基于視覺特性的駕駛安全眼動研究進展

摘要：駕駛人的視覺特性引起的人因隱患是引發交通事故的核心原因，其表現為駕駛人觀察不當、注意力不集中、動態視敏度較差，由視覺特性引起的駕駛疲勞和覺醒水平研究受到國內外學者的廣泛關注。縱觀近30年，駕駛疲勞檢測的方法大致分為車輛狀態檢測、駕駛員生理信號檢測、駕駛行為檢測以及駕駛員眼動特征檢測4種。前3種檢測方法條件要求苛刻、過程復雜，而且和駕駛人因中重要的視覺特性沒有直接關聯，所以成效不高且不易推廣使用。近十年來隨著視線跟蹤技術的發展，基于視覺特性的駕駛安全眼動研究以其準確性、可靠性和非接觸性成為檢測駕駛疲勞的首選。文章就眼動技術在駕駛安全研究中的應用進行了廣泛的調查與分析，總結了有關駕駛疲勞的檢測方法及其優缺點，并將其與基于視覺的眼動技術進行了對比分析；提煉了眼動態特征、靜態特征和眼動視線特征等3大類5種指標對于駕駛安全的檢測方法；同時指出了目前基于視覺特性的駕駛安全眼動研究中存在的一些問題，并對未來的發展方向進行了展望，以期對進行交通工程，人因研究和視覺特性研究的科研工作提供參考。

關鍵詞：視覺特征；覺醒水平；駕駛疲勞；眼動特征；綜述

中圖分類號：TP 391.4文獻標識碼：A文章編號：1672-7312（2018）01-0050-10

Abstract：The danger caused by the driver’s visual behavior is the core cause of the traffic accident， which is characterized by improper observation by the driver， inattention and poor dynamic visual acuity. The researches of driving fatigue and awakening level caused by visual characteristics have been widely concerned. In the past 30 years， the methods to detect the driving fatigue are classified into four categories： vehicle condition detection， physiological signal detection， driving behavior detection and eye movement characteristic detection. The first three methods are demanding and complicated， and they are not directly related to the important visual characteristics of drivers， so they are not efficient and hard to popularize. In the last decade， with the development of eye tracking technology， the study of driving safety based on the visual characteristics has become the top choice to detect driving fatigue in light of its accuracy， reliability and noncontact. We concluded the advantages and disadvantages of eye movement technology in driving safety researches and concluded three categories （dynamic visual characteristics， static visual characteristics and eye movement） of visual characteristics used to monitor the driving safety. Furthermore， we also outline some potential future development directions in eye tracking based driving safety systems. This review provides a wide range of references for the researches related to traffic engineering， human factors and visual characteristics.

Key words： visual characteristics；drivers alert level；driving fatigue；features of eye movement；review

0引言

道路交通事故已經成為當前世界各國面臨的嚴重社會問題，而駕駛人的視覺特性引起的人因隱患是引發道路交通事故的核心原因，其表現為駕駛人觀察不當、注意力不集中、動態視敏度較差。據統計，駕駛疲勞時發生交通事故或接近發生交通事故的風險是警覺駕駛時的4～6倍[1]。2014年美國汽車協會（AAA）交通安全基金會的一項調查表明：駕駛疲勞導致的交通事故占美國交通事故死亡事件的21%，每年約6 400人因此喪生[2]，而我國的疲勞駕駛狀況也不容樂觀。因此，由視覺特性引起的駕駛疲勞和覺醒水平研究受到國內外學者的廣泛關注，多種實時監測技術被研發應用于駕駛安全檢測中[3]。眼動追蹤技術是近年來興起的一種實時無干擾檢測技術，并在多種腦力疲勞檢測中得以應用[4]。本文就眼動追蹤技術在駕駛安全中的應用進行了調查與分析，并對未來的發展方向進行了展望。

本文結構如下：第一部分簡述駕駛疲勞及其檢測方法，第二部分介紹駕駛疲勞檢測的眼動特征，第三部分論述當前駕駛安全眼動研究現狀，第四部分對未來眼動追蹤技術在駕駛安全研究中的應用和發展進行總結。

1駕駛疲勞檢測方法目前研究中尚沒有駕駛疲勞的統一定義，但通常認為駕駛疲勞是由長時間駕駛任務導致的，以生理、心理機能下降或失調為內在表現，以對車輛的操控能力降低為外在表現的現象。因此，駕駛疲勞的檢測方法可分為2大類：一類是間接檢測方式，通過檢測車輛的狀態來反映駕駛員的疲勞狀態；另一類則直接通過檢測駕駛員狀態來反應其疲勞程度，具體又分為3種模式：①基于駕駛員的駕駛行為檢測；②基于駕駛員電生理信號檢測；③基于駕駛員眼動特征檢測。駕駛疲勞檢測方法的分類比較，見表1.

