随着道路交通的飞速发展,人们的出行越来越便利,交通安全也越来越被重视,车载辅助驾驶系统给车辆的出行带来了极大的安全保障。辅助驾驶系统是智能交通的一个重要组成部分,对交通安全及发展有着重要的意义,而机器视觉技术凭借其成本低和对驾驶员契合度高等优势,已经被广泛的应用于辅助驾驶系统中。疲劳检测是辅助驾驶系统中研究的重点和难点,因此本文以辅助驾驶系统中的疲劳检测方法作为研究对象并展开深入研究,提出了一种实时准确的疲劳检测方法,主要研究内容及成果包括:1.采用普通单摄像头传感器,在常见光下实现了一种轻量级的辅助驾驶系统疲劳检测方法,与传统的红外光下的检测方法相比对驾驶员更安全,与侵入式的检测方法相比对驾驶员的影响最小,方便且高效,测试效果完全可以满足实际使用的要求,具有很好的实时性。2.提出了一种新的辅助驾驶系统中的疲劳检测方法,通过引入基于CNN的多任务学习网络快速准确的对驾驶员人脸进行检测和眼睛嘴巴等主要特征点进行定位,确定最佳的人脸框的位置,和最佳人眼及嘴巴的位置,与辅助驾驶系统中传统的检测定位方法相比,多任务学习网络能够同时完成检测和定位任务,速度更快,更加适合实时疲劳检测方法,准确率和实时性都能满足实际要求。3.疲劳检测方法中识别人眼或嘴巴状态非常重要,识别的准确率将直接影响整个系统的性能。本文分析现有方法的不足,并设计了一个简单快速的卷积神经网络识别人眼和嘴巴状态,最后通过计算PERCLOS(Percentage of Eyelid Closure)和驾驶员的嘴部哈欠频率这两个参数判断驾驶员的疲劳状态,相比于仅使用PERCLOS单个参数判断驾驶疲劳状态的方法,双参数的方法更可靠,更能准确的判断驾驶员的疲劳状态。