随着经济的快速发展,世界各地的交通建设也紧跟其脚步大规模进行,涉及到的交通安全问题也日渐突出,其中驾驶者的疲劳驾驶使人们的生命安全受到巨大威胁,造成的财产损失难以估量。疲劳驾驶对公路交通的安全威胁巨大,轨道交通也面临着同样的问题,在人为因素引起的严重事故中,司机打瞌睡是重要问题之一。因此,研究并开发出一套实时、有效、检测准确率高的疲劳检测系统,实时检测列车司机驾驶时的精神状态,并在打瞌睡时及时预警,避免造成重大安全事故,对于保护人员生命和财产安全的重要性不言而喻。近年来,对疲劳驾驶检测技术的研究进展迅速,通过对国内外研究现状的分析,目前的疲劳检测设备存在以下不足:部分测量设备需要直接接触驾驶者身体,会干扰到驾驶者的正常操作;车辆轨迹监测设备易受道路具体情况的影响;视觉特征检测设备,依赖单一的疲劳特征检测可能由于眼镜的反光和遮挡,头部的不规律运动造成漏检、误检。本文综合驾驶员的各种面部特征信息对驾驶员的疲劳状态进行融合判断,这样可以大大降低了采用单一特征造成的错误检测现象,成本较低,检测准确性高。本文提出了基于驾驶员面部视觉特征融合的疲劳检测研究方法。首先,从视频中采集到图像并进行灰度化处理并利用Gamma校正算法对其进行颜色、空间归一化,对图像的对比度进行调节,降低图像局部由于光照变化和阴影造成的影响,提高输入图像的辨识度。其次,计算所输入图像上所有像素点在水平和垂直方向的梯度,得到像素点的梯度值大小以及其方向,进一步把图像划分成许多的单元区域,统计所有单元区域的梯度直方图,得到每个单元区域的HOG特征。再把几个单元区域组合成一个个组块,然后把所输入图像内的全部组块的HOG特征进行串联,得到所要检测目标的HOG特征。接着,将目标HOG特征输入到SVM分类器中进行训练,最终得到人脸检测器。实现对输入图像中人脸的检测和追踪。实验验证结果表明,与其它的人脸检测方法相比,本文方法有较高的识别率,缩短了检测时间,适用于不同的光照环境。接着,为了快速实现驾驶员面部疲劳特征的提取,基于级联回归树的算法,训练得到人脸68个特征点模型,用以完成人脸上的眼睛、鼻子、嘴和脸轮廓等标志性特征位置的标定以及对应疲劳特征的提取。最后,基于逆误差传播算法,设计网络结构,从采集的样本中提取疲劳特征作为模型训练的数据集。用训练好的模型融合面部疲劳特征,计算并输出驾驶员对应状态的疲劳概率,用交叉验证法进行结果验证,所训练得到的模型,其准确率在97%左右,泛化能力良好。本文用python语言实现了整个算法和模型,利用wxpython搭建系统界面,实现疲劳检测系统的可视化。该系统能快捷实时的计算出不同精神状态下的疲劳概率,检测和追踪驾驶者面部,进行面部关键特征点的标定和坐标检测。系统经测试,结果显示:其综合处理速率达到了29帧/秒以上,实时性较好,在不同光照条件下进行验证,其检测准确率的平均值能达到95.1%,能对驾驶员的疲劳状态做出准确判定,并给出预警,有效的验证了设计算法的准确率和效率。