疲劳驾驶检测的研究是一直是机器视觉领域的一个研究热点,并且与人们的生命、财产安全密切相关,具有十分重要的理论价值和应用价值。近十年来,基于机器视觉的疲劳驾驶检测的相关技术有了长足的进步,有大量优秀检测方法和检测系统出现。但是,目前的疲劳驾驶检测系统还面临很多需要解决的技术难题。本文针对疲劳驾驶检测过程中的人脸特征定位和疲劳状态识别中存在的难点进行了研究和实验。在整个过程中,本文的主要研究内容和创新点如下：(1)设计了一种针对多姿态人脸的人脸检测方法针对多姿态人脸,设计了一种对人脸姿态变化不敏感的人脸检测方法,主要解决了两个难点：一,Adaboost算法在人脸姿态变化较大情况下检测率不高；二,传统高斯肤色模型对不同肤色和光照下的人脸肤色鲁棒性不好。针对存在的两个问题,设计一种自适应更新参数的人脸肤色模型,并结合Adaboost人脸检测算法设计了人脸检测方法,在一定程度上克服了传统高斯肤色模型对不同肤色和光照鲁棒性不高问题和Adaboost人脸检测方法对姿态变化的敏感性。在FERET彩色人脸库、LFW人脸库和自然场景下拍摄的多人脸图像上进行验证实验,实验结果表明本文的人脸检测方法能够有效的检测多姿态的人脸。(2)改进Camshift算法实现了快速鲁棒的人脸跟踪Camshift跟踪算法具有很好的实时性,但存在鲁棒性不强、不能自动跟踪、遇到遮挡丢失、存在干扰人脸易跟踪错等问题。为使Camshift人脸跟踪过程速度更快、准确度更高,同时能有效克服检测过程中姿态、遮挡以及存在干扰人脸等问题,本文改进Camshift算法的跟踪框,使其能够更准确的框住人脸,同时排除其他非人脸部分；并且在Camshift算法中引入一个反馈处理机制,充分利用了Adaboost人脸检测算法在正面人脸检测上高准确率,实现了实时鲁棒跟踪和存在干扰人脸时的人脸跟踪。(3)设计了一种快速准确的人眼检测和瞳孔定位方法为克服眼部的表情、光照、眼镜遮挡等因素的影响,设计了一种基于Gabor滤波和K-medoid聚类算法的人眼检测方法,以及结合灰度分布和熵函数的瞳孔定位方法。根据眼部的横向特征受表情、光照变化和眼镜遮挡影响较小的特点,设计了不同参数相结合的Gabor滤波器,有效突出人眼的横向特征,并结合K-medoid聚类算法设计聚类方法来检测人眼。并根据眼部的灰度分布特征和复杂度特征,设计了结合灰度分布和熵函数的瞳孔定位方法。在BioID人脸库和FERET彩色人脸库上进行了验证实验,实验结果表明本文方法在表情、光照、遮挡等因素影响下仍有较好的鲁棒性。(4)研究了一种有效的人脸3D姿态判别方法分析现有的人脸姿态估计方法,可知在人脸姿态估计的过程中,人脸特征点的精确定位非常关键,也是影响人脸姿态估计准确度的一个重要原因。为克服特征点定位不准确给人脸姿态估计带来的影响,本文研究一种基于多模板AAM和人脸T型结构的姿态参数估计方法。通过训练得到多姿态的AAM模板集来进行特征点的精确定位,并利用人脸特征的T型结构进行人脸3D姿态的参数估计。基于东方人脸库的实验证明了本文方法的有效性。(5)设计了一种疲劳驾驶检测中人脸参数提取方法本文主要应用主动表观模型(AAM)进行疲劳驾驶检测过程中的人脸参数提取。主要解决的难点：通过建立个人AAM模板的方法部分解决了通用AAM模板对不同个体和姿态定位不准确的问题；在人脸参数提取和状态估计方面,结合AAM的特征点定位建立了眼部和嘴部的状态模型来测量和估计人脸状态,并结合AAM和T形结构来估计人脸3D姿态。基于曼切斯特大学的谈话人脸视频,RS-DMV数据库的一段驾驶视频和实验室拍摄的仿疲劳状态驾驶视频的实验结果证明了本文的驾驶员人脸参数提取方法的有效性。