疲劳驾驶时刻危害着道路交通安全,是产生交通事故的主要原因之一。如何有效监测和判定疲劳驾驶状态,从而实现疲劳预警,已成为科学研究的热点。传统的检测方法多是基于某种人体生理参数,通过对生理参数变化的监测,完成对疲劳状态的判定。与传统检测方法相比,基于计算机视觉的疲劳检测方法具有检测结果准确可靠,检测过程不依赖穿戴设备,人机交互体验良好等优势。但在特定的算法运用场景中,往往存在被检画面部分遮挡、图像分辨率过低、检测环境复杂光照、采集设备不稳定等环境因素的干扰。面对诸多挑战,如何有效地提高疲劳状态的检测精度,同时算法具有实际运用空间,仍需要深入探索。传统的基于面部信息的疲劳检测方法往往针对特定的某一面部属性进行检测分析,由于检测个体差异及疲劳状态界定模糊,算法存在识别错误率高、鲁棒性差的问题。而且单一属性模型割裂了面部属性间潜在的相融相斥关系,同时庞大的模型尺寸和复杂的模型结构也限制了算法的实际落地。针对这些亟待解决的问题,本文首先基于多任务卷积神经网络(MTCNN)提出了面部检测和头部姿态分析融合模型,模型使用多任务级联的架构策略,在完成面部检测任务的同时完成完整面部姿态分析任务。其次基于网络级联的轻量化卷积神经网络(SqueezeNet),设计了面部关键点检测网络,获得人脸72点关键点坐标。对获得的面部属性信息,进行疲劳特征的提取,提出了一种多特征融合的疲劳判定方法。最后结合研究成果,完成了在线疲劳检测预警系统平台的搭建。具体进行了如下工作:(1)针对面部属性分析特别是多属性分析大多依赖面部检测及人脸关键点检测,拉长了面部属性分析的流程。为了解决上述问题,提出了面部检测和头部姿态分析融合模型。将面部区域检测及头部姿态分析融合到同一个网络中,多任务策略缩短了面部姿态分析流程。详细介绍了面部检测及头部姿态分析融合网络每层网络结构及参数定义,对网络的输入输出进行了说明,优化了训练过程中使用的激活函数和训练策略,立足于算法实际运用场景,优化模型结构的同时提升检测识别的速度和精度。(2)从工程化角度出发,提出了一种基于网络级联的轻量化卷积神经网络,用于对人脸关键点检测,对面部属性进行了进一步的分析。首先介绍了网络级联的轻量化卷积神经网络结构及模块详细参数,然后提出了一种针对眼部、嘴部关键点检测的级联网络结构,利用检测网络对面部72点关键点进行定位。针对检出的眼部嘴部关键点,使用合适的分析策略,对睁眼、闭眼,张嘴、闭嘴的状态进行判定,对疲劳预警系统的设计奠定了基础。(3)为了解决基于单一的疲劳状态特征的疲劳检测系统可靠性低,误检率高,疲劳判定标准中疲劳指征不全面、不丰富且容易受到复杂环境检测干扰,本文基于信息融合策略提出了一种多特征融合的决策办法。该方法利用人脸区域检测结果、头部姿态信息、人脸关键点信息,对多个人脸属性进行疲劳特征的提取及分析,对提取的疲劳特征使用信息融合策略,以提高算法的识别精度。搭建了真实场景下的数据采集平台,并对融合后的判定策略进行了对比及分析。利用研究成果,搭建在线疲劳检测预警系统平台,针对驾驶员及交通监管部门需求,设计并实现了实时疲劳检测预警系统及驾驶员疲劳驾驶监管系统。本文基于现有的研究结果进行了改进,所提模型涉及面部区域检测,人脸关键点检测,面部多属性分析与运用。立足工程开发,模型围绕轻量化设计思想,提高检测精度及运行速度的同时拥有理想的模型大小,模型在特定运用场景面中具备较好的鲁棒性。使用信息融合策略提出多属性融合疲劳判定策略,搭建在线疲劳检测预警系统平台具有较好的实用性。研究内容对面部多属性分析算法工程化运用进行了更近一步的探索。