1、疲勞駕駛是導致道路交通事故的主要原因之一，如何有效對駕駛員疲勞狀態(tài)進行檢測和預警已成為世界各國科學家的研究熱點。與基于生理參數(shù)的疲勞檢測方法相比，基于機器視覺的非接觸式檢測方法交互方便且自然，日益受到廣泛關注，但在光照變化、部分遮擋、振動等復雜環(huán)境下如何有效地提高疲勞檢測的準確率和穩(wěn)定性，仍然需要深入探索。本文基于深度學習與多任務協(xié)同方法開展研究，首先設計一個深度卷積神經(jīng)網(wǎng)絡（DCNN）模型檢測人臉特征點，其次采用輔助訓練方法提高模型的

2、特征學習能力，然后研究基于人臉特征點定位和頭部姿態(tài)估計的多任務協(xié)同學習方法，進而采用空間幾何約束方法對 DCNN網(wǎng)絡進行預訓練，最后應用多特征融合的決策方法評估疲勞狀態(tài)。在公開數(shù)據(jù)集“300W”和實際測試數(shù)據(jù)上進行實驗來驗證本文方法的有效性。
　　本研究主要內(nèi)容包括：⑴針對級聯(lián)DCNN方法存在網(wǎng)絡層數(shù)過深、模型參數(shù)繁多，DCNN底層參數(shù)訓練不充分等問題，提出一種基于輔助訓練的DCNN人臉特征點檢測方法。該方法首先用單個網(wǎng)絡回歸估計

3、人臉特征點，具有比級聯(lián)網(wǎng)絡更低的模型復雜度，且提高了算法的運行效率，然后采用輔助訓練策略有效提升了模型的特征學習能力。與同類方法的實驗比較表明，所提方法具有很好的檢測精度和實時性。⑵針對單任務深度學習網(wǎng)絡中對單類數(shù)據(jù)源的特征學習能力有限，DCNN中網(wǎng)絡初始化難等問題，提出一種基于多任務協(xié)同與幾何約束初始化的學習方法。該方法首先利用人臉特征點定位和頭部姿態(tài)估計兩個任務的相關性，將二者聯(lián)合優(yōu)化，同時得到特征點坐標和姿態(tài)角度值，具有更好的特征

4、學習能力；然后，采用空間幾何約束方法對 DCNN網(wǎng)絡進行預訓練，不僅提取出具有姿態(tài)變化不變性的特征，而且可以加快網(wǎng)絡的訓練時間。實驗結果表明，所提方法有效改善了異常姿態(tài)變化條件下的檢測精度。⑶針對現(xiàn)有的疲勞檢測系統(tǒng)常采用單一的疲勞狀態(tài)特征，對疲勞程度的表征不全面且對復雜環(huán)境的適應性不強等問題，提出了一種多特征融合的決策方法。該方法利用多任務協(xié)同回歸得到的人臉特征點坐標和頭部姿態(tài)數(shù)據(jù)提取眼部狀態(tài)、嘴巴形狀、頭部姿態(tài)等多個特征去評估駕駛員的