现方式中，当上述驾驶员驾驶的车辆停车后，上述电子设备可以停止执行上述处理步骤，意味着可以结束信息处理流程。
在本实施例的一些可选的实现方式中，状态标识还可以具有对应的分值。疲劳阈值可指总和阈值。上述电子设备可以从在上述预设时间段内提取出的各个人脸部位区域中选取出上述目标人脸部位区域，计算出上述目标人脸部位区域所包括人脸部位所处的状态的状态标识所对应的分值的总和。然后上述电子设备可以确定该总和是否低于上述目标类别标识所对应的疲劳阈值，若否，则上述电子设备可以确定上述驾驶员处于疲劳状态。这里，状态标识所对应的分值可以是根据驾驶员的危险程度设置的。例如，闭眼和低头的危险程度较高，张嘴(可以表征驾驶员在打哈欠)的危险程度次高，那么闭眼和低头状态分别对应的状态标识所对应的分值可以均为3，张嘴状态分别对应的状态标识所对应的分值可以为2。当然，状态标识所对应的分值是可以根据实际需要进行调整的，本实施例不对此方面内容做任何限定。
另外，类别标识所对应的疲劳阈值还可以是基于大量的与该类别标识相关联的驾驶员标识分别指示的驾驶员在一定时间段内的疲劳情况而设置的。
在本实施例的一些可选的实现方式中，类别标识还可以具有对应的经预先训练的卷积神经网络组，该卷积神经网络组中的各个卷积神经网络可以对应上述状态标识集合中的不同的状态标识。卷积神经网络还可以具有对应的概率阈值。对于任意一个卷积神经网络，该卷积神经网络可以用于表征人脸部位区域与该人脸部位区域所包括的人脸部位处于该卷积神经网络所对应的状态标识所指示的状态的概率之间的对应关系。需要指出的是，卷积神经网络所对应的概率阈值可以是基于该卷积神经网络在训练过程中针对反例样本图像(所包括的人脸部位未处于该卷积神经网络所对应的状态标识所指示的状态的样本图像)进行概率预测时输出的概率进行设置的。
实践中，卷积神经网络(convolutionalneuralnetwork，cnn)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于图像处理有出色表现。需要说明的是，任意一个卷积神经网络组中的任意一个卷积神经网络可以是利用机器学习方法和训练样本对现有的深度卷积神经网络(例如densebox、vggnet、resnet、segnet等)进行有监督训练而得到的。
需要指出的是，对于任意一个卷积神经网络组中的任意一个卷积神经网络，该卷积神经网络可以包括至少一个卷积层、至少一个最大池化层、至少一个dropout层和至少一个全连接层。例如，该卷积神经网络可以包括3个卷积层、3个最大池化层、3个dropout层和两个全连接层。其中，该两个全连接层中的一个全连接层可以用于输出概率值，该全连接层可以设置有分类函数(例如softmax分类函数)。这里，dropout层可以用于防止卷积神经网络过拟合等。需要说明的是，该3个卷积层可以包括卷积核大小为3×3且深度为32的第一卷积层、卷积核大小为3×3且深度为64的第二卷积层、卷积核大小为3×3且深度为64的第三卷积层。任意一个最大池化层可以为2×2的最大池化层。另外，任意一个卷积层后面可以连接有上述3个最大池化层中的一个最大池化层。而且任意一个最大池化层后面可以连接有上述3个dropout层中的一个dropout层。
在本实施例的一些可选的实现方式中，上述电子设备可以将从上述人脸图像中提取出的人脸部位区域输入目标卷积神经网络，得到该人脸部位区域所包括的人脸部位处于该目标卷积神经网络所对应的状态标识所指示的状态的概率。其中，该目标卷积神经网络可以是与上述目标类别标识对应的卷积神经网络组中的、与该人脸部位的人脸部位标识所对应的状态标识相对应的卷积神经网络。上述电子设备可以确定所得的概率是否低于该目标卷积神经网络所对应的概率阈值，若否，则上述电子设备可以确定该人脸部位区域所包括的人脸部位处于该目标卷积神经网络所对应的状态标识所指示的状态。
在本实施例的一些可选的实现方式中，对于任意一个类别标识所对应的卷积神经网络组中的与任意一个状态标识对应的卷积神经网络，该卷积神经网络可以是上述电子设备或上述服务器通过执行以下训练步骤训练得到的：获取预置的、同时与该类别标识和该状态标识对应的训练样本，其中，该训练样本可以包括显示有与该状态标识对应的人脸部位标识所指示的人脸部位的样本图像和该样本图像的标注，其中，该标注可以包括用于指示该样本图像中的人脸部位是否处于该状态标识所指示的状态的数据标记(例如数字0或1，0可以表示该人脸部位未处于该状态，1可以表示该人脸部位处于该状态)；利用机器学习方法，基于该样本图像、该数据标记、预设的分类损失函数和反向传播算法训练得到卷积神经网络。该分类损失函数可以是各种用于分类的损失函数(例如hingeloss函数或softmaxloss函数等)。在训练过程中，分类损失函数可以约束卷积核修改的方式和方向，训练的目标为使分类损失函数的值最小。