其中，基于車輛狀態的檢測方式，主要是通過檢測車輛轉向角、車速、離合等車輛狀態變化來間接反映駕駛員的疲勞狀態，此外也有研究采用車內溫度或二氧化碳濃度作為駕駛疲勞評價指標[5]。由于駕駛過程中車輛狀態易受到較多復雜因素的影響，其評價指標與駕駛疲勞的相關性還需要進一步進行驗證。此外，車輛狀態檢測裝置通常價格昂貴且結構復雜[6-7]，在實際應用中難以普及。

在直接檢測駕駛疲勞方法中，駕駛員的駕駛行為檢測最為直觀。駕駛員疲勞時往往伴隨著典型的行為特征，例如，點頭、打哈欠、嘴巴抽搐等。因此，基于駕駛行為的駕駛安全研究也受到一定的關注[8-10]。而采用電生理信號進行疲勞檢測則具有較高的說服力，其中以腦電信號的指標研究最為成熟，并且腦電信號與人的精神狀態間的關系相對明確[11]。一般認為，腦電中慢α波對人體腦力疲勞最為敏感，在不同覺醒狀態下慢α波的能量有顯著差別，因此可借助慢α波檢測駕駛員的疲勞狀態，該方法的有效性已得到實驗驗證

[12]。此外，有研究表明心率變異性（Heart Rate Variability，簡稱為HRV）、人體能量分布和腦電α紡錘波等都可以作為駕駛疲勞檢測的生理指標

[13-16]。隨著疲勞檢測技術的不斷發展，電生理信號指標也在不斷完善，但由于電生理信號采集通常需要額外的電極與被試者接觸，該檢測方式易妨礙駕駛員的正常操作。

在行車過程中，駕駛員70%左右的信息是通過眼睛獲取的，眼睛既是駕駛員獲取信息的輸入通道，同時也能反映駕駛員的精神生理狀況。因此，駕駛員的眼動特征可以反映其疲勞狀態。目前，眼動特征的檢測方法大致分為兩種：一是利用攝像頭記錄駕駛員行車數據并用相關算法進行處理，進而實現對駕駛員眼睛狀態的實時跟蹤[17]；二是利用眼動儀記錄人在處理視覺信息時的眼動軌跡特征

[18-19]。眼動儀是記錄眼動軌跡特征的設備，通過檢測并提取人眼注視點信息來達到記錄視覺運動過程的目的，被廣泛應用于注意、視知覺、閱讀等領域的研究。與上面提及的其他研究方法相比，基于眼動儀的駕駛疲勞檢測方法由于具有實時、非接觸、數據便于再加工、效率高等諸多特性，已經成為駕駛安全研究的熱門方法[20-21]。

2駕駛疲勞檢測的眼動特征

在駕駛疲勞檢測研究中，用非接觸式的方法獲取駕駛員的疲勞指標是目前研究的主要方向。研究表明，眼球轉動與眼瞼開合等眼動特征都與疲勞相關[22]，作為眼動特征指標的代表，瞳孔直徑、閉眼百分率和眨眼時間均值都可以用于評估駕駛疲勞程度。

2.1眼動態特征

2.1.1眨眼指標

眨眼是指從眼睛完全睜開到完全閉合再完全睜開的一種快速眼瞼開閉過程。人日常的眨眼會導致眼睛大約4%的時間獲取不到任何信息，處于“盲”的狀態。駕駛員在行車過程中會通過眨眼來緩解疲勞，提高視覺舒適性[23]，眨眼持續時間的長短反映了駕駛員行車時的視覺疲勞程度。駕駛員疲勞時眨眼速度變慢，眨眼持續時間變長。常用的眨眼指標有眨眼時間、眨眼頻率和眨眼時間均值。

眨眼時間指眼睛從完全睜開到再次完全睜開的時間，在沒有外界刺激的情況下，人每次眨眼時間為0.2～0.4 s，隨著疲勞程度的加深，駕駛員的眨眼時間逐漸增加[24]，并且在疲勞導致的駕駛事故發生前駕駛員的眨眼時間明顯增加[25]，圖1展示了事故發生前后單位時間內的平均眨眼數量和平均眨眼時間。但一些異常情況的存在也會導致眨眼時間的增加，使得利用眨眼時間變化來判斷駕駛疲勞程度的可靠性降低。因此，不能將一兩次檢測到駕駛員的眨眼時間達到了一定值（約為2～3 s）作為其處于疲勞狀態的依據，需要繼續研究連續幾次眨眼時間均達到或超過某個閾值才可以進行疲勞狀態判斷。眨眼頻率指單位時間內的眨眼次數，經過充分休息的正常眨眼頻率約為0.25～0.5次/s.駕駛員處于疲勞狀態時，眼睛的眨眼頻率會顯著增加[26]，但是隨著駕駛員疲勞程度加深眨眼頻率變化趨勢不明顯，呈現出一定的隨機性[27]。眨眼頻率與疲勞狀況有關，但是不能準確有效地反映疲勞程度，其與疲勞之間的關系有待進一步深入研究。此外，眨眼時間均值在評估駕駛疲勞方面比眨眼時間、眨眼頻率更為有效、可靠，眨眼時間均值在各種覺醒狀態下都最為穩定，并且具有跨人群的一致性；不論是哪一種人群，眨眼時間均值的變異系數均隨著清醒-臨界-疲勞這一過程的推進呈現出逐漸減小的趨勢，隨著疲勞程度的加深，眨眼時間均值越來越穩定[27]。

2.1.2閉眼指標閉眼百分率（PERCLOS，percentage of eyelid closure over the pupil over time）指眼睛閉合時間在某一特定時間內所占的比例，閉眼百分率是評估疲勞程度的一個顯著指標。卡內基梅隆大學最早開始閉眼百分率研究，1998年賓夕法尼亞大學智能交通實驗室和國家公路交通安全管理局研究了駕駛員疲勞狀況下腦電和眼睛的特征參數，認為閉眼百分率可以作為判斷駕駛員生理疲勞程度的測試指標，并可以準確反映駕駛員的疲勞程度[29]。之后有學者利用眼動跟蹤和定位系統進行了與之相關的駕駛員面部以及眼動特征研究，并用于駕駛安全研究[30]。

閉眼百分率有P70，P80和EM3種判定標準，分別表示瞳孔被眼瞼縱向遮住70%的時間比例、遮住80%的時間比例以及眼瞼均方閉合率。研究表明P80與疲勞程度間具有最好的相關性[29]，具體的計算方法如下：取駕駛員清醒狀態下前10次完整的眨眼周期，分別提取其眼瞼開度的最大值Emax和最小值Emin，并計算其眼瞼開度最大值的平均值

max

和最小值的平均值

min，則眼睛閉合時眼瞼開度的閾值

ET=0.2（max-min）.記駕駛員通過分析單元的時間為T，分析單元內眼瞼開度小于閾值的時間為t，則閉眼百分率PERCLOS=t/T×100%[31].

