1．目的及意义
近年来由于车辆的普及，交通事故频发，造成严重的人员伤亡和财产损失。下面表述了从2014年到2016年的交通事故及其财产损失。2014年交通事故196812次，死亡人数58523人，受伤人数211882人，直接经济损失107543万元。2015年交通事故187781次，死亡人数58022人，受伤人数199880人，直接经济损失103692万元。2016年交通事故212846次，死亡人数63093人，受伤人数226430人，直接经济损失120760万元。而疲劳驾驶已经成为了造成严重交通事故的第二大因素，并不亚于酒后驾车，因此对驾驶员疲劳状态的实时检测对于减少交通事故、人员伤亡和经济损失有着重要的现实意义。
{title}

2. 研究的基本内容与方案

{title}

通过阅读文献，目前暂定有两种设计方案可供使用，一种是采用邻近算法（KNN），另外一种是采用卷积神经网络（CNN）进行分类器的训练，下面对两种方法进行简单介绍。
邻近算法（KNN）
如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别，其中K通常是不大于20的整数。
卷积神经网络（CNN）
卷积神经网络主要分为数据输入层、卷积计算层、激励层、池化层、全连接层。
卷积神经网络的计算量大但准确度高。
图像预处理
1.预计采用将图像灰度化，采用平均亮度最为像素点的灰度值
2.预计采用中值滤波或者均值滤波进行图像去噪
面部识别
1.采用几何分布规则对面部的眼睛、嘴巴等重要位置进行大致定位。
2.采用横纵轴比来确定眼睛和嘴巴的闭合状态

3. 参考文献

[1]孙超.基于人眼状态的疲劳驾驶检测技术的研究与实现[D].大连:大连理工大学,2014

[2]李锐,蔡兵,刘琳,等.基于模型的驾驶员眼睛状态识别[J].仪器仪表学报,2016,37(1):184-191

[3]秦武旻,朱长婕.虹膜快速检测与精准定位的算法研究[J].国外电子测量技术,2017,36(4):25-28

[4]邹昕彤,王世纲,赵文婷,等.基于眼睛与嘴部状态识别的疲劳驾驶检测[J].吉林大学学报(信息科学版),2017,35(2):204-211

[5]李都厚,刘群,袁伟,等.疲劳驾驶与交通事故的关系[J].交通运输工程学报,2010,10(2):104-109

[6]Singh A,Minsker B S,Bajcsy P.Image-Based Machine Learning for Reduction of User Fatigue in an Interactive Model Calibration System[J].Journal of Computing in Civil Engineering,2010,24(3):241-251

[7]Masrullizam Mat Ibrahim,John J.Soraghan,Lykourgos Petropoulakis,et al.Yawn Analysis with Mouth Occlusion Detection[J].Biomedical Signal Processing and Control,2015(18):360-369

[8]吴绍斌,李刚,王立安.基于脑电图的疲劳驾驶检测[J] .交通大学学报(自然科学版)。北京理工大学，2009,29(12):1072-1075

[9]陈文华,王志军,等.基于gps的移动设备图像识别技术研究[J].北京:清华大学学报(自然科学版)