研究开发高性能的操控员驾驶疲劳状态实时监测技术,有效判断驾驶员是否进入疲劳状态,不仅能提高操控员的工作效率,更能解决因疲劳驾驶导致的安全隐患。本文研究基于视频的非接触的、实时的驾驶员疲劳检测方法,提出一种融合多个疲劳特征的疲劳状态检测算法。首先,通过摄像头采集操控员驾驶视频,进行简单的图像预处理;再通过AdaBoost人脸检测算法快速定位人脸区域,然后用ASM构建驾驶人的面部形状模型,精确定位人的眼睛和嘴巴,提取相关的特征参数;之后对操控员的头部运动进行姿态估计,最后综合上述各个指标,使用SVM算法建立从特征状态空间到疲劳状态空间的映射关系,进行疲劳判定。具体内容如下:1)研究了 AdaBoost分类器与主动形状模型像相结合的操控员面部特征点的精确定位。AdaBoost缩小了人脸存在的范围,主动形状模型对人脸关键点的跟踪效果好,二者结合可以实现一种由粗及精的人脸特征点定位。2)详细分析了人体在疲劳时表现出的多个行为状态的变化,确定了目前公认与疲劳特征最相关的PERCLOS值、平均闭眼时长、眨眼频率三个值作为作为眼部疲劳特征参数。同时,参照PERCLOS原理,提出了 PMRCLOS定义呵欠阈值,该值将从大量实验数据中确定。3)对比了基于POSIT算法的图像姿态解算和基于惯性传感器的空间运动姿态解算,并结合两种方法的特点进行数据融合,高精度的提取了头部运动参数。4)结合多种与疲劳相关的表征参量,将疲劳驾驶监测系统的可靠性提高。通过搭建疲劳监测支持向量机模型,使得系统最终能够自主判断操控员是否处于疲劳状态。实验数据显示,系统的准确率达到86%,检测具有较高的准确度。论文的研究成果为操控员疲劳驾驶状态监测技术的应用提供一定的理论和技术支持。