1.一种驾驶人员异常行为、疼痛表情识别与预警方法，其特征在于，包括如下步骤：(1)利用驾驶室前高清摄像头获取的视频数据，对视频进行关键帧抽取形成图像；

(2)利用改进的RPCA算法对图像进行降噪；所述改进的RPCA算法为将加权Schatten‑p范数的最小化引入RPCA中，增强RPCA对图像进行降噪的性能；并结合Laplace算子对图像进行细节的增强，进一步提高图片的清晰度；

(3)将处理好的图像输入FasterR‑CNN模型，生成待识别目标检测框，同时引入Soft‑NMS算法对目标检测框进行处理，降低冗余边界框对检测结果的影响；

(4)基于YOLO框架建立姿态估计识别模型YOLO‑POSE模型，并将GAT注意力机制引入模型提高识别精度；

(5)采用生成对抗网络的多姿态人脸识别算法GAN‑MFER识别驾驶员的面部表情，并将空洞卷积DC融入到算法中，加强对驾驶员病理表情识别的精度；

(6)综合姿态识别与面部表情识别的结果，准确的判断驾驶员当前的状态，并给出相应的警报提示，所述步骤(5)包括：

(5.1)在进行驾驶员姿态识别的同时，采用生成对抗网络的多姿态人脸识别算法GAN‑MFER识别驾驶员的面部表情，提高对驾驶员当前状态判断的精度，公式如下：其中：DN为判别器输出的多姿态人脸校正结果； 为获取到的图像可表示为真实图片的概率； 为被识别图像的身份分类结果；DE为人脸旋转最终输出结果； 为校正产生的损失量； 为判定图像输入来源； 图像分类结果； 为人脸表情分类； 为判别器在生成人脸图像分类时的残差注意力函数；x为图像分布数据；c为表情对应姿态；

生成对抗网络中的双路循环优化函数，公式如下：

其中：Lc‑1表示在人脸侧面‑正面‑侧面的转换双路循环中的优化函数；Lc‑2表示在人脸正面一侧面‑正面的转换双路循环中的优化函数；n为循环次数；xi为节点i分布的数值；GE为侧面人脸生成器；GN为正面人脸图像；

(5.2)在生成对抗网络的多姿态人脸识别算法中引入空洞卷积网络DC，提升识别精度与检测效率，公式如下：spatial

ft ＝E(It)

temporal

ft ＝P(ft‑1，ft‑2)

spatial temporal

ft＝S(ft ，ft )

spatial

其中：ft 为两帧内计算得到的特征图；E(·)为空间信息估计器；It为输入图像；

temporal

ft 为计算得到的时间特征图；P(·)为ConvLSTM预测器；ft‑1、ft‑2为两帧的特征图；ft为最终特征；S(·)为时空信息融合。

2.根据权利要求1所述的驾驶人员异常行为、疼痛表情识别与预警方法，其特征在于，所述步骤(2)包括：(2.1)利用Schatten‑p范数来实现低秩正则化，其公式如下：其中：X为目标函数的低秩矩阵；W为非负矢量；σi是X的第i个特征值；n和m分别为矩阵X的行数和列数；ωi为W的第i个元素；p为权重；L为增广拉格朗日函数；E为单位矩阵；Z为拉格朗日乘子；μ是一个正标量；Y为观测数据；b为权重向量；

(2.2)对降噪过的图像利用Laplace算子对图像进行细节的增强，公式如下：其中，g表示梯度；(i，j)表示像素点的坐标；k、l分别为横向和纵向上的灰度值；(r，s)为(i，j)的邻近像素点的坐标；f为二维离散函数；H为方向导数。

3.根据权利要求1所述的驾驶人员异常行为、疼痛表情识别与预警方法，其特征在于，所述步骤(3)包括：(3.1)利用VGG16特征提取网络对图片进行特征提取，得到图片的特征图，损失函数如下：其中：Lcls为前景对数损失；pi是第i个像素点预测为目标的概率； 为第i个像素点的特征值；λ为平衡比例；N为像素点总数；Lreg为后景的对数损失；ti为第i个像素点的位置； 为ti的偏移量；

