随着国民经济的迅速发展,广大人民的购买力迅速提高,对于平常代步出行的汽车不再陌生,其拥有量屡屡达到新高。但随之而来的车辆行驶问题也受到社会更多的关注,交通事故等问题日益突出。而数量如此多的交通事故频频发生人为的因素占其中绝大部分,驾驶员在感觉疲劳的时候仍然继续驾驶,从而导致了悲剧的产生。因此实时监控驾驶员驾驶状况,当驾驶员处于疲劳状态时及时预警,显得十分重要。本文首先总结了常见的疲劳驾驶检测的方法,然后确定了使用当前较为主流的方法—基于计算机视觉进行检测。利用Kinect可以同时获取深度信息和彩色图像的特点,利用两者分别检测头部姿态和眼睛状态,综合判断疲劳驾驶。主要研究工作如下:首先,利用Kinect获得驾驶员的彩色图像,通过其判断眼睛的状态。首先利用AdaBoost算法进行人脸检测,为了加快检测速度,进行人脸检测的时候可以适当增大最小搜索窗口和缩放因子。在完成人脸检测的基础上,利用人脸五官布局的先验知识对人眼的区域进行大致的划分,并对其进行中值滤波和二值化处理。然后进行人眼的精确定位工作,主要利用直方图积分投影去定位人眼的中心位置,并根据中心位置得到眼眶的最小矩形区域。根据最小的眼睛矩形框设定三个参数进行加权评价,通过模糊组合评价的方法得到人眼的状态。然后,针对光照较暗的情形下,眼睛状态的检测效果不好甚至完全失效的情形。依据深度信息不受光照影响这一特点,提出了利用判别性随机回归森林实时估计头部姿态的方法。首先介绍了决策树构建算法,在此基础上引出了随机森林的原理。然后在传统的随机回归森林的基础上,由于得到的深度图像不仅仅包含头部部分,同时还有人体上半部分,加入了具有判别性的分类处理。最后在不同光照条件下,驾驶员的不同姿态、表情和穿着进行头部姿态实时估计的实验,实验结果证明该方法具有鲁棒性。最后,模拟驾驶环境采集了疲劳驾驶测试视频,利用闭眼时间占总时间的比例这一原则进行眼睛疲劳的判断,同时通过头部运动角度判断打瞌睡。实验结果表明,综合这两种判断方式具有更好的鲁棒性和精确性。