疲劳驾驶导致了大量的交通事故。深入研究疲劳驾驶,对驾驶员的状态进行实时监控,对于提高驾驶的安全性有着重要的意义。目前,作为疲劳驾驶检测方法之一的基于面部特征的疲劳驾驶检测方法具有实时性、无入侵式、成本低、精度高等优点,成为疲劳驾驶检测方法研究的热点。然而,传统的疲劳驾驶检测方法对基于时序特征的疲劳行为缺乏有效识别,如打哈欠和瞌睡。同时,由于光照条件的变化、极端的头部姿势和脸部遮挡等干扰因素严重影响基于面部特征的疲劳驾驶检测方法的准确率和计算效率。针对上述不足之处,本文综合传统机器学习和深度学习方法,提出一种基于面部特征提取以及支持向量机（Support Vector Machine,SVM）进行特征判别的疲劳驾驶检测方法,并研发一套基于面部特征提取的疲劳驾驶检测系统,主要工作如下:（1）为了提高疲劳驾驶检测中人脸检测的精度,本文提出一种基于方向梯度直方图（Histogram of Oriented Gradient,HOG）特征和SVM的人脸检测方法。首先对原始的图片计算自商图以消除光线变化的影响,其次HOG特征相较于Haar特征和局部二值模式（Local Binary Pattern,LBP）特征,具有光照不变性和几何不变性的优点,进一步提高了在恶劣条件下的人脸检测的精度。实验证明该方法有效提高了人脸检测的精度。（2）为了提高人脸关键点检测的精度和速度,本文提出一种基于级联约束局部模型的人脸关键点检测与跟踪方法。通过训练一个级联的关键点分布模型来快速准确地提取与疲劳行为相关的眼睛和嘴巴区域。为了提高重要区域的关键点精度,该级联约束局部模型利用全脸关键点分布模型粗调平均脸关键点,接着利用眼睛-嘴巴关键点分布模型细调眼睛和嘴巴关键点位置。为了提高关键点的检测速度,本文设置人脸评估模型来提高人脸关键点的初始位置的精度,从而减少人脸关键点的迭代搜索次数。实验证明该方法可以有效提高人脸关键点的检测精度和速度。（3）为了克服驾驶员的个体差异性和提高哈欠检测的精度,本文提出一种基于残差网络和长短记忆周期网络的哈欠检测方法和基于卷积神经网络的眼睛状态识别方法。基于残差网络和长短记忆周期网络的哈欠检测的方法利用残差网络（Residual Network,Resnet）提取图像的空间信息和利用长短记忆周期（Long Short-term Memory,LSTM）网络提取帧间的时序信息。实验证明将时空信息融合在一起可以有效区分驾驶员打哈欠、唱歌和说话等动作,提升了哈欠检测的精度。基于卷积神经网络的眼睛状态识别方法克服了由于驾驶员眼睛大小引起的个体性差异。该方法通过卷积神经网络自动提取眼睛的空间特征,避免了传统的手动计算眼睛开度大小而产生的误差。实验证明该方法有效提升了眼睛状态识别的精度。（4）为了提高疲劳驾驶检测的准确度,本文提出一种基于面部特征融合的疲劳驾驶检测方法。首先分析驾驶员在清醒和疲劳状态下的面部特征,构建以哈欠和瞌睡等与疲劳行为相关的特征向量空间。其次,本文训练基于支持向量机的分类模型对该特征向量进行疲劳行为的判别,从而降低判别过程中陷入过拟合的风险,提高疲劳驾驶检测的鲁棒性和准确性。实验证明,该方法可以有效识别驾驶员的驾驶状态。（5）为了验证以上研究中疲劳驾驶检测方法的有效性,本文自主研发了一套基于面部特征提取的疲劳驾驶检测系统。通过对系统进行测试,可以满足疲劳驾驶检测的基本要求。实验结果表明,本文的算法提高了疲劳驾驶检测精度,可以有效识别实际情况下驾驶员的驾驶状况。