進一步研究表明，非疲勞狀態下駕駛員閉眼百分率閾值應低于15%，如果駕駛員的閉眼百分率大于15%，就可以判定其處于疲勞狀態[31]。

此外，有研究發現正常情況下駕駛員的眨眼時間在0.2～0.3 s之間，行車過程中如果駕駛員閉眼時間達到0.5 s以上就容易導致交通事故[32]，但該指標與駕駛疲勞的相關性需要進一步驗證。

2.2眼靜態特征

眼靜態特征主要指瞳孔特征。瞳孔指眼球虹膜中心的一個可收縮的圓孔，瞳孔大小可用瞳孔直徑來描述。瞳孔直徑與腦力疲勞的相關度較高，能靈敏地反映腦力疲勞的程度，是檢測腦力疲勞的有效指標，但易受情緒、照明和公路景觀復雜程度的影響[33]。

國外學者在利用瞳孔變化規律評估駕駛疲勞方面進行了深入地研究。研究人員用Mayo瞳孔測量系統獲取了瞳孔散縮變化特征，在對大量案例進行分析的基礎上發現了“疲勞波”現象[34]，即在疲勞狀態下，瞳孔直徑發生較大變化。在實驗條件下，測量清醒與疲勞時人的瞳孔直徑變化，其曲線如圖2所示。通過實驗還觀察到，當測試者處于疲勞狀態時，其瞳孔直徑會有低頻的大幅度波動，并且在波動之前，大部分測試者的瞳孔直徑迅速減小[35]，并且其瞳孔疲勞率（瞳孔直徑均值與瞳孔直徑標準差的比值）逐漸降低，而清醒時未表現出這種趨勢[36]。據此引入了瞳孔直徑變異系數這一指標去評估駕駛員的疲勞程度，瞳孔直徑變異系數指單元內瞳孔直徑標準差與瞳孔直徑平均值的比值，其計算公式為

Cv=σ/

，式中，Cv為瞳孔直徑變異系數；σ為瞳孔直徑的標準差；

為瞳孔直徑的平均值[31]。

瞳孔直徑變異系數反映了駕駛員瞳孔直徑的波動情況，隨著疲勞程度的加深瞳孔直徑變異系數逐漸增大[31]。駕駛員在進入中度疲勞之前，其瞳孔直徑變異系數有上升的趨勢，在進入重度疲勞之后，其變化幅度明顯增大，說明駕駛員在進入中度疲勞之前，其瞳孔直徑相對穩定，而重度疲勞和極度疲勞時，其瞳孔直徑波動的幅度較大。

用瞳孔直徑指標檢測駕駛員疲勞程度具有跨人群的一致性，瞳孔直徑大小在檢測駕駛疲勞時的有效性與靈敏性使其可以應用于駕駛安全的研究中，為駕駛員疲勞檢測標準的制定和工作負荷的量化提供可靠的依據，對避免交通事故的發生具有重要的實踐意義。

2.3眼動視線特征駕駛員的視線特征主要通過眼動行為來反映，包括注視、眼跳以及平滑追蹤等。

2.3.1注視相關指標注視是指人眼在觀看時，眼球會發生跳躍運動，而兩次跳躍之間會有一個相對靜止狀態，這種靜止狀態被稱為注視[37]，其主要指標包括：平均注視時間、注視點位置、注視方向等。通常駕駛員的注視時間占眼動總時間的70%以上，注視是駕駛員獲取路況信息的主要方式[38]。注視持續時間指的是從注視目標上提取信息、處理信息所花費的時間，它能反映駕駛員提取信息的難易程度，多采用平均注視時間作為駕駛疲勞的評價指標，隨著駕駛時間的增加，在有關位置的平均注視時間將延長[39]。注視點位置也是駕駛安全研究的指標。注視點分布在某個視線區域的密集與稀疏程度反映了駕駛員對于該區域關注程度的強弱，可以通過捕捉駕駛員的注視點位置來判斷其是否處于清醒狀態。實驗發現人疲勞時注視點整體下移，而處于昏睡狀態時注視點變化的模式將被破壞[40]。

有研究指出駕駛員連續2 s注視區域偏離正常道路前方，發生交通事故概率增加2倍[41]，

因此注視方向也可以作為駕駛安全的研究指標。處于疲勞狀態時，駕駛員視線方向長時間偏離正常道路前方的次數增加[42]。在檢測過程中，常將駕駛員的注視區域分為正常注視區域和非正常注視區域，利用正常注視區域內注視時間比例來反映駕駛員的注視方向是否正常。注視點位置的研究與注視方向的研究具有一致的相關性。在研究長時間空中交通管制模擬任務對眼動參數的影響時發現，隨著時間的延長漂移速度下降，微跳視速度下降，眼球的不穩定性增加[43]。漂移和微跳視是非常有價值的疲勞檢測指標，但目前以漂移和微跳視作為疲勞評價指標的研究還比較少。對漂移和微跳視的深入研究，可以了解疲勞導致眼睛不穩定性的機制，從而拓寬眼動指標在駕駛安全眼動研究上的應用。

