疲劳驾驶是引起交通事故的主要因素之一,因此,对驾驶员进行疲劳检测和预警是汽车安全辅助驾驶领域的研究热点之一。本文基于视频图像对驾驶员疲劳检测方法进行了研究,通过融合驾驶员眼部、嘴部和头部的微动信息,对驾驶员的疲劳状态进行判断。主要研究内容如下:(1)研究了基于改进的SSH(Single Stage Headless Face Detector)人脸检测算法。为了提高SSH对驾驶员面部检测速度,研究不同的基础网络对SSH性能的影响,最后采用了VGG16作为基础网络;采用了两层检测器的方法来提高检测的速度。实验结果表明,改进的SSH模型,能够很好的满足驾驶员面部图像的检测。(2)研究了基于Cam Shift与Kalman相结合的驾驶员面部跟踪算法。对于检测到的驾驶员面部图像,利用Cam Shift人脸跟踪算法对其进行跟踪,然后利用Kalman滤波对驾驶员面部窗口进行预测。最后通过实验对比人脸检测算法和跟踪算法两种算法的优劣性。实验结果表明,本文的驾驶员面部跟踪算法具有较好的准确性和实时性。(3)研究了基于人脸关键点的疲劳特征的提取算法,即SDM(Supervised Descent Method)人脸特征点定位方法。首先研究了ASM(Active Shape Model)人脸特征点定位算法和AAM(Active Appearance Models)人脸特征点定位算法,分别阐述了这些算法的具体实现过程,然后通过实验分析了ASM和AAM的不足,最后本文采用了准确度更高的SDM算法进行驾驶员面部关键点的定位。(4)结合人脸关键点位置信息,本文研究了一种多信息融合的驾驶员疲劳检测算法。首先通过驾驶员眼部信息,利用PERCLOS(Percentage of Eyelid Closure Over the Pupil Over time)原理进行驾驶员眼部疲劳检测方法研究,然后通过驾驶员嘴部信息,利用PERYAW(Percentage of Yaw)原理进行驾驶员嘴部疲劳检测方法研究。然后利用头部其它关键点信息,利用POSIT(Pose from Orthography and Scaling with Iteration)原理对驾驶员头部姿态信息进行估计,通过分析驾驶员点头频率来对驾驶员疲劳进行研究。最后通过融合三种评判标准来判断驾驶员的状况。实验表明,融合多种信息指标的检测方法能够有更好的检测准确性。