近年来,随着汽车数量日益增多,交通压力变得越来越大,同时交通安全问题也日渐增多,尤其是肇事逃逸、车辆套牌等违法行为时有发生。在交通监控系统中,交通警察通过各个道路卡口的监控设备可提取到车辆信息,并通过分析这些车辆信息便可对这些违法行为进行有效打击。其中,驾驶员人脸信息作为车辆信息中直接有效的特征信息,能够帮助交通警察更快地完成交通安全管理等方面的工作。因此,对驾驶员人脸进行检测从而获得其人脸特征信息有着极其重要的现实意义。然而,受复杂的行车环境影响,驾驶员人脸图片中常存在着人脸局部特征不显著以及复杂光照变化的问题,使得驾驶员人脸检测面临着挑战。本文围绕这两个问题对驾驶员人脸检测展开了研究,研究内容主要分为如下几个方面:(1)针对驾驶员人脸图片中存在的人脸局部特征不显著的问题,本文设计了一种级联卷积神经网络(Driver Net)。该级联卷积神经网络由三个卷积核尺寸较小的轻型卷积神经组成,并引入了最大化特征图激活函数(MFM),使网络更注重于对驾驶员人脸细节特征的学习,从而得到更具鉴别性的驾驶员人脸特征。此外,层层筛选的级联结构也最大化地减少了驾驶员人脸的误检情况。(2)针对驾驶员人脸图片中存在的复杂光照变化的问题,首先,本文利用Gamma校正的数据增强方法来增强驾驶员人脸光照变化的多样性,具体是将光照较为正常的驾驶员人脸图片,在交并比的限定下,对驾驶员人脸区域进行复杂光照变化处理;其次,本文对Driver Net中第三级卷积神经网络采用特征融合的方法,将卷积神经网络中包含更多图像场景空间几何信息的中层特征与最终的高层特征相融合,提高了网络对复杂光照变化下的驾驶员人脸图片的检测性能。(3)针对驾驶员人脸图片中存在人脸局部特征不显著以及复杂光照变化问题的检测困难样本,本文提出了一种基于焦点损失的在线困难样本挖掘的方法(FL-OHEM)。该方法通过在卷积神经网络训练过程中对驾驶员人脸图片中难以检测的困难样本进行实时挖掘,并增大网络对困难样本的学习比例,从而使得网络更注重于对驾驶员人脸困难样本的学习,有效提升了网络对驾驶员人脸图片的检测效果。