摘要
由于全球社会经济的快速发展，车辆总量与日俱增，同时因驾驶员疲劳驾驶导致的车祸大幅度增加，造成大量的人员伤亡。如果能够实时准确检测到驾驶员的疲劳状态并给予警示提醒，就能有效减少疲劳行驶造成的车祸。本文主要围绕基于驾驶员面部多特征融合的检测方法进行研究，主要研究内容包含以下几个方面： （1）基于软硬件系统搭建驾驶员疲劳驾驶实验平台，同时设计驾驶员疲劳驾驶检测系统，邀请不同年龄段的志愿者进行疲劳驾驶实验，采集志愿者在相同的测试环境下清醒、疲劳和重度疲劳状态的面部特征。 （2）驾驶员疲劳检测过程中，人脸检测是最重要的一步。本文将采用深度级联多任务学习的卷积神经网络框架，获得面部图像和五个关键点，然后再对面部区域进行划分，提取眼睛、嘴巴和鼻子各自的特征。对获得的面部特征进行多任务学习，使每个特征点都能够共享，通过这种方式不仅能够快速准确提取面部的全部特征，而且能够提高人脸特征点检测的鲁棒性。 （3）对采集的驾驶员睁眼、闭眼、嘴巴闭合、打哈欠和是否戴眼镜或太阳镜等特征先进行离线训练，再应用任务约束深度卷积网络对所采集的图像进行面部特征识别，判断眼睛和嘴巴的开合状态，使用AdaBoost分类器对眼睛和嘴巴的状态进行分类。在离线训练的基础上，采用一个实时模块：在线测试。在实时视频序列中检测驾驶员的疲劳特征，实时获得眼睛和嘴巴的特征地标，通过这些特征地标可以得出眼睛纵横比（EAR），眼睛闭合百分比（PercentageofEyelidClosureoverthepupilovertime，PECLORS）和嘴巴高宽比（MAR）的值。 （4）利用权重比例的方法对疲劳状态下的面部特征进行融合，基于获得的EAR值、PERCLOS值和MAR值按不同权值相加得到参数M，在一定的时间内累加Mgt;0.605的图像帧数记为参数N，通过N值的大小来判断驾驶员的疲劳程度。通过在封闭且安全的道路中对不同年龄段的志愿者进行疲劳测试，试验结果表明：本文基于驾驶员面部多特征融合的方法能够有效地利用视频图像实时检测驾驶员疲劳状态，其准确率为93.1%，对于保护驾驶员及车辆行驶安全具有重要意义。
NETL