随着汽车保有量大幅提高,交通事故越来越频发,严重威胁人民财产和生命安全。绝大部分交通事故由异常驾驶行为导致。为了减少交通事故发生,安全辅助驾驶系统研究具有重大应该价值。基于机器视觉的检测方法有非接触、干扰小的优点。本课题对驾驶员异常行为检测进行了研究,包括疲劳驾驶检测和打电话行为检测。人脸显示了一个人重要的状态信息,对眼、耳等多特征检测成为判断驾驶员是否处于异常行为的关键。在视频检测中,本着“由大到小、逐步定位”的原则。论文先通过Adaboost算法确定驾驶员人脸初始位置,再采用KCF跟踪算法对人脸进行跟踪,然后应用SDM算法进行人脸特征点对齐,得到眉毛、眼睑、鼻子和嘴等器官具体位置。最后,提取出眼部区域,送CNN神经网络处理。CNN神经网络经“睁闭眼”数据集训练,分类识别眼睛的睁闭。论文采用PERCLOS疲劳参数和眨眼频率融合法判定驾驶员疲劳状态。打电话检测中,采用SDM算法定位人脸器官位置,通过“三庭五眼”先验知识定位“打电话动作”感兴区域。驾驶员打电话时,手接近耳部,感兴区域会存在大量类肤色像素,利用肤色在YCb Cr空间具有较好聚类的特性,可对耳部区域大量类肤色像素进行检测,从而实现驾驶员打电话行为检测。论文检测算法在MATLAB环境下开发完成。实验验证结果表明:论文提出的驾驶员异常行为检测方法具有较高实用价值,每帧视频的人脸定位时间仅为10.95ms,检测疲劳驾驶和打电话准确性分别为92.5%和93.5%。