当今世界铁路运输业蓬勃发展,中国铁路交通发展迅猛。随着铁路的迅速发展所引发的问题也越来越多：机车驾驶速度越高随之引发的安全问题愈显突出。既要保证列车行车安全,又要保证机车运行平稳、舒适。影响机车驾驶安全性的因素很多,而机车司机的正常驾驶也显得更为重要,机车驾驶员在列车运行安全性方面,占据着不可忽视的地位。传统的疲劳驾驶监测技术有基于人眼的疲劳状态监测、基于头部位置的疲劳状态监测。这些疲劳状态的监测存在着一定的弊端,无法克服光照强度的变化、遮挡、重合等影响；而基于生理参数(如EEG、ECG、EOG等)的疲劳状态监测,属于接触的监测方法,对驾驶员的驾驶状态有一定的影响。经调查可知,我国火车司机在值乘期间,需要按照接收到的信号做出一系列的规定性手势动作。鉴于此,提出了一种专用于机车司机的驾驶状态监测技术——基于机车司机的姿态,即机车司机规定性手势的,机车司机疲劳驾驶状态监测技术。模拟机车驾驶过程,在实验室环境中获取所需的机车司机驾驶状态监测视频文件。对所得到的视频文件对其进行一定的处理,通过判断手势的规范性与标准性对机车司机的驾驶状态进行检测。首先对机车司机驾驶过程的视频文件进行一定的预处理。通过混合高斯模型对视频文件进行背景建模与运动目标(手势)的实时检测。在对背景图像不断的更新的过程中,对手势出现与否进行判断。当检测到手势目标出现后,停止混合高斯模型算法的使用,记录此时的背景图像；然后利用五帧间的帧间差分法进行相邻帧的比较,通过阈值的设置,判断是否相邻的五帧间存在差异。若五帧间的差异小于所设定的阈值,则认为此时为机车司机所做出的规定的手势；之后,通过肤色模型的转换对手势图像进行进一步的准确提取。经肤色模型处理所得到的图像可能存在着一定的空洞等现象,需要通过腐蚀、扩张等数字形态学滤波的方法对其进行修正,以便得到清晰准确的手势的二值图像；最后对手势的二值图像进行识别与判断。采用形状上下文算法、HOG特征和AdaBoost分类器等对手势的二值图像进行目标的识别与综合的判定,进而判断出司机的驾驶状态。一方面,利用HOG特征和AdaBoost分类器对其进行分类识别。首先需要利用AdaBoost分类器对大量的手势图像的HOG特征进行训练,得到能够对各个手势进行分类的强分类器。之后通过强分类器对待匹配的手势的二值图像的HOG特征进行分类,以判断是否是规定的手势,以及其是否符合要求；另一方面,利用形状上下文算法,计算手势的二值图像与模板图像的匹配代价,进而对手势的标准型进行判断。通过上述两种方法综合判断手势的规范性,实现对机车司机驾驶状态的分析与监测的工作。大量的实验数据表明,通过上述的一系列的算法的计算,可以较为准确的对机车驾驶的视频文件进行驾驶状态的监测。