随着社会工业化程度越来越高和全面小康社会的建成,人们的生活更加便利,出行的选择也更加多样,而汽车由于它的便捷性也成为更多人出行的首选。它给人们的出行带来了极大的便利,但是在带来便利的同时也造成了潜在的安全隐患。汽车道路事故频发给社会生成和人们生活会造成巨大的影响,疲劳驾驶在诸多造成交通事故的因素中占据着重要的位置,为了减轻疲劳驾驶带来的社会危害,可以对驾驶员疲劳状态进行检测,进而从根本上解决疲劳驾驶带来的危害。而目前不存在一种快速、方便、准确的疲劳状态检测方式对驾驶员的驾驶状态进行检测,因此,设计一种快速、方便、准确的疲劳检测算法和系统对社会生产和人们生活具有重要的意义。为了减少因为疲劳驾驶造成的社会危害,本文旨在设计一种准确方便的驾驶员疲劳检测算法,并在算法的基础上设计一种快速、方便、准确的疲劳检测系统。该系统利用目前流行的深度学习的方式,通过人脸检测和人脸关键点检测出人脸中眼睛和嘴巴状态,再通过综合判断眼睛和嘴巴两者的状态来判定驾驶员疲劳状态,并基于该算法设计了一个系统用于验证算法的可行性和准确性。本文的主要研究工作主要包括以下几个方面:(1)研究分析疲劳检测相关课题发展历程,了解到目前常用的疲劳驾驶检测指标是基于传统图像处理方式的PERCLOS算法,该方法通过计算机视觉的方式计算眼睛闭合时间的比例,从而判定驾驶员是否处于疲劳状态。(2)简要介绍了目前流行的深度学习中神经网络的基本原理和基本结构,对神经网络有大概的了解,还介绍了几种经典的神经网络结构以及它们各自适用的场景。(3)介绍了全卷积神经网络和全卷积网络代表性的网络结构YOLO-v3,并利用YOLO-v3作为人脸检测器,设计了一个用于快速、准确检测驾驶员人脸的人脸检测器,并将该检测器用于本文设计的驾驶员疲劳检测系统中。(4)介绍了一些追求快速、轻量的神经网络结构,分析了深度可分离卷积的原理以及它们在Mobile Net-v2网络结构中的应用,并基于Mobile Net-v2网络结构设计了一个用于快速检测人脸中关键点位置的人脸关键点检测器,这是驾驶员疲劳驾驶检测系统中重要的组成部分。(5)设计了一套完整的驾驶员疲劳检测系统,结合了人脸检测,人脸关键点检测,驾驶员疲劳状态判定等模块,并通过实验验证了系统的可用性和可靠性。本文取得的成果是根据YOLO-v3人脸检测网络和Mobile Net-v2人脸关键点检测网络两个深度学习网络构建了一种疲劳驾驶检测算法,并在此基础上设计了一个简单的疲劳驾驶提醒系统。本文设计对社会的贡献是探讨深度学习方法在疲劳驾驶检测中的效果,把深度学习技术结合实际应用场景使用,给以后在疲劳驾驶检测领域中更成熟技术应用做铺垫。本文对未来发展的意义是理论结合实际,尝试把新知识和新技术应用到与人们生产生活息息相关的领域中,技术为人们生活服务,推动社会进步。