疲勞駕駛檢測方法研究進展

陳見哲

疲勞駕駛檢測方法研究進展

陳見哲

（長安大學汽車學院，陜西西安 710064）

疲勞駕駛是誘發交通事故的重要因素，研究如何快速準確地識別出駕駛員的疲勞狀態，并在事故發生前進行疲勞預警，對預防疲勞駕駛、促進交通安全具有重要的研究價值和社會意義。文章從疲勞的檢測原理出發，對比介紹了基于駕駛員生理特征、車輛行為特征、駕駛員面部特征的疲勞檢測方法，重點分析了基于機器視覺的疲勞駕駛檢測研究現狀及其特點，以期為研究人員提供新思路。

疲勞駕駛；檢測方法；駕駛行為；機器視覺；交通安全

隨著我國經濟和交通運輸業的飛速發展，汽車已成為居民生活中最常用的交通運輸工具。據公安部統計，截至2022年3月底，全國機動車保有量達4.02億輛，其中汽車3.07億輛，超越美國居全球首位。不斷增加的車輛數有可能導致更多的交通事故發生。據國家統計局統計，2022年全國共計發生273 098起交通事故，致使62 218人死亡和281 447人受傷，直接財產損失達14.503 6億元。越來越多的統計數據和研究表明，疲勞駕駛是造成交通事故的主要原因之一，因其造成的交通事故數量約占總體事故數量的10%～20%[1]。因此，進行與疲勞駕駛相關的研究非常重要。

疲勞是一種介于清醒和睡眠之間，精神警覺性降低的狀態。駕駛疲勞是駕駛員反復、連續操作使其生理、心理上發生變化出現駕駛機能低落的現象，主要表現為注意力分散、打瞌睡、視野變窄、信息漏看、反應判斷遲鈍、駕駛操作失誤或完全喪失駕駛能力，以至發生碰撞、沖出路面等交通事故，其產生的原因主要為長時間駕駛、睡眠不足或質量差、生理節律和駕駛員因素等[2]，且疲勞程度通常隨著清醒時間的延長而增加。

研究人員發現，處于疲勞狀態的駕駛員在駕駛過程中，發生交通事故和交通沖突的概率是清醒狀態下的4～6倍[3]。這表明疲勞駕駛將嚴重影響行車安全，是造成交通事故的重大隱患。21世紀以來，越來越多的國家開始重視疲勞駕駛的治理問題。我國的《道路交通安全法實施條例》指出，連續駕駛機動車超過4 h，中途未停車休息或者停車休息時間少于20 min均屬于疲勞駕駛，將對駕駛員進行扣分處理。德國法律規定營運車輛駕駛員每天駕駛時間累計不得超過9 h，且連續駕駛4.5 h必須休息45 min以上。違反駕駛時間規定的駕駛員和相關運輸企業都將受到處罰，且相關處罰記錄將作為企業今后獲取營運資格的依據。美國對長途客運公司建立了疲勞預警機制，客車裝有疲勞預警系統，通過檢測駕駛員的疲勞狀態并發出警報，可以減少由于疲勞引起的交通事故。

德國Daimler-Benz公司的研究結果顯示，若在事故發生前0.5 s進行預警，則能夠避免50%的碰撞事故，若預警時間提前1 s，則能夠避免90%的事故發生。因此，如能對駕駛員的疲勞狀態進行實時準確地檢測、合理有效的預警，將大大降低疲勞導致的交通事故率，保障行車安全。

1 疲勞駕駛檢測原理

疲勞駕駛檢測通常借助各類傳感器和設備獲取駕駛員的駕駛行為與狀態，以分析駕駛員的疲勞情況。早期的研究可以追溯到1935年，主要通過醫療器械，從醫學的角度出發開展疲勞駕駛的測評研究[4]。隨著電子技術的發展和機器視覺的崛起，物理傳感器和圖像處理技術相繼被運用于疲勞檢測研究。目前，已有許多汽車公司研發了較有效的疲勞監測系統。本文根據所用疲勞特征的差異對疲勞駕駛檢測原理進行概述。

1.1 駕駛員生理參數

生理指標能反映人的精神狀態。疲勞時，駕駛員難以集中注意力（神情恍惚），其部分生理指標將發生顯著變化。這些生理指標可作為疲勞特征用于疲勞檢測。在目前的科研領域中，用于疲勞駕駛檢測的生理指標涉及到腦電圖（Electro Encephalo Gram, EEG）、心電圖（Electro Cardio Gram, ECG）、肌電圖（Electro Myo Graphy, EMG）、眼電（Electro Oculo Gram, EOG）、脈搏波（Blood Pressure Waveform, BPW）信號等，下面將進行詳細分析。

