随着汽车数量的快速增加,恶性交通事故加剧,驾驶员疲劳或注意力分散是其中一项主要原因。疲劳驾驶实时检测系统可以实时准确地检测驾驶员疲劳时刻。当探知到疲劳驾驶时,系统就会给驾驶员以警报,进而可大大减少交通事故的发生。因此,疲劳驾驶预警系统已成为国内外车辆工程领域研究和开发的焦点。实时检测驾驶员疲劳程度是提高道路安全运行的有效途径。在疲劳驾驶实时检测系统中,人脸图像的获取、分类器的训练和人脸人眼状态的判断是至关重要的因素。本文针对视频图像含有大量噪声、驾驶员光照环境复杂等特点,对图像进行预处理。预处理主要是对抓拍的驾驶员图片进行除噪处理,改善驾驶员脸部区域的图片质量,在保留和增强脸和眼睛的纹理和颜色信息的同时,消除噪点干扰,为后续处理创造条件。本文主要采用一种分级别光照补偿方法进行光照补偿和中值滤波方法进行预处理。驾驶员人脸图像中含有人脸信息和大量背景信息,背景信息对疲劳驾驶实时检测系统的实时性和准确性的提高都有很大的阻碍作用。因此,本文对预处理后的图片进行基于肤色信息的人脸分割,采用Canny边缘剪裁方法进行粗特征提取。该粗特征提取方法能够降低分类器训练复杂度。人脸分类器训练中,采用Adaboost算法。针对传统Adaboost算法能使样本权重分布扭曲的缺点,提出一种采用不同加权参数的改进算法。然后,通过眼睛垂直距离和水平距离之比简化眼睛状态判断,利用PERCLOS算法判断驾驶员疲劳程度,对比基于眼部特征、基于嘴巴特征和基于眼睛和嘴巴的双特征的疲劳驾驶实时检测,突出基于眼部特征的疲劳驾驶实时检测更兼有实时性和准确性的特点。最后,实验验证改进的算法能够提高驾驶员疲劳检测的速度和准确性。本文的研究将为推动驾驶员疲劳实时检测技术的发展起到一定的积极作用。