目前,交通安全问题成为世界性的广泛话题,根据统计,大约有40%的交通安全问题来自疲劳驾驶。研究驾驶员疲劳监测方法,用以预防交通事故的发生,具有非常重要的现实意义。本文在对现有的驾驶员疲劳检测相关技术进行深入分析的基础上,对视频分析方法进行了深入的研究,提出了一种采用ELM(Extreme Learning Mechine,极限学习机)技术的、基于眼部状态的驾驶员疲劳监测方法。首先,通过基于皮肤颜色的视图分割方法来进行检测驾驶员的脸部。接着采用KLT(Kanade-Lucas-Tomassi)算法,对脸部检测数据进行跟踪并截取出每帧图像。然后,通过使用一个积分映射函数用来估测眼睛的区域,以检测眼睛张开或者闭合的状态。进而计算一组帧图像中的眼睛开闭程度距离,并基于上述数据进行特征抽取(眨眼频率和眼睛关闭时间)。由于在面向视频的计算中进行多次迭代计算,数据量将非常庞大而且时间复杂度很高。为了降低时间复杂度,减少计算量,引入了滑动窗口的数据处理方式进行实时计算。最后,本文采用提取出的特征数据对ELM进行训练,从而对驾驶员的疲劳状况进行检测和分类。本文利用实际的网络摄像头的实时视频数据进行了实验研究,结果表明,本文所提出的方法在保证实时性要求的前提下,能够有效地提取驾驶员的眼部特征,准确地判断驾驶员的工作状态。