駕駛疲勞監測技術研究綜述

張佐營 葉桂荀

摘 ?要：疲勞駕駛是導致惡性交通事故的重要原因，多年來，一直受到人們的廣泛關注。國內外學者圍繞駕駛員疲勞監測問題開展了大量研究工作，提出了基于心電、腦電、脈搏、面部狀態、操作參數監測等諸多方法，用于判定駕駛員的疲勞狀態。本文對國內外的研究現狀進行了綜述，為致力于疲勞駕駛研究工作的技術人員提供參考。

關鍵詞：駕駛疲勞;監測技術;綜述

中圖分類號：U491 ? ? ? 文獻標識碼：A ? ? ? 文章編號：1005-2550（2022）01-0008-07

Review On Driving Fatigue Detection

Zhang Zuo-ying1，2， YE Gui-xun2

（ 1.Working Station for Doctor of GuangDong Institute of Arts and Sciences， ZhanJiang 524471， China 2.School of Intelligent Manufacturing of GuangDong Institute of Arts and Sciences， ZhanJiang 524471， China ）

Abstract： People’s attention has been focused on driving fatigue many years because it took an important role on fatal traffic accidents. In the field of driver fatigue detection， continuous research was being performed. Many methods were presented to monitor the fatigue of drivers. Changes in biological signals， physical feature of drivers and vehicular features can be accurate methods to detect fatigue. Biological signals include electroencephalography （EEG）， electrocardiogram （ECG）， electro-oculography （EoG） and surface electromyogram （sEMG）. In this paper， the status of driving fatigue research is reviewed which provides reference for the development of the fatigue detection technology.

Key Words： Driving Fatigue; Detection Technology; Review

前 ? ?言

隨著我國經濟的高速發展，汽車已成為中國公民最常用的交通運輸工具，據公安部的統計，2020年我國機動車保有量達3.72億輛，其中汽車保有量為2.81億輛，與美國基本持平，并列世界第一。汽車給我們生活提供便利的同時，也帶來了一系列問題，比如交通事故的頻發，每年造成較大的人員傷亡，給人們生命財產造成巨大損失。據國家統計局發布的《2019年國民經濟和社會發展公報》[1]數據，2019年中國交通事故受傷人數275125人，車禍死亡人數為52388人。根據以往的數據統計，在導致交通事故的諸多原因中，疲勞駕駛是肇事致人死亡數量最多的因素之一，其每年造成的事故死亡人數都占到機動車事故死亡人數的 10.9%以上[2]。

關于駕駛疲勞的概念，業內一直存在爭議，至今尚沒有精確的定義。但基本上可以認為，駕駛疲勞是指由于長時間駕駛，因腦力和體力消耗而產生的一種生理、心理機能衰退現象，其直接導致的結果是駕駛員反應遲鈍、動作遲緩、對外界環境的感知、判斷能力和控制車輛的能力下降[3]。 此時，若駕駛員繼續駕車則很容易引發交通事故，給交通安全帶來很大隱患。

基于疲勞駕駛帶來的危害，國內外專家學者投入了大量的精力，研究駕駛疲勞的實時監測技術，通過各種檢測方法去評價駕駛員的疲勞狀態，在此基礎上，對駕駛員進行疲勞預警，提醒駕駛員進行休息。這些研究成果在促進交通安全、降低疲勞導致的交通事故率方面，做出了巨大的貢獻。

1 ? ?駕駛疲勞監測方法的研究進展

國內外關于駕駛疲勞的研究主要圍繞駕駛疲勞產生的機理、駕駛疲勞實時監測評價技術、以及減緩駕駛疲勞的對策和干預措施展開。其中有關駕駛疲勞實時監測方法的研究是最大的熱點，投入最大，成果也最為豐碩[4]。綜觀國內外有關駕駛疲勞監測方法的研究，按照監測的物理量來分類，可以分為檢測駕駛員的生理信號變化、檢測車輛操作參數、檢測駕駛員的身體行為指標等三類方法。通過研究這些指標信號與疲勞狀態的關聯性來評價駕駛員的疲勞狀態，并通過語音提示進行報警，以提示駕駛員注意休息[5-29]。駕駛疲勞監測方法的分類如圖1所示：

