研究旨在通过理论和实践相结合的方式，以眼睑闭合持续时间百分比，即PERCLOS算法为核心，收集包括眼睛、嘴部和头部在内的多个部位的疲劳信息，深入探讨驾驶人在驾驶过程中的身体状态，从而构建出一种检测疲劳的新途径。为了检测图像中的人脸位置，这里使用DLIB库提供的人脸68个关键点DAT模型进行分析。然后提取驾驶人面部的68个特征点和坐标，再利用特征点中储存的信息进行眼部张合程度比(EAR)、眼睑闭合持续时间百分比、嘴部张合程度比(MAR)和俯仰角(PITCH)的运算，按照所设条件阈值，对驾驶人的疲劳状态进行评判。该方法能在车辆行驶过程中，无直接接触的情况下，实时地对驾驶人所处的疲劳状态进行准确检测与提示。

现实中基于图像处理的疲劳驾驶监测往往因环境的变化而具有不确定性。监测算法不规范,以致于疲劳驾驶监测任务很具有挑战性。为了解决此问题,提出了一种基于多算法融合的动态滑动窗口算法框架。首先利用Adaboost算法识别人眼,然后改进Otsu算法来自适应各种不同环境;进而提出动态滑动窗口算法来得到睁闭眼之间的最佳阈值;最终,利用改进的PERCLOS算法估计疲劳驾驶状态的不同级别。针对环境的变化采用睁闭眼判断窗口随人眼特征变化而更新的策略,系统使用摄像头实时捕获人眼图像,并在PC机上进行仿真测试,可在130~150ms之间实现不同疲劳状态的识别。实验结果表明,此算法框架能够有效、快速的分辨驾驶员不同的疲劳状态。