1.一种融合时空特征的疲劳驾驶检测方法，其特征在于：该方法包括以下步骤：S1：输入驾驶视频；包括以下的步骤：

将输入的驾驶员面部视频进行分割，每个视频里面混合疲劳和不疲劳的状态，每个视频将按照对应的疲劳标签进行切割，保证每个视频只有疲劳或不疲劳一种状态，将切分后的视频随选划分为训练集和测试集，训练集占比80％，测试集占比20％；

S2：进行人脸检测；包括以下的步骤：

S2‑1：采用多任务卷积神经网络MTCNN将步骤S1中切分好的视频进行人脸检测，提取人脸区域；将检测出来的人脸区域扩充40个像素点，最终得到分辨率为160×160的人脸面部区域视频帧序列图像；

S2‑2：将提取到的人脸视频帧序列图像转换为numpy数组，保存在npy文件中；

S3：Drowsy‑CNN网络提取人脸面部空间特征；包括以下的步骤：S3‑1：将步骤S2中提取的人脸视频帧序列送入到Drowsy‑CNN网络中训练，提取驾驶员面部空间疲劳特征；Drowsy‑CNN网络是以Xception网络为基础神经网络模型，融合nonlocal注意力机制的网络模型；

S3‑2：计算nonlocal自注意力模块，其计算公式为：其中xi和xj分别表示输入的视频帧中某个时空位置，f(xi,xj)为相似性度量函数，采用EmbeddedGaussian函数来计算相似度，其计算公式为：其中θ和 函数分别表示对xi和xj做线性变换，即卷积操作，相似性度量函数对应的归一化函数C(x)为：S3‑3：non‑local注意力模块首先是对输入的feature map分别进行三个1×1×1卷积操作，得到θ、φ、g特征，然后对θ和φ进行点乘操作，计算出特征中的自相关性；对自相关特征进行softmax操作，计算归一化的注意力权重系数，接着再将这个系数对应作用到特征矩阵g中，再进行1×1×1的卷积，最后与原输入的feature map进行残差连接，最终输出驾驶员的面部空间特征向量；

S4：LSTM‑FCN提取时间特征；包括以下步骤：

S4‑1：将步骤S3‑3中得到的空间特征向量输入到LSTM‑FCN网络中挖掘疲劳视频中的长期时间依赖关系；

S4‑2：LSTM网络包含两层LSTM，第一层LSTM有1024个隐藏单元，其输入为S3‑3中的输出，第二层有512个隐藏单元，其输入为第一层LSTM的输出，每一层后面都加入一层dropout层，防止过拟合；

S4‑3：FCN网络包含三个一维的时间卷积块，该时间卷积块通常在输入序列上应用多个

1×k的1D滤波器来提取时间特征，每个时间卷积块都伴随着批量归一化层BN和一个ReLU激活层，BN层加速网络的训练和提高网络的泛化能力，ReLU激活层使得网络具有非线性拟合能力；FCN中时间卷积块每层的公式为：s＝BN(y)

h＝ReLU(s)

其中 表示卷积操作，每个时间卷积块中的滤波器大小分别为64、128、256，步长分别为1、2、4；

S5：Softmax分类判断是否疲劳。

2.根据权利要求1所述的一种融合时空特征的疲劳驾驶检测方法，其特征在于：所述S5包括以下步骤：S5‑1：将LSTM网络和FCN网络进行Concat特征融合得到时空特征向量；

S5‑2：使用softmax分类器得到驾驶员疲劳驾驶的概率分布，使用argmax函数获取疲劳分类的结果；

S5‑3：根据疲劳驾驶检测的结果决定是否给驾驶员给予疲劳驾驶提醒警告。