驾驶员疲劳驾驶是导致交通事故的重要原因之一,疲劳检测也已成为智能交通领域的研究热点。本文首先对驾驶员疲劳检测的研究现状进行了总结,并对基于信息融合的疲劳检测方法进行了探索：先利用摄像头获取人脸的面部信息,然后借助相应的特征提取算法提取眼睛、嘴巴等多种能反映疲劳症状的特征信息；最后,通过所构建的D-S证据理论模型和模糊神经网络模型来融合多源信息以完成对驾驶员的疲劳判定。本文研究的核心内容包括：人脸定位算法的研究与实现；眼睛与嘴巴定位；疲劳特征指标提取；信息融合模型的搭建与疲劳检测系统的实现。在模型的构建方面,本文首先阐述了疲劳检测领域中的信息融合思想,分别对特征层和决策层做了相应的剖析,这其中包括特征标准化、特征指标权值的确定、决策模型的构建与相应算法的选取等问题。然后,结合加权平均法完成了特征层融合模型的构建,结合D-S证据理论和模糊神经网络完成了决策层融合模型的构建。实验结果表明,本文建立的融合模型能很好地达到预期的效果,有效地弥补了仅利用单一信息源进行检测所带来的不足。在疲劳信息提取方面,本文首先结合基于Haar特征的级联分类器定位人脸；其次,通过平均合成精确滤波算法对人眼进行跟踪定位,并在此基础上,结合“三停五眼法”得到嘴巴的大致位置。然后,用黑色像素点占所框定的人眼区域内全部像素点的百分比作为人眼闭合程度的衡量指标；用单位时间内相邻两帧图像的眼睛闭合程度之差表征眼皮的闭合速度。最后,在系统实现方面,通过实验室环境下的算法仿真,获得了较好的实验结果。另外,由于本文增加了历史数据存储、比对功能,有效避免了不同驾驶员疲劳症状间的个体差异,大大提高了疲劳检测的准确率。