为了有效监测驾驶员是否疲劳驾驶、避免交通事故的发生,提出了一种利用人脸特征点进行实时疲劳驾驶检测的新方法。对驾驶员驾驶时的面部图像进行实时监控,首先使用AdaBoost算法检测人脸,并利用ERT算法定位人脸特征点;然后根据人脸眼睛区域的特征点坐标信息计算眼睛纵横比EAR来描述眼睛张开程度,根据合适的EAR阈值可判断睁眼或闭眼状态;最后基于EAR实测值和EAR阈值对监控视频计算闭眼时间比例(PERCLOS)值度量驾驶员主观疲劳程度,将其与设定的疲劳度阈值进行比较即可判定是否疲劳驾驶。实验结果验证了所提出方法的有效性。 提出了一种基于机器学习的物体检测方法［10］。基于人脸特征点-电动折弯机数控滚圆机滚弧机电动滚圆机滚弧机张家港数控滚弧机该方法针对人脸检测提出了有效的类Haar特征，并使用积分图像实现特征数值的快速计算，然后利用Adaboost学习算法进行特征选择和分类器训练，把弱分类器组合成强分类器本文由公司网站全自动滚圆机网站采集转载中国知网整理!    http://www.gunyuanji168.com/ ，最后采用分类器级联提高检测效率，称为Viola－Jones检测器，该方法取得了很好的人脸检测效果。之后年对检测器的特征进行了扩展［11］，形成了现在的基于Haar分类器的人脸检测算法。如图2为扩展后的矩形特征原型。检测到人脸后，基于人脸特征点-电动折弯机数控滚圆机滚弧机电动滚圆机滚弧机张家港数控滚弧机本文方法利用EＲT)算法即基于梯度提高学习的回归树方法进行人脸特征点定位。EＲT定位方法采用级联提高算法减小初始形状和真实形状的平方误差总和，用最小二乘法来最小化误差，得到每一级的级联回归因子。取N张标定好的人脸图像(I作为训练集，Ii表示第i张人脸图像，Si表示特征点形状向量，Si∈Ｒ2p，p为特征点数目，本算法中p为68。训练时每张图像的初始特征点形状Si∧(0)从训练样本中随机抽样初始化，更新步骤如下:S∧(t+1)=S∧(t)+rt(I，S∧(t))(1)rt为t级的回归器，输入参数为图像I的真实形状和上一级回归器预测后的形状S∧(t)，S∧(t+1)为t级的回归器更新后的图像特征点向量。为了便于后续算法描述，这里给出如图2所示的定位后人脸特征点的位置编号。图2人脸特征点位置编号示意图基于人脸特征点-电动折弯机数控滚圆机滚弧机电动滚圆机滚弧机张家港数控滚弧机本文由公司网站全自动滚圆机网站采集转载中国知网整理!    http://www.gunyuanji168.com/