随着汽车保有量的增加,交通事故也随之增加,其中因疲劳驾驶导致的交通事故占比较大,不容忽视。本文对基于视觉的疲劳驾驶状态检测方法进行了较为深入的研究,提出了一种基于监督下降法(Supervised Descent Method,SDM)的多指标线性融合的疲劳驾驶状态检测方法,实现了准确、快速的疲劳驾驶状态判断。本文主要工作包括以下几个方面:1.提出了一种快速人脸检测方法。首先采用肤色分割算法快速完成人脸区域的初步定位,然后使用AdaBoost算法完成二次定位。实验结果表明,本文方法在AdaBoost算法的基础上提高了实时性,同时也弥补了肤色分割方法不能准确定位人脸的不足。2.将SDM算法引入到人脸特征点定位中,完成了人脸特征点的准确定位。由于ASM算法在面部有遮挡和头部姿态变化较大的情况下,特征点定位会发生漂移现象。针对这一不足,本文使用SDM算法完成了人脸特征点的准确定位。将本文算法在CAS-PEAL-R1数据集上进行测试,实验结果表明,对于不同背景、距离、光照及复杂表情的情况,SDM算法皆可准确定位人脸特征点,可以为后续疲劳参数提取提供较准确数据。3.使用POSIT算法实现了头部姿态的准确估计。以二维人脸特征点位置、三维头部模型和相机内参为依据,经迭代计算,获得表征头部姿态的pitch、yaw和roll三个角度。在Pointing’04和CAS-PEAL-R1数据集上进行测试,实验结果表明,本文算法获得的表征疲劳状态的关键角(pitch角)的准确度分别是94.29%和95.33%,能够满足疲劳状态检测的需要。4.采用了多指标的线性融合方法进行疲劳驾驶状态判断,能更全面、准确地表征疲劳状态。选用持续闭眼帧数、持续打哈欠帧数、头部偏移持续帧数等三个疲劳指标进行多状态的线性加权融合,计算疲劳指数,表征疲劳状态。实验结果表明,本文的多指标疲劳检测方法准确性高于单一指标的疲劳检测方法。