疲劳驾驶是造成道路交通事故的主要原因之一,是影响人们日常出行的主要问题,为了减少因驾驶员疲劳驾驶而引发的交通事故,所以将深入开展疲劳驾驶检测的研究。本文在介绍了现有的疲劳驾驶检测方法后,提出一种基于面部特征融合的疲劳识别方法,主要研究工作有:1)图像预处理。由于图像在采集或传输的过程中会受到光照不均衡以及各种噪声的干扰,所以要对图像进行平滑去噪和光照均衡处理,以此来增强图像有效信息,保证人脸检测的准确性。2)人脸检测及关键点定位。采用基于Haar-like特征的AdaBoost算法进行人脸检测,结合积分图算法提高特征值计算的效率,排除大部分的背景影响,使关键点检测范围大大缩小,再采用级联回归的方法定位人脸的68个关键点,可以根据关键点的位置快速定位眼睛和嘴巴,所以此方法具有很强的抗干扰性。3)眼部和嘴部的状态识别。在得到人脸68个关键点的信息中,可以定位到人眼和嘴巴,然后将人眼纵横比作为SVM分类器的输入来进行眼睛睁闭状态的识别,再根据关键点的位置定位到嘴巴,计算嘴部高宽比MAR判断嘴部状态。4)疲劳判定。根据眼部特征眨眼频率、持续闭眼时间、基于PERCLOS准则的眼睛闭合占比和嘴部特征打哈欠次数建立基于多特征的疲劳识别模型,通过这些指标综合判断驾驶员的疲劳状态并进行相应的提示。本文以Jetbrain提供的PyCharm为开发平台,结合计算机视觉库OpenCV,在windows操作系统下进行开发,采用python语言编写程序。该系统能够实时运行,并且能准确的检测出驾驶员的真实状态,如果发现存在疲劳状态则进行相应的提示。