1.EEG信號

腦電信息作為反映大腦活動的重要信號，并與駕駛疲勞關系密切，故被稱為駕駛疲勞檢測的“金標準”。腦電圖頻域范圍被劃分為波（0.5～4 Hz）、波（4～8 Hz）、波（8～13 Hz）、波（13～30 Hz）、波（30 Hz以上）。大量的研究表明，人的疲勞程度與腦電圖的頻帶密切相關，在疲勞時，波和波的活動顯著增強，波活動會隨之下降[5]。通過在駕駛員頭皮表面安裝電極可以采集較微弱的腦電圖信號，將信號放大后可以用于疲勞駕駛的檢測。

2.ECG信號

研究表明，心電信號的幾個典型特征，如心率變異性（Heart Rate Variability, HRV）、低頻能量、超低頻能量和高頻能量，在駕駛員清醒和疲勞時將發生顯著變化。因此，利用心電特征可識別駕駛員的疲勞狀態[6]。有研究人員采用毫米波雷達獲取駕駛員的心率，并以此識別駕駛員的疲勞狀態[7]。

3.EMG信號

疲勞后，駕駛員動作會變得僵硬，操作動作緩慢，肌電信號的幅值上升，平均頻率下降。通常采用誘發電位的測量方法，監測駕駛員肌電信號的變化，判斷其疲勞狀態。

4.EOG信號

眼電信號是眼角膜和視網膜之間的電位差，當眼睛發生某種運動時就會產生相應的電信號，可以反映眼部的運動狀態。當駕駛員進入疲勞狀態，其眼部的運動狀態將發生改變，眼電信號隨之產生變化，因此，眼電信號可以用于疲勞檢測。相比于其他檢測方法，眼電信號具有魯棒性好、信噪比高、直觀易處理等優點。通過前額眼電信號采集（在頭部前額布置電極）的方式獲取眼電信號的平均值、標準差、均方根特征，利用結合遺傳算法-廣義回歸神經網絡（Genetic Algorithm- Generalized Regression Neural Network, GA-GRNN），構建了疲勞駕駛檢測模型，平均檢測準確率達到了72.5%[8]。

5.BPW信號

脈搏指人體表可觸摸到的動脈搏動。動脈內的血液容積及壓力等均會呈現出周期性改變，這種改變會引起血管壁周期性舒張與收縮，便形成了脈搏波，其波形特征在一定程度上反映了人體的生理狀態。研究表明，脈搏信號的功率譜峰值和峰值中心頻率能夠很好地識別駕駛員的疲勞狀態[9]。脈搏波信號可通過血氧脈搏儀（類似于手環）采集，其信號采集過程幾乎不會影響駕駛員操作。

將生理參數作為疲勞特征的檢測方法檢測精度較高、魯棒性好，作為理論研究具有很大的學術價值，但多數信號采集設備成本較高，需要駕駛員穿戴接觸式信號采集裝置，往往會影響駕駛員的操作，對駕駛員侵入性強，致使該類檢測方法多用于科研和駕駛模擬器場景。

1.2 車輛行為特征

疲勞狀態下，駕駛員反應時間增長，且操作水平下滑，對車輛的控制明顯異常。例如：疲勞駕駛時，駕駛員對方向盤的握力將會逐漸降低，轉動方向盤的情況也會與正常駕駛時存在偏差，車輛的車道偏移量也將發生變化。故可通過轉向、車道偏離和車速等車輛行為特征監測疲勞狀態。

1.轉向行為

方向盤是駕駛員與汽車橫向控制最直接的連接方式。疲勞駕駛時，駕駛員對方向盤的輕微修正（0.5～5°）次數比正常駕駛時要少[10]，大幅度修正次數要比正常駕駛時更多[11]。同時，隨著駕駛員肌肉的放松，駕駛員對方向盤的握力會減小[12]。通過安裝在轉向柱上的角度傳感器和方向盤上壓力傳感器，可以采集駕駛員的轉向信息，進而了解駕駛員的疲勞情況。此類方法目前已應用于日產（Nissan）和雷諾（Renault）等汽車公司開發的疲勞駕駛預警系統。

2.車道偏離量

考慮到疲勞駕駛時，駕駛員往往無法及時對車輛狀態進行修正而使車輛偏離車道，車道偏離量將產生異常。車道偏離預警系統（Lane Departure Warning System, LDWS）致力于對疲勞、分心等情況下的車道偏離進行檢測和預警，可以有效減少疲勞引發的交通事故。目前的車道偏離預警算法一般先對駕駛員的換道意圖進行識別，以免換道行為對疲勞識別造成干擾。在部分研究中，研究人員以駕駛員是否打轉向燈為換道意圖的判別標準[13]，并對無換道意圖（未打轉向燈）時的車道偏離進行預警。