需要说明的是，上述反向传播算法(backpropgationalgorithm，bp算法)也可称为误差反向传播(errorbackpropagation，bp)算法，或误差逆传播算法。bp算法是由学习过程由信号的正向传播与误差的反向传播两个过程组成。在前馈网络中，输入信号经输入层输入，通过隐层计算由输出层输出，输出值与标记值比较，若有误差，将误差反向由输出层向输入层传播，在这个过程中，可以利用梯度下降算法对神经元权值(例如卷积层中卷积核的参数等)进行调整。此处，上述分类损失函数即可用于表征输出值与标记值的误差。
在本实施例的一些可选的实现方式中，对于任意一个类别标识，同时与该类别标识和上述状态标识集合中的状态标识对应的训练样本中的样本图像可以是上述电子设备或上述服务器通过执行以下步骤生成的：获取预置的与该类别标识对应的驾驶员标识集合，其中，驾驶员标识可以具有对应的视频标识对组，该视频标识对组中的各个视频标识对可以对应上述状态标识集合中的不同的状态标识，对于每个视频标识对，该视频标识对可以包括第一视频标识和第二视频标识，该第一视频标识所指示的视频中的图像可以显示与该视频标识对对应的状态标识相对应的人脸部位标识所指示的人脸部位处于该状态标识所指示的状态，该第二视频标识所指示的视频中的图像可以显示该人脸部位未处于该状态；对于上述状态标识集合中的每个状态标识，从该状态标识所对应的第一视频标识和第二视频标识分别指示的视频所包括的图像中提取出包括该状态标识所对应的人脸部位标识所指示的人脸部位的人脸部位区域，基于提取出的人脸部位区域生成样本图像。
这里，该人脸部位区域可以作为人脸部位图像。为了增大样本图像的数量，可以对至少一个人脸部位图像进行亮度等处理，以生成新的人脸部位图像。上述电子设备或上述服务器可以将该人脸部位区域和该新的人脸部位图像生成样本图像。
需要指出的是，任意一个视频标识对中的任意一个视频标识所指示的视频可以是帧数大于预设数值(例如50000等)的视频。
在本实施例的一些可选的实现方式中，上述驾驶员标识集合可以归属于预设的驾驶员标识集合组。上述驾驶员标识集合组可以是上述电子设备或上述服务器通过执行以下步骤生成的：
首先，获取经预处理后的证件照片集合，其中，证件照片可以具有对应的驾驶员标识。该预处理可以包括以下至少一项：按照上述预设尺寸进行裁剪、降噪、二值化。这里，证件照片可以是身份证或驾驶证等证件所使用的照片。采用证件照片的原因是证件照片质量较高，因为证件照片比较规范，五官清晰，拍摄时都处于正常状态。
之后，对该证件照片集合中的证件照片进行分析，生成与该证件照片对应的特征向量。其中，该特征向量中的各个分量可以用于表征该证件照片所包括的不同的人脸部位在该证件照片中所处的位置。需要说明的是，对于该特征向量的生成方法，可参考上述第二向量的生成方法，在此不再赘述。
而后，基于所生成的各个特征向量，对该证件照片集合中的证件照片进行聚类，得到至少一个类簇，并为每个类簇设置类别标识。这里，上述电子设备或上述服务器可以采用任意一种聚类方法(例如合成聚类(agglomerativehierarchicalclustering，ahc)或k均值(k-means)等)对该证件照片集合中的证件照片进行聚类。ahc是层次聚类法的一种，其基本思想是：把单个的文献看做一个个的类，然后利用不同的方法进行合并，使类的数目逐渐减少，直到最后为一个类或聚到所需的类数。k-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。需要指出的是，上述电子设备或上述服务器上可以预先设置有拥有软硬件资源的用于生成类簇的类别标识的线程。上述电子设备或上述服务器可以利用该线程生成类别标识，并将所生成的类别标识设置为类簇的类别标识。
然后，将处于同一个类簇的证件照片所对应的驾驶员标识归入同一个驾驶员标识集合，建立该类簇的类别标识与该驾驶员标识集合之间的对应关系。作为示例，上述电子设备或上述服务器可以利用预设的标识生成算法生成标识，并将生成的标识设置为该驾驶员标识集合的标识。上述电子设备或上述服务器可以使用包含该驾驶员标识集合的标识和该类别标识的信息来表征该类别标识和该驾驶员标识集合之间的对应关系。
最后，将所得的各个驾驶员标识集合组成上述驾驶员标识集合组。
在本实施例的一些可选的实现方式中，类别标识所对应的第一向量可以是通过以下步骤生成的：对于该类别标识所对应的类簇，对该类簇中的各个证件照片分别对应的特征向量中的对应位置的分量的值求平均值，将求出的平均值生成该类别标识所对应的第一向量。其中，求出的每个平均值在所在第一向量中所处的位置与该平均值所对应的特征向量中的分量的位置相同。
步骤205，如果当前时刻没有到达指定时间，则继续执行处理步骤。
