疲劳是人体的一种正常的生理活动,它是由于过度的脑力或体力劳动使人产生生理机能和心理机能的失调引起的,表现为瞌睡、精力不集中,同时人体的正常反应减慢。疲劳虽然是一种正常的生理现象,但是如果出现在驾驶员机动车驾驶的过程中,将会带来严重的交通安全隐患,甚至会引起重大交通事故,严重威胁人民的生命和财产安全[1]。据交通部门统计,在交通事故中,因驾驶员的疲劳引发的车祸占有相当大的比例。因此,研究可以有效监控疲劳状态并及时给予预警的方法,对于降低交通事故的发生率,提高公众出行的安全性,保护国家财产,具有重要的实用价值和社会意义。　　 相比单张面部图像,视频中包含了更多的信息,具有更强的鉴别能力,因此,本文重点关注基于面部视频的疲劳状态识别方法。论文在总结分析已有方法的基础上,对面部疲劳特征的表示方法与特征融合方法进行了深入的研究。主要的研究工作如下:　　 1.疲劳是多种面部特征的综合表现,所以疲劳特征的表示也应该是多特征的融合表示。鉴于Gabor特征对面部图像表示非常有效,文献[45]提取图像序列的的动态Gabor特征,用以进行疲劳检测。但是其提取的Gabor特征维数太高,计算量和内存需求都过大。为了缓解这一现象,本文首先探讨了融合同一方向不同尺度的特征融合策略,对阈值处理后的特征给出2种特征编码方法:一是对同一方向不同尺度的Gabor特征的编码值进行求和作为最后的融合特征；二是将同一方向不同尺度的Gabor特征值进行二进制编码作为最后的融合特征。然后尝试提取同一尺度不同方向的Gabor特征,并将Gabor特征编码值进行求和作为特征融合结果。实验结果证实,这些特征融合规则有效的降低了Gabor特征的维数,并在实验中得到了令人满意的实验效果。　　 2.疲劳面部表现既有全局特征也有局部细节特征,本文提出了一种新颖的融合全局特征和局部特征的面部疲劳特征表示方法。该方法将DCT变换和独立元分析(Independent Component Analysis,ICA)技术以及Gabor变换相结合,通过融合全局独立DCT特征和局部动态Gabor特征得到最终的面部疲劳特征表示,然后采用AdaBoost分类器进行疲劳状态识别。在基于前人自建的疲劳图像序列库的试验中表明,该方法具有更好的识别效果,也表明该方法提取的疲劳特征更加具有鉴别力。