随着交通运输行业和自动驾驶行业的发展,公路上每天行驶的车辆都会产生许多未知的风险,因此车辆安全领域的科研人员对ABS、ESP、电子手刹、驾驶员疲劳检测系统等车辆主动安全设备进行了广泛的研究。驾驶员疲劳检测技术是车辆主动安全设备的关键部分,旨在通过监控司机状态并进行预警,达到保障司机及行人财产和生命安全的目的。首先,对目前驾驶员疲劳检测的关键技术——特征提取算法和状态分类算法的原理和优缺点进行研究,并最终选取深度学习作为驾驶员疲劳检测系统的特征提取和状态分类方法。然后基于深度学习方法设计疲劳检测系统的特征提取算法与状态分类算法,其中特征提取算法用于驾驶员的脸部区域图像提取,状态分类算法将对瞌睡、哈欠、抽烟、打电话、正常驾驶五种状态进行分类。对深度学习算法的脆弱性进行分析,并设计了一个生成对抗网络算法作为攻击模块,通过其生成的疲劳对抗样本和采集的驾驶员真实样本同时训练状态分类网络,使分类网络具备区分对抗样本与真实样本的能力,提高对疲劳对抗样本的防御能力。其次,提出了一种将卷积神经网络和生成对抗网络进行级联的驾驶员疲劳检测框架,主要包括信息采集模块、特征提取模块、攻击模块、状态分类模块和判定及预警模块。信息采集模块:通过红外摄像头采集驾驶员的实时状态视频,然后从视频中获取表征驾驶员状态的帧图像;状态分类模块:将驾驶员图像作为输入,获取驾驶员的人脸范围和关键点坐标,然后根据获取的人脸及关键点位置对驾驶员脸部进行区域划分和区域提取,获得驾驶员耳朵、嘴巴、眼睛的区域图像;攻击模块:使用生成对抗网络技术,通过噪声生成驾驶员的疲劳对抗样本,即伪瞌睡、伪哈欠图像,并将其标记为非疲劳状态;状态分类模块:使用真实样本与疲劳对抗样本共同训练,使状态分类模块在区分驾驶员状态的同时具备抵抗伪疲劳图像攻击的能力,其能够对五种驾驶员状态进行分类,包括正常驾驶、瞌睡、哈欠、打电话、抽烟;判定及预警模块:将经过状态分类后的图像作为输入,根据PERCLOS算法和一段时间内驾驶员特征判定驾驶员是否处于疲劳状态,并对疲劳状态进行记录和预警。最后,对疲劳检测系统的硬件解方案进行研究,提出了使用树莓派3B+、英特尔神经计算棒作为硬件解决方案,满足了算法运行的需求同时具有较高的性价比。然后对提出的级联卷积神经网络和生成对抗网络的驾驶员疲劳检测系统的可行性进行验证,其中包括对区域提取算法准确率的验证、疲劳检测系统准确率的验证,并使用恶意图像进行攻击从而验证系统的鲁棒性。实验表明,本文在防御疲劳对抗样本攻击方面,经过对抗样本训练的状态分类网络对伪疲劳图像的检出率从15%提高到84%,说明本检测系统具备一定的防御伪疲劳图像攻击的能力。提出的区域提取算法对驾驶员五官的提取准确率达到94%以上,疲劳检测系统在对驾驶员疲劳状态的检测中,准确率达到了92%。综上所述,本文提出的硬件方案检测效果较好,能够满足疲劳检测系统的运行需求。