随着中国经济的快速发展,人们生活生平的提高,汽车保有量日益增加,因疲劳驾驶导致的交通事故逐年增加,给驾驶员的生命安全带来巨大威胁,成为当今社会关注的热点。因此疲劳驾驶检测具有重要的意义,通过对驾驶员的疲劳驾驶行为进行实时检测与预警可以有效降低交通事故的损害。本文针对国内外的各类疲劳驾驶检测方法进行对比分析,提出了基于深度学习的人脸检测与人脸特征点检测网络,并融合眼部和嘴部状态对驾驶员进行疲劳判定,主要研究内容如下:(1)针对人脸检测使用单一神经网络存在泛化能力差等问题,提出了一个三层级联卷积神经网络,该网络可以从粗略到精准的方式来预测人脸的位置,并提出了残差可分离结构来替换网络中的普通卷积层,使网络在保持检测速度的同时,检测精度有所提升。(2)针对光照或图像质量不清晰、训练数据样本分布不平衡等问题,提出新的人脸特征点检测网络。该网络由一个主网络和一个辅助网络组成,主网络采用轻量级结构进行设计降低了网络的参数数量,辅助网络在训练阶段参与训练提高了人脸特征点检测的精度,并对损失函数进行改进,对不同数据量的样本分配不同的权值进行样本数据的平衡。(3)根据特征点检测结果提出了眼睛区域和嘴巴区域的状态识别方法。对于眼部信息,首先使用PERCLOS参数,然后使用眼睛纵横比EAR对眼部特征点进行疲劳眨眼判定并计算眨眼次数。对于嘴部信息,采用相同的策略提出嘴部纵横比MAR进行哈欠判定和哈欠次数的统计。(4)针对使用单一特征的疲劳驾驶检测容易受到物体遮挡影响等问题,将PERCLOS参数、眨眼次数和打哈欠次数多个评价指标融合进行疲劳驾驶检测。本文对疲劳驾驶检测方法的各个步骤分别进行了实验,实验结果表明:本文提出的人脸检测方法在公开数据集上保持检测速度的同时具有更高的检测精度。在人脸特征点检测方面,本文提出的方法具有更高的检测精度,且对复杂背景、光照等情况也有较好的鲁棒性。最后融合眼部与嘴部状态的疲劳驾驶检测方法可以有效地检测驾驶员的疲劳状态。