1.1 ? 基于生理指標的駕駛疲勞監測技術的研究

駕駛疲勞后，駕駛員身體的各項生理指標會發生一些細微的變化，通過對這些生理信號變化的實時監測，就可以幫助判定駕駛員的疲勞狀態。目前，疲勞狀態監測通常采用的生理指標主要包括腦電（EEG）[5-7]、眼電（EOG）[8]、肌電（Electromyography，EMG）[9-11] 和心電（Electrocardiogram，ECG）[12，13] 等生理信號。研究發現，腦電信號與駕駛疲勞關系密切，故被稱為駕駛疲勞檢測的“金標準”[15]。

腦電信號是一種電生理信號，是由人類腦皮層神經細胞群活動所產生，醫學研究發現，人疲勞或困倦時，腦電信號會發生顯著變化，因此，被學者們廣泛應用于駕駛疲勞研究領域。 文獻[15]的研究發現，當駕駛疲勞時，駕駛員腦電波中的δ波和θ波會發生明顯的增加變化，與駕駛疲勞具有較高的相關性。Eoh HJ的實驗研究[5]表明，腦電波中β波和比值與駕駛員的警覺水平具有較強的關聯性，通過腦電波特征值的提取，對駕駛疲勞的檢測準確度可達到83.4%以上。劉天嬌、馬錦飛[7]通過模擬駕駛研究，發現駕駛員腦電合并指標（θ+α）/β在駕駛過程中呈現下降趨勢，同時，實驗驗證了腦電指標（θ+α）/β可用于實時監測駕駛員的疲勞狀態。胡淑燕、鄭鋼鐵[16]在模擬駕駛環境下，通過采集駕駛員的腦電信號，采用自適應濾波去除噪聲，提取了腦電信號中的75個頻譜特征，利用樸素貝葉斯分類方法，構建了駕駛員疲勞監測模型，通過實驗驗證，模型有效率達到84%。

大腦的疲倦會傳導到眼球，影響眼球的運動，當駕駛員出現疲勞駕駛時，其眼動次數、眨眼次數、以及眼睛的閉合時間等都會發生顯著變化。因此，通過眼電信號特征的檢測與統計，可以監測駕駛員的疲勞狀態。眼電信號由眼動儀測得，參數主要包括眨眼次數、瞳孔大小以及眼瞼閉合時間等。Caffier PP的研究[17]發現，人在精力充沛時，眨眼時的眼瞼的閉合時間一般會低于120ms，當該時間在200ms-400ms之間時，表示被測試人已經開始疲勞，當達到400ms以上時，可以認為是明顯的駕駛疲勞。文獻[8]在模擬駕駛環境下，通過主觀評價與眼睛閉合時間的檢測，驗證了駕駛疲勞與眼瞼閉合時間的關聯關系。文獻[18]開發了一種車載檢測裝置，通過機器視覺檢測眼睛的狀態，來監測駕駛員的疲勞狀態。

心電信號是醫學上評價心臟病變的常用指標，醫學研究發現，心率變異性（ Heart Rate Variability， HRV）與人的疲勞程度有較為密切的關聯，故也被用于研究駕駛疲勞問題。文獻[12，13]通過模擬實驗研究了HRV譜功率分布與駕駛疲勞的關系，研究表明二者之間具有強相關關系。浙江大學的吳群[14]在模擬駕駛情境下，研究了駕駛過程中心電信號的時域、頻域、非線性指標的變化規律。研究證明，隨著駕駛疲勞程度的加深，心電信號的部分時、頻域指標表現出比較明顯的變化，非線性指標在表征駕駛疲勞的過程以及評價疲勞程度一致性方面表現更好。

駕駛疲勞后，駕駛員動作會變得僵硬，容易產生誤操作或操作動作緩慢，因此，除上述指標外，表面肌電（Surface Wlectromyography，s EMG）信號也被用于監測駕駛疲勞。文獻[9，10]的研究表明，EMG信號與駕駛疲勞具有較好的關聯性，可用于監測駕駛疲勞。文獻[19]通過頸部肌肉的EMG信號的近似熵，提出了一種監測駕駛疲勞的方法，方法有效度達到86.3%以上。天津科技大學的陳慧玲[11]在模擬駕駛環境下，測試研究了駕駛員部分肌肉群的EMG信號，研究發現相比男性駕駛員，女性駕駛過程中更容易產生肌肉疲勞，其中頸部和腰部肌肉是最容易疲勞的部位。

