伴随我国经济实力的增长和公路交通的不断发展,汽车总量和驾驶员人数也随之增多,这也导致了潜在的交通安全问题随之与日俱增。疲劳驾驶是导致交通事故的重要原因之一。所以,对驾驶员进行疲劳状态的实时检测,并在检测到疲劳时对驾驶员进行预警,敦促其尽快结束疲劳驾驶行为。这对减少因疲劳驾驶而导致的交通事故、保障驾驶员及他人的人身财产安全具有极其重要的意义。在各类疲劳状态检测方法中,PERCLOS算法是根据驾驶员眼睛闭合时间的比率进行疲劳状态判定,与驾驶员的疲劳相关程度极高,但同时也存在一定的限制因素和缺陷。本文对基于PERCLOS算法疲劳状态检测方法进行相关研究与改进,主要工作及成果如下:(1)针对驾驶员的差异化眨眼频率导致原始的PERCLOS算法疲劳判定阈值难以选取的问题,本文采用滤波方法解决。在综合分析比较多种滤波算法后,考虑使用卡尔曼滤波算法以滤除驾驶员非疲劳状态下眨眼动作的影响。研究并提出卡尔曼滤波增强的PERCLOS算法(Kalman Filter Enhanced PERCLOS,KFEP),实现对疲劳状态检测方法的改进。(2)本文采用层次化的处理方法实现疲劳特征值的提取。首先使用基于类Haar特征的Adaboost算法对人脸进行检测与定位。其次根据人眼的固有位置对人眼区域进行粗定位。然后对比分析多种二值化图像分割方法,结合人眼区域的特征,提出二分局部均值聚类(Bisecting Local Means Clustering)方法用于人眼图像的二值分割,并进行人眼的精确定位。最后,通过得到的人眼二值图像,计算规格化的上下眼睑最大高度差值,从而得到所需疲劳特征值。(3)通过仿真实验的方式,分两步对本文研究内容进行了实现和检验。首先对疲劳特征值提取方法进行最优参数选取及仿真实验。该实验结果证明了本文所研究疲劳特征值提取方法的有效性。然后,基于疲劳特征值提取方法,对卡尔曼滤波参数进行最优选取,并比较分析了滤波前后对PERCLOS算法的影响。该实验结果证明本文所研究的基于卡尔曼滤波增强的PERCLOS算法克服了原始的PERCLOS算法缺陷,能够更好的实现疲劳状态的检测。