汽车安全气囊作为乘驾人的安全保护系统之一，其主要防止乘驾人在车辆碰撞过程中与车体内饰件发生二次碰撞，由于汽车气囊的快速膨胀常造成乘驾人的二次伤害，甚至窒息死亡等。在车辆碰撞时，智能安全气囊依据乘驾人的乘员类型、乘员坐姿等参数，实时控制气囊的展出和力度，可极大地减少二次伤害。因此，乘驾人类型和状态等参数是实现智能安全气囊的核心。为实现乘驾人的类型与状态检测，本文系统研究了面向智能安全气囊的乘驾人检测系统构建方法，开发了车载的多传感器融合的硬件开发平台，建立了乘驾人融合分类决策和跟踪方法体系。具体研究工作如下：1、构建了面向智能安全气囊的乘驾人检测系统与开发平台。针对乘驾人检测系统的特点，利用视频与座椅压力传感器，依托TMS320DM642数字信号处理器（DSP），构建了基于DSP的车载乘驾人检测系统平台；结合视频与座椅压力传感器的融合判决，建立了基于多传感器融合的乘驾人检测软件系统框架体系。针对目前缺乏开放的乘驾人相关测试视频序列，利用乘驾人检测硬件平台采集了大量不同光照、状态环境的乘驾人视频序列数据。为乘驾人检测提供了基础的软硬件支持和基础数据源。2、提出了基于梯度方向的结构相似性图像质量评价方法针对乘驾人检测图像模糊、图像亮度不均等图像质量下降和虚假运动图像区域，引起后期识别处理困难的问题，根据梯度方向受光照强度影响较小的特点和人眼视觉结构相似性特性，本文提出了基于梯度方向的结构相似性图像质量评价方法，其利用参考图像局部参考区域，建立了梯度方向的结构特征表达，构建了亮度、对比度和结构相似性的综合图像质量评价方法，实现乘驾人图像质量优劣的评价。3、建立了乘驾人图像的Contourlet变换降噪处理与光照估计图像均衡化增强方法图像的噪声和光照是制约乘驾人图像质量的重要因素之一。为克服该方面的影响，根据Contourlet变换可实现任意尺度上任意方向的多尺度分解，较好地保留图像的轮廓和方向性纹理信息，弥补小波变换的不足的特点以及不均匀光照反射模型，本文建立了Contourlet变换的乘驾人图像降噪处理与光强估计的图像均衡化增强方法，该方法利用Contourlet变换，获取乘驾人图像分解后的Contourlet系数，采用系数阈值抑制和阈值函数处理，抑制图像高频区域的Contourlet系数，结合Contourlet逆变换重建乘驾人图像，实现了乘驾人图像的降噪处理；然后抑制图像傅里叶变换的直流分量，降低图像光强的影响，通过光亮强度的线性拉伸，将图像光照强度映射到[0,255]的亮度空间，最后采用子块部分重叠的局部直方图均衡化方法增强图像局部区域，改善图像亮度分布和均衡化乘驾人图像，增加图像细节的对比度，实现了乘驾人图像增强的处理。4、提出了基于梯度方向直方图相关的乘驾人区域估计算法乘驾人区域估计一方面可降低图像检测搜索范围，提供检测速度；另一方面可抑制非乘驾人区域的图像边缘或其他特征的干扰，提高算法的检测精度。目前常用方法如背景差分等难以获取乘驾人区域。基于此，本文利用乘驾人图像序列和无乘驾人的背景参考图像之间具有较好的空间结构相互性特点，构建了局部方向直方图的局部区域特征表达和余弦定理的局部区域相关性度量分类方法，通过图像局部区域映射关系表的创建和局部区域映射表的区域分裂与归并以及孤立节点和较小局部块去除，实现了乘驾人区域估计，该方法具有光照、噪声、对比度等不敏感性，可满足乘驾人检测区域的估计需要。5、提出了多传感器源融合的乘驾人分类方法成人、儿童、空乘等乘驾人类型与状态是汽车安全气囊是否展出的重要依据。乘驾人类型与姿态的各异性、座椅异物的放置、阳光照射等因素的影响增加了单一检测器对乘驾人类型与状态检测的困难。针对上述问题，本文构建了视频传感器与压力传感器融合的多传感器融合决策识别方法，设计了多传感器融合策略，确定了设备层和决策层的融合策略；构建了乘驾人HOG与SVM结合的窗口分类器框架体系，建立了多尺度的乘驾人窗口分类融合定位方法，实现了乘驾人的视频检测方法；根据压力传感器的压力信息，建立了乘驾人空乘状态判决方法；根据视频与压力传感器的决策层融合策略，建立了多传感器融合决策分类方法，实现了空乘、成人、儿童的分类。6、提出了基于半监督学习的乘驾人跟踪与交互式多模的运动估计方法乘驾人的跟踪和运动预测可提供乘驾人状态的预测，为安全气囊的事先决策和快速反应提供依据。然而，由于跟踪过程乘驾人外部特征受光照、阴影、手势等影响而改变以及乘驾人运动的多模态性，增加了乘驾人跟踪和运动估计的困难。针对上述问题，本文建立了半监督在线学习的特征更新与交互式多模的乘驾人跟踪与运动估计方法，该方法采用采用先检测后跟踪思想，首先在adaboost框架下获取乘驾人离线状态下的乘驾人特征选择的强弱分类器，结合当前静态乘驾人分类窗口确定的乘驾人区域和周围背景部分所确定的正负样本，实现乘驾人特征的在线更新选择，获取乘驾人分类的先验分类器；根据先验知识分类器检测乘驾人，Mean shift核函数估计乘驾人分类度量的相似性空间分布，获取其最大性度量作为乘驾人跟踪区域；根据乘驾人离线强弱分类器和权值分布，结合当前跟踪乘驾人区域的伪标注情况在线更新乘驾人特征选择，实现了乘驾人的半监督在线跟踪算法；最后利用IMM框架和多个模式的Kalman滤波器，通过输入交互、模型滤波、概率更新和组合估计，实现了多模式的乘驾人运动估计方法。该方法满足了乘驾人跟踪过程外观特征变化的特征在线更新和乘驾人运动多模特性的跟踪和运动估计，限制了online Boosting的漂移现象。实验过程对不同乘驾人类型、光照、状态等视频序列测试，测试结果表明本文算法具有良好的性能，可满足乘驾人检测的基本性能要求，可为相关研究提供方法与理论依据和参考。