1.2 ? 基于駕駛操縱參數的駕駛疲勞檢測技術的研究

疲勞駕駛會導致駕駛員對車輛的控制明顯異常，故駕駛操作參數也被用于監測疲勞駕駛，常用的參數包括方向盤轉角、車道偏離以及駕駛員駕駛姿態等。

方向盤轉角是最常用的監測駕駛疲勞的參數，在表征駕駛疲勞方面顯示出較好的優勢。文獻[20]在美國艾奧瓦州大學國家先進模擬駕駛實驗室的儀器上，通過檢測方向盤轉角參數，利用隨機預測算法，研究了監測駕駛疲勞的方法。通過對72名被試駕駛員的測試，利用該算法成功從各種數據中分離出了駕駛疲勞狀態下的車輛狀態，研究表明，該方法同眼睛閉合檢測方法相比，具有更好的準確性和時間上及時性。 文獻[21]利用非線性特征構造理論，通過計算方向盤轉角短時時間序列的近似熵（ApEn）和復雜度，建立了多級疲勞判定模型。在北京到秦皇島的高速公路實際駕車環境下進行了實驗驗證，研究表明該模型對三級疲勞狀態監測的正確率接近84.6%。

除方向盤轉角參數外，軌道偏離參數也常被用于駕駛疲勞監測。文獻[22]設計了一種模擬駕駛試驗臺，對20名駕駛員進行了疲勞駕駛實驗，建立了軌道偏離參數與疲勞程度的判定模型，通過實驗，驗證了模型的有效性。吉林大學的LE DINH DAT[23]基于吉林大學國家重點實驗室的在環試驗臺，針對12名被試設計進行了軌道偏離試驗，利用獨立樣本T檢驗，辨識出駕駛疲勞情況下軌道偏離的特性參數，建立了高斯-隱馬爾科夫疲勞車道偏離識別模型，并通過離線訓練得到模型參數。通過比較不同模型及參數對識別效果的影響，得出了基于GM-HMM建立的疲勞車道偏離識別模型識別效果最優的結論。

駕駛員的困倦會引起駕駛姿態的變化，比如，駕駛員打瞌睡時，其坐姿的變化會導致其身體的重心改變，這可以通過在座椅上安裝壓力傳感器，測量座椅負載中心的位置來檢測。文獻[24]將壓力傳感器安裝于車輛座椅上，針對一名被試，通過模擬駕駛產生困倦，研究了駕駛員困倦時，座椅負載分布的變化。研究發現，剛開始時，負載在座椅上是均勻分布，而隨著駕駛過程的發展，駕駛員產生困倦后，負載逐漸集中到座椅后部的某一點上。

1.3 ? 基于駕駛員身體特征的疲勞監測技術的研究

駕駛員面部的部分信息以及頭的運動等信號也可以很好地表征駕駛疲勞，比如眼睛閉合時間、注視時間、駕駛姿勢、打哈欠、點頭頻率等都是反映駕駛疲勞的典型信號。總體上講，基于駕駛員身體特征的疲勞監測技術按照檢測部位可分為檢測眼睛、嘴和頭來實現，主要通過機器視覺和圖像處理技術提取特征值。

眼睛狀態的檢測與眼動儀測得的眼電信號不同，是由圖像采集設備獲得，并通過圖像處理技術得到特征信息。主要通過提取眼睛閉合的頻次、上下眼皮的距離、以及眼睛睜開的百分比等參數來反映駕駛疲勞的程度。文獻[25]在真實駕駛環境下，對5名駕駛員通過攝像頭采集臉部影像，利用Haar-like特征提取臉部圖像，利用水平投影和模板匹配方法從圖像中分離出特征參數，根據眼部的不同狀態將疲勞等級分為低疲勞、中等疲勞和高度疲勞。文獻[26]將圓形攝像頭安裝在大客車駕駛室內，在真實駕車環境下，采集了23名駕駛員的臉部圖像，通過現代圖像處理技術，估算出眼睛睜開和閉合時間，聯合利用這兩個信息去判斷駕駛疲勞，取得了較好的實際效果。陳昕等[27]通過圖像處理，采用OpenCV中的Haar分類器，對駕駛員的臉部、眼睛進行檢測，利用眼睛閉合時間判定駕駛疲勞狀態，取得了較好的效果。