在本实施例中，如果上述当前时刻没有到达上述指定时间，则上述电子设备可以继续执行上述处理步骤。
继续参见图3，图3是根据本实施例的用于输出信息的方法的应用场景的一个示意图。在图3的应用场景中，预设时间段的长度可以是1分钟。如标号301所示，信息处理设备可以本地获取驾驶员a的经预处理后的证件照片。之后，如标号302所示，上述信息处理设备可以本地获取预设的类别标识集合，其中，类别标识具有对应的疲劳阈值和第一向量。接着，如标号303所示，上述信息处理设备可以基于上述证件照片和上述类别标识集合中的类别标识所对应的第一向量，在上述类别标识集合中确定目标类别标识b。然后，如标号304所示，上述信息处理设备可以执行处理步骤以确定驾驶员a在预设时间段内是否处于疲劳状态，并在确定驾驶员a在该预设时间段内处于疲劳状态时输出提示信息。其中，处理步骤可以包括：获取所连接的图像采集装置面向驾驶员a采集的包括人脸的人脸图像；对于预设的人脸部位标识集合中的每个人脸部位标识，从上述人脸图像中提取出包括该人脸部位标识所指示的人脸部位的人脸部位区域，其中，该人脸部位标识与预设的状态标识集合中的状态标识相对应；对提取出的人脸部位区域进行分析，确定提取出的人脸部位区域所包括的人脸部位是否处于该人脸部位标识所对应的状态标识所指示的状态；如果当前时刻到达指定时间，则基于目标类别标识b所对应的疲劳阈值以及在上述当前时刻的前预设时间段(即前一分钟)内提取出的人脸部位区域所包括的人脸部位所处的状态，确定驾驶员a是否处于疲劳状态；响应于确定驾驶员a处于疲劳状态，则输出提示信息。如标号305所示，如果上述当前时刻没有到达上述指定时间，则上述信息处理设备可以继续执行上述处理步骤。
本申请的上述实施例提供的方法，有效利用了对目标类别标识的确定、以及对在上述预设时间段内提取出的人脸部位区域所包括的人脸部位所处的状态的确定，实现了对驾驶员是否处于疲劳状态的检测，并在检测出驾驶员处于疲劳状态时输出提示信息，可以实现富于针对性的信息输出。
进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于输出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4所示，本实施例所示的用于输出信息的装置400包括：第一获取单元401、第二获取单元402、确定单元403、第一处理单元404和第二处理单元405。其中，第一获取单元401配置用于获取驾驶员的经预处理后的证件照片；第二获取单元402获取预设的类别标识集合，其中，类别标识具有对应的疲劳阈值和第一向量，上述第一向量中的各个分量用于表征人脸的不同部位在上述类别标识所指示的类别下的包括人脸的图像中所处的位置；确定单元403配置用于基于上述证件照片和上述类别标识集合中的类别标识所对应的第一向量，在上述类别标识集合中确定目标类别标识；第一处理单元404配置用于执行以下处理步骤：获取面向上述驾驶员采集的包括人脸的人脸图像；对于预设的人脸部位标识集合中的每个人脸部位标识，从上述人脸图像中提取出包括该人脸部位标识所指示的人脸部位的人脸部位区域，其中，该人脸部位标识与预设的状态标识集合中的状态标识相对应；对提取出的人脸部位区域进行分析，确定提取出的人脸部位区域所包括的人脸部位是否处于该人脸部位标识所对应的状态标识所指示的状态；如果当前时刻到达指定时间，则基于上述目标类别标识所对应的疲劳阈值以及在上述当前时刻的前预设时间段内提取出的人脸部位区域所包括的人脸部位所处的状态，确定上述驾驶员是否处于疲劳状态；响应于确定上述驾驶员处于疲劳状态，则输出提示信息；第二处理单元405配置用于如果上述当前时刻没有到达上述指定时间，则继续执行上述处理步骤。
在本实施例中，用于输出信息的装置400中：第一获取单元401、第二获取单元402、确定单元403、第一处理单元404和第二处理单元405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、步骤204和步骤205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，上述确定单元403可以包括：生成子单元(图中未示出)，配置用于对上述证件照片进行分析，生成第二向量，其中，上述第二向量中的各个分量可以用于表征上述证件照片中的不同的人脸部位在上述证件照片中所处的位置；第一确定子单元(图中未示出)，配置用于确定上述第二向量与上述类别标识集合中的每个类别标识所对应的第一向量之间的相似度，将与上述第二向量的相似度最高的第一向量所对应的类别标识确定为上述目标类别标识。
