近年以来,随着车辆增多,交通事故发生也越来越频繁,因疲劳驾驶导致的交通事故已成为其主要原因之一。目前已有的针对司机疲劳驾驶的检测装置,大多是接触式的,其安装复杂、成本较高,不利于普及使用。本文在分析现有司机疲劳检测装置的基础上,开发了一种基于HOG-LBP特征融合的司机驾驶安全监测与预警方法。该方法首先利用带红外切换的高清摄像头获取司机脸部视频,通过Seetaface Detection人脸检测方法定位人脸位置,然后利用改进的自编码器网络方法实现27点人脸关键点定位。在此基础上,根据HOG-LBP特征融合法进行眼部的状态识别,最后根据神经网络的方法进行司机疲劳判定。本文主要工作内容如下:(1)人脸检测。对比分析了两种常用的人脸检测方法:Adaboost人脸检测方法和Seetaface人脸检测方法,对两种算法的原理、优缺点、运算速度等进行了详细分析,选择适合本系统使用的人脸检测算法。(2)人脸关键点定位。对比分析了基于级联回归形状、基于深度学习和基于自编码网络的人脸关键点定位方法,提出了一种27点关键点的改进自编码网络人脸关键点定位方法,提高了人眼和嘴部的定位精度。(3)人眼状态识别及疲劳判定。在得到关键点定位的基础上,提出一种基于HOG-LBP特征融合的人眼状态识别方法。首先分别单独分析了HOG特征和LBP特征对人脸关键点状态描述的能力,发现HOG特征能很好的描述眼睑、瞳孔等关键点的状态,LBP特征能很好的描述关键点的局部信息,且对光照的鲁棒性非常强。因此结合两种特征描述子的优点,提出了本文基于HOG-LBP特征融合的人眼状态识别方法,用于人眼状态的识别。在此基础上,通过神经网络运算得到司机疲劳状态。(4)司机驾驶安全监测与预警算法的实现。本文着重研究了人脸检测、眼部状态判别和疲劳状态的判别,最终在基于Android的司机驾驶安全监测与预警系统上实现了这些算法。