驾驶疲劳是造成道路交通事故特别是高速公路重大交通事故的主要因素。在交通事故发生前,若能及时检测出驾驶人的驾车状态并给予预警,将会极大减少相关交通事故的发生率,因此针对驾驶人疲劳状态的研究具有重要理论研究意义和实用价值。近年来,基于机器视觉的驾驶疲劳研究方法以其显著优点逐渐成为该领域的研究热点。然而,由于驾驶疲劳的生成是一随驾驶时间延长而动态生成的随机过程,且基于视觉的疲劳状态辨识其本质是利用相关监测信息对驾驶人状态进行间接推断的结果。因此,驾驶疲劳状态的有效检测需充分考虑上述特性。基于此,考虑到隐马尔科夫模型(Hidden Markov Model,HMM)的双重随机特性能够合理反应疲劳状态与观测变量间的动态对应关系,本文基于隐马尔科夫理论开展驾驶疲劳状态动态辨识方法的相关研究。本文具体研究工作如下:1.基于PSO(Particle Swarm Optimization)算法的HMM训练过程改进。在传统HMM训练过程中,BW(Baum-Welch)算法易使模型陷入局部最优而导致模型不稳定和准确性较差。本文在利用BW算法进行模型训练过程中通过合理引入PSO算法有效解决了HMM模型训练结果对训练初值的依赖性;2.基于二状态、单表征指标的HMM辨识模型研究。本文首先基于清醒和疲劳两种疲劳水平分级,利用PERCLOS(Percentage of eyelid closure over the pupil over time)表征指标特征参数作为观测值构建了HMM辨识模型框架,并在此基础上针对传统BW算法和改进算法进行了模型理论研究;3.基于三状态、二表征指标的HMM辨识模型研究。考虑到上述模型的局限性,本文进一步将疲劳水平扩展为清醒、疲劳和重度疲劳三种状态,利用PERCLOS和PERLVO(Percentage of mouth large vertical open over time)两个表征指标观测参数在数据模糊聚类基础上进行了相关模型的构建;4.试验验证及结果对比分析。基于上述理论研究结果,利用驾驶模拟器实验数据对相关理论研究方法进行了试验验证,并结合试验结果对本文提出的改进HMM训练方法进行了针对性对比分析。分析结果表明,本文采用的改进HMM方法有效克服了HMM训练过程的初值选择困难,且相应辨识模型具有较好的准确性和鲁棒性。