疲劳驾驶是引发交通事故的重要原因。随着我国汽车保有量的快速增加以及人们工作压力的不断增大,疲劳驾驶发生的频率也逐年攀升,因此检测驾驶员的疲劳状态,并在异常状态时进行预警有着重要的意义。已有的技术方案可分为三类:基于驾驶员生理信号的疲劳检测、基于驾驶员操作行为与车辆行驶轨迹的疲劳检测和基于计算机视觉技术的疲劳检测。由于前两种方案具有检测不方便或存在滞后、非实时的缺点,并没有大规模投入实际应用。近年来随着计算机视觉、人工智能科学的快速发展,以及计算处理器(CPU)、图形处理器(GPU)等硬件技术的飞速进步,基于视频图像处理技术的驾驶员疲劳检测得到了越来越广泛的关注和研究。由于在所有的视觉特征中,睁闭眼状态的变化是疲劳过程中最有效的特征,因此计算机视觉中往往通过对眼睛睁闭眼状态的检测与后续分析实现疲劳状态判断。常见的睁闭眼检测方法有基于眼部图像灰度统计特征的,有基于眼部轮廓特征的,有基于眼部模板匹配的,还有基于其他图像特征抽取的。然而已有方法或对图像质量有较高要求,无法满足实际应用需求,或计算过程复杂,无法满足实时性要求,且均没有针对不同被监测对象的具体情况进行在线学习的能力。本文基于已有的人脸检测与特征点定位技术,提出了一种基于人脸识别的驾驶员疲劳检测算法。算法的主要思路为通过人脸识别技术识别被检测对象的身份,然后利用该对象的睁闭眼模型进行实时睁闭眼检测,并输出疲劳检测结果。算法中用到的睁闭眼模型通过快速的在线无监督学习获得。当首次识别到该对象时,进行睁闭眼分类模型的学习,再次识别到该对象时则进行模型的更新。本文具体工作包括如下的3部分:1)提出一种基于人脸识别技术的疲劳检测算法已有的基于计算机视觉的驾驶员疲劳检测技术往往忽略了驾驶员个体之间的差异,仅通过离线训练一个固定的分类模型进行眼部状态的检测,因此降低了算法的鲁棒性,即导致该算法仅仅适用于与训练数据集相近的场景,让算法失去了实用性。本文通过结合人脸识别中的字典学习技术与一种新的基于在线子空间聚类的睁闭眼检测技术,弥补了已有的驾驶员疲劳检测方法中的缺陷,让算法更加智能和实用。2)改进了基于字典学习的人脸识别技术字典学习(Dictionary Learning)是人脸识别中的重要技术,受到了广泛的研究,有许多优秀的成果。受到计算复杂度的限制,在进行字典学习前需要进行图像降维。已有的字典学习算法往往仅把图像降维过程视为预处理过程的一步,而没有对降维过程进行更多的探讨。然而不同的图像降维方式会导致不同的识别准确率。因此本文提出了一种动态降维的字典学习算法,通过不断优化降维投影矩阵,使降维引起的信息损失最小化,最后取得更高的人脸识别准确率。3)提出一种基于在线低秩子空间聚类的睁闭眼检测算法针对已有睁闭眼检测算法对应用场景要求高,无法满足多变的实用环境,无法进行在线学习更新睁闭眼检测模型的缺点。本文提出了一种基于在线低秩子空间聚类的睁闭眼检测算法,能够针对具体的使用场景,在线学习睁闭眼分类模型,并具有计算效率高,抗噪声能力强的特点。