随着车辆的增多,交通事故的频发,为减少事故发生率,应采取主动防控措施。作为交通事故的重要元凶之一的疲劳驾驶,在世界范围内,随时随地都可能造成交通事故,为此,世界各国为预防疲劳驾驶展开研究,实时性和准确性是疲劳检测系统的重要评价指标。众多检测方法中,基于计算机视觉的疲劳检测以其非接触式、鲁棒性较好、实时性强、准确率高等特点而备受广大研究人员青睐。基于计算机视觉的疲劳检测的重点和难点在于准确实时的对面部特征进行检测和跟踪。本文通过椭圆肤色模型对人脸进行粗定位,通过Adaboost对人脸进行精确定位,实验证明,此方法比图像中直接检测人脸区域,节省了一半多的时间。采用改进的Mean Shift算法与Kalman滤波相融合的方法对人脸区域进行跟踪,在灯光干扰、快速移动和静态遮挡等情况下,改进后的算法都能准确跟踪人脸位置。在分辨率480*640的测试视频中,算法的跟踪一帧的时间平均为22ms。在跟踪的人脸区域内进行人眼和嘴巴的检测定位,采用高宽比和黑白像素比对眼睛状态进行判断,通过高宽比对嘴巴状态进行判断,从而判断是否有眨眼睛和打哈欠事件的发生。在30s内记录眨眼频率和打呵欠次数、记录眼睛连续闭合帧数和PERCLOS值,凭借以上四个指标对驾驶员进行疲劳状态判断。在5段自制的视频中,本文方法均能准确判断视频中发生的现象,并依据现象判断是否需要报警。本文在人脸跟踪实验和疲劳判断实验中,模拟驾驶过程中可能的状况,在测试视频中,本文算法均具有良好的表现。针对分辨率为480*640的视频,本文算法处理一帧平均耗时38.9ms,达到实时性的要求。