随着交通运输业的发展和车速的提高,交通事故已成为当前各国所面临的严重问题。期间,疲劳驾驶导致的交通事故数量不断上升,疲劳驾驶已成为引发交通事故的主要因素之一。因此,如何有效的检测和防止疲劳驾驶,对于降低交通事故发生率及人员死亡率有着十分重要的意义。随着图像处理技术的飞速发展,基于计算机视觉技术的驾驶疲劳实时检测系统在提高汽车的主动安全性能和减少交通事故方面有着广阔的应用前景。在采用计算机视觉对驾驶员进行驾驶行为监测时,图像的预处理是至关重要的环节。本课题针对驾驶疲劳监控系统中采集到的降质图像,采取的图像预处理算法主要包括以下几个部分：首先,针对图像去噪中一个两难的问题如何在降低图像噪声的同时,尽可能多地保留图像的细节,提出了基于Curvelet变换的图像去噪方法。由于小波变换无法最优表示含线奇异或面奇异的高维函数,这就使小波变换在分析二维图像中曲线或者直线边缘特征方面存在明显不足,用于图像去噪中没有较好的逼近精度和稀疏表达能力。为此,提出一种基于Curvelet变换的阈值改进去噪算法,采用软硬阈值相结合的方式,形成新的阈值函数。其次,针对驾驶室内白天光照度不均匀造成图像不清晰问题,采取了基于图像小波变换的方法,对照度不均匀有明显的消除,提高了图像的对比度和品质,采用小波变换方法校正后的图像,不仅较好地消除了照度不均匀,而且具有最小的误差,基于小波变换的校正方法具有较小的时间消耗。最后,针对驾驶室内光线亮度造成图像对比度弱的问题,采取了基于高斯混合模型的图像增强算法,利用对最佳状态下采集到的人脸图像进行灰度直方图统计,规定化待处理图像人脸部分的灰度直方图分布,从而增强图像的对比度,扩大图像的灰度范围,使图像的细节成分更加清楚。对实际图像进行了实验。并给出了每个算法的实验结果,对新提出的算法和已有算法做了比较,并分析了新提出算法与已有算法相比的优缺点。实验证明,新提出算法在图像预处理方面具有更大的优越性。