如今，随着车辆数目的急速增长，交通事故频繁发生，给人类社会带来了日益严重的危害。而在大量的交通事故里，疲劳驾驶是诱发交通事故的关键因素。于是，高效地提升疲劳驾驶检测精确度，对削减交通事故的诱发有着十分重要的应用价值意义。本文就红外视频图象下疲劳驾车识别算法开展了应用性的研究，主要研究工作如下：1．特征提取及其人脸检测。针对传统AdaBoost级联算法训练耗时、泛化能力较差等问题，提出一种择优选取Haar特征（具有较强分类能力）的方法，很大程度上提高了其训练速度。同时，本文对粒子群算法进行了改善，将其与AdaBoost级联算法进行连接，构建了具有自适应、广义的AdaBoost检测优化算法，该算法能有效地改进人脸检测精确度、泛化误差等方面的性能。2．人脸跟踪定位。针对Mean-Shift算法具有收敛速度慢，并且对灰度图像或红外图像纹理信息较少，且当被跟踪目标发生快速移动时，Mean-Shift算法容易跟踪失败的缺点，本文对算法进行了相应的改进。然后，采用SSD（Sum of Difference）匹配方法实行全局目标寻优，不仅避免了目标快速移动时所引起跟踪失败的情况，也明显提高了跟踪速度。3．人眼检测及其精确定位。通过对图像灰度梯度复杂度分析粗定位人眼区域，并采用Gabor滤波变换、人工阈值二值化处理、灰度积分投影及连通域增强等算法，提高人眼区域提取的精确度，从而精确定位人眼；然后，以所定位的人眼中心坐标作为起始点，使用区域生长法向其中心坐标的八个邻域方向生长，进而确定瞳孔大小；最后根据设定的正常情况下瞳孔半径大小，利用PERCLOS测量标准以及疲劳状态下的眨眼频率特征进行疲劳驾驶检测。