打哈欠是疲勞的典型表現，因此，打哈欠和嘴的張開也可用于表征駕駛員的疲勞狀態。文獻[28]在真實駕車環境下，通過采集駕駛員臉部圖像，采用支持向量機技術和邊緣斜度算法提取嘴部狀態特征，利用計數器計數打哈欠的次數，來表征疲勞的程度，實驗證明，該方法可以獲得98%的精確度，不過，該文獻沒有提及被試的人數。文獻[29]研究了駕駛員嘴部圖像特征的提出方法，綜合采用最大類間方差算法、連通成分標示法、投影法等現代圖像處理方法，對采集的圖像進行面部分割，并對嘴部進行定位。

駕駛疲勞時，尤其是困倦時，駕駛員會打盹，這在駕駛員的身體特征方面會表現出頻繁的點頭運動。通過視頻圖像的處理，計數單位時間內點頭的次數，就可以檢測駕駛疲勞。文獻[30]采集了不同時間段、不同光照條件、不同姿態的駕駛員頭部圖像序列，采用時間序列挖礦算法，從中提取了500個融合Gabor特征向量以定義駕駛員的頭部狀態，該方法獲得了接近99.2的極高準確度。

2 ? ?駕駛疲勞監測技術在車輛上的應用現狀

隨著駕駛疲勞監測研究的不斷進步，現已有許多研究成果成功應用于汽車上。國內外各大汽車公司的部分高端車型上，大多配有駕駛疲勞監測與預警系統。國外汽車公司中，奔馳、大眾、福特、豐田、日產、捷豹、沃爾沃等公司的部分車型上都安裝了駕駛疲勞監測報警系統。此外，博世公司研發的DDDS監測系統已廣泛應用于眾多汽車公司的車型上，國內汽車公司中，比亞迪、吉利、一汽集團也有自己的駕駛疲勞監測系統[4，31，32]。

梅賽德斯-奔馳的 Attention Assist系統是德系汽車疲勞駕駛監測系統的代表，其主要監測方向盤角度、角加速度、車速、側向加速度等車輛參數，綜合駕駛員的駕駛行為等信息，對疲勞駕駛的駕駛員發出報警提醒信息。該系統于2011年就以應用于奔馳B級轎車上。大眾公司的疲勞監測系統也是監測車輛操作參數，融合駕駛時間等因素估計駕駛員的疲勞水平，及時發出報警提示，該系統可主動觸發，也可在行車4小時后自動觸發。

福特公司的監測系統Driver Alert System除監測車輛操縱信息外，還監測駕駛員生理信息，該系統已在福克斯、Galaxy系列等車型上安裝使用。豐田公司的疲勞監測系統Driver Monitor由日本株式會社研發，需配備紅外攝像設備，以駕駛員的眼部特征和頭部特征為監測對象。日產公司車輛配置的疲勞監測系統以電動助力轉向系統的信息，融合車輛狀態信號和車內環境信息，來判斷駕駛員的疲勞狀態。

沃爾沃公司的DAC（Driver Alert Control）不僅可以監測駕駛員的疲勞，還能監測駕駛員的注意力分散，該系統通過監測車輛操作信息、駕駛員的頭部信息以及駕駛員的眼睛的狀態來判斷駕駛員的疲勞程度，該系統還可以融合車輛控制系統的其它信息，主動對車輛進行干預。捷豹F-Type將監測系統內置于轉向盤內，通過監測駕駛員的面部運動和眼睛運動信息判斷駕駛員的駕駛狀態，該系統由澳大利亞 Seeing Machines 公司研制。

