随着国家经济的快速发展,公路、铁路以及城市轨道等基础设施逐渐完善,越来越多的人选择汽车、火车和地铁出行,这些交通工具给人们的工作和生活带来了极大的便捷与享受,但随之而来的是道路交通事故激增。根据统计数据显示,全世界每年发生的交通事故中有一半以上是由于驾驶员疲劳驾驶所导致的。因此,对驾驶员行驶过程中的疲劳状态进行有效的检测对于减少或避免交通事故的发生具有重要的现实意义。本文的主要工作和创新点如下:(1)针对传统疲劳检测中检测目标易受遮挡且存在个体差异的问题,提出面部表情和头部姿态结合的疲劳驾驶检测方法。研究了疲劳表情的特点以及利用面部运动单元AU表示疲劳的方法,并结合头部姿态深入挖掘疲劳信息,构建了8维的联合疲劳参数(AU＿02、AU＿09、AU＿15、AU＿17、AU＿45、pose＿yaw、pose＿pitch和pose＿roll),在视频帧中分别计算每一维参数的8个统计量(最大值、最小值、平均值、极差、中位数、方差、标准差和协方差)作为最终的疲劳特征向量。结合遗传算法建立SVM分类模型,优化SVM的惩罚系数和核参数以提高检测效果,并在滑动窗口上对视频帧进行疲劳检测,最终得到查准率为91.42%,查全率为91.5%,F1值为91.23%。(2)针对可见光下的疲劳检测方法容易受到光照的影响,根据临床医学研究中对睡眠不足导致的疲劳在面部红外热像图上特异性表达,提出基于红外热像图的疲劳检测方法。通过搭建红外热像图采集系统平台获得驾驶员面部红外热像图数据,分别针对眼部区域和额头区域通过计算灰度梯度共生矩阵得到15维纹理特征,利用KNN、SVM和Random Forest三种分类器建立检测模型,在基于眼部区域红外热像图的疲劳检测中,获得的最佳查准率为93.42%,查全率为93.24%,F1值为92.86%。在基于额头区域红外热像图的疲劳检测中,获得的最佳查准率为93.66%,查全率为93.12%,F1值为93.37%。(3)针对基于单一信息源的检测方法得到的疲劳准确性不可靠的问题,提出基于多源视觉信息融合的疲劳检测方法。将可见光下的面部视觉特征(包括面部表情和头部姿态)和面部红外热像图(包括眼部区域和额头区域)纹理信息在特征层进行融合,综合视觉信号和生理信号评价疲劳状态。针对高维特征容易出现无关性和冗余性影响分类效果的问题,提出MI-FCBF特征选择算法,该算法结合了互信息和对称不确定性,在不影响分类效果的前提下,去除融合特征集中的无关特征和冗余特征,获得最佳特征组合。实验结果表明,当特征维度为30时,基于Ada Boost的检测模型达到最佳的效果,查准率为94.83%,查全率为94.9%,F1值为94.81%。