随着汽车保有量的不断上升,交通事故越来越成为威胁人身及财产安全的社会难题。现今,生活节奏的加快和人们睡眠时间的减少导致因疲劳和瞌睡而引发的交通事故数量正在逐年升级,通过对驾驶员的疲劳驾驶行为进行及时预警能够有效减少该类交通事故的发生。本文利用计算机视觉技术分析驾驶员面部图像,研究实时的、准确的疲劳驾驶预警算法。该算法包含四个主要步骤,分别为人脸检测、人脸关键点定位、眼睛和嘴巴区域定位及状态识别、多参数融合疲劳检测。本文的主要工作内容如下:(1)针对Adaboost人脸检测算法检测速度慢的问题,提出了一种基于区域预判的人脸检测算法,先在整幅视频图像上检测人脸,然后在上一帧检测到的最大人脸图像的基础上扩大一定范围作为下一帧的检测区域。该算法去除了大量的背景区域,提升了人脸检测的速度。(2)在检测到的驾驶员面部图像上快速准确地定位人脸关键点。本文用标记有5个关键点的人脸图像训练基于集成回归树(Ensemble of Regression Trees,ERT)的人脸关键点检测模型并设计了具有不同结构的多个卷积神经网络(Convolution Neural Network,CNN)人脸关键点检测网络,分析了CNN不同部件的作用及其对检测结果的影响,最后通过实验选择合适本文的人脸关键点检测模型。(3)提出了一种基于宽度学习的眼睛和嘴巴状态识别方法。首先根据人脸关键点提取眼睛和嘴巴区域,然后分别将眼睛和嘴巴图像拉伸成一维向量作为宽度学习网络的输入,进行眼睛和嘴巴的状态识别。实验结果表明,该算法训练简单且识别准确率较高。(4)提出了一种基于宽度学习融合多疲劳参数时序序列的疲劳检测方法。首先判断一段时间内的眼睛状态,嘴巴状态和头部状态,然后将眼睛、嘴部和头部的时序状态序列进行组合作为衡量疲劳的参数,最后将面部状态序列送入宽度学习系统,判断驾驶员的状态。(5)实现了基于PC端的疲劳检测仿真系统以及基于树莓派的疲劳检测系统。实验结果表明,本文所提出的疲劳检测算法实时性和准确性较高,能够满足实际应用的需要。