在本实施例的一些可选的实现方式中，状态标识还可以具有对应的分值；以及上述第一处理单元404可以包括：计算子单元(图中未示出)，配置用于从在上述当前时刻的前预设时间段内提取出的各个人脸部位区域中选取出目标人脸部位区域，计算出上述目标人脸部位区域所包括人脸部位所处的状态的状态标识所对应的分值的总和，其中，上述目标人脸部位区域所包括的人脸部位所处的状态可以是上述状态标识集合中的状态标识所指示的状态；第二确定子单元(图中未示出)，配置用于确定上述总和是否低于上述目标类别标识所对应的疲劳阈值，若否，则确定上述驾驶员处于疲劳状态。
在本实施例的一些可选的实现方式中，类别标识还可以具有对应的经预先训练的卷积神经网络组，上述卷积神经网络组中的各个卷积神经网络可以对应上述状态标识集合中的不同的状态标识，卷积神经网络还可以具有对应的概率阈值；对于任意一个卷积神经网络，该卷积神经网络可以用于表征人脸部位区域与该人脸部位区域所包括的人脸部位处于该卷积神经网络所对应的状态标识所指示的状态的概率之间的对应关系。
在本实施例的一些可选的实现方式中，上述第一处理单元404可以包括：输入子单元(图中未示出)，配置用于将该人脸部位区域输入目标卷积神经网络，得到该人脸部位区域所包括的人脸部位处于上述目标卷积神经网络所对应的状态标识所指示的状态的概率，其中，上述目标卷积神经网络可以是与上述目标类别标识对应的卷积神经网络组中的、与该人脸部位标识所对应的状态标识相对应的卷积神经网络；第三确定子单元(图中未示出)，配置用于确定所得的概率是否低于上述目标卷积神经网络所对应的概率阈值，若否，则确定该人脸部位区域所包括的人脸部位处于上述目标卷积神经网络所对应的状态标识所指示的状态。
在本实施例的一些可选的实现方式中，对于任意一个类别标识所对应的卷积神经网络组中的与任意一个状态标识对应的卷积神经网络，该卷积神经网络可以是通过以下训练步骤训练得到的：获取预置的、同时与该类别标识和该状态标识对应的训练样本，其中，上述训练样本可以包括显示有与该状态标识对应的人脸部位标识所指示的人脸部位的样本图像和上述样本图像的标注，其中，上述标注可以包括用于指示上述样本图像中的人脸部位是否处于该状态标识所指示的状态的数据标记；利用机器学习方法，基于上述样本图像、上述数据标记、预设的分类损失函数和反向传播算法训练得到卷积神经网络。
在本实施例的一些可选的实现方式中，对于任意一个类别标识，同时与该类别标识和上述状态标识集合中的状态标识对应的训练样本中的样本图像可以是通过以下步骤生成的：获取预置的与该类别标识对应的驾驶员标识集合，其中，驾驶员标识可以具有对应的视频标识对组，上述视频标识对组中的各个视频标识对可以对应上述状态标识集合中的不同的状态标识，对于每个视频标识对，该视频标识对可以包括第一视频标识和第二视频标识，上述第一视频标识所指示的视频中的图像可以显示与该视频标识对对应的状态标识相对应的人脸部位标识所指示的人脸部位处于该状态标识所指示的状态，上述第二视频标识所指示的视频中的图像可以显示该人脸部位未处于该状态；对于上述状态标识集合中的每个状态标识，从该状态标识所对应的第一视频标识和第二视频标识分别指示的视频所包括的图像中提取出包括该状态标识所对应的人脸部位标识所指示的人脸部位的人脸部位区域，基于提取出的人脸部位区域生成样本图像。
在本实施例的一些可选的实现方式中，上述驾驶员标识集合可以归属于预设的驾驶员标识集合组，上述驾驶员标识集合组可以是通过以下步骤生成的：获取经预处理后的证件照片集合，其中，证件照片可以具有对应的驾驶员标识；对上述证件照片集合中的证件照片进行分析，生成与该证件照片对应的特征向量，其中，该特征向量中的各个分量可以用于表征该证件照片所包括的不同的人脸部位在该证件照片中所处的位置；基于所生成的各个特征向量，对上述证件照片集合中的证件照片进行聚类，得到至少一个类簇，并为每个类簇设置类别标识；将处于同一个类簇的证件照片所对应的驾驶员标识归入同一个驾驶员标识集合，建立该类簇的类别标识与该驾驶员标识集合之间的对应关系；将所得的各个驾驶员标识集合组成上述驾驶员标识集合组。
在本实施例的一些可选的实现方式中，类别标识所对应的第一向量可以是通过以下步骤生成的：对于该类别标识所对应的类簇，对该类簇中的各个证件照片分别对应的特征向量中的对应位置的分量的值求平均值，将求出的平均值生成该类别标识所对应的第一向量。
在本实施例的一些可选的实现方式中，上述第一处理单元在输出提示信息后可以继续执行上述处理步骤。
在本实施例的一些可选的实现方式中，当上述驾驶员驾驶的车辆停车后，上述装置400可以停止运行上述第一处理单元，意味着可以结束信息处理流程。
本申请的上述实施例提供的装置，有效利用了对目标类别标识的确定、以及对在上述预设时间段内提取出的人脸部位区域所包括的人脸部位所处的状态的确定，实现了对驾驶员是否处于疲劳状态的检测，并在检测出驾驶员处于疲劳状态时输出提示信息，可以实现富于针对性的信息输出。