(3.2)通过选择性搜索算法SS得到图像的感兴趣区域，即生成候选框，计算公式如下：s＝a1scolor+a2stexture+a3ssize+a4sfill其中：scolor、stexture、ssize、sfill分别为当前区域块的颜色相似度、纹理相似度、尺寸相似度和填充相似度；s为以上四个相似度集合而成的候选框；n为图片划分的总区域块数；k为区域块的编号；c、t分别为当前像素点的颜色相似度和纹理相似度；r为正在被检测的区域快；B为包含r及其邻近区域快的区域；i，j均为区分下标；a1、a2、a3、a4为采纳权重，取0或1；

(3.3)对候选框进行ROIpooling池化操作，获得统一大小的特征框图；

(3.4)对所有得到的候选框进行非极大值抑制，采用Soft‑NMS算法替换原来的NMS算法，Soff‑NMS在算法执行过程中不是简单的删除IoU大于阈值的检测框，而是运用线性加权函数计算降低其得分，函数公式如下：其中：Si为第i个预测框对应的置信度得分；M为最高得分的候选框；boxi为待检测框；Nt为超参数设定的重叠阈值；IoU为boxi和M的交集与并集的比。

4.根据权利要求1所述的驾驶人员异常行为、疼痛表情识别与预警方法，其特征在于，所述步骤(4)包括：(4.1)建立YOLO‑POSE模型用于识别驾驶员相对固定姿态下的动作识别，主要包括以下三个部分：标记待检测框中的人体关键点与置信度，计算关键点的相似度，公式如下：其中：S为待检测目标框；Cx，Cy分别为锚点的横坐标和纵坐标；W为待检测框的宽度；H为待检测框的高度；boxconf为待检测框的置信度；classconf为待检测框的类别置信度；

为第i个人体关键点的横坐标和纵坐标； 为第i个人体关键点的置信度， 取整数；n为待检测框上人体关键点的个数；U为关键点的相似度；exp是以自然常数e为底的指数i函数；p为待检测框的编号；p 为该人骨骼关键点的编号； 表示该关键点在图片上的可见性； 为真实点与预测点之间的欧式距离的平方；Sp表示检测框所占面积的平方根；σi为该关键点的标准差；

YOLO‑POSE模型采用HorNet网络作为模型的卷积核，利用高阶的门控卷积以及递归设计来实现高阶空间交互，相关公式如下：Tk+1＝fk(Pk)⊙gs(Tk)/α，k＝0,1，…，n‑12

FLOPs(gnConv)

1，…，n‑1；α为缩小倍数；gs为维度映射函数；Ck为第k此运算的维数，k＝0,1，…，n‑1；n为卷积层数；Cc为总维数；FLOPs为总运算量；gnConv为n阶空间交互能力；M为卷积核的尺度；

(4.2)将图注意力机制GAT引入到YOLO‑POSE模型中，精确地加权聚合每个关键点的邻近关键点，GAT公式如下：其中：αij为节点i与节点j之间的注意力系数；exp是以自然常数e为底的指数函数；

T

LeakyReLU为一函数；α为权重参数的转置；W为每层共享的特征变换权重矩阵；hi为节点i的特征向量；hj为节点j的特征向量；h′i为节点i的特征；τ为激活函数；Ni为节点i邻居节点的k数量；W为注意力权重矩阵。

5.根据权利要求4所述的驾驶人员异常行为、疼痛表情识别与预警方法，其特征在于，所述步骤(4.1)中定义的边界框损失函数，公式如下：其中：LCIoU为边界框损失函数；IoU为真实框与预测框的交集面积与并集面积的比值；Agt 2 gt为真实框面积；B为预测框面积；d与d 分别为预测框和真实框中心点的坐标位置；ρ (d，d )2

