近年来,违规的驾驶行为导致交通事故频繁发生,时刻威胁着人们的生命和财产安全。采用计算机视觉技术对驾驶行为安全隐患进行检测,具有实时性好、非接触性等优点,成为当今驾驶行为安全隐患检测领域的一个重要方法。对相关技术及工程应用开展深入研究,具有重要的学术意义和实际应用价值。目前驾驶行为安全隐患检测存在准确性低,检测范围小等缺点。本文综合考虑检测算法的准确性以及检测过程抗干扰能力等因素,从提高驾驶员吸烟行为、使用安全带行为的识别率和识别速度的角度出发,重点研究了低照度图像增强算法、目标检测与跟踪算法和多信息融合的驾驶行为安全隐患检测算法。主要的研究内容如下:(1)针对在驾驶舱内光线不足条件下,处理视频图像困难问题,对基于颜色恒常知觉理论(Retinex)的低照度图像增强算法进行研究和改进。将图像颜色空间转换到HSV(Hue,Saturation,Value)空间,对V通道采用改进的Retinex图像增强算法估计光照分量,将得到的结果替换V通道;最后将HSV空间转换到原始颜色空间。通过对低照度图像进行增强,可以提升图像的亮度、细节等信息。(2)针对驾驶员抽烟时吐出的烟雾不易捕捉,烟雾特征获取困难等问题,在研究了视频背景建模算法(visual background extractor,Vi Be)基础上,提出一种改进的Vi Be算法。动态调整模型匹配半径,融合背景差分法,优化的算法能够准确的提取到烟雾。针对驾驶员头部运动导致获取面部信息不准确问题,对连续自适应的Mean Shift算法(Continuously Adaptive Mean Shift,Cam Shift)运动目标跟踪算法进行改进。为避免人工选取目标跟踪初始框,提出一种通过面部轮廓与颜色快速定位驾驶员头部位置的方法。使用Vi Be算法找到疑似面部轮廓信息,对检测到的区域进行分析,通过颜色特征确定面部准确位置。通过融合Kalman滤波算法对Cam Shift目标跟踪算法进行改进,在目标预测位置出现误差时,采用改进后的算法仍能够成功跟踪目标。(3)在分析现有目标识别检测算法的基础上,提出一种由驾驶员嘴部、驾驶舱内烟雾和驾驶员使用安全带等视频图像组成多信息融合的驾驶行为安全隐患检测识别算法。通过提取驾驶员在驾驶汽车时的行为特征,搭建驾驶行为安全隐患分类模型,可以直接检测驾驶员的安全隐患驾驶行为。最后,本文通过实验整合各模块并全面评估系统性能。实验结果表明,驾驶行为安全隐患检测算法准确度高,实时性好。当驾驶员存在危险驾驶行为时,可直接对驾驶员进行提示,并保存当前驾驶行为信息。