近年来交通事故频发,给国家和个人带来了严重的财产损失。研究表明,疲劳驾驶是目前引发交通事故的主要原因之一,已经引起许多国家和政府的重视,因此准确快速的驾驶员疲劳检测的研究具有重要的意义。基于机器视觉的检测方法以其非接触性、实时性等优点,成为驾驶员疲劳检测的一个重要方法。眼睛和嘴部等状态的检测是疲劳检测方法中的重要步骤,但是墨镜遮挡及光照变化会对其产生影响。针对以上问题,本文使用红外采集设备对驾驶员面部图像进行采集,提出一种基于面部行为分析的驾驶员疲劳检测方法,其中主要研究内容包含人脸检测及跟踪、眼睛和嘴部区域检测、面部状态识别及疲劳检测等。首先,通过基于AdaBoost的检测检测算法进行驾驶员面部检测,为了提高检测速度及准确率,本文结合基于KCF(Kernelized Correlation Filter)的跟踪算法,对检测到的人脸区域进行快速跟踪;其次,通过级联回归的方法定位面部关键点,根据关键点位置提取眼睛和嘴部区域;最后,采用CNN(Convolution Neural Network)网络模型对提取出的眼睛和嘴部区域进行状态识别,得到眼睛和嘴部状态后,计算 PERCLOS(Percentage of Eyelid Closure Over the Pupil Over Time)、眨眼频率及打哈欠参数等,通过结合多个疲劳参数对驾驶员的疲劳状态进行检测。实验结果表明,该方法在佩戴墨镜情况下能够更准确的检测眼睛和嘴部状态,进而得到更准确的疲劳参数。与仅采用PERCLOS参数的方法相比,通过结合多个疲劳参数能够得到更为准确的结果。