國內，清華大學研制開發的駕駛疲勞監測系統已應用于眾泰M11、M12和陜汽重卡等車輛上;比亞迪BAWS系統通過采集駕駛員的眼部、頭部信息來監測駕駛疲勞，配有攝像頭、紅外傳感器等硬件;吉利領克的DAC監控系統采用了沃爾沃的技術;一汽集團研發的紅旗H7 DSM系統基于駕駛員的眼部和頭部運動信息，結合車輛運行軌跡等信息，來判斷駕駛員的疲勞狀態。其它汽車公司的監測系統主要以應用國外產品為主。

3 ? ?駕駛疲勞監測的發展趨勢及存在問題

3.1 ? 發展趨勢

近年來，隨著計算機應用技術的快速發展，駕駛疲勞監測技術的進展有了較大的突破，從技術上來說，主要向多信息融合以及智能化方向發展。

（1）多信息融合技術的應用

雖然研究者用盡各種先進算法，意圖提高疲勞駕駛監測的準確度，但利用單一信息判定駕駛疲勞的準確度依然很難達到理想程度，故近些年的研究多利用多信息融合技術，比如多種生理信號的融合、眼部狀態與頭部狀態等身體信號的融合、生理信號與身體信號的融合、以及車輛操縱信號與駕駛員身體信號的融合等。通過多信息融合技術，對駕駛疲勞狀態的判別準確度有了極大的提升[33-36]。

（2）智能化技術的應用

在最初的研究中，信號特征值的提取一般采用數學模型，比如利用數學統計法、小波變換、灰度、二值化、Haar-like特征等各種算法，提取腦電、心電、圖像信號中的特征信息。而后，基于規則的模糊推理等方法被用于判別駕駛疲勞，近幾年的研究，支持向量機、神經網絡、卷積神經網絡、遷移學習等人工智能技術被廣泛應用于駕駛疲勞檢測中[37-40]。

3.2 ? 存在問題

在國內外專家學者的努力下，駕駛疲勞監測技術的研究取得了許多極有價值的研究成果，對推進交通駕駛安全作出了巨大的貢獻，但依然存在許多問題。

（1）基于生理信號的監測雖然作為理論研究有很大的學術價值，但由于需要附加額外的檢測設備，會對駕駛帶來不便，因此在車輛上很少采用。

（2）基于駕駛員臉部、頭部特征的監測方法需要視頻采集設備，而普通的攝像頭由于受光照影響，不能滿足全天候監測，而紅外攝像設備價格較高，影響了廣泛采用。

（3）基于車輛操縱參數的監測不需要額外的設備、亦不受光照影響，但受到具體車型特性的影響，較難統一評價標準，且非汽車生產廠家的研究者較難獲得車輛操縱的內部參數。

（4）理論研究和技術開發不平衡，通過文獻檢索可以發現，從事理論研究的學術文章數量較大，但真正轉化為產品的較少，產學研的融合深度不夠。

4 ? ?展望

在我國，由于國土幅員遼闊，高速公路網絡建設發展迅速，加之國人具有在重要節日回家團聚的習慣，長途駕駛有其存在的必然性，這也導致了駕駛疲勞的普遍存在。自動駕駛技術雖然可以永久地解決疲勞駕駛問題，但由于技術及成本等問題，其全面普及尚需時日。在此之前，對駕駛疲勞問題的研究依然具有重要的意義。

今后，對駕駛疲勞監測技術的研究應強化產、學結合，產、研融合，校、企協同創新，加強應用技術研究。

其實，對駕駛員來講，無需檢測，自己就能夠較為精確地主觀判斷是否疲勞，但大多數駕駛員依然會選擇繼續駕駛。一方面是對疲勞駕駛的危害認識不夠，另一方面，是存有僥幸心理。但目前的研究，只是檢測到疲勞后進行報警提醒，而沒有確定一個疲勞的標準，強制駕駛員停止駕駛。今后的研究應從兩方面努力，一是如何確定疲勞的危險點，超過這個臨界后，應采取措施，強制駕駛員在規定時間內停車休息;二是對臨界點以下的疲勞，研究干預措施，通過干預減緩和降低駕駛員的疲勞程度，提高其繼續駕車的安全性。

參考文獻：

[1]交通運輸部公路科學研究院.2019年中國道路交通安全藍皮書[M].北京： 人民交通出版社股份有限公司，2020：26-27.

