近年来,交通事故频发,给社会带来了很多损失。疲劳驾驶导致的交通事故逐年增多。对于大车司机来说,疲劳驾驶更是影响着他们的人身安全。因此,现在很多学者都对疲劳驾驶的检测进行了大量研究。关于疲劳驾驶的研究大致可分为三个方面:通过驾驶者生理特征的监测;根据车辆的运动特征监测;针对驾驶者面部特征的监测。通过生理特征来判断驾驶者是否疲劳需要依靠穿戴监测设备才能实现,这会影响驾驶者的驾驶体验,而且设备昂贵并且易损坏。运动特征监测主要是通过监测车辆的物理信息,比如车辆的行驶轨迹,摇摆幅度,以及方向盘受到的手部压力等来进行疲劳状态的判断。这种方法虽然不会影响驾驶员的行车体验,但会受到如驾驶者的驾驶习惯、特殊路况等一些外部因素影响。一般情况下不会作为主要的判断依据。目前的研究大多以面部信息为依据,进行疲劳检测。但此类方法都在特征提取的时候存在误差,导致算法特征提取效率低、检测精度低和模型鲁棒性差等问题。且在之后的疲劳判定当中,评判参数单一。鉴于此,本文提出了一种基于神经网络的疲劳驾驶检测算法并进行了仿真验证。本文的创新点如下:（1）提出基于YOLOv3-Tiny的人脸目标检测优化算法。结合Mobile Net网络对YOLOv3-Tiny目标检测模型进行改进,作为驾驶员人脸检测体系结构。之后,本文采用开源数据集WIDER FACE（Face Detection Data Set and Benchmark）,进行人脸目标检测模型的训练。与同类已有的目标检测算法相比,本文提出的算法识别精度更高,网络结构简化,计算量少,且方便对手机等移动设备进行模型移植。（2）提出基于眼特征向量（EFV）和口特征向量（MFV）的脸部运动特征提取算法。对于面部运动特征的提取,本文首先基于dlib工具包对人脸特征进行定位与特征向量提取,其次设EFV和MFV两个参数,对dlib工具包定位到的特征进行参数提取,用于评价驾驶员的眼部状态和嘴部状态。（3）提出基于SVM算法的疲劳评估模型。现有的大部分驾驶员疲劳评估算法都是以PERCLOS为基础的,这种算法是根据司机的眼睛状况为特征进行疲劳的判定。但是,如果司机的眼睛太小,就会产生较高的误判。同样,基于打哈欠频率的算法也与驾驶员嘴巴的大小有关。因此,本文针对此误判现象,设计了用于驾驶者眼嘴分类的SVM分类器算法,根据驾驶员最初的眼睛还有嘴巴的大小进行判断,确定驾驶者是否疲劳,有效降低了误判概率。（4）驾驶员身份信息库建立。现有的考虑个体特征的机器学习算法往往在系统启动前通过初始化对分类器进行训练,且每次改变驱动程序时都需要重新初始化。此类算法不仅效率低下,而且无法确保每一个初始化工作状态良好。因此,本文构建了驾驶员身份信息库,其中包括三种类型的驾驶员身份信息:司机生物特征识别分类器、司机眼状态分类器和司机口状态分类器。算法预先对分类器进行训练,并将其存储到司机身份信息库中。然后,在系统运行之前,通过调用驱动分类器验证身份。这不仅简化初始化,而且可避免手动输入身份造成的不准确现象。