随着社会经济的快速发展,机动车辆已经进入人们的日常生活当中,并成为主要的出行方式之一。与此同时,交通安全也逐渐引起了人们的关注,行车安全在很大程度上依赖于驾驶员在行车过程中对周围环境的持续观察能力。各种车辆和障碍物出现在行车过程中的时候,驾驶员必须保持高度警惕,并在必要时刻做出反映。头部姿态的研究已经经历了多年的探索,国内外高校和科研机构相继取得了各自的研究成果。在众多的实验方法中,基于混合方法的识别算法在满足不同需求的情况下,能够达到准确的识别效果。为给予驾驶员在行车过程中必要的提醒,避免驾驶员因酒后驾驶或疲劳驾驶等原因而引发交通安全事故,本文提出了一种以几何方法和非线性回归相结合的识别算法,并成功用于对驾驶员头部姿态的估计。算法先提取眼睛、嘴巴等特征点,通过这些特征点构建出头部姿态的几何模型,进而采用非线性回归分析几何模型数据,并判断出头部的运动姿态。该方法将姿态估计过程分为三个主要部分:1)获取视频信息和对应的头部图像信息,对图像进行归一化处理并用SIFT算法提取驾驶员头部(主要是面部)图像的特征点;2)通过模糊C均值算法对图像特征点进行聚类分析,得到聚类中心点并计算相应中心点之间的欧式距离;3)使用基于神经网络的非线性回归方法来对几何模型的数据进行训练和学习,将高维数据映射为低维数据,再将非线性回归的结果用于驾驶员头部姿态的最终判断。实验结果表明,本文提出的方案在保证有效性的前提下,提高了驾驶员头部姿态的精确性,并且在头部部分遮挡的情况下仍具有较高的鲁棒性。将其运用在驾驶辅助系统中能有效地对驾驶员头部姿态做出判断,是一种有效、安全的方法。