随着社会经济的发展，机动车辆与日俱增，随之而来的驾驶安全问题受到越来越多的关注与重视。统计表明，在所有的交通事故中，10％-20％是由于疲劳驾驶造成的。因此驾驶员疲劳检测成为了汽车辅助驾驶系统的重要组成部分，它可以有效的降低交通事故发生率。基于以上现实，国内外很多的高校和科研机构积极投入到驾驶员疲劳检测的研究之中。　　 计算机视觉方法因为具有实时性、准确性、无干扰和经济等优势，成为了驾驶员疲劳检测的主流方法。基于视觉的驾驶员疲劳检测系统包含两个关键问题：1)。稳定的定位和跟踪人脸特征点；2).提取恰当的视觉线索，估计驾驶员的当前状态--“疲劳”或“正常”。　　 论文基于Project-Out反向合成Active Appearance Models算法，同时加入IGxsGys纹理表述、两阶段拟合算法、基于FCI的参数初始化、多视角AAM、在线外观约束和基于光流的形状初始化6个方面的重要扩展，实现了一个快速鲁棒的多姿态人脸特征点跟踪器；在此基础上，提取人脸姿态特征、眼部特征和表情特征，利用Naive Bayes模型进行融合，对驾驶员状态进行“正常”“疲劳”二分类。模拟驾驶的实验结果证明了系统的正确性和有效性。　　 论文的主要贡献在于：　　 1.总结并对比了Cootes等人提出的Combined AAM和基于反向合成算法的Independent AAM，后者又包括Project-Out和Normalization两种反向合成算法。在此基础上，提出了基于FCI的AAM参数初始化方法。　　 2.实现了一个实时的多姿态人脸特征点跟踪器，它基于Project-Out反向合成AAM算法，同时包括了6个方面的扩展--IGxsGys纹理表述、两阶段拟合算法、基于FCI的参数初始化、多视角AAM、在线外观约束和基于光流的形状初始化。在Intel Core2 Duo CPU笔记本上，对320×240视频，跟踪速度达到40 fps。　　 3.设计并初步实现了一套视觉驾驶员疲劳检测系统，系统基于AAM人脸特征点跟踪器，提取和融合了人头部运动参数、眼部运动参数以及表情参数，具有较高的准确性。