驾驶疲劳是导致交通事故的主要因素之一,如果能及时对驾驶员的疲劳状态进行检测并提供相应预警,则可在很大程度上避免交通事故的发生。目前,国内外研究人员已针对驾驶疲劳问题进行了大量研究,并取得了一系列研究成果。然而在疲劳状态的检测过程中,大多以当前时刻的特征指标作为判断驾驶员疲劳状态的唯一依据,忽略了人体疲劳机制的强时序性问题;同时在有关驾驶员疲劳状态等级的评定问题上,通常受到驾驶员主观意识的影响,并没有形成一个可量化的统一划分标准。基于此,本文以驾驶疲劳为研究对象,在对其生成特性分析的基础上,深入研究了驾驶疲劳的辨识机理和检测方法,进而基于HMM提出了一种有效的驾驶疲劳检测方法。主要研究内容包括:(1)驾驶疲劳成因及辨识机理分析。首先,基于对驾驶员疲劳状态的形成及变化过程研究,重点分析了驾驶疲劳变化的强时序特性;其次,通过对比驾驶员在不同疲劳水平下所形成的特征差异及变化情况,确定了适合本研究的驾驶疲劳辨识基本方法;最后,基于上述理论基础,选取在处理时间序列数据上具有明显优势,且具有双重随机特性的HMM作为驾驶疲劳辨识模型的基本算法框架。(2)基于辨识策略的实验方案及数据库的构建。首先,基于HMM理论架构设计驾驶疲劳模拟实验,获取表征驾驶员疲劳状态的隐含、观测指标。其中,为满足隐含指标的准确性要求,选取疲劳状态检测中被称为“金标准”的EEG作为真实标签;同时,为解决车载应用难题,选取易于检测的眼部特征作为观测指标。最后,结合上述实验数据构建本文的疲劳状态数据库。(3)基于HMM的驾驶疲劳辨识模型构建。首先,基于FCM和混合F统计量确定不同检测指标的最佳疲劳等级数,以解决HMM隐含、观测指标的聚类划分问题。然后,基于疲劳状态分析结果,构建驾驶疲劳辨识模型。最后,通过疲劳状态数据库对构建模型进行测试验证。结果表明,模型识别准确率达到82%。围绕驾驶疲劳研究中的关键问题,本文针对其辨识机理和检测方法开展了相关工作,其中突破的重点在于:基于深度学习模型获取更加精确的眼部特征数据,同时结合多等级疲劳水平划分结果,搭建基于HMM的驾驶疲劳辨识模型,以提高驾驶疲劳的检测准确率。