随着汽车数量的增加和人们生活节奏的加快,因驾驶者疲劳而引发的交通事故屡屡发生。通过提前预测驾驶员的疲劳状态,从而避免交通事故的发生,己经成为目前在疲劳驾驶检测技术研究领域中的热点与难点。面部表情识别及其分析是计算机视觉应用和模式识别领域中的一项有吸引力的研究。面部表情比其他任何部位的表达都要丰富。当人类表达相应的感情时,面部表情随即产生变化,脸部通过肌肉做出微观表达,表达情绪最丰富的区域分别在眼部、嘴部、以及脸颊部分,当人脸处于疲劳时,眼睛呈微闭状态,眼睛无神,眉毛呈向下状态,脸颊肌肉呈放松状态,嘴部呈微闭状态。通过以上特征可以判断目前驾驶员是否处在疲劳状态。本文主要工作内容如下:(1)提出了通过面部表情Gabor特征融合的疲劳识别方法,为了充分捕捉面部情绪信息,本文对感兴趣区域采用基于Gabor多方向特征融合与分块直方图方法对人脸进行特征提取,Gabor滤波对人脸空间具有良好的表达效果,融合特征能有效地降低原始Gabor特征数据间的冗余,还可以对感兴趣区域进行多尺度分析,分块直方图则加强全局特征描述,通过以上方法保证决策性信息不会丢失的同时将冗余的数据剔除,增加了处理效率以及准确率。(2)制定了新的综合疲劳判定策略,驾驶员在驾驶过程中会根据轻度疲劳、中度疲劳、重度疲劳产生不同的生理机制反应。驾驶员在不同的疲劳程度中,大脑会产生相应的抵抗力,进入新的亢奋周期,系统根据驾驶员在驾驶过程中产生的其他基本表情以及疲劳表情的占比率进行疲劳判断。该策略结合疲劳表情识别可以有效防止疲劳驾驶。(3)设计了基于面部表情的疲劳预警软件。设计了图像输入模块,视频图像预处理模块,图像特征提取模块,图像表情分类模块,疲劳分析模块。通过以上模块完成驾驶视频模拟仿真的疲劳分析检测功能。本系统通过Py Charm平台利用Python语言设计实现。