随着城市轨道交通的快速发展,轨道交通运行安全成为人们关注的焦点。驾驶员的疲劳驾驶是引起安全事故的主要原因,人们越来越重视疲劳驾驶的预防,多种神经网络算法被应用与疲劳驾驶检测中。我们主要对轨道交通驾驶员的驾驶状态检测方法进行研究,分析判断驾驶员是否存在疲劳驾驶情况,并构建一套服务于运营管理者的疲劳驾驶检测系统。首先,我们提出了一种新的二维卷积(Convolution 2D,C2D)和三维卷积(Convolution 3D,C3D)融合模型,将模型应用于基于人脸信息的疲劳驾驶检测中。新模型通过C2D学习图像信息,然后通过C3D学习图像和时间信息,既具有C2D良好的大图像学习能力,又具有C3D良好的时间学习能力。我们使用录制的人脸数据集对模型进行训练,在眼睛眨眼检测中识别准确率达到97.88%,在嘴部的打哈欠检测中识别准确率达到94.93%。我们使用公开数据集和实际环境对模型的可信性进行测试,实验中多项指标准确率达到90%以上。“城市轨道交通司机手势指令和口头呼喊”是驾驶员操作轨道交通车辆时必须执行的标准操作动作。该驾驶员操作规定的目的是使驾驶员清楚地理解驾驶指令,并在驾驶指令时进行两次确认。接着,我们将“城市轨道交通口呼手指”规范的识别应用到疲劳驾驶检测中,提出了一种新的连续帧和跳跃帧融合的双输入三维卷积模型(3D Convolution Neural Network,3DCNN)应用于基于驾驶员行为的疲劳驾驶检测中。从视频中跳跃提取帧可以提取了动作中的所有变化,从视频中获取连续帧可以提取动作中的细微变化。模型使用公开数据集KTH训练,准确率达到92.5%;我们将模型迁移到我们录制的行为数据集上,准确率达到98.41%。最后,我们应用Django框架和智能硬件设备构建了一套完整的系统。该套系统服务于城市轨道交通运营管理者,系统内根据驾驶员的多种信息进行综合判定,对驾驶员存在的问题及时提醒,对驾驶员存在的风险及时预警处理。我们针对轨道交通司机的操作范围大的特点,选择了一种智能的便携式云台设备,并在其中开发了一个识别跟踪程序。识别跟踪程序对驾驶员的动作区域进行了良好的跟踪,实现了实时动态跟踪,保证了最优的视频流输入到识别模型中。同时引入“边缘计算”的概念,在树莓派中进行所有计算,只传输采集的视频和计算结果。在软件系统中,我们使用对Python和机器学习算法兼容性好的Django框架,对数据进行分等级展示。我们将两种新提出的疲劳检测算法与新型的应用系统框架结合,搭建了分级管理的可视化系统。该系统能够展示出驾驶员的目视方向,头部朝向,面部信息和行为信息,通过系统中的分析判定模型可以分析驾驶员的驾驶状态,对存在的风险及时预警及时处理。该系统可以使运营管理者管理便捷,避免因驾驶员引起的各种安全事故,提高轨道交通运行的安全性,更好的服务于城市的交通运输之中。