随着我国汽车保有量的不断增加,道路交通安全已经成为了我国日益突出的社会问题。其中,疲劳驾驶已经成为导致道路交通事故的主要原因之一。因此,本文对疲劳驾驶检测进行了研究,并使用基于视觉的方法对驾驶员的眼睛状态进行分析,以此来判断驾驶员是否疲劳。首先,本文对采集到的图像进行灰度化、去噪等预处理,并对图像进行人脸检测,将检测到的人脸区域作为人眼检测的待检区域。分别使用Haar特征和MB-LBP特征来训练基于Adaboost算法的人脸检测器,并通过实验对比了这两种检测器的检测速度和检测率。实验结果表明,两者在检测率上差距并不明显,但使用MB-LBP特征的检测器在训练时间和检测速度上占有一定优势。然后,本文使用两种改进方法进行睁闭眼判断。方法一:为了提升检测的准确性和效率,先使用粗定位的方法确定右眼的大致区域,再使用人眼检测器获取右眼区域的图像。接着,使用Otsu算法和区域生长法对右眼图像进行分割等处理,精确提取右眼的二值化图像。本文提出了一种计算人眼高宽比(EAR)的改进方法,统计眼睛二值图像中每一列灰度值为255的像素点个数,取其中的最大值为眼睛的高度,有效提升了闭眼状态下的计算精度。对于同一个测试集,该方法使睁闭眼判断准确率从90.8%提升到了95%。方法二:使用基于级联回归树的人脸关键点检测算法获取描述右眼轮廓的6个关键点,并提出一种将关键点与图像处理相结合的方法来计算右眼EAR。该方法使用关键点坐标计算眼睛宽度。在计算眼睛高度时,先通过关键点获取右眼的局部图像,然后使用Otsu算法和区域生长法对图像进行二值化、分割等处理,最后统计二值化图像中每一列灰度值为255的像素点个数,取其中的最大值为眼睛的高度。经实验证明,对于同一个测试集,该改进方法将睁闭眼判断准确率从93.4%提升到97.2%。除此之外,对比两种改进方法发现,两者都具有较好的实时性,但后者的准确性更高,并在不同光照条件下都具有较强的鲁棒性。最后,本文将眨眼频率法与PERCOLS准则相结合来进行疲劳状态判定。并通过疲劳检测实验对上述两种改进方法进行对比。通过实验发现,上述两种改进方法使检测准确率有了一定提升,但第一种方法在侧光条件下,易将闭眼判定成睁眼,导致检测效果相对较差,而采用人脸关键点与图像处理相结合的方法在逆光、侧光、夜晚昏暗条件下都有较好的准确性和较强的鲁棒性。