驾驶员注意力不集中是导致交通事故发生的主要原因之一,基于计算机视觉的分心驾驶识别技术具有非侵入、成本低等优势,是目前相关研究的热点和趋势。本文利用基于计算机视觉的人体骨骼关键点检测技术获取驾驶员上半身的姿态,通过学习姿态信息帮助网络识别驾驶员行为。现有人体骨骼关键点检测算法对背景复杂、遮挡严重、像素过小等目标的检测效果差,本文通过对现有算法的改进来解决上述问题,从而提高算法的精度和鲁棒性,达到检测驾驶员骨骼关键点的要求。本文主要研究内容如下:(1)改进了Faster R-CNN人物目标检测算法,首先针对现有行人检测数据集在拍摄场景、样本密度、遮挡场景等方面缺陷,制作了WiderPerson数据集;其次在Faster R-CNN的基础上改进Anchors尺寸和特征图尺寸,增强RoI池化特征,设置忽略采样区域,使用动态采用策略,从而提高了其在人物目标检测上的精度。(2)提出了一种改进的人体骨骼关键点检测算法,该算法在Stacked Hourglass网络的基础上添加空间变换网络模块,解决Stacked Hourglass网络对人物目标检测位置敏感问题,同时使用难样本挖掘均方差损失函数,提高了网络对难以检测的关键点的检测效果。(3)提出基于骨骼关键点的分心驾驶识别算法,该算法对现有的分类网络进行改进,将驾驶员上半身的关键点位置信息融入到网络中,让网络通过驾驶员上半身的姿态动作来识别驾驶员是否存在分心行为。本文的研究成果对人体骨骼关键点检测算法和分心驾驶识别算法的精度和鲁棒性有很大的提升,最终的分心驾驶识别模型的准确率达到96.934%,满足实际使用需求。