近年来机动车数量的急剧增加,在给人们的生活和工作带来了很大便利的同时,随之而来的交通问题也愈发严重。据相关部门统计,由疲劳驾驶引发的交通事故占了很大的比例,所以开发一个实时监测驾驶员疲劳状态的系统具有很重要的实际价值,而疲劳检测算法的研究是系统实现的基础,因此本文研究了一种基于驾驶员面部图像信息的疲劳检测算法。本文提出了一种基于面部视觉多特征融合的驾驶员疲劳状态检测算法,通过分析驾驶员眼睛、嘴巴以及整体面部表情的状态,并采用模糊系统融合推理判断驾驶员的疲劳状态。首先,采用基于Haar特征的级联Adaboost检测算法确定驾驶员的脸部位置,然后利用Gabor滤波器增强面部局部特征的边缘信息以准确定位眼睛和嘴部,采用一种旋转不变的LBP金字塔特征对眼睛进行特征描述,训练线性SVM分类器判别眼睛的开闭状态;并根据嘴部二值图像的张开面积及宽高比判断嘴部的开闭状态;同时采用多模态特征的距离测度学习算法判别驾驶员整体面部的疲劳表情。最后根据眼睛和嘴部的状态以及疲劳表情,计算出四个能够描述驾驶员状态的疲劳参数,利用模糊系统融合推理得出驾驶员的疲劳状态,并根据推理结果予以不同的预警措施。实验结果表明面部局部特征眼睛和嘴部状态判别的算法有较高的准确率,能够满足实际检测系统的要求,而整体面部表情状态判别由于情况比较复杂,外界干扰比较多,但是本文算法的准确率也能够满足实际应用的需要;用于信息融合的模糊系统的合理性也在仿真实验中得以验证。最终,本文的第5章验证了整个算法流程的完整性和合理性。