2.3.2眼跳相關指標

眼跳是指眼球從當前注視點轉移到下一個注視點眼球快速運動的過程。眼跳的指標包括：眼跳平均速度、眼跳峰速度、眼跳持續時間、眼跳幅度等。眼跳平均速度是指單位時間內眼跳的距離（角度），其單位為（°）/s.通過研究駕駛員疲勞時眼動特征的變化，發現實際駕駛45 min后眼跳平均速度明顯下降，其變化曲線如圖3所示，眼跳平均速度的變化曲線反映了駕駛員從非疲勞狀態到疲勞狀態的變化[27]。另有研究發現在3 h和5 h部分睡眠剝奪后，執行模擬駕駛任務時受試者的眼跳平均速度均明顯下降，并且眼跳平均速度與事故發生率成反比[44]。這說明，眼跳平均速度對疲勞比較敏感，可以作為駕駛疲勞的評價指標，并在一定程度上反映疲勞的變化趨勢。

眼跳持續時間是指視覺搜索目標所花費的時間，眼跳持續時間與要處理信息的復雜度有很大關系。而眼跳幅度是指眼跳開始到眼跳結束所跨越的范圍，即視線在連續兩次注視點之間跳躍的范圍。眼跳幅度能準確反映駕駛員的注意深度，眼跳幅度大，表明上一次注視獲取了較多信息，并進行了深入全面的加工；眼跳幅度小，表示上一次注視獲取了較少的、有限的信息。眼跳幅度的大小能在一定程度上反映受試者的疲勞程度，隨著受試者疲勞程度的加深，眼跳幅度減小。相關研究表明，在駕駛疲勞檢測中，駕駛員的眼跳幅度與眼跳平均速度易受道路環境及道路類型的影響[45]。當道路環境簡單時，眼跳幅度與眼跳平均速度均較小，當道路交通環境復雜時，眼跳幅度與眼跳平均速度均較大。說明以眼跳幅度與眼跳平均速度為基礎的駕駛員疲勞狀態評判易受外界環境干擾，且干擾較大，容易造成誤判。

眼跳峰速度是指一個眼跳過程的速度最大值。眼跳持續時間、眼跳峰速度均隨眼跳幅度的增大而增大，但眼跳持續時間和眼跳峰速度二者相互獨立，沒有函數關系。有研究通過注視-眼跳任務發現2 h模擬駕駛后，眼跳持續時間增加，眼跳峰速度下降，并且眼跳峰速度對疲勞更為敏感[46]，24 h睡眠剝奪后，正向眼跳的眼跳幅度與視覺誘導眼跳任務的眼跳峰速度明顯下降[47-48]，40 h睡眠剝奪后正向眼跳、反向眼跳、記憶主導眼跳3類眼跳任務的眼跳峰速度均下降[49]。對眼跳峰速度的研究表明，眼跳峰速度是一個有效的腦力疲勞評價指標，對不同類型的腦力疲勞和眼跳任務都很敏感。但目前研究僅限于定性分析，沒有進行定量研究。同時，由于各種研究眼跳峰速度的分析方法差別很大，導致相關研究成果無法進行比較。

2.3.3平滑追蹤相關指標

平滑追蹤是指雙眼持續追蹤一個緩慢移動的目標，或頭部移動過程中眼睛始終盯住一個固定目標，使物體的圖像穩定地保持在中央凹區域的眼動現象[50]。眼睛能平滑地追蹤速度為

1°/s～300°/s的目標，當目標移動過快時，則通過眼跳進行追蹤。平滑追蹤相關指標主要有相移和速度增量。相移是指眼睛運動領先或落后于目標運動的角度，代表了平滑追蹤的準確性。速度增量則是平滑追蹤眼動峰速度與目標移動峰速度的比值。有研究發現24 h睡眠剝奪后相移和速度增量均下降，隨著睡眠剝奪時間的延長，速度增量繼續下降，但相移不再變化[51-52]。由此可見，相移對睡眠剝奪誘發的腦力疲勞不敏感，而速度增量對睡眠剝奪敏感，速度增量可以作為駕駛疲勞的評價指標。

綜上所述，不同的眼動特征指標對駕駛疲勞的敏感度不同，總的來說，眼跳峰速度、眨眼時間均值、瞳孔直徑、閉眼百分率對駕駛疲勞較為敏感。雖然上述單個眼動評價指標都能在一定程度上反映駕駛疲勞的狀態，但單一指標容易受到光線、情緒、個人習慣等因素影響，因而對評估駕駛疲勞的貢獻有限。僅使用單一指標和主觀疲勞感進行疲勞評估的正確率僅有70%，而多指標綜合評估的正確率可以達到95%[53]。因此，在研究中通常選用多個眼動指標綜合評估駕駛疲勞程度，盡量避免由單指標引起的誤判。

3當前駕駛安全眼動研究現狀

3.1眼動檢測駕駛疲勞的相關研究

可以使用眼標準化模板中瞳孔大小、平均幅度及寬高比來評估駕駛員的眼睛狀態，可以將眼睛狀態分成完全睜開、半睜開、閉合3種類型。通過分析駕駛數據，發現如果駕駛員閉眼時間達到4個連續幀，可判斷此時駕駛員已處于昏睡狀態；如果駕駛員眼睛半連續開啟和關閉時間超過8幀能證明駕駛員處于疲勞狀態。這一研究的平均準確率達到了91.16%[54]。

瞳孔距離、瞳孔角度及打哈欠等指標的綜合應用也可用于研究駕駛員疲勞程度。有研究通過將眼睛和嘴巴的寬高比作為一個訓練特征傳遞給分類向量機，從而搭建一個疲勞監測系統。該監測系統以每分鐘15次的速度從系統中提取尺寸為400×320的圖像傳遞給訓練好的向量機，以獲得駕駛員實時疲勞水平，其平均準確率達到了92%[55]。

