疲劳驾驶是交通事故的重要诱因之一,因此如何有效地进行驾驶员的疲劳检测也成为当前热点的研究领域。本文针对驾驶员的疲劳驾驶状态提出了一种基于人脸关键点定位的检测算法,可以有效地检测出驾驶员注意力不集中、困倦疲劳的危险驾驶状态。具体工作如下:1、通过中值滤波、直方图均衡等处理手段,对摄像机采集图片进行优化,减弱由于光照和噪声对图像产生的影响。针对原有的Adaboost人脸检测算法进行优化,追加MLP回归校准网络,以此得到更为准确,稳定的人脸回归框,为人脸关键点定位提供精确的人脸位置。2、在人脸检测的基础上,对人脸关键点定位,在关键点检测TCDCN网络的基础上进行改进,根据不同子任务的收敛难度构建不同任务的分支策略。同时针对TCDCN的损失函数及优化方法进行比对,保证关键点回归任务更快地收敛,以得到9个人脸关键点。3、研究基于机器视觉的疲劳检测方法,根据PERCLOS疲劳判断准则,提出驾驶员疲劳检测相关的状态特征判断方法。根据人脸的9个关键点,提取出人眼所在位置。训练一个二分类的神经网络,判断眼睛的睁闭状态。同时,根据9个点的位置关系,来判断人脸的朝向,给出驾驶员的头部状态。通过头部和眼部的状态来判断驾驶员是否属于疲劳驾驶。4、本文分别对人脸检测算法和关键点定位算法进行了测试对比实验。在综合数据集上使用改进后的Adaboost人脸检测算法和经典的Adaboost人脸检测算法进行了对比,结果显示,本文算法在准确率和平均交并比值均优于原Adaboost算法。针对关键点检测算法,本文先后讨论了优化器、损失函数、网络结构等对原TCDCN网络的影响,经过实验结果显示,本文经过改进的TCDCN网络在9个人脸关键点数据集上的表现要优于原TCDCN网络效果,模型收敛快,特征点定位更稳定。