[2]李都厚，劉群，袁偉等.疲勞駕駛與交通事故關系[J]. 交通運輸工程學報，2010（4）：104-109.

[3]戚基艷.汽車駕駛疲勞分析及其監測[J].汽車科技，2011（1）：34-38.

[4]Gulbadan Sikander， Shahzad Anwar. Driver Fatigue Detection Systems： A Review[C]. IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS，2019，20（6）：2339-2352.

[5]Eoh HJ，Chung MK，Kim SH. Electroence-phalographic Study of Drowsiness in Simulated Driving with Sleep Deprivation[J].International Journal of Industrial Er-gonomics，2005，35（4） ： 307 - 320.

[6]Li W，He Q，Fan X，et a1.Evaluation of driver fatigue on two channels of EEG data[J] Neuroscience Letters，2012，506（2）：235-239.

[7]劉天嬌，馬錦飛.高速公路駕駛員主動疲勞的腦電檢測分析[J].中國安全科學學報. 2018，28（10）：13-18.

[8]Benedetto S，Pedrotti M，Minin L，et a1.Driver workload and eye blink duration[J].Transportation research part F：traffic psychology and behaviour，2011，14（3）199-208.

[9]V. Balasubramanian and K. Adalarasu，EMG-based analysis of change in muscle activity during simulated driving[ J]. Bodywork Movement Therapies，vol. 11，no. 2，pp. 151-158，2007.

[10]Driver Alertness Detection System Research Using Capacitive Sensor Array. Kithil P. W， Jones R.D. etc. Proceedings of the First International Driving Symposium on Human Factor in Driver Assessment Training and Vehicle Design . 2001.

[11]陳慧玲.基于表面肌電的人體駕駛疲勞特性研究[D].天津：天津科技大學，2017.

[12]Khushaba R N，Kodagoda S，Liu D，et a1.Muscle computer interfaces for driver distraction reduction[J].Computer methods and programs in biomedicine，2013，110（2）：137-149.

[13]Zhao C，Zhao M，Liu J，et a1.Electroencephalogram and electrocardiograph assessment of mental fatigue in a driving simulator[J].Accident Analysis&Prevention，2012，45：83-90.

[14]吳群.基于心電信號的駕駛疲勞檢測方法研究[D].杭州：浙江大學，2008.

[15]Lal SK，Craig A. A critical review ofthe psychophysiology ofdriver fatigue[J].Biological psychology，2001，55（3）：173—194.

[16]胡淑燕，鄭鋼鐵. 基于 EEG頻譜特征的駕駛員疲勞監測研究[J]. 中國安全生產科學技術.2010（6）：90-93.

[17]Caffier PP，Erdmann U，Ullsperger P.Experimental E-valuation of Eye-blink Parameters as A Drowsiness Measure[J]. European Journal of Applied Physiology，2003，89（3-4）： 319 - 325.

[18]Xu X，Cui X，Wang G，et al.A New Method for Driver Fatigue Detection Based on Eye State[C]. Interna-tional Conference on Rough Sets and Knowledge Technology.Springer International Publishing，2015： 513-524.

[19]Zhang CH，Wang H，Fu RR. Automated Detection of Driver Fatigue Based on Entropy and Complexity Measures[J]. The Institute of Electrical and Electronics Engineers Transactions on Intelligent Transportation System，2014，15（ 1） ： 168-177.

[20]A. D. McDonald， C. Schwarz， J. D. Lee， et al. Real-time detection of drowsiness related lane departures using steering wheel angle[C] in Proc. Hum. Factors Ergonom. Soc. Annu. Meeting， vol. 56，no. 1. Los Angeles，CA，USA： Sage，2012，pp. 2201–2205.

[21]Z. Li，S. E. Li， R. Li，B. Cheng， and J. Shi， Online detection of driver fatigue using steering wheel angle for real driving conditions[J]. Sensors， vol. 17， no. 3，p. 495，2017.

[22]J. H. Yang，Z.-H. Mao，L. Tijerina， T. Pilutti， J. F. Coughlin，and E. Feron，Detection of driver fatigue caused by sleep deprivation[J]. IEEE Trans. Syst.，Man，Cybern. A，Syst. Humans，vol. 39，no. 4，pp. 694–705，Jul. 2009.

