目前,疲劳驾驶在车辆肇事中占了相当大的一部分。疲劳往往容易引起瞌睡,但是许多疲劳的驾驶员却常常不知道自己已经处在瞌睡的危险状态之中,因此需要设计一种瞌睡监测的方法来实时地监控驾驶员的精神状态,一旦其处于瞌睡状态,系统马上采取合适方式报警提醒。　　 目前瞌睡监测的方法有测量驾驶员生理信号、测量车辆的行驶参数、建立数学模型测量驾驶员疲劳度等,但是这些方法都存在着不可靠或难以实现的缺点,有些方法则需要借助于额外的仪器设备进行接触式的检测,易造成驾驶员的不适。基于图像处理的瞌睡监测方法以其非接触式和可靠性的特点越来越受到研究人员的重视。　　 本文给出了一种基于眼部识别的瞌睡监测方法,该方法主要从人脸检测和瞌睡识别两方面对传统的瞌睡监测进行了改进。论文的主要工作如下:　　 1、提出一种在AdaBoost基础上改进的人脸检测方法。AdaBoost方法是一种基于样本学习的方法,它的提出是人脸检测速度提高的一个转折点,使得人脸检测从真正意义上走向实用。但是该方法不能进行多姿态人脸的检测,这对于驾驶员驱车过程中可能出现的各种各样的人脸姿势检测显然是不适应的。因此本文提出了一种新的面向多姿态的AdaBoost人脸检测算法,该方法解决了驾驶员面部检测的多姿态问题。　　 2、根据本应用的实际情况,提出多特征量化及模糊融合的眼睛状态识别方法。瞌睡监测最主要的是眼部状态的识别,传统的眼部状态识别方法大多是基于单个眼部特征进行的识别,本文通过综合利用眼部的两种有效特征提高识别的精度。由于多特征综合考虑势必影响识别速度,因此本文设计将所选用的特征进行量化,提高了眼部状态识别的速度,满足了实时性的要求。最终的眼部状态由上眼睑曲率和睁眼面积两种眼部特征模糊融合得到,具有较好的精确性和实时性。　　 3、基于以上两种方法,给出了瞌睡监测设计方案,并对该方案进行了实验和分析。实验证明,本文提出的在AdaBoost基础上改进的人脸检测方法和新提出的多特征量化及模糊融合的眼睛状态识别方法,应用到驾驶员瞌睡监测方面,具有很好的精确性并满足实时性的要求。