1.基于自适应面部动作特征阈值的疲劳驾驶检测方法，其特征在于：具体包括如下步骤：

步骤1，获取实时拍摄驾驶员驾驶过程的视频，并将视频流加载成图像帧；

步骤2，使用YOLO V5网络进行识别步骤1加载的图像帧中的标签信息、置信度和位置信息，并通过标签信息进行判断驾驶员是否已经坐到驾驶位置上面，如果驾驶员没有坐到驾驶位置，则继续执行步骤1直至驾驶员开始坐到驾驶位置上面后才执行步骤3；

步骤3，循环读取步骤1加载的图像帧，对每一帧的图像获取面部特征位置信息，并计算眼部长宽比EAR和嘴部长宽比MAR；

步骤4，在不同时段根据步骤3获得的眼部的长宽比EAR和嘴部长宽比MAR自适应计算出眼部长宽比阈值EART和嘴部长宽比阈值MART；

步骤5，根据步骤4获得的眼部和嘴部长宽比阈值进行统计眨眼次数和打哈欠次数；

步骤6，根据步骤5统计的眨眼次数和打哈欠次数进行判断当前时段是否疲劳，然后继续循环执行步骤1，进行判断下一时段的疲劳状态。

2.根据权利要求1所述的一种基于自适应面部动作特征阈值的疲劳驾驶检测方法，其特征在于：所述步骤1的具体过程为：步骤1.1，通过OpenCV的视频的获取操作函数获取视频源；

步骤1.2，经过步骤1.1获得驾驶员驾驶过程的视频源之后，设置定时器周期，连接定时器周期溢出的槽函数，用于显示一帧视频，加载成图像帧之后，读取视频的每一帧画面。

3.根据权利要求2所述的一种基于自适应面部动作特征阈值的疲劳驾驶检测方法，其特征在于：所述步骤2的具体实施方式如下：步骤2.1，将步骤1加载的图像帧保持原有的长宽比例，剩下的部分采用灰色填充处理获得新的图像帧；

步骤2.2，将步骤2.1获得的新图像帧中内存不连续存储的数组转换为内存连续存储的numpy数组；

步骤2.3，将步骤2.2处理之后的numpy数组转换为PyTorch中的张量，且二者共享内存；

步骤2.4，将步骤2.3获得的张量经过YOLO V5网络进行处理，处理之后提取所有分数中最高的作为最终结果；

步骤2.5，从步骤2.4的最终结果中提取标签信息、置信度和位置信息；

步骤2.6，从步骤2.5获得的标签信息判断驾驶员是否坐到驾驶位置，如果没有检测到驾驶员坐到驾驶位置的标签信息，则继续执行步骤1直至检测到驾驶员坐到驾驶位置的标签信息后才执行步骤3。

4.根据权利要求3所述的一种基于自适应面部动作特征阈值的疲劳驾驶检测方法，其特征在于：所述步骤3的具体过程为：步骤3.1，通过Dlib的人脸关键点检测器来处理获取步骤1加载的图像帧中的脸部关键点特征信息；

步骤3.2，将步骤3.1获取的脸部关键点特征信息转换为数组array的格式，根据获取左右眼和嘴部等面部标志的索引，进行提取左右眼和嘴部的坐标；通过坐标计算对应的欧氏距离，以此欧式距离得到左右眼与嘴部的长宽比；眼部和嘴部的长宽比计算的数学公式分别如(1)(2)：式中，EAR代表眼部长宽比，p1，p2，p3，p4，p5，p6分别代表眼部的六个关键点位置坐标；

MAR代表嘴部长宽比，m1,m2,m3，m4，m5，m6分别代表嘴部的六个关键点位置坐标。

5.根据权利要求4所述的一种基于自适应面部动作特征阈值的疲劳驾驶检测方法，其特征在于：所述步骤4的具体过程为：步骤4.1，创建数组EYE_EAR和MOUTH_MAR分别用于存储眼嘴部长宽比；创建计算阈值序列数组ThresholdSort、计算阈值次数整型类型参数ThresholdCount、是否计算阈值布尔值类型参数Threshold；创建眼部长宽比数组EARA和嘴部长宽比数组MARA；创建当前时段帧数计数整型类型参数Roll；创建图像帧数量整型类型参数imageCount；1秒图像为12帧，imageCount的范围是120至180；当驾驶员刚开始坐到驾驶位置时，将参数ThresholdCount置为1，开始提取imageCount数量的图像帧，将这imageCount帧图像帧的眼部长宽比EAR和嘴部长宽比MAR分别存储到数组EYE_EAR和MOUTH_MAR中；为了视频选取的合理性和可靠性，然后从50秒至1800秒随机生成5个数，对这5个秒数升序排序存储到数组ThresholdSort中；

