随着经济的快速发展,汽车保有量迅速增加,给人们的生活带了极大的便利,随之而来的交通安全问题也日趋严重。统计数据表明,在引起交通事故的驾驶员因素中,疲劳驾驶是主要原因之一。因此,研究针对疲劳检测的系统具有重要的现实意义,能有效减少疲劳驾驶引发的交通事故,提高行车安全。在疲劳检测技术相对成熟的今天,疲劳检测系统性能的提高主要依靠检测算法的改进与创新。为了解决光照变化以及单一特征局限性对疲劳检测系统性能的影响,以红外图像成像原理、图像处理技术为基础,结合机器视觉、机器学习、模式识别等相关知识,重点研究了目标特征提取算法、多特征融合算法,设计了基于人脸多特征的驾驶员疲劳检测算法,实现了不同光照情况下,眼睛闭合度、眨眼频率以及嘴巴哈欠等多特征参数的提取与融合。对眼部特征的提取,在Adaboost算法实现眼部区域定位的基础上,对眼部区域进行Retinex图像增强,提出了利用网格法进行人眼闭合度与眨眼频率的计算,成功实现人眼特征参数的提取。对嘴部特征的提取,根据人眼坐标实现了嘴部定位,通过连通域法实现了嘴部特征参数的提取。为了弥补单一特征的局限性,进一步提高系统可靠性,基于贝叶斯条件概率公式,对眼部闭合度、眨眼频率、嘴部哈欠等特征进行融合,并提出结合PMERCLOS参数对疲劳状态进行决策的方法。最后重点研究了Adaboost算法移植和训练过程,在DM642平台上实现并优化了基于人脸多特征的驾驶员疲劳检测算法,并通过测试结果验证了算法的宽环境适应性、较高实时性以及准确性。说明了设计的基于人脸多特征疲劳检测系统具有较高的科学性和有效性,对驾驶员的疲劳检测具有重要意义。