[23]LE DINH DAT. 面向駕駛員疲勞車道偏離識別方法研究[D].長春：吉林大學，2017.

[24]S. Furugori，N. Yoshizawa， C. Iname，and Y. Miura，Estimation of driver fatigue by pressure distribution on seat in long term driving[J]. Rev. Automot. Eng.，vol. 26，no. 1，pp. 053–058， 2005.

[25]M.-H. Sigari， M. Fathy，and M. Soryani， A driver face monitoring system for fatigue and distraction detection[J].Int. J. Veh. Technol.， vol. 2013， Nov. 2013，Art. no. 263983.

[26]B. Mandal，L. Li，G. S. Wang， and J. Lin. Towards detection of bus driver fatigue based on robust visual analysis of eye state[J]. IEEE Trans. Intell. Transp. Syst.， vol. 18， no. 3， pp. 545–557， Mar. 2017.

[27] 陳昕，朱國華，張馳等.基于眼睛閉合狀態的駕駛疲勞檢測方法[J]. 遼寧工業大學學報（自然科學版），2018，38（3）：182-186.

[28]N. Alioua，A. Amine，and M. Rziza. Driver’s fatigue detection based on yawning extraction[J]. Int. J. Veh. Technol.，vol. 2014，Aug. 2014，Art. no. 678786.

[29]孫萱 . 基于單目視覺的駕駛員嘴部分割與定位方法研究 [D]. 吉林大學，2007.

[30]L. Wang，H. Yang， X. Jiang， and X. Feng，“Gabor-based facial image sequential pattern mining for human fatigue monitoring，” Int. J. Adv. Comput. Technol.，vol. 3，no. 6，pp. 26–33，2011.

[31]于立嬌，吳振昕，王文彬等. 駕駛員疲勞狀態監測系統綜述[J].汽車文摘，2019（3）：24-29.

[32]于琦.汽車駕駛員駕駛疲勞監測及技術發展分析[J].時代汽車，2018（3）：10-11.

[33]黃占鰲，史晉芳.多特征融合的駕駛員疲勞檢測研究[J].機械科學與技術.2018，37（11）：1750-1754.

[34]Satzoda R K，Trivedi M M. Drive analysis using vehicle dynamics and vision-based lane semantics[J]. IEEE Transactions on Intelligent Transportation Systems，2015，16（ 1） ： 9-18.

[35] Mbouna R O，Kong S G，Chun M G. Visual analysis of eye state and head pose for driver alertness monitoring[J].IEEE Transactions on Intelligent Transportation Systems，2013，14（3） ： 1462-1469.

[36]Craye C，Rashwan A，Kamel M S，et al. A multi-modal driver fatigue and distraction assessment system[J]. International Journal of Intelligent Transportation Systems Research，2016，14（3）：173-194.

[37]Patel M，Lala SKL，Kavanagha D，et al. Applying Neural Network Analysis on Heart Rate Variability Data to Assess Driver Fatigue[J]. Expert Systems with Applications，2011，38（6） ： 7235-7242.

[38]徐軍莉，閔建亮，胡劍鋒等.定性推理生成器在駕駛疲勞檢測中的應用[J].汽車安全與節能學報，2018，9（1）：32-40.

[39]王斐，吳仕超，劉少林等. ?基于腦電信號深度遷移學習的駕駛疲勞檢測[J].電子與信息學報，2019，41（9）：2264-2271.

[40]莊員，戚湧.偽3D卷積神經網絡與注意力機制結合的疲勞駕駛檢測[J].中國圖像圖形學報，2021，26（1）：143-153.

專家推薦語

陳孟春

襄陽達安汽車檢測中心有限公司

氫燃料汽車試驗研究副總師 ?研究員級工程師

本文通過對駕駛疲勞監測技術綜述，詳細講解了基于生理指標的駕駛疲勞監測技術、駕駛操縱參數的駕駛疲勞檢測技術、基于駕駛員身體特征的疲勞監測技術方法和原理，并分析了駕駛疲勞監測技術在車輛上的應用現狀，駕駛疲勞監測的發展趨勢及存在問題及發展展望，有一定參考價值。