疲劳驾驶引发的道路交通事故已使人们的生命财产安全受到了严重的威胁。如何提前检测驾驶员的疲劳程度并预警,从根本上避免交通事故的发生已成为目前疲劳驾驶检测技术研究领域中的一大热点。本文对现有的驾驶员疲劳检测方法进行分析和总结后,提出一种基于驾驶员行为多特征加权和的疲劳识别方法。主要研究工作有:1.图像预处理及人脸检测与跟踪。由于采集的视频图像在存储过程中可能会受到各类噪声不同程度的污染。因此预先对图像进行平滑去噪及光照补偿处理,以确保人脸检测的准确性。然后采用高精度的基于Harr-like的AdaBoost人脸检测算法检测人脸。在检测到图像中的人脸后,采用判别尺度空间的跟踪算法(DDST)对面部区域实时跟踪。2.针对于疲劳时人眼状态变化,本文提出了一种基于SVM多特征融合的睁闭眼状态识别方法。首先采用基于级联回归树算法对检测到或跟踪到的人脸进行特征点定位,根据人眼特征点的位置定位人眼区域。由人眼的12个特征点计算人眼纵横比EAR,根据EAR来识别眼部睁闭状态;使用自适应域方法计算人眼二值图像的黑色像素累积差值来识别人眼睁闭状态。最后将两种方法得到的特征值作为SVM分类器的输入参数进行模型训练,使用训练好的模型对睁闭眼状态进行识别。3.对于嘴部疲劳状态的识别,主要根据嘴部10个特征点计算嘴部高宽比MAR,并根据设定的MAR阈值来识别打哈欠状态。头部疲劳状态则针对头部运动计算二维垂直方向的点头频率。计算定位的左、右眼区域的两个中心点位置,取两中心点的中点作为头部位置运动分析点,以该检测点在垂直方向上坐标y随时间的变化情况,计算时间周期内的点头频率。4.根据眼、嘴、头部的疲劳特征提出了一种基于多特征加权和的疲劳识别方法,并建立疲劳识别模型。根据人眼睁闭状态提取眼部疲劳参数持续闭眼时间、闭眼帧数比;通过眨眼检测得到眨眼频率;通过打哈欠检测得到打哈欠次数及持续时间;通过分析头部运动状态得到点头频率。将这些指标进行加权求和来评估驾驶员的疲劳等级并进行相应的预警。经实验验证,表明本文提出的方法识别准确率较高,实时性好。