司机疲劳驾驶是引发车祸的主要因素之一。根据交通部门的统计，由于疲劳驾驶造成的交通事故占将近事故总数的20％。因此，如何有效的监测和防止驾驶员疲劳驾驶，对于降低交通事故及人员死亡率有着十分重要的现实意义。据美国国家公路交通安全局公布的数据显示，在各种生理特征与驾驶疲劳的相关性中，PERCLOS(单位时间内眼睛闭合时间所占的百分率)与疲劳的相关性最佳。因此，选用了PERCLOS作为判定疲劳程度的依据。 PERCLOS采用了机器视觉的方法，对司机进行实时监测。本文重点讨论了PERCLOS参数的获得方法，提出了一套基于人脸检测、人眼定位、眼睛状态值计算流程的计算PERCLOS参数的方法。首先，我们使用Adaboost算法实现了基于Haar-Like特征和Cascade级联分类器的人脸检测。在人脸检测定位的基础上，提出了一种使用水平积分投影定位人眼纵坐标，在图像缩小到以眼睛纵坐标为中心的局部区域的基础上，再采用边缘检测、膨胀边缘区域、连通性分析计算出眼睛区域的横坐标，并从人脸图像中分割出双眼的人眼定位方法。在人眼定位的基础上，提出了一种利用区域似圆比的方法来检测虹膜区域，通过判断虹膜的有无来判断眼睛的睁闭情况的新颖方法来检测人眼状态。最后计算出PERCLOS参数值。整个算法执行时间不超过16ms。人脸检测准确率接近100％，人眼定位准确率约为95％。达到了实时高准确率的检测要求。 我们以PC为平台搭建了疲劳实验的硬件系统，并利用OpenCV图像处理软件与Halcon图像处理软件提供的接口制作了相应的软件系统。以此实验系统为平台，结合PVT(精神警觉性测试)进行了疲劳实验，实验结果显示了本文方法计算得到的PERCLOS参数与PVT的表示疲劳的相关性，证明了本文提出的方法的正确性。