摘要：随着中国经济实力的不断提升，人们的工作条件和日常生活水准也在不断地上升。国家的汽车保有量也在逐渐地增加，但交通事故也在增加。在许多车祸中，疲劳驾驶已成为关键原因。在美国，有57％的致命卡车事故是由驾驶员疲劳引起的。此外，根据调查，超过40％的重大事故是由疲劳驾驶引起的。疲劳驾驶是造成交通重大事故的三大原因之一。这促使每个人开始思考如何进行疲劳测试以减少交通事故的发生。

文章明确提出了一种基于SVM（Support Vector Machine，SVM）算法的驾驶员疲劳检测方法。SVM算法是一种基于统计分析学习理论的深度学习方法，这在1990年代中期和后期开始发展起来。它是一种理论上的线性支持向量机，可基于监督学习对数据信息进行分类。管理决策的边界是找到学习和训练模板的较大边缘超平面。它具有很强的泛化能力，不会陷入最小值，并且具有很强的求解离散系统的能力，因此它已成为系统识别中最常用的科学研究专用工具之一。

关键词：疲劳驾驶检测；支持向量机；分类

目  录

摘  要

ABSTRACT

第一章 绪  论-1

1.1 研究背景-1

1.2 国内外研究现状-2

1.3 处理数据的几种方法及本课题所用的算法-3

1.4 研究内容-4

1.5 论文组织-4

1.6 本章小结-5

第二章 支持向量机的概述-6

2.1 支持向量机的介绍-6

2.2 支持向量机的分类-7

2.3 支持向量机的优点-7

2.4 支持向量机的算法-7

2.5 本章小结-8

第三章 疲劳驾驶检测系统的构建-10

3.1 疲劳检测系统的流程图-10

3.2 驾驶员驾驶状态参数-11

3.3 疲劳检测系统运行环境的概述-11

3.4 支持向量机模型-12

3.5 本章小结-14

第四章 疲劳驾驶检测系统的代码部分-15

4.1 系统代码的每段功能-15

4.2 本章小结-16

第五章 疲劳驾驶检测系统的测试--17

5.1 搭建疲劳驾驶检测系统的主要代码-17

5.2  构建的检测系统的预测结果-18

5.3 本章小结-19

第六章 总结与展望-20

参考文献-22

致 谢-24