当视频到达5个秒数所对应的帧数时，则再次提取imageCount帧图像的眼部长宽比EAR和嘴部长宽比MAR分别存储到数组EYE_EAR和MOUTH_MAR中，并且依次将参数ThresholdCount置为2、3、4、5、6；在第imageCount+1帧和随机生出的5个秒数所对应的帧数时将参数Threshold置为True；

步骤4.2，当参数Threshold为True时，每加载一帧图像帧，参数Roll+1，并将步骤4.1存储的数组EYE_EAR进行降序排序，将数组MOUTH_MAR进行升序排序，数组EYE_EAR和MOUTH_MAR的长度都为imageCount*ThresholdCount；

步骤4.3，为了防止司机的恶意操作导致数据不真实，并且只取眼睛状态比较大和嘴部状态比较小的数据进行计算阈值，所以从imageCount*ThresholdCount帧数据中去除前

10％和后50％的数据，仅使用中间区域的40％数据进行计算；从步骤4.2排序后的数组EYE_EAR和数组MOUTH_MAR中，去除前10％和后50％的数据，然后存储到眼部长宽比数组EARA和嘴部长宽比数组MARA；

步骤4.4，根据步骤4.3获得的眼部长宽比数组EARA和嘴部长宽比数组MARA，进行计算出眼部和嘴部长宽比阈值，具体计算的数学公式如(3)(4)：EART＝Hmean(EARA)*0.5    (3)

MART＝Hmean(MARA)*2    (4)

式中，EART代表眼部长宽比阈值，EART代表嘴部长宽比阈值，Hmean()代表计算均值操作，EARA代表眼部长宽比数组，MARA代表嘴部长宽比数组。

6.根据权利要求5所述的一种基于自适应面部动作特征阈值的疲劳驾驶检测方法，其特征在于：所述步骤5的具体过程为：创建闭眼次数整型类型参数Counter、当前时段眨眼帧数整型类型参数RollEye和总眨眼次数整型类型参数Total；创建张嘴次数整型类型参数mCounter、当前时段打哈欠帧数整型类型参数RollMouth和总打哈欠次数整型类型参数mTotal；根据步骤4获得的眼部长宽比阈值MART和嘴部长宽比阈值MART与步骤2、3获得的眼部长宽比EAR、嘴部长宽比EAR和标签信息、置信度和位置信息，进行判断当前面部动作状态；

当眼部长宽比EAR小于步骤4获得的眼部长宽比阈值EART时且在步骤3时检测出当前图像帧中包含驾驶员标签信息，参数Counter+1，参数RollEye+1；当参数Counter>＝2时，则代表完成一次眨眼活动，参数Total+1，重置参数Counter；

当嘴部长宽比大于步骤4获得的驾驶员嘴部长宽比阈值时，参数mCounter+1，参数RollMouth+1；为防止将驾驶员讲话误判为打哈欠，当参数mCounter>＝3时，则代表完成一次打哈欠活动，参数mTotal+1，重置参数mCounter。

7.根据权利要求6所述的一种基于自适应面部动作特征阈值的疲劳驾驶检测方法，其特征在于：所述步骤6的具体过程为：根据步骤5获得的当前时段眨眼帧数参数RollEye和打哈欠帧数参数RollMouth进行判断当前时段疲劳状态；设置每一时段为imageCount帧图像，当参数Roll＝imageCount时，则计算当前时段imageCount帧图像的闭眼率PERCLOS值，计算PERCLOS的数学公式如(5)：式中，Neye代表当前时段闭眼的帧数，即步骤5统计的RollEye参数，Nmouth代表当前时段张嘴的帧数，即步骤5统计的RollMouth参数，Ntotal代表当前时段总帧数，当前实验中为imageCount帧；

当PERCLOS大于一定数值M时，则代表当前处于疲劳状态；若小于M时，则代表当前处于清醒状态；判断结束后，将该时段统计的帧数计数参数Roll、眨眼帧数参数RollEye和张嘴帧数参数RollMouth参数进行重置，然后继续循环执行步骤1，进行判断下一时段的疲劳状态。