頭戴式眼動儀技術的完善與成熟也促進了眼動檢測駕駛疲勞研究的發展。圖4展示了頭戴式眼動儀結構示意圖，其中圖4（a）為典型的單眼型頭戴式眼動儀

的結構圖，通常配有傳統紅外模塊對場景進行識別。圖4（b）則為一款新型的頭戴式眼動儀

的示意圖，其通過對雙眼視軸建模，輸出空間眼動視線位置，而前置的場景相機和未來的視覺SLAM技術結合可以對場景直接建模，可用于進行增強現實環境下的駕駛安全眼動特征分析研究。

頭戴式眼動儀記錄數據的PERCLOS計算方法是將凝視、眼跳視為睜眼，而眨眼、眼睛緩慢閉合以及長時間閉合則視為閉眼，因此，在指定時間間隔內PERCLOS可由眨眼時間間隔、眼睛緩慢閉合時間以及眼睛長時間閉合時間所占的百分比確定[56]。

采用頭戴式眼動儀的優點是可穿戴、準確可靠并可記錄許多眼動參數，缺點是攝像頭密封性不足且價格昂貴。由于紅外線的優點，頭戴式眼動儀可以在不同光照條件下被很好地使用，與眼電信號評估疲勞結果對比發現利用頭戴式眼動儀在評估駕駛疲勞時的均方誤差和相關系數均在可接受范圍內。當眾多汽車制造商仍關注于駕駛員駕駛行為檢測的基礎技術時，哈曼國際已經開始關注駕駛疲勞檢測的瞳孔指標，并發布了用于疲勞檢測系統的眼動儀[57]。鑒于駕駛疲勞與眼動特征之間存在復雜的非線性關系，也有學者引入機器學習的方法評估駕駛疲勞，如使用支持向量機建立駕駛疲勞檢測模型

[58]。

總之，國內外關于駕駛安全的眼動研究取得了豐碩的成果，并成功研制出了若干駕駛疲勞檢測裝置

[59-61]。表3列出了目前眼動檢測駕駛疲勞研究的一些典型方法及其判別準確率。

3.2眼動技術檢測駕駛疲勞所面臨的問題

駕駛疲勞檢測的研究雖然取得了巨大的成功，并研發了車載、非接觸、實時的駕駛疲勞檢測裝置，但仍然存在著一些問題。

其一，大多數研究評價指標單一。已有的駕駛疲勞檢測研究大多基于單一的評價指標，而實際道路的行車環境不同，駕駛員之間個體差異較大，致使基于駕駛員單一特征指標的疲勞評估可靠性差，無法在實際中推廣應用。有學者在對眨眼頻率等疲勞指標的研究中發現，有10%～40%駕駛員的部分指標甚至表現出與總體相反的趨勢。

其二，研究理論上存在一些概念誤區。由于國內對眼動檢測技術的研究起步較晚，研究過程中存在一定的概念誤區。如，基于駕駛員視覺與基于機器視覺的駕駛疲勞檢測，這二者是不同的，但有些文獻中將二者統稱為基于駕駛員視覺特性的疲勞檢測[62]。機器視覺指用機器代替人眼來做測量和判斷，基于機器視覺的駕駛疲勞檢測指的是通過對駕駛員頭部或面部特征圖像的數字圖像處理來實現的檢測，而基于駕駛員視覺的駕駛疲勞檢測則專指駕駛員眼動追蹤的疲勞檢測。

其三，實驗數據與實際行車數據間存在一定的偏差。研究中常選取一定數量實驗對象并加以疲勞刺激開展相關研究，分析被試者疲勞前后生理指標與疲勞的關系，以及疲勞前后操作能力的差異，而這種試驗方法會受到被試者主觀意識的影響。另外，現有研究多在靜態駕駛模擬器下進行，而實際行車環境中光線、天氣、駕駛員自身抖動以及車輛顛簸等都會影響測得數據質量。這些都增加了眼動特征檢測和分析的難度，其準確性不及室內實驗。因此，需要考慮復雜多變的外部環境，針對室外駕駛活動的特點開發實時眼動檢測指標系統。

除了以上問題之外，駕駛安全相關的疲勞檢測研究還存在其他一些問題。一是目前研究的疲勞特征指標多基于腦力疲勞，體力疲勞對駕駛疲勞影響的研究較少。二是眼動特征檢測研究中使用的眼動儀，其最初被用于心理學研究，觀測參數較多，需要在這些參數中發現疲勞相關參數，去除疲勞無關參數[63]。三是國內關于疲勞等級的劃分通常過于簡略，一般只分為疲勞和清醒2級；國外部分研究雖然采用了9級KSS （Karolinska Sleepiness Scale）主觀疲勞等級[64]，但以詢問方式獲取的駕駛員KSS疲勞等級與真實情況間可能存在一定的偏差，缺乏其他數據的校核。

綜合已有研究可知，目前國內外達到實用程度的非接觸式駕駛疲勞檢測裝置仍非常少，僅有的一些駕駛疲勞檢測系統在營運性客貨車以及小轎車上的應用也未得到廣泛普及。總之，雖然目前利用眼動特征評估駕駛疲勞的研究很多，但是存在一些問題。已有研究中：①對駕駛疲勞的特征（包括生理特征、眼動特征等）研究多為定性分析，缺少量化標準；②多數研究為模擬駕駛任務，真實實驗場景較少；③多數研究基于單一特征指標，容易造成誤判，可靠性差；④各研究提取的眼動指標不同，導致得出的結果缺乏對比性，甚至對于同一指標，不同的研究者得出截然不同的結論。為駕駛疲勞的檢測制定公認、系統和全面的量化標準是未來努力的方向。

