交通事故不仅造成严重经济损失,也会带来生命安全危险。相比于其他原因导致的事故死亡率,疲劳驾驶造成的事故死亡率更高。因此研究关于驾驶员疲劳检测,并通过检测结果对驾驶员进行提示或对其驾驶操作进行一定干预对减少交通事故伤亡及财产损失有着重要作用。目前疲劳检测方存在鲁棒性不高的问题。因此,本文主要针对如何提高驾驶员疲劳检测的鲁棒性问题进行研究。首先,本文对现有的疲劳检测技术及研究现状进行总结。然后对基于视觉的驾驶员疲劳检测方法进行着重研究,通过分析基于视觉的驾驶员疲劳检测方法的疲劳检测鲁棒性不高的原因,提出了一种高鲁棒性的检测方法。该方法主要特色在于:首先,通过检测人脸,对鼻子进行跟踪,进而获取头部运动状态;其次,结合鼻子位置及头部运动状态确定眼睛及嘴巴的位置,进而提取眼睛及嘴部疲劳特征,最终,融合眼睛疲劳特征、嘴部疲劳特征与头部运动特征,进行多特征的疲劳检测。本论文主要分为六章:第一章,首先介绍驾驶员疲劳检测意义及研究现状,并引出本课题主要研究内容,最后给出了本文的组织结构。第二章,重点研究了现有疲劳检测方法中的关键技术,并提出了高鲁棒性疲劳检测系统架构,对比了该架构与目前疲劳检测架构的区别,并详细描述了该系统的硬件结构及软件流程。第三章,重点分析了基于 CNN(Convolutional Neural Network,CNN)的人脸定位算法、CNN的鼻子定位算法的设计及其实现,这是本论文所提出的高鲁棒性的驾驶员疲劳检测方法的核心工作。通过实验给出了适合本课题中人脸检测的CNN模型结构及鼻子检测的CNN模型结构,然后将其分别与基于Adaboost的人脸检测方法、基于Adaboost的鼻子检测方法在光照变化明显的场景下进行了检测结果对比,并给出结果分析。第四章,主要提出了基于面部特征定位的方法并给出各部分的试验对比。面部特征定位是高鲁棒性驾驶员疲劳检测中的关键部分,各种特征是判断疲劳检测的关键信息。具体包括基于追踪学习检测(Tracking Learning Detection,TLD)和卡尔曼滤波结合的鼻子追踪算法设计及实现,并给出该方法与单独的基于TLD的鼻子追踪方法的追踪效果对比;基于追踪的头部运动特征获取的算法设计及实现,基于经验的多条件的眼睛及嘴巴的定位算法设计及实现,并与基于简单的“三庭五眼”的眼睛及嘴巴定位方法进行了对比。第五章,主要分析了多种疲劳特征与疲劳的关系,并设计了多特征融合的疲劳判断方法,并给出实验结果。第六章,总结和展望,总结了论文的主要工作,并对不足之处和进一步展开的工作做了分析。