摘要：伴随着汽车数量的增加，产生的交通事故也越来越多，从而给人们的出行带来了巨大的潜在安全隐患，其中疲劳驾驶一直是机动车事故多发的主要原因之一，为提高行车安全性，正确的检测驾驶员的疲劳状态就显得尤为重要。对于驾驶员疲劳状态的检测技术集中于对面部的监控，把眼睛的闭合程度，头部的倾斜程度，口部的张开程度等作为检测疲劳的指标。采用硬件与软件相结合的方法，通过摄像头捕捉人脸的特征部位，加上相应的算法准则便可以准确的判断出驾驶员是否处于疲劳驾驶的状态，并发出警报来提示。本文主要通过对当前国内外主流的疲劳驾驶检测方法进行总结概述，分析各自疲劳检测的方法。
关键词：疲劳驾驶检测；硬件与软件；面部的监控；人脸
1引言
我国的汽车保有量逐年增加，交通安全形势愈发严峻。在各类道路交通事故中，疲劳驾驶、酒后驾驶以及超速驾驶是引发交通事故的主要原因，相关数据表明，疲劳驾驶造成的事故约占交通事故总数的7%，约占特大交通事故总数的40%[12]。因此，开展驾驶员疲劳检测技术的研究对于保障驾乘人员生命及财产安全具有重要的现实意义。
目前，疲劳驾驶检测方法主要分为3类：基于生理特征的检测(脑电波)、基于面部特征的检测和基于驾驶行为特征的检测[11]。其中基于面部特征检测的方法因其检测的直接性、非接触性、与驾驶员的生理信息具有一致性、可接受性强等特点，成为目前国内普遍采用的研究方法。在面部特征检测中对于眼部特征的检测又分为三种：根据驾驶员眼睛状态进行疲劳驾驶判断，提出了一种利用眼睑之间的距离判断疲劳程度的方法，当眼睛开度小于设定阈值时，判定为闭合状态。此外针对虹膜进行眼睛状态分析，检测不到虹膜时，认为眼睛闭合。其次采用模板匹配的方法进行人眼状态的分类检测，从而得到驾驶员的疲劳状态信息。
2研究现状
目前对于疲劳驾驶检测技术的研究已经有了很多的成果，并且很多都已用于生产与开发，以下将对目前较为通用与认可的疲劳驾驶检测技术分别做概述
2.1基于AdaBoost算法的疲劳驾驶检测系统
这种检测系统选用自动对焦彩色摄像头作为图像采集模块，首先利用Haar特征设计AdaBoost算法实现人脸及人眼的检测及定位，再根据Canny算子实现人眼轮廓检测与提取，最后利用离散的眼睛闭合时间占比（Percentageof Eyelid Closure over the Pupil over Time，PERCLOS）疲劳判断算法实现驾驶员疲劳状态的检测与警告，借助开源计算图像库OpenCV编程实现疲劳检测，并对系统的实时性和稳定性进行了测试。系统可分为图像采集模块、图像处理模块和疲劳预警模块，系统总体框架如图1所示，工作流程如图2所示[1]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