3.3駕駛疲勞檢測研究的新方向隨著駕駛疲勞檢測研究的不斷發展，誕生了一些新的研究方向，如，探查適合長時間工作的最佳光照強度；考察不同對比度極性、顏色組合、主觀偏好以及主觀疲勞感對駕駛疲勞的影響；檢測駕駛員不同行車環境下的疲勞指數構建有利于駕駛員行駛的外部環境等。有研究表明，在電子線性文本中，黃底黑字、綠底黑字和黑底綠字的顏色組合引起的視覺疲勞顯著少于其它顏色組合，正極性文本引起的視覺疲勞顯著高于負極性文本[65]，這對于交通指示牌設計有著指導意義。此外，公路路側景觀色彩為適宜的綠色時可以起到鎮靜，消除神經緊張，緩解視覺疲勞的作用，某種意義上能夠降低駕駛員的認知難度；而棕土黃暖色調景觀使駕駛員視覺認知變的復雜，不利于駕駛安全[66]。在單調環境下，如在高速公路上的駕駛，駕駛任務單調、需求刺激少以及危險信號出現的不確定性會降低駕駛人的警覺性，不能及時發現出現的危險信號并作出反應，使得事故發生的可能性增加

[67]。而改變公路景觀視覺刺激物的復雜程度，可以引起駕駛員的注意，但是連續復雜的視覺刺激將使人感到壓抑，信息太少或過于簡單又會使人感到厭煩。從保證駕駛安全的角度考慮，應該采取相應措施以優化駕駛環境。路側景觀設計應適當增加對駕駛員的視覺刺激，設計出既滿足交通功能又舒適、優美、和諧的公路景觀環境，從而提高行車安全[68]。

同時，無粘貼電極技術的興起，也給駕駛員生理信號非接觸式的準確測試帶來了希望，以此為基礎的駕駛疲勞檢測研究成為一個新的研究熱點[69]。可以預見，結合駕駛員眼動特征、生理信號、駕駛行為以及車輛狀態等多個指標進行多源信息融合，同時結合BP神經網絡、支持向量機分類等機器學習技術進行駕駛疲勞評判，并進一步提高非接觸式疲勞評估系統在實際道路環境中的可靠性和魯棒性將是未來駕駛疲勞檢測的長期研究方向。

4結語本文就眼動特征技術在駕駛安全中的應用進行了調查與分析，簡述了駕駛疲勞及其檢測方法，重點介紹了駕駛疲勞檢測的眼動特征評價指標，論述了當前駕駛安全眼動研究的現狀。上述研究多通過整理分析視頻、圖像數據或直接利用眼動儀獲取眼動參數，歸納總結得出疲勞狀態下各種眼動特征的確定性閾值或區間，并以此為依據進行駕駛疲勞檢測和評估。采用眼動特征評估駕駛安全具有可行性，相關研究也隨著眼動追蹤設備性能的完善而日趨廣泛和深入，但當前基于眼動跟蹤技術的駕駛安全研究技術上仍不夠成熟。雖然相關研究結果有一定的參考作用，但人的眼動行為，本質上具有隨機性及模糊性，確定性的劃分方法顯然無法對其進行準確描述，由此而實現的駕駛安全研究的準確性難以保障，它需要更多的研究去得到一個統一的標準來進行判斷。總之，眼動跟蹤技術在駕駛安全方面的研究具有很高價值，但是為了實現更高層次的成熟度和實用性仍需要更多的深入的研究和分析。

參考文獻：

[1]Klauer S G，Dingus T A，Neale T V，et al.T

he impact of driver inattention on nearcrash/crash risk：An analysis using the 100car naturalistic driving study data[J].U.S.Department of Transportation Washington D.c，2006.

[2]Tefft B C.Prevalence of motor vehicle crashes involving drowsy drivers，United States，1999—2008[J].Accident； analysis and prevention，2012，45（45）：180-187.

[3]Sigari M H，Pourshahabi M R，Soryani M，et al.A Review on driver face monitoring systems for fatigue and distraction detection[J].International Journal of Advanced Science and Technology，2014，64（5）：73-100.

[4]Horng W B，Chen C Y，Chang Y，et al.Driver fatigue detection based on eye tracking and dynamk，template matching[J].Proceedings of the Second Workshop on the Atmospheric Chemistry Validation of Envisat.editor D.danesy，2004（1）：7-12.

[5]Galatsis K，Wlodarski W，Li Y X，et al.Vehicle cabin air quality monitor using gas sensors for improved safety[C]//Optoelectronic and Microelectronic Materials and Devices，2000.COMMAD 2000.Proceedings Conference on IEEE，2002：65-68.

[6]Forsman P M，Vila B J，Short R A，et al.Efficient driver drowsiness detection at moderate levels of drowsiness[J].Accident Analysis and Prevention，2013，50（1）：341-350.

[7]Wang J，Zhu S，Gong Y.Driving safety monitoring using semisupervised learning on time series data[J].IEEE Transactions on Intelligent Transportation Systems，2010，11（3）：728-737.

[8]Saradadevi M，Bajaj P.Driver fatigue detection using mouth and Yawning analysis[J].International Journal of Computer Science and Network Security，2008（6）：183-188.

[9]Fan X，Yin B C，Sun Y F.Yawning detection for monitoring driver fatigue[C]//International Conference on Machine Learning and Cybernetics.IEEE，2007：664-668.

[10]Azim T，Jaffar M A，Mirza A M.Fully automated real time fatigue detection of drivers through Fuzzy Expert Systems[M].Elsevier Science Publishers B.V.2014.

