现代交通运输产业的发展极大地方便了普通民众的生活,但是频繁的事故所导致的巨大伤亡和损失已经不可忽略,其中疲劳驾驶是导致事故多发的主要原因之一,如何准确且实时地判定出驾驶员的疲劳状态并及时预警,已经成为了目前亟需解决的难题。本文的目的是研究设计一套基于面部特征的疲劳驾驶检测系统,该系统能够基于人脸检测算法和面部关键点定位算法实现疲劳状态判定,同时加入基于抽烟行为的分心驾驶检测功能,当系统判定驾驶员处于疲劳驾驶或分心驾驶时会发出语音报警信息,确保驾驶员意识清醒,从而避免事故的发生。本文的主要内容包括面部特征检测研究、分心驾驶行为检测研究和系统实现及测试。为了实现基于面部特征的疲劳状态判定,对人脸检测算法及关键点定位算法进行了研究。通过MTCNN算法结合ERT级联回归树模型实现了面部64个特征点定位,根据眼睛、嘴巴的特征点位置分别设计了疲劳判定方案,并通过实验设定了疲劳判定阈值;通过对摄像机畸变校正、坐标系转换等原理的研究,获取到相机内参并实现了二维平面坐标系到三维空间的转换,然后根据所得面部关键点三维坐标完成了头部在三维坐标系中的姿态解算及阈值设定。本文对关键点定位模型进行了改进,在额头处新增13个特征点,使得头部姿态估计结果更为准确。为了实现基于抽烟行为的分心驾驶检测功能,对YOLOv5和YOLOX深度学习算法进行了深入研究。首先针对YOLOv5提出了增加小目标检测层以及输入端数据增强的改进策略;其次根据分心驾驶行为中所显示出的面部动态特点来构建数据集,再通过图形标注和数据增强的方式完成了对数据集的标注和扩展。最后分别将改进后的YOLOv5算法、原始YOLOv5算法和YOLOX算法在同一数据集中进行了训练,将所得模型进行测试对比之后,选取了检测效果更为突出的改进YOLOv5算法来完成分心驾驶行为检测任务。根据系统需求和功能搭建了硬件测试平台和软件开发环境,设计了基于Jetson Nano的疲劳驾驶检测系统;在系统测试平台中,对疲劳检测和分心驾驶行为检测等模块进行了功能测试及性能解析,结果表明该系统可以满足实际应用需求。论文研究的基于面部特征的疲劳驾驶检测系统,实现了对司机在行驶过程中的疲劳特征提取、分心驾驶行为检测和预警功能,可以在行车途中实时关注驾驶员状况,采用语音预警的形式辅助驾驶员安全驾驶。