近年来,疲劳驾驶导致的交通事故频频发生,对生命安全和社会财产造成了极为严重的后果。因此研究准确且高效的疲劳驾驶检测技术,提前判断驾驶员的疲劳状态并及时预警,具有重要的现实意义。利用计算机视觉技术对驾驶员可视化特征进行分类识别的方法,以实时性好、非接触性等优点,成为当今疲劳驾驶检测领域的一个重要方法。本文在综合考虑算法的实时性、准确性和环境适应能力等因素的基础上,针对目前疲劳检测方法在实际应用中脸部特征容易受到人脸姿态角度、光照变化、个体差异等因素影响的问题,重点研究制约算法准确性和实时性的人脸检测和人脸特征点定位两方面,结合疲劳驾驶检测任务的特点对其改进,提出一种基于眼部与头部多特征的疲劳驾驶检测方法。主要研究内容如下:(1)针对传统的基于Adaboost分类器的人脸检测算法实时性不高的问题,引入差值哈希指纹信息对其进行改进,并增加缓存机制来存储相似图片的哈希指纹和人脸定位框。如果两帧图片很相似,则不用进行人脸检测,而是直接从缓存模块中调用人脸定位框,大大缩短了人脸检测的识别时间。(2)针对驾驶员在行驶过程中存在人脸姿态角度而影响人脸特征点定位精度的问题,选择使用基于局部二值特征(Local Binary Features,LBF)的人脸特征点定位算法,并优化该算法的初始化策略。不再简单地使用平均人脸模型进行初始化,而是采用方向梯度直方图(Histogram of Oriented Gradients,HOG)结合支持向量机(Support Vector Machine,SVM)的算法和卷积神经网络算法两种方式判断人脸朝向。分析对比这两种方式,根据人脸朝向的结果采用不同的脸部特征点初始化模型。针对算法容易受到光照变化等因素影响的问题,提出用归一化特征取代原始特征来建立LBF随机森林,从而保留了更多的特征信息,分类能力更强且没有明显增加计算量。(3)针对常用的基于视觉特征的疲劳检测方法应用场合单一、鲁棒性较差的问题,提出一种基于眼部与头部多特征的疲劳检测方法。采用人眼闭合程度、眨眼频率、头部姿态角度等多特征综合判断疲劳程度。针对驾驶员在轻度疲劳时上述疲劳特征表现不明显的问题,提出将驾驶员注意力分散作为一种轻度疲劳指标。优化瞳孔中心定位算法,建立视线估计模型,确定注视区域落点,以此判断注意力是否分散,从而在陷入重度疲劳前就能对驾驶员预警。最后,本文通过实验整合各模块并全面评估系统性能。结果表明,本疲劳驾驶检测算法不仅准确度高,而且实时性好,能够有效检测疲劳状态。