随着国民经济的快速发展和人民生活水平的显著提高,越来越多的人选择购买私家车,汽车数量的增加导致交通事故频发,造成大量财产损失和人身伤害。在造成交通事故的众多原因之中,疲劳驾驶占有很大的比重。因此,研究一种有效的驾驶员疲劳检测方法具有重要意义。本文查阅了大量相关文献,比较了三种常用的疲劳驾驶检测方法,选择了基于人脸特征的疲劳驾驶检测方法,该方法不会干扰驾驶员,且检测精度高。基于单一疲劳特征判断疲劳程度存在局限性和准确度低的缺陷,而且当驾驶员处于疲劳状态时,面部的多个疲劳状态都会发生变化,如频繁眨眼、打哈欠以及瞌睡点头或头部倾斜等。故本文使用多个疲劳特征融合进行驾驶员疲劳状态的判定,提出了一种非接触和能够实时检测的疲劳驾驶检测方法,以提高疲劳判定的准确性,减少误判的概率。本文首先使用改进后的目标检测网络YOLOX对驾驶员的面部区域进行检测,YOLOX具有检测速度快和精度高的优点,能够很好地满足本文对于人脸检测的精度和速度的综合要求。然后,采用改进的PFLD人脸关键点检测模型进行脸部关键点定位和头部姿态估计,既能够满足脸部关键点检测速度快、精度高的要求,还能利用头部姿态参数计算头部相关特征值,减少了计算量。最后利用多特征疲劳判别模型,实时判断驾驶员的疲劳程度,并进行疲劳预警。实验表明,本文提出的疲劳驾驶检测方法准确率达到97%以上,实时FPS可达到46帧/秒,可以有效地进行实时疲劳驾驶检测,且方法的性能优于其他大多数的疲劳驾驶检测方法。本文采用Python语言实现了具体的检测算法,并结合Py Qt5完成了检测工作界面的设计,并通过图像和数据实时直观地展示疲劳检测的结果,结果表明本文提出的检测方法能够满足疲劳驾驶检测的需求。