随着公路交通的不断发展和汽车保有量的不断增加,交通事故发生率居高不下。频繁出现的交通事故不仅威胁着每一个公民的生命安全,还会给家庭带来巨大的经济财产损失和精神伤害。疲劳驾驶是引发严重交通事故的重要原因之一,各国法律法规都明令禁止疲劳驾驶。但由于其明显的渐变、隐蔽和主观抑制特性,监管机构难以及时监测,驾驶员亦难以在进入疲劳状态之前自行发觉,因此,对高性能驾驶员疲劳检测方法的研究有着社会与学术的双重意义。驾驶员人脸检测和面部状态识别是疲劳检测算法中的关键步骤,在驾驶机动车时,驾驶员根据自身需求佩戴各类眼镜能有效降低事故发生率,但眼镜的遮挡以及行车过程中的光照变化和抖动会明显影响到面部信息检测的准确率。针对这些问题,本文使用了自适应补偿红外采集系统,这一系统一方面可拓展检测方法的使用场景,另一方面完善了样本集合,提高了深度神经网络模型的泛化能力。同时,本文根据驾驶员疲劳检测需求,完成人脸及特征点检测、眼睛区域检测,眨眼和头部动作识别;以眼睛状态和头部中心点位移为基本维度构建面部状态时序空间,联系疲劳序列中的上下文信息,提出一种以卷积神经网络为基础,结合循环神经网络的驾驶员疲劳检测方法。本文所提出的检测方法主要包括以下几部分:首先,通过基于卷积神经网络(ConvolutionNeural Networks,CNN)的多信息检测模型进行驾驶员人脸和特征点检测,以该网络模型的输出为结果,依据面部先验信息完成对眼睛区域快速定位和头部中心点位移计算:然后,应用级联卷积神经网络的识别算法对提取出的眼睛图像进行状态识别,输出完整的面部状态数据;最后,将面部状态数据在面部状态空间中时空序列化,同时设计了包含长短时记忆单元(LLong Short-Term Memory)的循环神经网络(RecurrentNeural Networks,RNN),利用网络模型在驾驶员面部多维状态序列中检测到疲劳状态并预警。实验结果表明,本方法能在实验和车载条件下检测驾驶员的面部状态,提取多维度疲劳特征,采用深度学习框架的疲劳检测,能够有效提高算法鲁棒性,检测算法的准确率可达94%以上,平均检测时间约为65ms。