国家统计与数据分析中心的报告指出,疲劳驾驶是导致车祸的主要因素之一,在车祸出现之前,假如驾驶员的反应能够提早0.5秒,将可以减少60%的车祸。因此,司机疲劳检测技术的研发十分关键,它可以有效测试出驾驶员有无疲劳驾驶,降低车祸的发生率。为了解决当前的疲劳检测方法准确率低或实时性差的缺点,本文将HOG人脸检测算法和KCF目标跟踪算法相融合,引入了可变形卷积神经网络对提取的眼部和嘴部进行状态识别,研究的主要工作如下:（1）针对光线和噪点对疲劳检测的负面影响,对采集的图像进行预处理。本文使用直方图均衡化处理方法对光线复杂的自然环境下收集的图像进行增强。利用非线性滤波中的中值滤波实现去噪,减少噪点对疲劳检测的负面影响。图像预处理提高了检测设备成像的可识别性和检测系统的准确度。（2）针对传统人脸算法准确率不高的问题,引入了核相关滤波跟踪算法对其进行改进,将HOG人脸检测算法和KCF目标跟踪算法相融合,对检测到的人脸进行快速跟踪,提取连续稳定的目标人脸,达到更高效的提取。提取驾驶员的人脸图像之后,本文调用Dlib库进行脸部关键点的提取,增加了算法的准确率。（3）引入了可变形卷积神经网络对提取的眼部和嘴部进行状态识别,提出的可变形卷积运算是标准卷积运算的扩展。使用额外的标准卷积运算来引入与标准卷积相比的网格点上的值的空间偏移,用于改变均匀网格采样的位置,使得卷积运算可以学习自由变形信息,提高了状态识别的准确率。引入了头部姿态算法对驾驶员的头部进行实时检测,由此获取驾驶者头部状态的信息。（4）根据眼部、嘴部和头部的状态,提出了一种多特征融合的疲劳检测方法。与当前的疲劳检测算法相比,提出的新方法能够实时的检测驾驶员疲劳状态,并且具有较高的准确率。本文有两种方式进行验证驾驶员是否疲劳驾驶,通过自带的摄像头进行实时检测驾驶员的状态,还可以通过相机采集的图片和视频导入到本文设计的疲劳检测系统。通过采集的数据集和模拟驾驶员状态进行验证,本文设计的基于多特征融合的疲劳检测方法有很好的鲁棒性。