随着经济的高速发展,机动车已成为现代社会的主要交通和运输工具,交通事故的发生频率也随之居高不下。研究表明,疲劳驾驶是诱发交通事故的主要原因之一,特别是在危险品运输、长途运输等特殊车辆运输行业,极易发生疲劳驾驶现象,严重威胁驾驶员及人民生命财产安全。因此,研究和开发疲劳驾驶实时检测预警系统,对改善交通状况,保障道路交通安全具有重要意义。当前对疲劳驾驶识别的研究工作,主要从驾驶员行为信息、生理信息及车辆信息三个方面入手:其中,基于行为信息的识别具有直观、准确的特点,但实对时性要求较高;基于生理信息的识别可靠、实时、精度最高,但信息采集需借助专业设备或接触式传感器,不利于车载;基于车辆信息的识别则较为复杂,识别效果也有待提高。本文结合驾驶员行为眼动信息和生理信息,进行疲劳驾驶的综合识别,克服单一信息识别方法的局限性,实现优势互补,采用机器学习算法构建疲识别模型,并借助高性能嵌入处理器、红外摄像头、智能手环等设备作为支撑平台,设计开发了一款基于机器学习的疲劳驾驶监测识别系统,可用于对疲劳驾驶进行实时、精确、高效、分“疲劳”等级的识别预警。论文主要研究工作和创新点如下:(1)疲劳驾驶监测识别系统设计。根据系统设计目标,制定系统设计方案,将系统划分为数据采集、数据处理、识别模型、预警反馈及系统评价五个主要模块,并在阐述模块功能的基础上,确立系统实现的技术路线。(2)系统支撑平台开发。以高性能ARM嵌入式处理器、红外摄像头、智能手环、LED灯、mico扬声器等作为硬件设施,以Buildroot、Open CV2.4.4、U-boot等作为控制程序开发工具,进行系统支撑平台的开发,为系统的实现提供技术支持与保障。(3)检测数据优化处理。采用中值滤波器、Canny算法、边缘特征法、离散法及差异显著分析等方法对用于疲劳识别的检测数据进行优化处理,剔除冗余、错误数据,补全遗失数据,精简数据规模,节省存储空间,提高系统识别精度和处理效率。(4)系统识别模型构建。采用随机森林RF算法构建多分类识别模型,并提出一种“阶梯状”设定样本标签的方法,按照生理器官疲劳程度对驾驶员进行由“轻度疲劳”到“严重疲劳”的7个等级疲劳状态的划分,实现了疲劳驾驶的智能识别预警,为了提高系统模型识别精度及检测效率,采用PSO粒子群算法对模型进行优化,并运用UCI数据集对模型的性能指标进行仿真验证。仿真结果表明,模型的识别精度、效率、特异度及灵敏度都得到很大提升。(5)系统功能测试。构建系统测试环境,对系统支撑平台、系统识别效果进行测试,并对测试结果进行了分析与总结。测试结果表明,论文提出的基于机器学习的疲劳驾驶监测识别系统,检测精度可达96.3%,检测效率提升近40%,与传统方法相比,识别精度,实时性,稳定性,可靠性均有良好提升,论文的研究开发具有工程应用价值。