疲劳是一种主观不适的感觉,在客观同等条件下,疲劳会使人丧失完成正在从事的正常活动的能力。它是每个人都会产生的生理状态,严重的疲劳状态会影响人的工作效率甚至危及生命安全。为了降低疲劳状态造成的危害,本文提出了一种基于信息熵的疲劳状态决策的方法。本文利用图像处理与模式识别的技术。首先从采集到的帧图像中进行面部检测,提取出眼部和嘴巴的特征,然后进行状态的分类。其次,使用比例正交投影迭代变换算法结合面部关键特征点估计头部姿态,根据各部分器官的状态可以得到相应的疲劳决策指标。最后,通过熵权法求疲劳决策指标在这段视频中的状态决策权重,结合贝叶斯理论完成一段时间内驾驶员疲劳等级的决策。具体内容如下:1)为了降低光照对面部检测的影响,使用自商图的方式进行图像预处理。通过MUCT人脸数据库与新增的疲劳相关人脸数据集对主动形状模型进行训练,在闭眼、张嘴打哈欠时也可以获得了较好的配准效果。2)使用边缘检测与霍夫变换定位瞳孔中心位置。通过分析常用的图像纹理特征的优缺点,选取方向梯度直方图特征描述眼睛和嘴巴的纹理信息。根据面部关键特征点获取到眼睛和嘴巴的区域,提取其方向梯度直方图特征并用支持向量机分类,得到嘴巴和眼睛的状态。为了增加应用场景,同时使用眼部面积、嘴部长宽比判断其对应的状态。3)描述了四种不同坐标系的关系与转化方式并进行相机标定,结合相机的内参数、面部特征和比例正交投影迭代变换算法,估计当前人的头部姿态。同时使用头部姿态仪求取头部姿态,比对两种方法的结果。4)为了提高疲劳检测的效果,使用多个疲劳决策指标进行描述。通过分析人的状态变化,选取PERCLOS(Percentage of Eye Closure)、眨眼频率、最长闭眼时间、睁眼速度描述眼睛的疲劳状态。同时加入瞳孔扫视速度均值(瞳孔的疲劳决策指标)、哈欠频率(嘴巴的疲劳决策指标),头部姿态(头部的疲劳决策指标)。5)由于疲劳是一个模糊且不断发展的状态,引入熵的概念评估其混乱程度。每个疲劳决策指标对疲劳的贡献值不是等分的,利用熵权法获取当前视频中疲劳状态决策的权重。实验结果显示,本文的方法在对时间段内的疲劳等级评估的准确率达到90%。本文的方法相比仅检测面部特征的方法,增加了检测瞳孔位置和头部特征,具有较高的准确率。由于本文结合了更多了疲劳相关特征,并且引入信息熵对疲劳的不确定性进行度量,这使得结果更准确。论文的研究成果为疲劳状态决策的应用提供了一定的理论与技术支持。