疲劳驾驶在汽车安全中是一个厉害的隐形杀手,让人麻痹的同时,给人类的生命财产安全带来了巨大的隐患。为了减少疲劳驾驶带来的破坏,提高对驾驶员疲劳程度检测的准确性与鲁棒性,本文提出了一种基于主动形状模型的多特征融合疲劳检测算法。该算法通过摄像机拍摄驾驶员人脸图像,利用简单类Haar特征的级联Adaboost算法进行人脸定位,根据提取到的人脸信息通过主动形状模型定位人脸的眼睛、嘴巴和头部的特征点信息,并以此获取与驾驶员疲劳相关的特征参数,通过自适应神经推理系统最终判别出驾驶员的疲劳程度。本文的研究内容主要集中在以下几个方面:(1)充分考虑算法的实时性,利用简单类Haar特征的级联Adaboost算法快速检测出人脸位置,并进行肤色校正。通过检测到的人脸位置以及大致形状,约束主动形状模型的初始形状,提高主动形状模型的计算速度。(2)针对在疲劳检测时,眼睛、嘴巴和头部的状态参数提取困难的问题,利用主动形状模型在人脸范围内的特征点定位,通过12个特征点,准确地求取出眼睛、嘴巴和头部的状态参数。(3)为了提高算法的鲁棒性与准确性,使用了一种多特征融合的疲劳检测算法。在得出驾驶员眼睛、嘴巴和头部状态参数的基础上,获取了 PERCLOS、AECS、哈欠频率以及点头频率等四个疲劳特征参数。(4)利用PERCLOS、AECS、哈欠频率、点头频率这四个特征参数作为输入值,设计了基于自适应神经模糊推理系统的疲劳程度分类算法。将驾驶员的疲劳程度分为清醒、疲劳和严重疲劳三个等级。通过实验采集的数据对自适应神经模糊推理系统进行训练学习,解决了疲劳程度难以量化计算的问题。