司机疲劳驾车会影响车辆的正常行驶,严重时会威胁司机和乘客的生命安全,因此对司机进行疲劳驾驶检测和预报可以有效保障人们的出行安全。针对疲劳检测这一问题,研究人员主要提出了三种不同方式的解决方案:基于驾驶员生理特征检测、基于车辆运动特征检测和基于驾驶员面部特征检测。在这三种解决方案中,虽然基于驾驶员面部特征的检测方法具有无侵入性、准确率高及易操作等优点,但是针对驾驶员的眨眼检测方法在面部特征检测中最能直观反映疲劳状态,因此目前针对眨眼检测的疲劳状态判定方法被广泛应用于科学研究。本文在对国内外各类疲劳检测算法进行深入研究后,针对传统方法鲁棒性差、准确率低的问题,提出了基于深度学习的眨眼检测方法;针对在低光环境中图像曝光度低的问题,提出了基于低光增强的夜间眨眼检测算法,成功将低光增强引入疲劳驾驶检测领域,取得了很好的效果。最后为了验证模型的有效性,本文搭建了疲劳驾驶检测系统实验平台,以便于相关的实验验证。本文的主要创新点及工作内容如下:1、为解决传统方法抗干扰性不强、准确率不高的缺点,本文提出了一种基于深度学习的眨眼检测方法。传统方法对于眼睛部位的提取一般都是先进行人脸检测再进行人眼定位,此种方法不仅耗时而且复杂,而本文直接使用人脸关键点检测网络对图像进行处理即可同时进行人脸检测和人眼定位这两个任务,可以满足实时性的需求。其次,在人眼区域图像的睁闭眼分类模块,本文基于普通的卷积神经网络,结合残差学习和跳跃连接两种策略,来提高分类模型的细节表达能力,加速模型的快速拟合,从而提高整个检测器的性能。2、在现实生活中,一般在夜间光照强度较弱的情况下,司机出现疲劳驾驶的次数较多,但是上述模型和现有的相关检测算法无法处理灯光问题,导致其在夜间检测时准确率较低。因此,本文提出了基于低光增强的夜间眨眼检测算法。在本文算法的设计中,不再将原始图像直接输入到人脸关键点检测网络中进行检测,而是在检测之前,先对原始低曝光图像进行增强处理,从而提高后续关键点检测算法的定位准确率和睁闭眼分类网络的分类准确率,从而最终提高整个检测器在低光环境中的性能。3、为了对上述算法进行测试,测试算法的鲁棒性和准确率,本文搭建了疲劳驾驶检测系统实验平台,整个系统分为疲劳驾驶检测终端和后台管理系统两个部分,可以有效验证算法的正确性。