疲劳驾驶是引起交通事故的重要因素之一,许多学者针对不同的驾驶特征开展了相关研究。其中,驾驶员疲劳状态检测对疲劳驾驶的预警具有非常重要的意义。实际上,驾驶员疲劳状态可由其面部特征加以判断。本文借助深度学习,实现对驾驶员面部特征的提取和识别,并据此判断驾驶员的疲劳状态,为驾驶辅助系统提供支撑。卷积神经网络(Convolutional Neural Network,CNN)和支持向量机(Support Vector Machine,SVM)是机器学习中经典模型算法,在图像识别、模式识别等领域中均得到广泛应用。但在使用其处理实际图像识别问题时,常规的CNN拓扑结构在识别精度方面不能得到保证,而SVM却对于提取图像特征的提取并不具备优势,这些限制极大的降低了两者的实用性。针对基于驾驶员面部特征的疲劳状态检测问题,本文提出了基于CNN图像特征提取及SVM图像特征识别的方法。同时,为了提高特征识别的准确度,提出了自适应变异粒子群优化算法(Adaptive Mutation Particle Swarm Optimization,AMPSO),通过提升算法的自适应搜索能力来提高识别精度。首先,搭建CNN-SVM模型并通过疲劳驾驶检测实验验证该算法的可行性;其次,使用L2正则化、“Normalized Initialization”权值初始化等手段优化卷积神经网络参数;然后,针对PSO容易陷入局部最优的缺陷,使用AMPSO算法优化支持向量机;最后,通过自建立疲劳驾驶数据以及手写识别问题的实验仿真,证明本文方法的有效性。本论文主要包含以下内容。(1)标准的数据集是保证实验能够顺利进行的前提,本文通过不同的方式获取数据图像,其中主要有网络采集、视频数据库采集以及表情数据库采集;此外对整理到的图像数据进行统一预处理和归一化,最终建立起含有4800张图像的数据库。(2)详细介绍卷积神经网络和支持向量机的工作原理和性能;卷积神经网络能够自动提取图像特征并很好的处理图像,支持向量机在解决非线性特征识别等问题方面有很强的优势。因此,本文将两者结合起来,卷积神经网络作为图像特征提取器,支持向量机作为特征识别分类器,设计出CNN-SVM的网络结构,并通过实验验证该模型在处理图像识别方面具有可行性。(3)为使卷积神经网络在训练学习中达到最佳状态,使用dropout、L2正则化的防过拟合策略,并将L2正则化应用到交叉熵损失函数中以实现学习率通过损失自调节的功能;使用“normalized initialization”的权值初始化方法代替传统的随机权值初始化以提高网络整体对图像处理性能。通过实验仿真能够发现优化后的卷积神经网络对图像的识别准确率有较大提升。(4)为进一步提升网络根据驾驶员面部表情判断疲劳程度的准确率,采用自适应变异粒子群优化支持向量机的算法。该方法能够针对种群多样性逐代变化的特点,构建粒子聚集度模型,并用其动态调节各代粒子的变异概率,逐次迭代后寻出支持向量机中参数最优解,并将其应用于测试集中进行验证。通过实验对比后验证优化后的卷积结合AMPSO方法的确有效。