随着我国经济迅猛的发展,我国私人汽车的拥有量每年增加的幅度都超过了10%,驾驶安全问题也成为了现代交通的顽疾。其中,疲劳驾驶以其在交通事故总数中高达20%的占比以及逐年增加的趋势,成为亟待解决的影响安全驾驶的重要因素。研究表明,90%疲劳驾驶引发的事故可以通过提前一秒的警告来避免,因此,本文提出的疲劳驾驶预警系统对于交通安全具有重大意义。本文结合传统机器学习算法和深度学习算法构建了面向终端设备的疲劳预警系统,整个系统可以分为三大模块:驾驶员面部信息提取模块、疲劳相关的状态指标计算模块以及疲劳预警模块。第一个模块包含了人脸检测算法、关键点定位算法以及头部姿态求解算法。本文使用多任务卷积级联网络检测驾驶员脸部,通过替换输出网络的全连接层以及缩减金字塔尺度,在保持相对精度的前提下减少了 3倍存储空间,提高了近10倍计算速度。关键点检测方法使用基于约束的局部模型系列的算法,针对该算法的特点,本文从尺度优化和并行计算两方面提升了 3.5倍的算法速度,并降低了约8倍的模型存储。最后,根据关键点信息求解驾驶员头部欧拉角。第二个模块涉及眼睛幅度、嘴巴幅度和头部姿态的欧拉角计算。通过设定正常状态中变化的阈值,来判断是否睁闭眼、是否打哈欠、是否左顾右盼以及是否有瞌睡点头动作。第三个模块结合上述模块所得状态信息,在时间上统计相应的四种状态。为了保证实时预警,同时抵消关键点定位不准带来的误差,利用一秒钟的时间窗口监测疲劳状态以触发相应的警报信息。实验表明,本文构建的疲劳预警系统在闭眼检测、哈欠检测、瞌睡点头检测以及注意力分散检测四种警报信息中的平均准确率为91.79%,满足疲劳预警系统的准确性要求。并且本文算法在低成本硬件平台（高通MSM8909）上处理速度达到17帧每秒,满足疲劳预警系统在资源受限下的实时性要求。综上所述,本文构建的疲劳预警系统具备了较高的实际运用价值。