日益便利的道路交通条件给人们的生活带来了极大的方便,但汽车数量的不断增长也导致交通事故频发。引发交通事故的重要原因之一就是疲劳驾驶,因此,疲劳检测系统的研究意义重大。在目前研究的各类疲劳检测系统中,基于视频分析的疲劳检测系统因其非接触性和实用性成为当前研究热点,而人脸检测与跟踪是疲劳检测中基础而重要的步骤。本文采用基于Haar特征和AdaBoost算法的人脸检测方法,通过自适应移动步长扫描待检测图像,减少了大量非人脸窗口,在保证检测准确率的前提下,提高了检测速度。为了对检测结果进行跟踪,提出了结合特征筛选与二次定位的快速压缩跟踪(FSSL-CT)算法。首先,利用压缩感知原理从划分的各个子区域内提取压缩特征；然后,根据各个压缩特征在正、负类中的分布差异,筛选出部分分类能力强的压缩特征构建分类器,并将特征分布在相邻两帧之间的变化作为学习率,结合正类阈值自适应调整分类器模型的更新速度；最后,使用二次定位策略对目标进行跟踪,每次定位都在其对应的搜索区域内采集候选样本,并按照分类能力选取特定数量的压缩特征加权构建分类器对候选样本进行分类,最终得到跟踪目标。在公共测试序列和自制的红外测试序列上的测试结果表明,FSSL-CT算法在短时遮挡、光照变化和姿态变化的情况下跟踪成功率和精确度高,跟踪速度快。