辅助驾驶系统对提高安全驾驶方面起着非常重要的作用,对驾驶员行驶的行为分析,能有效减少以及避免人为因素导致的交通事故,本文对驾驶员头部姿态估计以及手部运动跟踪分析2个方面进行了研究分析。头部姿态估计在辅助驾驶系统、人机交互以及虚拟现实等方面发挥举足轻重的作用,因此快速而精确的头部姿态估计算法成为重要的研究内容。目前,头部姿态估计大体上分为建立几何头部模型和监督学习人脸图像2种方法。在学习人脸特征的算法中,可继续划分成人脸特征模板匹配方法、探测器阵列方法、非线性回归方法以及流型嵌入方法。本文将介绍几种常见的头部姿态估计方法并进行对比,并提出一种新颖的快速精确的头部姿态估计算法。首先获取2D图像中的特征点(如鼻子、外眼角以及下巴),并以3D空间中对应的关键点的坐标为基础建立3D人脸模型。通过对2D平面以及3D空间所有的特征点进行归一化操作,移除二者映射关系中的比例因子以及平移向量,使得二者只存在旋转映射关系。然后以3D空间中的4个特征点为基础,构建唯一的球平面,用此模型表示3D人脸模型。通过改变球坐标系下的特征点的坐标,实现3D人脸的变形。利用3D模型上的特征点投影到2D平面与真实2D图像中的对应特征点的欧氏距离,找到最优的变形的3D人脸模型,并通过变形后的3D人脸模型与初始3D人脸模型中的对应特征点的欧氏距离为约束条件,从而在保证变形的3D人脸模型维持基本的结构。最后,利用变形后的最优的3D人脸模型匹配待测的2D头部图像,进而求解旋转矩阵完成头部姿态估计。为了检验算法的有效性,本文在Pointing’04和BIWIKinect数据库测试头部姿态估。实验结果表明,本文提出的3D球模型的变形人脸的头部姿态估计算法快速且精确,与最新算法相比仍有优越的性能。手部运动跟踪分析是根据手部的运动位置进行驾驶员状态判断,具体可分为通话行为分析与规范驾驶行为分析两部分。通话行为分析中主要通过判断手部与脸部的位置关系,分析出驾驶员通话行为的状态。首先通过Haar特征检测出人脸在图像中的位置坐标,然后通过肤色检测获取手部位置,若手部出现在脸部附近特定区域,并且出现次数占比足够大,则可判定为正在发生通话行为。规范驾驶行为分析中通过判断双手的运动区域与方向盘的位置,得出驾驶员是否安全规范驾驶。首先利用霍夫圆算法检测出方向盘位置,接着通过模型匹配算法追踪手部,若手部位置与方向盘中心的距离不在设定阈值范围,并且发生次数占比足够大,则可判定为不规范驾驶。在测试视频中,在复杂的背景环境特别是不同光照环境下,能得到方向盘的精确检测与手部的动态连续跟踪,进而精确判断通话与不规范驾驶行为。