目前，驾驶员疲劳驾驶所引发的交通事故频繁发生。作为安全辅助驾驶技术重要组成之一的驾驶员疲劳监控技术，日益受到人们的关注，并对降低交通事故率有着重要作用。随着机器视觉与模式识别技术特别是人脸检测技术的不断发展，基于机器视觉的驾驶员眼睛的监测方法成为现今国内外研究人员认可并使用的方法。 论文应用PERCLOS原理，从实时性角度以及算法之间优势互补的角度选用并改进现今部分算法，实现基于机器视觉视频监控下的人脸定位、眼睛跟踪、眼睛状态识别及疲劳状况判断。同时在VC++6.0平台上结合使用OPENCV计算机视觉库函数，实现驾驶员疲劳监测系统的软件系统设计，并进行不同外部环境下的监控实验，验证了相关算法的准确率及系统的可靠性。论文主要包括以下方面内容： 建立肤色在rgb空间上的多项式拟合模型，通过进化代理方式实现检测帧中快速的人脸定位。实验结果表明，该算法实现人脸定位的准确率达到95％，时间开销控制在0.07秒左右。 在初始帧实现人脸定位的基础上，利用灰度信息对能够分割出人眼的最佳分割阈值采用自适应选择；在二值化图像上进行形态学运算以及区域标记，结合基于人脸几何特征先验知识建立人眼位置的判定准则，分割图像中双眼黑块，完成眼睛位置检测。 提出一种综合Kalman滤波和CamShift算法的人眼实时跟踪算法，充分利用两者的优点，提高人眼跟踪速度。眼睛跟踪过程中，首先根据上一帧图像中眼睛的位置运用Kalman滤波预测当前图像中眼睛的位置和协方差；然后根据人眼区域颜色概率模型匹配，运用Camshift迭代算法在估计的邻域内搜索与眼睛模板最相似的目标。在实车驾驶环境下，跟踪的平均准确率为82.9％，头部在水平面内一定角度的旋转以及垂直平面内小角度转动的人脸图像中，均可以较正确的检测出人眼的位置。 结合LOG算子的边缘检测算法及Hough变化找虹膜圆的方法判断眼睛的开合状态，然后根据PERCLOS方法，来判断驾驶员疲劳状态。实验表明，在实现眼睛位置定位跟踪的基础上，眼睛状态判断准确率为91.2％左右。整个系统对大小为320×240的图像进行疲劳检测，采集速度为15帧/秒，检测速度达到4帧/秒。