یکی از عوامل مهم در بسیاری از تصادفات، خستگی وکاهش سطح هشیاری راننده است. از این رو در این پروژه روشی مبتنی بر تشخیص باز یا بسته بودن چشم با استفاده از پردازش تصویر پیشنهاد شده است تا با پیاده¬سازی این روش بتوان از وقوع این نوع تصادفات جلوگیری کرد. در این پروژه دو الگوریتم برای تشخیص باز یا بسته بودن چشم پیشنهاد شده است. هریک از این الگوریتم¬ها از سه مرحله تعیین ناحیه چهره، تعیین موقعیت چشم و تشخیص حالت آن تشکیل شده است. دو مرحله اول در دو الگوریتم پیشنهادی یکسان عمل می¬کنند که در این مراحل از روش مبتنی بر ویژگی هار برای تعیین ناحیه¬ی چهره، نگاشت رنگ و روشنایی برای استخراج نواحی کاندیدای چشم و روابط هندسی ساده برای تأیید نهایی ناحیه¬ی چشم استفاده شده است. در الگوریتم اول برای تشخیص حالت چشم ویژگی¬های بافت استخراج شده از هیستوگرام الگوی باینری محلی (lbp) و الگوی باینری محلی میانگین (mlbp) در نواحی چشم، به طبقه¬بندی¬کننده svm اعمال می¬شوند. در نهایت، در صورت عدم تأیید حالت چشم مبتنی بر دو ویژگی lbp و mlbp، ایده میزان نمایان بودن سفیده¬ی چشم برای تصمیم گیری نهایی بکار رفته است. گرچه در این روش از دو طبقه¬بندی¬کننده استفاده می¬شود ولی این الگوریتم از دقت تشخیص بالایی برخوردار است و در مواردی که هدف، بالا بودن دقت تشخیص باشد این الگوریتم پیشنهاد می-شود. قابل ذکر است که الگوریتم پیشنهادی در پایگاه داده موجود هیچ چشم بسته¬ای را به اشتباه باز تشخیص نداده است و این در کاربرد موردنظر که تشخیص خواب¬آلودگی راننده است می¬تواند ارزشمند باشد. در الگوریتم دوم که به منظور کاهش هزینه محاسباتی پیشنهاد شده است، از توصیف کننده ویژگی پیشنهادی به نام الگوی محلی ماکزیمم مشتق عمودی (lmvdp) و طبقه¬بندی¬کننده¬ی svm برای تعیین حالت چشم استفاده می¬شود. این توصیف کننده، اطلاعات مکانی و شدت روشنایی لبه¬های افقی در تصویر چشم را در اختیار طبقه¬بندی-کننده قرار می¬دهد و از این رو برای مشخص و جداسازی چشم باز و بسته مناسب می¬باشد. پایگاه داده مورد استفاده در این پروژه بدلیل در دسترس نبودن پایگاه داده استاندارد، با همکاری دانشجویان دانشگاه تفرش تهیه شده است. دقت تشخیص الگوریتم پیشنهادی اول بر روی 894 تصویر چشم 1/99% و دقت تشخیص الگوریتم پیشنهادی دوم 2/98% می¬باشد که نسبت به الگوریتم¬های مشابه از عملکرد بهتری برخوردار هستند.