为两个中心点的欧式距离的平方；j为是预测框与真实框所组成的最小闭区域的对角线的z z长度；β为惩罚系数；v为预测框与真实框宽高比的惩罚项；w与h分别为真实框的宽和高；w与h为预测框的宽和高。

6.根据权利要求1所述的驾驶人员异常行为、疼痛表情识别与预警方法，其特征在于，所述步骤(6)包括：综合姿态识别与面部表情识别的结果，判断驾驶员当前的状态；当驾驶员出现频繁点头以及长时间眨眼等动作，则判断为驾驶员为打盹，属于疲劳驾驶状态，则会利用广播或喇叭自动喊话提醒；

当驾驶员身体出现大幅度晃动、捶胸、倒地以及出现疼痛类表情时，则判断驾驶人员为突发疾病，则车内、外的警报器会响起，提醒车内外人员采取相关措施，减少事故发生率以及人员伤亡率。

7.一种驾驶人员异常行为、疼痛表情识别与预警系统，其特征在于，包括：数据获取模块，用于利用驾驶室前高清摄像头获取的视频数据，对视频进行关键帧抽取形成图像；

图像增强模块，用于利用改进的RPCA算法对图像进行降噪；所述改进的RPCA算法为将加权Schatten‑p范数的最小化引入RPCA中，增强RPCA对图像进行降噪的性能；并结合Laplace算子对图像进行细节的增强，进一步提高图片的清晰度；

目标检测模块，用于将处理好的图像输入Faster R‑CNN模型，生成待识别目标检测框，同时引入Soft‑NMS算法对目标检测框进行处理，降低冗余边界框对检测结果的影响；

图像识别模块，用于采用生成对抗网络的多姿态人脸识别算法GAN‑MFER识别驾驶员的面部表情，并将空洞卷积DC融入到算法中，加强对驾驶员病理表情识别的精度，包括：(5.1)在进行驾驶员姿态识别的同时，采用生成对抗网络的多姿态人脸识别算法GAN‑MFER识别驾驶员的面部表情，提高对驾驶员当前状态判断的精度，公式如下：其中：DN为判别器输出的多姿态人脸校正结果； 为获取到的图像可表示为真实图片的概率； 为被识别图像的身份分类结果；DE为人脸旋转最终输出结果； 为校正产生的损失量； 为判定图像输入来源； 图像分类结果； 为人脸表情分类； 为判别器在生成人脸图像分类时的残差注意力函数；x为图像分布数据；c为表情对应姿态；

生成对抗网络中的双路循环优化函数，公式如下：

其中：Lc‑1表示在人脸侧面‑正面‑侧面的转换双路循环中的优化函数；Lc‑2表示在人脸正面‑侧面‑正面的转换双路循环中的优化函数；n为循环次数；xi为节点i分布的数值；GE为侧面人脸生成器；GN为正面人脸图像；

(5.2)在生成对抗网络的多姿态人脸识别算法中引入空洞卷积网络DC，提升识别精度与检测效率，公式如下：spatial

ft ＝E(It)

temporal

ft ＝P(ft‑1，ft‑2)

spatial temporal

ft＝S(ft ，ft )

spatial

其中：ft 为两帧内计算得到的特征图；E(·)为空间信息估计器；It为输入图像；

temporal

ft 为计算得到的时间特征图；P(·)为ConvLSTM预测器；ft‑1、ft‑2为两帧的特征图；ft为最终特征；S(·)为时空信息融合。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现根据权利要求1‑6任一项所述的驾驶人员异常行为、疼痛表情识别与预警方法。

9.一种存储介质，存储有计算机程序，其特征在于，所述计算机程序被设计为运行时实现根据权利要求1至6任一项所述的驾驶人员异常行为、疼痛表情识别与预警方法。