下面参考图5，其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，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5所示，计算机系统500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram503中，还存储有系统500操作所需的各种程序和数据。cpu501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；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507；包括硬盘等的存储部分508；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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，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510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508。
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509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu)501执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本申请所示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存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储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，计算机可读存储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存储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。
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，上述模块、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，框图或流程图中的每个方框、以及框图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：一种处理器包括第一获取单元、第二获取单元、确定单元、第一处理单元和第二处理单元。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，第一获取单元还可以被描述为“获取驾驶员的经预处理后的证件照片的单元”。
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电子设备中所包括的；也可以是单独存在，而未装配入该电子设备中。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一个该电子设备执行时，使得该电子设备包括：获取驾驶员的经预处理后的证件照片；获取预设的类别标识集合，其中，类别标识具有对应的疲劳阈值和第一向量，上述第一向量中的各个分量用于表征人脸的不同部位在上述类别标识所指示的类别下的包括人脸的图像中所处的位置；基于上述证件照片和上述类别标识集合中的类别标识所对应的第一向量，在上述类别标识集合中确定目标类别标识；执行以下处理步骤：获取面向上述驾驶员采集的包括人脸的人脸图像；对于预设的人脸部位标识集合中的每个人脸部位标识，从上述人脸图像中提取出包括该人脸部位标识所指示的人脸部位的人脸部位区域，其中，该人脸部位标识与预设的状态标识集合中的状态标识相对应；对提取出的人脸部位区域进行分析，确定提取出的人脸部位区域所包括的人脸部位是否处于该人脸部位标识所对应的状态标识所指示的状态；如果当前时刻到达指定时间，则基于上述目标类别标识所对应的疲劳阈值以及在上述当前时刻的前预设时间段内提取出的人脸部位区域所包括的人脸部位所处的状态，确定上述驾驶员是否处于疲劳状态；响应于确定上述驾驶员处于疲劳状态，则输出提示信息；如果上述当前时刻没有到达上述指定时间，则继续执行上述处理步骤。
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。