一、前言：
随着交通运输业的发展，交通事故已成为当前各国所面临的严重问题。在美国的重型汽车事故中，57%的灾难性事故是与驾驶员疲劳有关，它已成为事故发生的主要原因。我国交通事故呈现逐年上升的趋势，1999 年我国发生道路交通事故 412860 起，致伤 286080 人，死亡83529 人，造成直接经济损失21.24 亿元[4] 。疲劳产生后，驾驶员身体很多生理现象和生理数据发生变化，呈现两部分特征：① 可见特征，如驾驶姿势、眼部运动、头部动作及脸部表情等； ② 不可见特征，如心率变化、心电波、脑电波和施加在方向盘上的握力等，这些特征需特定的仪器设备进行检测才能获知。为了不干扰驾驶员的正常驾驶，利用驾驶员眼睛的状态信息来判断驾驶员疲劳状况是一种可行且可靠的方法，眼睛作为人脸的重要特征，在人脸识别中发挥着重要的作用。目前已有区域分割法、边缘提取法、弧度投影法、神经网络法和模板匹配法等多种眼睛定位方法。但很多算法对环境变化、不同的人脸和姿态的变化敏感，对于戴眼镜的效果较差。
二、相关研究
人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。
在2001年，Viola和Jones发表了经典的《Rapid Object Detection using a Boosted Cascade of Simple Features》[1]和《Robust Real-Time Face Detection》[2]，在AdaBoost算法的基础上，使用Haar-like小波特征和积分图方法进行人脸检测，他们设计了针对人脸检测更有效的特征，并对AdaBoost训练出的强分类器进行级联。这可以说是人脸检测史上里程碑式的一笔。
Adaboost算法是一种自适应Boosting迭代算法，其原理是将一些简单的弱分类器(即矩形特征)，训练成具有很强分类能力的强分类器。当弱分类器对样本进行正确分类时，减少样本的权值；当进行错误分类时，增加样本的权值。在不断的循环中，弱分类器将其注意力集中至权重较大的分类器，根据检测率和误检率的要求，将简单的弱分类器按照权重叠加成强分类器，并将强分类器级联起来生成最需要的分类器。
目前最经典的人脸识别算法还是Haar分类器（Haar-like特征 积分图方法 AdaBoost 级联）这一套体系，许多人的研究都是针对不同问题不同需求在这一体系改进而来的。下面例举了一些目前针对于人眼识别的改进的方法。
在《一种改进的人眼特征检测方法》[3]中，刘伟，纪玉波等尝试了一种将双眼作为整体，利用Haar小波变换确定位置，然后利用人脸模型，分割出两个单眼，最后使用PCA方法判断出眨眼的检测方法。这种方法将双眼作为整体检测克服了人眼单眼定位的误差，使用双眼整体直接检测，可以避免当一只单眼产生误差造成另一只单眼数据放弃的情况。并在双眼整体检测结果上运用PCA方法提取数据，检测眨眼。PCA方法提取了眼部特征的主要部分，时间性能较好，配合Haar小波整体检测双眼能够提高实时性。
在《拓展Haar特征检测人眼的方法》[4]中，甘玲，朱江，苗东等人拓展了一中Haar特征，并基于该特征运用AdaBoost算法对人眼进行准确检测。首先基于拓展的Haar特征运用Adaboost算法检测到眼睛和眉毛的粗轮廓，然后将粗轮廓的灰度图像制成模板，最后与眼睛和眉毛非常相似的图像样本进行匹配，从而准确检测到人眼。该方法能较好地解决检测速度问题，并具有较好的识别效果。该方法有效地避免该由于眼睛和眉毛非常相似而引起的误判，具有检测精确度较高的优点。
在《基于人眼识别的驾驶员疲劳检测》[5]中，博华，王蕾等先使用YCbCr色度空间方法，通过肤色先将人脸的大致区域从非人脸区域中区分出来，进行第一步预处理，然后利用眼睛区域的黑色像素点变化来判断眼睛是睁开状态还是闭合状态，这样就避免了单独提取出眼睛来判断它的变化情况了。计算出睁眼和闭眼是眼睛区域的像素点个数，将睁眼和闭眼的图像做差值，取中间某个值为临界点，然后判断睁闭眼。然后对于一段视频，每秒取5帧，若一分钟内总的闭眼帧数为40帧以上90帧以下，则认为是不疲劳的，90帧以上，就认为是疲劳。
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。
