随着我国公路隧道建设的快速发展,交通事故频发的问题日益严重。公路隧道交通事故发生的主要原因之一是疲劳驾驶,采用驾驶员疲劳监测方法,识别公路隧道运输中存在的疲劳驾驶现象,已越来越受到社会的广泛关注和重视。在隧道驾驶时,由于隧道光环境变化的影响,驾驶员行车过程中产生人眼疲劳的现象更为严重,因此隧道驾驶产生的事故频率相比于普通公路驾驶更高。本文基于PERCLOS疲劳判别方法,以人眼疲劳度划分为目标,开展公路隧道光环境下驾驶员人眼疲劳识别的研究,主要内容如下:(1)分析现有人脸疲劳数据集,设计隧道光环境实验,建立了驾驶员公路隧道驾驶人脸数据集。(2)分析现有人脸检测和人眼识别算法,针对隧道驾驶实验视频,以Adaboost算法中的Haar特征进行驾驶员人脸、人眼识别,以人眼识别结果建立驾驶员人眼疲劳数据集。(3)实现人眼状态分类识别,设计融合卷积神经网络模型。为提高人眼状态分类的识别精度和效率,促成疲劳程度等级划分的需求,利用ANN和CNN网络建立了ICNN网络模型,提高了人眼状态分类的识别精确和识别效率。(4)利用人眼状态分类结果计算驾驶员人眼PERCLOS值,结合驾驶员实验视频中的眨眼频率和最大持续闭眼时间改进PERCLOS算法。基于改进的PERCLOS值进行驾驶员疲劳等级划分。本文利用改进的神经网络模型和PERCLOS值计算结果,实现了公路隧道行车中驾驶员人眼疲劳程度的检测识别,可为交通管理部门提供辅助决策,对降低公路隧道事故发生率,提高交通运营安全性,具有重要意义。