随着建设小康社会的节奏日益加快,人们对高质量生活的追求显著提高,也加速了智能交通的现实应用。汽车是交通出行的主要工具,在给人类生活提供极大便利的同时,其潜在的安全隐患也不可忽视。道路交通事故严重威胁着人们的生命财产安全,而疲劳驾驶是引起交通事故的重要因素之一。为了减少因为疲劳驾驶造成的事故危害,许多学者针对驾驶员在驾驶过程中的特征进行相关研究,以期准确检测出驾驶员的疲劳状态。但是,现有的驾驶员疲劳状态检测方法仍存在部分缺陷,导致检测结果准确率偏低。因此,本文拟设计一种快速、准确的疲劳驾驶检测方法,对于减少行车安全隐患具有重要意义。本文的主要工作及成果如下:1、首先,从驾驶员疲劳驾驶行为特点出发,对人脸图像上的眼部和嘴部特征展开研究,为了提高人脸检测中的姿态和环境多样性,采用Wider Face、FDDB和ALFW三种数据集构建疲劳检测数据集,能够提升所训练模型的鲁棒性。考虑到上述数据集不涉及驾驶环境背景,且人像闭眼的数据样本过少,因此本文进一步采用Yaw DD疲劳驾驶视频数据集以及CEW数据集对现有数据集进行样本扩充。2、其次,针对现有在终端上对人脸识别准确率偏低的情况,提出一种基于人脸快速定位识别的疲劳驾驶检测方法。为了提升人脸定位识别的准确性和快速性,改进了YOLO v3模型。为降低模型训练时间,文章运用剪枝模型压缩传统YOLO v3模型,能够提升模型推理速度并大幅减少模型参数。进一步,引入RBF模块对其网络进行优化,增加特征图的感受野,接着引入注意力机制增大检测尺寸,使得改进模型能够根据前一帧的人脸坐标预测后一帧脸部区域的大致位置,这样可以在提高精度的同时,有效避免检测速度下降的问题,提高模型的泛化能力。3、最后,基于改进的YOLO v3方法快速检测出人脸图像,并利用Mobile Net v2网络定位出人脸的特征关键点,通过将眼睛、嘴唇以及眼睛和嘴唇关键点相结合的方式传入PERCLOS预测算法,用以判定目标是否属于疲劳状态。综上所述,本文提出一种改进的YOLO v3疲劳检测方法,可以更为准确的预测疲劳状态,且能在保证实时性的前提下达到较高的准确度。与传统的目标检测方式相比,所提方法能够以更少的计算资源达到满足实际需求的检测效果。