在汽车不断走进千家万户的同时,我国的交通安全压力越来越大,疲劳驾驶引发的交通事故居高不下,因此疲劳驾驶检测具有巨大的现实价值。本文对计算机视觉技术的疲劳驾驶检测技术展开研究,设计出一套具有高准确率和鲁棒性的疲劳检测系统,主要研究内容包括如下4部分。首先,进行驾驶员人脸检测与跟踪。本文对比分析了各类人脸检测算法,最后选用AdaBoost算法。但在实际运用场景下,此算法的运行速度较慢。为加快人脸检测的速度,本文提出对人脸区域进行跟踪,优选出跟踪精度高、速度快的KCF算法。本文通过级联AdaBoost和KCF算法进行人脸检测,速度达到了44FPS,实现了实时性和高准确率的统一。其次,进行驾驶员面部特征点定位。本文研究并分析了各种面部特征点定位方法,优选出SDM算法。在面部出现遮挡或人脸姿态变化较大时,SDM仍能准确定位出人脸特征点。本文在LFW-A&C数据集上对SDM算法进行测试,在均方根误差阈值设置为6时正确定位比例达到98%,能较好地适用于疲劳驾驶检测系统。之后,进行面部和心率疲劳特征的提取。面部疲劳特征主要包括眼部和嘴部特征,根据特征点的位置判断眼睛的睁闭、嘴巴的开合。统计分析单位时间内二者状态的变化,即可获得眨眼频率、PERCLOS值、闭眼和哈欠的最长持续时间。本文提出利用视觉技术提取心率疲劳特征,主要步骤包括基于特征点位置的ROI决策与信号提取、基于L2的去趋势分析、基于时域滤波的去噪、基于快速傅里叶变换的实时心率获取,然后比较驾驶员实时心率的变化,获得心率疲劳特征。心率测量实验表明,本文方法准确率达到了94.67%。最后,融合上述特征并进行疲劳状态检测。为简化权值设置,先采用线性加权方法融合3种眼部特征,避免了眼部特征因种类多而权重过大。然后融合眼部、嘴部和心率特征,并利用融合后的特征参数进行疲劳检测。相较于各种单一特征方法,本文方法检测准确率提高了约10%,达到了87.5%,误检率和漏检率较大幅度地下降至7.0%和5.5%。本文通过KCF跟踪算法提高系统实时性,引入心率特征并进行特征融合以提高检测准确率,使疲劳检测系统具备较大的应用价值和前景。