随着城市现代化建设步伐的大力推进,交通安全问题越来越受到相关监管部门的重视。每年,全国多少人由于驾驶司机的疲劳驾驶行为失去了宝贵的生命,同时司机的疲劳驾驶行为也给社会和个人造成了重大的经济财产损失。如今,智能监控已经成为保障司机行车安全的重要手段,车辆管理公司每天都会产生大量的驾驶员监控视频。如何存储这些监控视频数据,如何从这些海量监控视频中准确快速地提取出有效的信息是车辆管理公司急需解决的难题。因此,本文在这些问题的基础上使用业界比较流行的Hadoop框架来对这些视频进行分布式处理,结合数据库中存储的司机驾驶行为的相关信息,采用信息融合的方法判定监控视频中司机是否存在疲劳驾驶行为,并且在此基础上建立了一个大数据可视化平台,用来管理车辆运行情况和相关数据统计。本文通过将Hadoop处理框架和计算机视觉技术相融合,将存储在硬盘录像机的监控视频上传到HDFS中,并结合存储在系统数据库中的车辆驾驶信息来判定司机是否出现疲劳驾驶情况。首先,主要介绍了分布式处理框架Map Reduce的组件和Map Reduce程序的生命周期等,研究了分布式文件系统HDFS的体系结构以及其读写过程,讨论了HBase分布式数据库的优缺点,简单介绍了消息中间件Kafka和图像处理工具包Open CV。其次,主要探讨了车辆运行信息如何使用Kafka发送上传到远程服务器和远程服务器如何接收这些信息并保存到数据库,监控视频处理是通过Hadoop框架中的Map Reduce模块将视频上传到分布式文件系统HDFS中,然后切割视频,将这些数据发送到Map Reduce的map函数中使用基于信息融合的疲劳检测算法进行疲劳驾驶的检测,在reduce函数中将检测的结果保存到HBase数据库中,方便之后进行展示。由此设计并搭建了一个大数据可视化平台,用来监控整个车辆的运行情况和历史数据统计,以此来节省管理者的管理成本。再者,本文讨论了基于信息融合的疲劳检测算法,由于图像信息检测的结果可能不准确,在检测过程中融合了对驾驶员驾驶行为的检测信息。疲劳特征的判定主要选取的是驾驶员的眼动特征和驾驶车辆的方向盘转角信息使用支持向量机的算法对这些特征进行信息融合,其中,眼动特征主要是通过Open CV对视频帧进行处理计算出PERCLOS特征值、眨眼频率和闭眼速度,驾驶车辆的方向盘信息主要是通过安装在车辆上的CAN总线设备进行采集并上传到服务器上进行采集,实验证明支持向量机的融合模型在疲劳驾驶检测中准确率达92.5%。最后,搭建了整个疲劳驾驶辅助预警系统,介绍了可视化平台各模块的具体实现,展示了可视化平台的相关功能界面,同时测试了单节点、伪分布式和多节点系统处理视频进行疲劳检测的功能,实验证明使用Hadoop集群处理视频能将速度提高到两倍以上。