疲劳驾驶是导致道路交通事故的主要原因之一,如何有效对驾驶员疲劳状态进行检测和预警已成为世界各国科学家的研究热点。与基于生理参数的疲劳检测方法相比,基于机器视觉的非接触式检测方法交互方便且自然,日益受到广泛关注,但在光照变化、部分遮挡、振动等复杂环境下如何有效地提高疲劳检测的准确率和稳定性,仍然需要深入探索。本文基于深度学习与多任务协同方法开展研究,首先设计一个深度卷积神经网络(DCNN)模型检测人脸特征点,其次采用辅助训练方法提高模型的特征学习能力,然后研究基于人脸特征点定位和头部姿态估计的多任务协同学习方法,进而采用空间几何约束方法对DCNN网络进行预训练,最后应用多特征融合的决策方法评估疲劳状态。在公开数据集“300W”和实际测试数据上进行实验来验证本文方法的有效性。本文的主要工作及研究成果如下:(1)针对级联DCNN方法存在网络层数过深、模型参数繁多,DCNN底层参数训练不充分等问题,提出一种基于辅助训练的DCNN人脸特征点检测方法。该方法首先用单个网络回归估计人脸特征点,具有比级联网络更低的模型复杂度,且提高了算法的运行效率,然后采用辅助训练策略有效提升了模型的特征学习能力。与同类方法的实验比较表明,所提方法具有很好的检测精度和实时性。(2)针对单任务深度学习网络中对单类数据源的特征学习能力有限,DCNN中网络初始化难等问题,提出一种基于多任务协同与几何约束初始化的学习方法。该方法首先利用人脸特征点定位和头部姿态估计两个任务的相关性,将二者联合优化,同时得到特征点坐标和姿态角度值,具有更好的特征学习能力;然后,采用空间几何约束方法对DCNN网络进行预训练,不仅提取出具有姿态变化不变性的特征,而且可以加快网络的训练时间。实验结果表明,所提方法有效改善了异常姿态变化条件下的检测精度。(3)针对现有的疲劳检测系统常采用单一的疲劳状态特征,对疲劳程度的表征不全面且对复杂环境的适应性不强等问题,本文提出了一种多特征融合的决策方法。该方法利用多任务协同回归得到的人脸特征点坐标和头部姿态数据提取眼部状态、嘴巴形状、头部姿态等多个特征去评估驾驶员的疲劳状态,以提高其准确性。在实际驾车环境下完成了测试数据的采集和分析,实验结果表明本文方法的可行性。