疲劳驾驶是造成交通事故的主要原因之一，所以研究驾驶员疲劳检测方法，及时地检测出驾驶员是否疲劳，在其疲劳时对驾驶员给予警告提醒，对减少因疲劳驾驶导致的交通事故而言有着十分重大的意义。目前，驾驶员疲劳检测多数是基于驾驶员面部视觉特征判别疲劳状态，但在提取驾驶员疲劳特征时，会受光照、人脸角度等因素影响，使得该方法的疲劳检测的准确率相对不高。
　　针对以上问题，提出了基于深度卷积神经网络的疲劳驾驶检测方法，深度网络可以直接从驾驶员图像中学习疲劳的视觉特征，相较于手工提取的特征对光照、姿势等条件变化具有更好的鲁棒性，预测精度更高。首先使用优化的MTCNN算法实现人脸检测以及脸部特征点定位，再利用特征点之间的几何关系获取眼睛和嘴部区域。再结合深度学习，建立疲劳表情训练模型，对驾驶员非疲劳、轻度疲劳、严重疲劳三种状态下人眼、嘴巴以及面部表情进行特征提取，有监督训练学习，最后实现疲劳表情识别。主要研究内容如下：
　　(1)采用深度可分离卷积优化后的MTCNN算法实现人脸检测以及特征点标定，在检测精度下降较小的情况下，计算量减少了8~9倍，对于像素过大的驾驶员图片，提升了检测速度，人脸检测的准确率提高，为疲劳检测奠定了基础。
　　(2)提出融合眼部、嘴部和脸部的视觉特征作为判别驾驶员疲劳状态的方法。利用深度卷积神经网络模型对获取的驾驶员眼部、嘴部和脸部这三种疲劳指标进行特征提取、识别。实验结果表明，针对驾驶员佩戴普通眼镜和太阳镜的情况下，仅靠眼部特征判断疲劳识别率较低的问题，融合的检测方法取得了更好的疲劳识别效果。
　　(3)提出了改进的疲劳检测网络模型。在GoogLeNet模型的卷积层加入了最新的神经网络正则化算法DropBlock技术，适合于卷积层的随机丢弃策略，对深度卷积神经网络模型网络层参数过多，产生过拟合和梯度弥散问题，得到很好的解决，相比于Dropout能更有效的移除语义信息，提高模型的鲁棒性。
　　(4)利用softmax损失函数与中心损失函数共同作为GoogLeNet模型训练的监督信号，对驾驶员三种视觉特征进行训练、学习，最后识别。两种损失函数的结合不仅扩大了类间间距，而且缩小了类内间距，改善了由于类内间距过大造成疲劳状态分类、识别效果不好的问题。
　　实验结果表明，优化的MTCNN人脸检测算法检测速度加快且检测准确率提高。结合DropBlock技术和center loss损失函数改进的深度卷积神经网络的疲劳驾驶检测模型，疲劳的识别率更高，鲁棒性更强，同时验证了本文所提算法的有效性与可行性。