随着经济社会的不断发展,计算机视觉和人工智能领域的不断进步,头部姿态估计在各个领域越来越受到关注。鲁棒的头部姿态估计算法在人机交互,虚拟现实,社会活动分析和驾驶辅助系统等方面都具有重要的应用价值。针对头部姿态估计通常会受到人脸姿态、表情变化和遮挡情况以及特征提取不准确等因素影响导致识别率不高的问题,本文提出了一种基于局部二值特征的头部姿态估计方法。本文的主要研究工作如下:首先,在人脸检测部分,采用基于Haar特征和Adaboost级联分类器的人脸检测算法,对人脸图像进行前期的处理,准确定位出人脸在图像中的具体位置,为后续的工作减少一定的运算量;在人脸特征点定位部分,为了提升人脸特征点的定位准确度,采用基于局部二值特征的人脸关键特征点定位算法,运用像素差特征进行局部二值特征的提取,并基于当前形状通过训练随机森林逐步回归出真实形状,实现了人脸关键特征点的精确定位,同时局部二值特征具有高度稀疏的特点,使得算法的运行速度得到了较大的提高。其次,在头部姿态估计部分,在静态图像中的头部姿态估计场景下,利用BP神经网络能够实现任何复杂非线性映射的分类能力的特点,提出基于局部二值特征和BP神经网络的头部姿态估计方法,将人脸关键特征点的位置坐标特征输入BP神经网络进行分类器的训练,在不同头部姿态的目标输出结果与输入向量间建立映射关系,实现了静态图像下头部姿态的精确估计;针对视频中的头部姿态估计场景,利用POSIT算法进行姿态参数的求解,仅需要较少的输入信息就可以通过不断迭代得到精确的头部姿态参数,保证头部姿态估计的准确率,同时实现了实时估计的要求。最后,设计了一套疲劳驾驶检测系统,为了解决单一的疲劳驾驶判断标准可能存在误判和准确率低的问题,提出基于头部姿态和眼睛闭合程度的多指标综合疲劳驾驶判断方法,综合头部姿态参数以及双眼有关特征点间的相对距离反映出的眼睛闭合程度共同对驾驶员是否存在疲劳驾驶状态进行判断,有效的提升了疲劳驾驶判断的准确度。通过进行有效的仿真实验,验证了该方法解决了人脸关键特征点定位不准确的问题,头部姿态参数估计的准确率得到了提高,同时能够精确的实现疲劳驾驶状态的判断,在仿真系统中具有较高的运行速度,满足了疲劳驾驶状态检测的准确性和实时性的要求。