随着中国交通运输业的发展,交通事故越来越频繁,而驾驶员疲劳驾驶逐渐成为引起交通事故的重要原因。因此,研究驾驶员疲劳驾驶的检测方法对于保障驾驶员和行人的出行安全、促进智能交通系统的建设具有很重要的意义。本文首先研究了基于Haar-like特征和AdaBoost算法的人脸检测方法。它从样本图像中提取Haar-like特征,然后通过训练选择出性能最好的Haar-like特征,并设计出弱分类器,接着采用“投票委员会”的方式把所有的弱分类器组合成一个强分类器；最后把多个强分类器利用级联算法组合成一个性能更好的可用于人脸检测的多层级联分类器。在用AdaBoost算法进行人脸检测后,针对实验结果提出方法存在的问题,并通过扩展Haar-like特征对人脸检测方法进行优化。在人脸检测后,针对疲劳检测技术中驾驶员头部姿势变化影响图像检测效果的问题,本文提出了一种基于多尺度局部二进制模式—直方图傅立叶特征(MLBP-HF)和支持向量机(SVM)的驾驶员疲劳检测方法。该方法分为训练和识别两个阶段,训练时,首先对从视频中获得的驾驶员人脸疲劳图像进行特征提取,即用不同半径的规范LBP算子对分块后的图像进行计算得到多尺度的LBPH,然后拼接这些LBPH并进行傅立叶变换得到MLBP-HF特征,最后把这些特征数据输入到SVM中进行训练,得到SVM的模型及参数；在识别时,首先计算出待测图像样本的MLBP-HF特征,然后输入到训练好的SVM中进行疲劳检测。图35幅,表13个,参考文献89篇。