近年来,社会经济飞速发展,普通老百姓的生活条件也越来越好,人们不再只满足于温饱,开始追求提高生活质量,以前拥有汽车的只有少数的生意人,而现在几乎每家每户都拥有了一辆小轿车,汽车不再是奢侈品,已经成为人们生活中不可缺少的一部分了。汽车也是把双刃剑,带来便利的同时也带来了隐患。汽车保有量的不断增长导致交通事故发生频率大大增加,极大的危害了人们的生命和财产安全,也不利于现代社会交通的稳定发展。大量数据显示,交通事故发生的重要原因之一就是疲劳驾驶,据统计,疲劳驾驶导致的伤亡人数占我国交通事故伤亡人数的20%,在重大事故中伤亡人数比例高达40%。为了减少由于疲劳驾驶而发生的交通事故,一方面可以改善疲劳驾驶管理制度以加强这方面的管理,另一方面,科学研究者可以通过研究驾驶员的生理特征,并采用现代化的科学技术在驾驶员疲劳时对其提醒。因此,对驾驶员进行疲劳检测研究具有重大意义。实际环境中驾驶员是否佩戴眼镜、墨镜,光线的变化等因素都会对疲劳检测产生影响。近年来主流的基于视觉特征的疲劳驾驶检测算法受这些因素的影响,往往很难兼顾检测的准确率和实时性。本文在国内外驾驶疲劳检测算法的研究基础上,提出了一种基于机器学习的驾驶员疲劳检测算法,该方法在疲劳检测的准确率、实时性和鲁棒性方面都有所提高。本文提出的算法结合了多个检测算法,通过改进全卷积神经网络更好地定位出人脸区域,然后采用改进的Adaboost算法同Sobel边缘检测算子结合进行眼部区域特征的提取,对人眼状态进行精准检测,最后结合PERCLOS疲劳判定法和眨眼频率对驾驶员进行疲劳判定。本论文所做工作分为四步:1)对图像进行预处理。光线较暗的环境下采集的图像对其采取直方图均衡化和参考白的处理方法进行补光;选用中值滤波和图像灰度化对图像进行去躁和图像预处理。经过这一步的操作,设备成像的可识别性得到提升,检测准确率也有所提高。2)人脸检测。本文对VGG网络进行了一点改进,用全卷积层替换其结构中的全连接层,二分类替换分类层。先对待检测图像进行多尺度变化然后将其输入改进后的卷积神经网络进行人脸检测。该算法的准确率较高且用时较短。3)眼部检测。眼睛是反应人体状态的重要特征之一,睁眼、闭眼、半睁眼和眨眼频率都能够很好的传达是否处于疲劳状态。本文选择在Adaboost算法上进行改进来对人眼进行检测,尽可能的减小眼睛搜索区域,该算法可以快而准确的检测出人眼。4)疲劳识别。在驾驶员眼部定位模型基础上,本文结合PERCLOS准则中的P80准则和眨眼频率对驾驶员进行疲劳检测,提高了算法的鲁棒性。本文所用到的各种算法都是在PyCharm环境下完成的,使用Python语言。实验结果表明该算法可以有效地检测出驾驶员的疲劳状态,检测准确率和实时性也得到提高。