疲劳驾驶检测系统因有着较大的应用价值,并与人们的安全密切相关而一直是研究热点,基于模式识别与图像处理技术的面部识别疲劳方法也有着重要的理论价值。在这方面的研究取得了一定的成果,但也有很多未解决的问题,本文侧重对面部疲劳特征和疲劳参数进行研究,提出了基于三种疲劳参数的疲劳特征的检测和识别算法,以及三种疲劳参数的获取方法,并进行了相关实验。本文是以获取疲劳参数进行的面部特征检测研究,更具针对性,且设计了疲劳参数的实时获取方法。最后设计了多疲劳参数的疲劳驾驶系统的设计方法,本文的研究内容可总结为如下几点：(1)设计了一种基于Hough变换的人眼检测方法在采用了基于Adaboost检测人脸方法进行人脸检测后,在人脸区域中分出候选眼部区域,提出了一种基于Hough变换的人眼检测方法。设计了给定半径进行Hough变换采用非极大值抑制方法检测候选眼圆,加入灰度信息确定人眼；根据本文算法和人双眼关系的先验知识,设计了分左右半图像检测检测人眼,并加入二次检测的检测方法流程；选择了对图像降低到不同分辨率进行该方法的检测人眼实验,基于实验结果分析了降低待检图像分辨率对计算量和检测效果的影响,选择了合适的分辨率以减少计算量并保持较好的检测效果。实验证明本文的检测人眼算法对非闭眼人眼有很好的检测效果。(2)训练了AAM人眼模版本文选用了训练AAM人眼模版进行人眼精确定位和特征信息提取,设计了训练方法：训练单人、多眼部状态、多姿态人眼模版,并选择了相应的训练样本；选择设计训练样本的眼部特征点标注方法,特征点的选择可以提供大量眼部甚至头部信息；对训练样本采用AAM算法进行了训练,获得了人眼模版。然后设计了眼部信息的提取方法,选择瞳孔四周的点来表征眼睛的张开距离。最后设计了眼睛的跟踪方法：以基于Hough变换的人眼检测方法对眼睛进行初定位,匹配AAM人眼模版,并对之后的人眼进行跟踪,以眼睛特征点信息检测是否跟踪丢失,若丢失进行重新的人眼初定位。AAM人眼模版方法在精确定位人眼、人眼跟踪、实时提取眼部信息都取得了很好的效果。(3)设计了眼部疲劳参数PERCLOS实时获取方法基于本文的人眼特征检测方法,设计了与疲劳相关性较大的眼部疲劳参数——PERCLOS的实时获取方法：结合AAM模版进行跟踪定位人眼,选用模版实时获取的双眼瞳孔四角点来表征眼睛的张开距离；根据PERCLOS的定义,本文设计统计在一个眨眼过程中,眼睛张开距离低于整个瞳孔距离的20%的时间和低于80%的时间,以其比例表征PERCLOS值,设计了实现了实时的PERCLOS值输出,并完全实时表征眼部的变化。对本文方法进行了相关实验,取得较好结果。(4)提出了一种基于Gabor和LBP的嘴部检测识别方法嘴部疲劳参数的研究一直是以检测打哈欠的频率为主,本文以获取这个参数为目的,研究了检测识别嘴部特征状态的方法：利用眼睛与嘴巴位置关系在人脸区域分割出嘴部区域,提取其红色信息图像,多尺度多方向进行Gabor滤波,改进的LBP算子处理图像,再用分块直方图统计提取特征,并设计了基于判定疲劳非疲劳的SVM嘴部状态分类器。利用分类识别的结果,设计了实时获取嘴部疲劳参数的方法：一段时间内嘴部状态连续为张开则为发生一次哈欠动作。(5)基于本文方法提出了疲劳检测系统流程设计方法基于本文对三种疲劳参数及其相应特征提取方法的研究,设计了多参数疲劳驾驶系统流程,主要对参数及其对应特征提取算法之间联系进行了模块和流程设计。