疲劳驾驶已成为交通安全的“头号杀手”,及疲劳驾驶预警系统平民化,迫切需要我们不断改进疲劳驾驶检测技术。为改善单一传感器在疲劳检测中的不足,本文通过综合分析疲劳时驾驶员眼睛、嘴部状态和车辆行驶轨迹这三个疲劳特征来提高疲劳驾驶检测率。首先在车里和车前部安装摄像头采集驾驶人员面部和道路图像来获得驾驶人员的眼睛、嘴部和道路特征数据,采用辅助红外光源的图像采集方案来保证本系统的全天时可用性和自然光的影响;然后采用基于纹理分析的红外检测方法来提取眼睛特征,使用智能的ADABOOST算法来检测并定位目标区域,并分别采用左右眼分类器来检测眼睛图片;通过先定位鼻子,再根据鼻子和嘴巴的几何位置关系定位嘴巴的方式来提高嘴巴的检测率,提出基于自适应方法来检测嘴巴开度,再根据区域的尺寸来计算嘴巴的开度;采用一种简单的直线车道模型来计算道路图像中的车道线,并使用鲁棒性较好的概率霍夫变换来求解直线车道模型的参数,计算出偏航率。文中使用改进PRECLOS、闭眼时长率的方法来分析眼睛特征,把检测到的闭眼时长和正常闭眼时长的比值作为分析疲劳的标准;提出双阈值哈欠分析方法来分析嘴巴特征,疲劳和区分非哈欠的情况;文中提出偏航率的方法检测车道偏离,偏航率定义为左右车道线和图像横轴夹角的比值。最后以改进PRECLOS、闭眼时长、哈欠时长和车道偏航率作为特征值,采用加权平均做融合分析,实验证明其基于多特征信息融合的疲劳驾驶检测准确率有较大提高。