1.一种基于红外眼态识别的疲劳驾驶预警系统，包括：视频获取模块，用以采集驾驶员的头部视频图像；其特征在于：所述疲劳驾驶预警系统还包括：

眼睛初始定位模块，用以对头部视频图像采用背景差分技术处理，进行眼睛初始定位；

眼睛跟踪预测模块，用以采用kalman滤波器进行眼睛位置跟踪预测；

眼睛精确定位模块，用以采用融合红外图像空间纹理的改进Mean-Shift算法实现眼睛最终位置的精确定位，得到眼睛区域；

眼睛状态识别模块，用以在获取眼睛区域后，对眼睛区域进行二值化或边缘检测，获得眼睛的长宽信息；

疲劳状态计算模块，用以根据当前检测时间段的眼睛状态，依照PERCLOS的P80标准进行眼睛疲劳状态判断；

疲劳驾驶预警模块，用以当疲劳状态计算模块判定当前状态为疲劳状态，发出告警指令。

2.如权利要求1所述的基于红外眼态识别的疲劳驾驶预警系统，其特征在于：所述眼睛精确定位模块包括目标模型建立单元、候选目标模型建立单元和相似性度量单元，其中，

目标模型建立单元，用以在初始视频图象的眼睛目标窗口中，假设目标图像{xi*}，i＝1，2，…n由n个点构成，每个点的灰度为m级，m在此取32，图像中心点的坐标为y，得到联合32级灰度、16级梯度幅值和16级梯度方向共64级匹配信息分量的加权直方图为：

$q_b=\left\{\begin{array}{c}C\underset{i=1}{\overset{n}{\Sigma }}k\left({\left|\right|\frac{y-x_i^{*}}{h}\left|\right|}^2\right)\delta [B\left(x_i^{*}\right)-b],b=0...31\\ C\underset{i=1}{\overset{n}{\Sigma }}k\left({\left|\right|\frac{y-x_i^{*}}{h}\left|\right|}^2\right)\delta [\mathrm{Mag}\left(x_i^{*}\right)-{\mathrm{Mag}}^{\prime }],M{\mathrm{ag}}^{\prime }=0...15\\ C\underset{i=1}{\overset{n}{\Sigma }}k\left({\left|\right|\frac{y-x_i^{*}}{h}\left|\right|}^2\right)\delta [\theta \left(x_i^{*}\right)-{\theta }^{\prime }],{\theta }^{\prime }=0...15\end{array}\right.---\left(1\right)$其中，qb是目标图像模型灰度分量b的值，集合{qb}b＝1，2，...m表示目标模型，B(xi*)是xi处像素的量化值，h是核函数k(||x||)的窗宽，常数C由约束条件得到；图像各点梯度幅值和梯度方向分别定义为：

${\mathrm{Mag}}_{(i,j)}=\sqrt{{(\partial f/\partial x)}^2+{(\partial f/\partial y)}^2}*\frac{M}{{\mathrm{Max}}_{\partial }}$

其中，和分别是在当前像素点处沿x和y方向的梯度，表示向上取整运算，M表示梯度等级，在此等于16，表示梯度的最大值，梯度方向角间距Δθ等于π/8；

侯选目标模型建立模块，用以由kalman在当前帧图像的眼睛预测点为y0，{xi}i＝1，2，...，nh为候选目标模型图像区域各个像素位置归一化后的集合，该图像区域的中心位置为y，则候选目标模型的改进混合核函数直方图表示为：

$p_b=\left\{\begin{array}{c}C\underset{i=1}{\overset{n}{\Sigma }}k\left({\left|\right|\frac{y-x_i}{h}\left|\right|}^2\right)\delta [B\left(x_i^{*}\right)-b],b=0...31\\ C\underset{i=1}{\overset{n}{\Sigma }}k\left({\left|\right|\frac{y-x_i}{h}\left|\right|}^2\right)\delta [\mathrm{Mag}\left(x_i^{*}\right)-{\mathrm{Mag}}^{\prime }],M{\mathrm{ag}}^{\prime }=0...15\\ C\underset{i=1}{\overset{n}{\Sigma }}k\left({\left|\right|\frac{y-x_i}{h}\left|\right|}^2\right)\delta [\theta \left(x_i^{*}\right)-{\theta }^{\prime }],{\theta }^{\prime }=0...15\end{array}\right.---\left(2\right)$其中，pb是候选目标图像灰度分量b的值，集合{pb}b＝1，2，...m表示候选目标模型，Ch是归一化参数，且不依赖于y，给定核函数以及核函数窗宽h后，Ch的值被事先计算出来；

相似性度量单元，用以设定目标模型和候选模型的相似性程度采用如下距离度量：

$d\left(y\right)=\sqrt{1-\rho [\hat{p}\left(y\right),\hat{q}}---\left(3\right)$其中

$\hat{\rho }\left(y\right)=\rho [\hat{p}\left(y\right),\hat{q}]=\underset{b=1}{\overset{m}{\Sigma }}{\hat{p}}_b\left(y\right){\hat{q}}_b---\left(4\right)$称为Bhattacharyya系数，它代表两个m维向量和夹角的余弦；

求(4)式的最大值，对(4)利用泰勒级数在处展开有：

$\rho [\hat{p}\left(y\right),\hat{q}]\approx \frac{1}{2}\underset{b=1}{\overset{m}{\Sigma }}\sqrt{\hat{p}\left({\hat{y}}_0\right){\hat{q}}_b}+\frac{1}{2}\underset{b=1}{\overset{m}{\Sigma }}{\hat{p}}_b\left(y\right)\sqrt{\frac{{\hat{q}}_b}{{\hat{p}}_b\left({\hat{y}}_0\right)}}---\left(5\right)$把(2)代入(5)有：

$\rho [\hat{p}\left(y\right),\hat{q}]\approx \frac{1}{2}\underset{b=1}{\overset{m}{\Sigma }}\sqrt{\hat{p}\left({\hat{y}}_0\right){\hat{q}}_b}+\frac{C_h}{2}\underset{i=1}{\overset{m}{\Sigma }}{w}_{i}k\left({\left|\right|\frac{y-x_i}{h}\left|\right|}^2\right)---\left(6\right)$其中

$w_i=\underset{b=1}{\overset{m}{\Sigma }}\sqrt{\frac{{\hat{q}}_b}{\hat{p}\left({\hat{y}}_0\right)}}\delta [B\left(x_i\right)-b]---\left(7\right)$在匹配过程中，核函数中心从当前帧初始位置处利用下式不断移动到新的位置处：

${\hat{y}}_1=\frac{\underset{i=1}{\overset{\mathrm{nh}}{\Sigma }}{x}_i{w}_{i}g\left({\left|\right|\frac{\widehat{y_0-x_i}}{h}\left|\right|}^3\right)}{\underset{i=1}{\overset{\mathrm{nh}}{\Sigma }}{w}_{i}g\left({\left|\right|\frac{\widehat{y_0-x_i}}{h}\left|\right|}^2\right)}---\left(8\right)$其中，g(x)＝-k′(x)并假设k(x)的一阶导数在区间x∈[0，∞)上除少数有限点外均存在；

在当前帧图像kalman预测范围内采用(8)不断迭代，当前后两次的更新值小于预定阈值时，判定找到眼睛精确位置。