随着车辆数量的快速增长,越来越多的交通事故威胁着人们的生命和财产安全,而一部分交通事故是由于驾驶员的不当驾驶行为造成的。随着科学技术的发展,运用各种检测手段确定驾驶员的驾驶行为已经成为可能。通过对驾驶行为的检测与分析,并采取相应的措施,可以有效降低交通事故的发生率,这对于保护人们的生命和财产安全具有重要的意义。本文对基于机器视觉的驾驶行为分析技术进行了研究,通过对采集得到的车道线图像和驾驶员脸部图像进行特征检测得到多个初步结论,并将它们进行融合处理,最终得到驾驶员当前的行为状态。本文的主要工作如下:1、对结构化道路的检测进行研究。将道路检测转化为车道线检测,通过滤波去噪、边缘检测、Hough变换等操作实现,并对其进行跟踪,增强系统鲁棒性。2、对非结构化道路的检测进行研究。本文将非结构化道路的检测分为纹理主方向估计、消失点检测、道路边界检测三个部分。在纹理主方向估计部分,针对纹理主方向估计原理,本文提出了一种基于LDP纹理特征计算方法的纹理主方向估计方法,实现了图像纹理主方向的估计;在消失点检测部分,本文提出了将深度学习与传统的消失点检测过程相结合的方法,提高了检测效果;在道路边界检测部分,本文将该过程分为第一条边界检测、消失点更新、第二条边界检测三部分,并使用角度差值和颜色差值实现了道路边界的检测。3、对驾驶员脸部特征的检测。本文在车载相机采集的图像中实现了脸部区域检测、眼睛检测、嘴唇检测等特征检测,并实现了对它们的精确定位。4、对驾驶行为分析的研究。本文具体研究了如何通过图像得到用于驾驶行为分析的驾驶员脸部特征信息和车辆行驶信息。其中对于车辆的行驶信息,本文提出了通过计算车道中心线与图像中心点间距离的变化率来判断车辆行驶状态的方法。同时为了得到更准确的结论,本文使用信息融合技术得到最终的结论。本文实现了结构化道路与非结构化道路的检测、驾驶员脸部特征检测和驾驶行为分析。研究结果表明,本文的方法可以较为准确地检测出驾驶员当前的行为状态,满足本课题的要求。