[11]Lal S K L，Craig A.Electroencephalography activity associated with driver fatigue：Implications for a fatigue countermeasure device.[J].Journal of Psychophysiology，2001，15（3）：183-189.

[12]Heitmann A，Guttkuhn R，Aguirre A，et al.Technologies for the monitoring and prevention of driver fatigue[C]//Driver Assessment，2001.

[13]Ishibashi K，Ueda S，Yasukouchi A.Effects of mental task on heart rate variability during graded headup tilt[J].Applied Human Science Journal of Physiological Anthropology，1999，18（6）：225-31.

[14]Jeong I C，Dong H L，Park S W，et al.Automobile driver’s stress index provision system that utilizes electrocardiogram[C]// Intelligent Vehicles Symposium.IEEE，2007：652-656.

[15]Kar S，Bhagat M，Routray A.EEG signal analysis for the assessment and quantification of driver’s fatigue[J].Transportation Research Part F Traffic Psychology and Behaviour，2010，13（5）：297-306.

[16]Simon M，Schmidt E A，Kincses W E，et al.EEG alpha spindle measures as indicators of driver fatigue under real traffic conditions[J].Clinical Neurophysiology Official Journal of the International Federation of Clinical Neurophysiology，2011，122（6）：1168-1178.

[17]Li Y，You F，Chen K，et al.A realtime system for monitoring driver fatigue[J].Transportation Planning and Technology，2016，39（8）：779-790.

[18]解松芳，朱守林，戚春華，等.草原公路路側景觀對駕駛員眼動特性影響研究[J].中國安全科學學報，2014，24（8）：62-67.

[19]Tey F，Lin S T，Tan Y Y，et al.Novel tools for driving fatigue prediction： （1）dry eeg sensor and （2） eye tracker[C]//Foundations of Augmented Cognition.Springer Berlin Heidelberg，2013：618-627.

[20]Lee B G，Chung W Y.Driver alertness monitoring using fusion of facial features and biosignals[J].IEEE Sensors Journal，2012，12（7）：2416-2422.

[21]Wang L.Study of fatigue measurement based on eye tracking technique[C]//Study of Fatigue Measurement Based on Eye Tracking Technique，2011：1723-1729.

[22]Yan R，Wu C，Wang Y.A Preliminary study for exploring highspeed train driver fatigue using eyegaze cue[C]//International Conference on Artificial Intelligence and Industrial Engineering，2016.

[23]Wu B F，Chen Y H，Yeh C H，et al.Reasoningbased framework for driving safety monitoring using driving event recognition[J].IEEE Transactions on Intelligent Transportation Systems，2013，14（3）：1231-1241.

[24]Ji Q，Yang X.Realtime eye，gaze，and face pose tracking for monitoring driver vigilance[J].RealTime Imaging，2002，8（5）：357-377.

[25]Papadelis C，Chen Z，KourtidouPapadeli C，et al.Monitoring sleepiness with onboard electrophysiological recordings for preventing sleepdeprived traffic accidents[J].Clinical Neurophysiology Official Journal of the International Federation of Clinical Neurophysiology，2007，118（9）：1906.

[26]Crevits L，Simons B，Wildenbeest J.Effect of sleep deprivation on saccades and eyelid blinking[J].European Neurology，2003，50（3）：176-180.

[27]付川云.疲勞狀態下駕駛人生理及眼動特征研究[D].哈爾濱：哈爾濱工業大學，2011.

[28]潘曉東，李君羨，徐小冬.基于眼部行為的駕駛疲勞評價指標的閾值[J].同濟大學學報：自然科學版，2011，39（12）：1811-1815.

[29]Dinges D F，Grace R.PERCLOS： A valid psychophysiological measure of alertness as assessed by psychomotor vigilance[J].Tech Brief，1998（6）：38-45.

[30]Singh S，Papanikolopoulos N P.Monitoring driver fatigue using facial analysis techniques[C]//Ieee/ieej/jsai International Conference on Intelligent Transportation Systems，1999.Proceedings.IEEE，2002：314-318.

[31]王雪松，李飛虎.基于駕駛模擬實驗的眼部指標與疲勞分級[J].同濟大學學報：自然科學版，2015，43（2）：226-231.

[32]Carroll R J.Ocularbased measures of driver alertness[C]// International Truck and Bus Safety Symposium，2nd，1999，Knoxville，Tennessee，USA，1999.

[33]田蕓，于賽克，周前祥，等.眼動指標在腦力疲勞研究中的應用分析[J].人類工效學，2015，21（4）：69-73.

[34]Krahn L E，Black J L，Silber M H.Narcolepsy：New understanding of irresistible sleep[J].Mayo Clinic Proceedings Mayo Clinic，2001，76（2）：185-94.

[35]NematNasser S，Li Y.Flow stress of f.c.c.polycrystals with application to OFHC Cu[J].Acta Materialia，1998，46（2）：565-577.

[36]Morad Y，Lemberg H，Yofe N，et al.Pupillography as an objective indicator of fatigue[J].Current Eye Research，2000，21（1）：535-42.

[37]孫慶蘭，田水承，孫立群.教學課件文字與背景色彩搭配眼動實驗研究[J].技術與創新管理，2017，38（3）：274-278.

[38]袁偉.城市道路環境中汽車駕駛員動態視覺特性試驗研究[D].西安：長安大學，2008.

[39]Cazzoli D，Antoniades C A，Kennard C，et al.Eye movements discriminate fatigue due to chronotypical factors and time spent on task：a double dissociation[J].Plos One，2014，9（1）：138-146.

