随着我国汽车保有量不断上升,频发的交通事故也带来了巨大的伤亡和损失。根据研究,在造成事故的众多因素中,疲劳驾驶尤为严重。所幸的是,在疲劳导致交通事故之前,驾驶员会表现出明显的疲劳特征,这使得在疲劳导致交通事故之前就可以提醒驾驶员注意疲劳。因此,研究快速、可靠、高精度的驾驶员疲劳检测方法对道路交通安全有着深远意义。道路交通安全的问题一直备受国内外众多研究学者的关注,在疲劳驾驶检测方面也出现了较多优秀的方法和成果。其中利用机器视觉通过驾驶员行为特征进行疲劳辨识的方法体现出无接触、低成本、高精度等优越性,但同时也存在着疲劳特征参数单一、特征提取网络层数浅和不能针对不同驾驶员定制疲劳阈值等问题。针对以上问题,本文提出了一种基于多特征的疲劳检测方法,具体描述如下:首先,采用HOG和ERT算法进行人脸检测和人脸关键点定位,利用驾驶员二维面部关键点结合坐标系变换与相机标定进行头部姿态估计,解决人脸检测、关键点定位与头部欧拉角估计的问题。然后,针对驾驶员疲劳特征提取,利用EAR、MAR算法和头部姿态欧拉角提取驾驶员眼睛、嘴巴、头部姿态多重疲劳特征,同时将深度残差神经网络与EAR眼部疲劳特征提取算法相结合,并采用迁移学习算法使模型针对性和准确度更高。最后,利用眼睛、嘴巴、头部姿态的疲劳特征,建立了针对不同驾驶员的支持向量机个性化疲劳阈值模型,并综合PERCLOS、眨眼频率、闭眼时长、哈欠次数、低头频率和头部异常角度等疲劳特征参数判断驾驶员的疲劳状态,并对其进行预警。实验表明,本文提出的基于多特征的驾驶员疲劳检测方法在Yaw DD和自建疲劳模拟数据集上具有较高的准确率和鲁棒性,在单一疲劳特征检测受阻时仍能提供良好的疲劳预警。