1.一种驾驶员状态确定方法，其特征在于，包括：

获取预设时长内的目标图像帧，判断驾驶员连续注视设定区域的时间是否达到预设的时间阈值，若是，则确定所述驾驶员处于视线分心驾驶状态；

否则，确定驾驶员视线分布的预设视线集中区域，基于预设视线集中区域的不同计算相应的视线活跃度，判断得到的视线活跃度是否小于预设视线集中区域对应的设定的阈值，若是，则确定所述驾驶员处于认知分心驾驶状态；否则，则确定所述驾驶员处于正常驾驶状态；

所述驾驶员处于认知分心驾驶状态确定的过程包括：

基于驾驶员视线，确定驾驶员视线分布的第一视线集中区域或第二视线集中区域或第三视线集中区域；

若驾驶员视线分布在第一视线集中区域，采用第一视线活跃度模型计算视线活跃度，若得到的视线活跃度小于设定第一阈值，确定所述驾驶员处于认知分心驾驶状态；

若驾驶员视线分布在第二视线集中区域或者第三视线集中区域，采用第二视线活跃度模型计算视线活跃度，若得到的视线活跃度小于设定第二阈值，确定所述驾驶员处于认知分心驾驶状态；

所述第一视线活跃度模型为：

所述第二视线活跃度模型为：

其中，fps为每秒提取的帧数，t为一个时间窗的时间，gi为每一帧的注视区域；将A定义为单一时间窗的类簇中心值，第一视线集中区域：A<1.1，第二视线集中区域：1.12；

所述确定驾驶员视线分布的预设视线集中区域包括：根据当前时间窗得到的视线区域信息，使用K‑means聚类计算驾驶员视线分布的预设视线集中区域。

2.根据权利要求1所述的驾驶员状态确定方法，其特征在于，所述获取预设时长内的目标图像帧包括：获取驾驶员的视频帧数据，每秒提取设定的帧数；

采用OpenCV方法对提取的设定帧数的视频帧数据进行标注，得到左眼、右眼、脸部和头部四种类型的目标图像。

3.根据权利要求2所述的驾驶员状态确定方法，其特征在于，将左眼、右眼、脸部和头部四种类型的目标图像输入训练好的四通道卷积神经网络，识别驾驶员的视线区域。

4.根据权利要求1所述的驾驶员状态确定方法，其特征在于，所述设定区域为驾驶室内区域，所述驾驶室内区域包括仪表盘和控制台。

5.一种驾驶员状态确定装置，其特征在于，包括：

获取模块，用于获取预设时长内的目标图像帧；

确定模块，用于判断驾驶员连续注视设定区域的时间是否达到预设的时间阈值，若是，则确定所述驾驶员处于视线分心驾驶状态；否则，确定驾驶员视线分布的预设视线集中区域，基于预设视线集中区域的不同计算相应的视线活跃度，判断得到的视线活跃度是否小于预设视线集中区域对应的设定的阈值，若是，则确定所述驾驶员处于认知分心驾驶状态；

否则，则确定所述驾驶员处于正常驾驶状态；

所述驾驶员处于认知分心驾驶状态确定的过程包括：

基于驾驶员视线，确定驾驶员视线分布的第一视线集中区域或第二视线集中区域或第三视线集中区域；

若驾驶员视线分布在第一视线集中区域，采用第一视线活跃度模型计算视线活跃度，若得到的视线活跃度小于设定第一阈值，确定所述驾驶员处于认知分心驾驶状态；

若驾驶员视线分布在第二视线集中区域或者第三视线集中区域，采用第二视线活跃度模型计算视线活跃度，若得到的视线活跃度小于设定第二阈值，确定所述驾驶员处于认知分心驾驶状态；

所述第一视线活跃度模型为：

所述第二视线活跃度模型为：

其中，fps为每秒提取的帧数，t为一个时间窗的时间，gi为每一帧的注视区域；将A定义为单一时间窗的类簇中心值，第一视线集中区域：A<1.1，第二视线集中区域：1.12；

所述确定驾驶员视线分布的预设视线集中区域包括：根据当前时间窗得到的视线区域信息，使用K‑means聚类计算驾驶员视线分布的预设视线集中区域。

6.一种驾驶员监控系统，其特征在于，包括：

显示模块，用于显示驾驶员状态确定结果；

驾驶员状态确定模块，用于采用权利要求1‑4任一项所述的驾驶员状态确定方法对所述驾驶员图像进行驾驶员状态确定。

7.一种车辆，其特征在于，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑4中任一项所述的驾驶员状态确定方法中的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑4中任一项所述的驾驶员状态确定方法中的步骤。