驾驶员注视方向作为驾驶员注意力评价的一个关键指标,其准确估计是注意力分散判别和驾驶行为理解的基础,对驾驶安全提升,智能驾驶系统发展具有重要意义。驾驶是一个典型的自然应用场景,受自然复杂环境的影响,光学相机捕获的驾驶员图像复杂多变。车辆的振动颠簸以及驾驶员的驾驶习惯差异加剧了成像质量的不确定性。另外,与一般应用场景不同,为保证驾驶安全,注视估计过程中无法寻求驾驶员过多的配合。因此,如何在驾驶员配合度差的情况下,基于复杂多变的光学图像建立精准、高鲁棒性、用户友好的注视方向估计模型是驾驶员注视方向估计技术面临的核心问题。本文以基于特征驱动的注视方向估计方法为基本研究思路,充分考虑真实驾驶场景中的各项复杂因素,在人眼特征提取、头部姿态估计以及注视方向估计模型构建方面展开了深入的研究。1)在复杂的成像光环境下光学相机捕获的驾驶员人眼图像噪声高、质量低,加上人眼区域小,最终用于特征提取的人眼图像的分辨率也非常低。本文采用稀疏自动编码技术,研究了基于大量人眼图片自动生成人眼图像稀疏字典以及依据稀疏字典重构人眼图像的方法。利用蕴含高维形状结构特征的人眼图像重构稀疏系数,结合空间金字塔多尺度特征构造方法,提出了基于全局域和局部域双字典的多尺度驾驶员人眼稀疏编码特征提取方法。公开数据集实验结果表明,本文提出的多尺度人眼稀疏编码特征能够很好地对人眼图像进行重构,且对稀疏字典训练集外的人眼图像同样有效。在真实驾驶场景下基于该特征的注视方向估计模型也取得了较高的注视区分类精度。2)在光强不均的驾驶场景下,由于反射不足以及摄像头视角遮挡导致双目相机采集的驾驶员头部3D点云数据容易出现局部缺失。本文研究了多帧点云迭代配准的稳定点云构造方法,基于该方法利用点云间的变换矩阵实现了头部姿态的准确估计。同时还研究了基于粒子滤波的驾驶员头部姿态跟踪预测方法,利用当前状态的预测结果快速定位最近邻点云模板,提高了点云配准效率及精度。实验结果表明,在真实驾驶场景下,本文方法在头部三个自由度的姿态都取得了良好的估计精度。另外,与基于2D图像的头部姿态估计方法相比,注视估计准确率有较高的提升。3)注视方向估计模型在成像环境发生改变后,需要进行重新校准。为保证驾驶安全,驾驶员很难主动配合去手动校准注视方向估计模型。本文在分析驾驶员注视落点分布规律的基础上,研究了基于落点分布规律的注视方向估计模型校准点隐式提取方法。基于该方法提取的校准点实现了注视方向估计模型的无监督在线训练以及自动校准。在真实驾驶场景中,本文方法基于两个不同成像视角捕获的驾驶员图像同时在线训练注视方向估计模型,两者都能在较短时间内达到比较理想的注视方向估计精度,而且两者的估计误差也相差较小。最后,本文结合人眼特征提取、头部姿态估计以及注视方向估计模型自动校准等方面的相关研究成果,构建了一套在真实驾驶场景下行之有效的驾驶员注视方向自动估计方法。在此基础上,将驾驶员注视方向这一驾驶员注意力关键线索应用于驾驶行为分析,提出了基于驾驶员注视方向和车辆状态多模态数据融合的驾驶行为分析与可视化方法,对本文研究成果进行了探索性应用。