[40]Gu H，Ji Q.An automated face reader for fatigue detection[C]//IEEE International Conference on Automatic Face and Gesture Recognition.IEEE Computer Society，2004：111-116.

[41]Yekhshatyan L，Lee J D.Changes in the Correlation Between Eye and Steering Movements Indicate Driver Distraction[J].IEEE Transactions on Intelligent Transportation Systems，2013，14（1）：136-145.

[42]牛清寧，周志強，金立生，等.基于眼動特征的疲勞駕駛檢測方法[J].哈爾濱工程大學學報，2015（3）：394-398.

[43]Di S L，Mccamy M B，Catena A，et al.Microsaccade and drift dynamics reflect mental fatigue.[J].European Journal of Neuroscience，2013，38（3）：2389-2398.

[44]Vinay D，Kwatra S，Sharma S，et al.Ergonomic implementation and work station design for quilt manufacturing unit[J].Indian Journal of Occupational and Environmental Medicine，2012，16（2）：79.

[45]Ji Q，Lan P，Looney C.A probabilistic framework for modeling and realtime monitoring human fatigue[J].IEEE Transactions on Systems，Man，and CyberneticsPart A： Systems and Humans，2006，36（5）：862-875.

[46]Stasi L L D，Renner R，Catena A，et al.Towards a driver fatigue test based on the saccadic main sequence：A partial validation by subjective report data[J].Transportation Research Part C Emerging Technologies，2012，21（1）：122-133.

[47]Fransson P A，Patel M，Magnusson M，et al.Effects of 24hour and 36hour sleep deprivation on smooth pursuit and saccadic eye movements[J].Journal of Vestibular Research：Equ

ilibrium and Orientation，2009，18（4）：209-222.

[48]Di S L，Mccamy M B，Macknik S L，et al.Saccadic eye movement metrics reflect surgical residents’ fatigue.[J].Annals of Surgery，2014，259（4）：824-829.

[49]Zils E，Sprenger A，Heide W，et al.Differential effects of sleep deprivation on saccadic eye movements[J].Sleep，2005，28（9）：1109-1115.

[50]柴春雷，汪穎，孫守遷.人體工程學[M].北京：中國建筑工業出版社，2009.

[51]Ferrara M，Mfl D G，Bertini M.Voluntary oculomotor performance upon awakening after total sleep deprivation[J].Sleep，2000，23（6）：801-808.

[52]De G L，Ferrara M，Urbani L，et al.Oculomotor impairment after 1 night of total sleep deprivation： a dissociation between measures of speed and accuracy[J].Clinical Neurophysiology Official Journal of the International Federation of Clinical Neurophysiology，2000，111（10）：1771-1778.

[53]王政，李延軍，嚴曲，等.監控作業腦力疲勞綜合評定方法研究[J].航天醫學與醫學工程，2010，23（1）：20-24.

[54]Sun W，Zhang X，Zhuang W，et al.Driver fatigue driving detection based on eye state[J].International Journal of Digital Content Technology Its Applications，2011，5（5）：307-314.

[55]Azim T，Jaffar M A，Mirza A M.Automatic fatigue detection of drivers through pupil detection and Yawning analysis[C]//Fourth International Conference on Innovative Computing，Information and Control.IEEE Computer Society，2009：441-445.

[56]Gao X Y，Zhang Y F，Zheng W L，et al.Evaluating driving fatigue detection algorithms using eye tracking glasses[J].2015（6）：767-770.

[57]Morad Y，Barkana Y，Zadok D，et al.Ocular parameters as an objective tool for the assessment of truck drivers fatigue[J].Accident，Analysis and Prevention，2009，41（4）：856-860.

[58]Jiao Y，Peng Y，Lu B L，et al.Recognizing slow eye movement for driver fatigue detection with machine learning approach[C]//International Joint Conference on Neural Networks，2014（6）：4035-4041.

[59]Bergasa L M，Nuevo J，Sotelo M A，et al.Realtime system for monitoring driver vigilance[J].IEEE Transactions on Intelligent Transportation Systems，2006，7（1）：63-77.

[60]王榮本，郭烈，顧柏園，等.基于機器視覺的行車安全綜合保障系統研究[J].山東交通學院學報，2006，14（2）：1-6.

[61]楊英，盛敬，楊佳，等.基于神經網絡的駕駛員覺醒水平雙目標監測法[J].東北大學學報：自然科學版，2007，28（3）：418-421.

[62]馬勇，付銳.駕駛人視覺特性與行車安全研究進展[J].中國公路學報，2015，28（6）：82-94.

[63]樊瑋，魯勝華.基于眼動儀的飛行員疲勞判定相關屬性研究[J].計算機技術與發展，2014（6）：15-18.

[64]Anund A，Fors C，Ahlstrom C.The severity of driver fatigue in terms of line crossing： a pilot study comparing day and night time driving in simulator[J].European Transport Research Review，2017，9（2）：31-37.

[65]姜哲，張強，鄧作兵，等.不同電子文本的對比度極性和顏色組合對閱讀疲勞的影響——來自眼動追蹤實驗的證據[J].心理學探新，2015，35（1）：18-23.

[66]張貴滿，朱守林，戚春華.單調路側景觀色彩對駕駛員眼動指標的影響分析[J].科學技術與工程，2016，16（18）：284-289.

[67]路巧珍，孫宇，朱彤.單調環境下駕駛人的警覺性時變規律[J].技術與創新管理，2017，38（1）：36-40.

[68]Wohlwill J F.Environmental aesthetics[M].Springer US：The Environment as a Source of Affect，1976.

[69]王曉韡，石立臣，呂寶糧.干電極腦電采集技術綜述[J].中國生物醫學工程學報，2010，29（5）：777-784.

（責任編輯：張江）