1.一种基于人体多类特征的驾驶疲劳监测方法，其特征在于，它包括驾驶员脑电信号监测和驾驶员头部姿态监测步骤：

1)驾驶员脑电信号监测：

(a)使用脑电采集设备采集驾驶员导联的脑电信号；

(b)对采集到的脑电信号进行预处理，得到预处理后的脑电信号；

(c)对与处理后的脑电信号进行小波包分解，提取对应波段的脑电信号；

(d)计算对应波段脑电信号的熵值，构建脑电信号对应波段熵值矩阵；

(e)对熵值矩阵进行降维分析，提取表征驾驶疲劳的脑电信号指标；

2)驾驶员头部姿态监测：

(f)定位驾驶员脸部区域；

(j)分离驾驶员脸部器官特征；

(g)提取驾驶员脸部器官特征；

(h)计算驾驶员头部异常率和点头率。

2.根据权利要求1所述的一种基于人体多类特征的驾驶疲劳监测方法，其特征在于，所述步骤1)的(a)、(b)和(c)，选取AF3和AF4两导联信号，经过预处理后，提取β波频段，即12～

32Hz。

3.根据权利要求1所述的一种基于人体多类特征的驾驶疲劳监测方法，其特征在于，所述步骤1)的(d)，计算β波频段脑电信号熵值，构建脑电信号熵值矩阵：分别计算AF3导联β波频段的近似熵A1、样本熵B1；分别计算AF4导联β波频段的近似熵A2、样本熵B2；构建熵值矩阵S＝[A1，B1，A2，B2]。

4.根据权利要求1所述的一种基于人体多类特征的驾驶疲劳监测方法，其特征在于，所述步骤1)的(e)，对熵值矩阵S进行降维分析，提取表征驾驶疲劳特征指标的过程为：对由AF3和AF4导联近似熵和样本熵组成的熵值矩阵S进行因子分析，通过主成分分析，提取特征值大于1的主元，对因子载荷矩阵进行旋转，得出旋转后的因子载荷矩阵，求出因子得分表达式，得到脑电信号中表征驾驶疲劳的主要指标。

5.根据权利要求1所述的一种基于人体多类特征的驾驶疲劳监测方法，其特征在于，所述步骤2)的(f)，定位驾驶员脸部区域的过程为：对红外面扫描温度传感器获取的驾驶员脸部图像进行灰度变换，然后对灰度图像进行二值化，最后定位出驾驶员脸部区域。

6.根据权利要求1所述的一种基于人体多类特征的驾驶疲劳监测方法，其特征在于，所述步骤2)的(j)，分离驾驶员脸部器官特征的过程为：对驾驶员的脸部区域图像进行两次区域生长，在两次分割的基础上进行二值化，分离出驾驶员脸部器官特征。

7.根据权利要求1所述的一种基于人体多类特征的驾驶疲劳监测方法，其特征在于，所述步骤2)的(g)，提取驾驶员脸部器官特征为：对二值化图像的基础上进行Harris角点检测，提取出驾驶员脸部器官特征。

8.根据权利要求1所述的一种基于人体多类特征的驾驶疲劳监测方法，其特征在于，所述步骤2)的(h)，计算驾驶员头部异常率和点头率的过程为：分别计算驾驶员左右眉毛特征点的平均值，以左眉毛特征点平均值为基准点，以红外温度传感器扫描区域水平中心线和垂直中心线为坐标轴建立x-y坐标系，计算基准点与红外温度传感器扫描区域x轴线的距离l，驾驶员清醒时基准点与红外温度传感器扫描区域x轴线的距离记为l1，当距离l小于0.44l1时，认为进行了一次点头，点头率fnod为：其中，Nnod为T时间内发生头动作次数，fnod为点头率；

分别计算驾驶员左右眉毛特征点平均值与y轴之间的距离，分别记为vl、vr，左特征点与y轴之间的距离为负值，右特征点与y轴之间的距离为正值，驾驶员清醒时左右眉毛特征点平均值与y轴之间的距离，分别记为vl1、vr1，当vl小于2vl1或vr大于2vr1时，认为驾驶员头部处于异常状态；以驾驶员左右眉毛特征点平均值连接线的中垂线为基准线，当基准线与y轴之间的夹角小于-8.18°或者大于7.26°时，判定驾驶员头部处于异常状态。头部异常率fab为：

其中，Nab为时间段T内监测出现异常状态的次数，fab为头部异常率。

9.根据权利要求1所述的一种基于人体多类特征的驾驶疲劳监测方法，其特征在于，利用Pearson相关分析分别计算脑电信号驾驶疲劳监测指标、点头率fnod和头部异常率fab之间的相关性，若表现出较强的相关性，说明这三种指标均受干扰影响较小，能够作为驾驶疲劳判别的指标，达到多类特征的驾驶疲劳监测。