3.車速特征

車速標準差能反映駕駛員控制車輛的能力，車速越平穩，標準差越小。隨著駕駛過程的延長和疲勞程度的加深，駕駛員對行車環境的感知能力下降，操作更遲緩，平均車速和車速標準差會發生變化[14]。因此，車速特征也可以應用于疲勞駕駛檢測。沃爾沃（Volvo）汽車公司于2005年研制的“駕駛員警示系統”就是基于車輛速度特征識別車輛狀態，如：車輛被判定為失控狀態則認為駕駛員大概率處于疲勞狀態。

基于車輛行為特征的疲勞駕駛檢測方法一般為非接觸式，往往采用傳感器和圖像處理技術對車輛行為特征進行檢測，檢測設備易于實車安裝，數據采集方便，對駕駛員無侵入性且成本較低、實時性較強、市場前景較好。但該方法魯棒性較差，檢測精度易受車輛型號、行駛路況及駕駛習慣等因素影響。

1.3 駕駛員面部特征

疲勞駕駛時，駕駛員面部特征和頭部活動將發生變化，如點頭行為異常、眨眼情況變化等。目前，基于面部特征的疲勞檢測方法主要依靠車載攝像頭獲取駕駛員的面部圖像信息，運用圖像處理技術對面部疲勞特征進行提取，以用于疲勞識別。隨著機器視覺的快速發展，該類方法的檢測精度和檢測速度均有較大的進步，是研究中的熱點。常用的面部特征包括眼部特征、嘴部特征和頭部特征等。

1.眼部特征

眼部的疲勞特征主要和眨眼情況相關，如：單位時間內眼瞼閉合率（PERcentage of eyelid CLOSure over the pupil over time, PERCLOS）、眨眼頻率、眨眼速率、視線方向、瞳孔直徑等。

1）PERCLOS特征。PERCLOS是最具代表性的眼部疲勞指標，表征單位時間內眼睛閉合狀態所占時間的百分比。最開始研究眼睛特征與疲勞關系的學者是KNIPLING[15]，實驗表明，眼睛閉合時間與疲勞程度呈正相關。在此基礎上，卡內基梅隆大學（Carnegie Mellon University）駕駛研究中心經長期試驗，提出度量疲勞的物理量PERCLOS[16]。PERCLOS的計算有三個標準，分別是EYEMEAS（EM）標準、P70標準、P80標準，其中EM標準以眼瞼閉合情況的均方百分比為疲勞指標，而P70和P80標準分別表示眼瞼遮蓋瞳孔的面積超過70%和80%時，判定為眼睛閉合狀態，分別以對應標準計算PERCLOS。后續研究表明，P80標準相較于其他兩個標準能更好地匹配駕駛員的疲勞狀態，是目前科研中常用的標準。1999年4月，疲勞駕駛方面的專家參加了美國聯邦公路管理局（Federal High Way Administration, FHWA）召開的學術會議，明確了PERCLOS作為疲勞駕駛判別指標的可行性。

2）眨眼特征。疲勞狀態下眨眼持續時間、眨眼頻率和速率都將發生變化。日產（Nissan）汽車公司研制了一款根據駕駛員的眨眼頻率來識別疲勞狀態的疲勞預警系統。通過高清攝像頭實時采集駕駛員的眼部圖像，然后將信息傳入到疲勞預警系統進行分析和處理。如果在某一時間段內，駕駛員的眨眼次數太多或者是太少，系統則判定駕駛員可能處于疲勞駕駛狀態，將通過報警系統發出疲勞警告。

3）視線特征。在正常的駕駛場景中，為了觀察周邊環境，駕駛員視線會正視前方或者緊盯后視鏡，而疲勞時視線方向會發生偏離。WAHLST- ROM[17]使用高清攝像頭獲取駕駛員的面部圖像，隨后通過顏色分析法篩選出眼部圖像，并以瞳孔比周圍虹膜及鞏膜顏色更深理論依據，確定出瞳孔的位置，最后根據瞳孔和眼角的相對位置關系確定視線方向。當檢測到的視線長時間偏離正前方，則認為駕駛員注意力不集中，很可能處于疲勞狀態。

4）瞳孔特征。瞳孔檢測最初用于檢測飲酒和吸毒行為，目前也被用于疲勞檢測。當人處于疲勞狀態時會對光更敏感，視力更模糊，觀察環境時眼睛會過度調節，會使瞳孔縮小。瞳孔直徑與疲勞程度關系密切，而瞳孔直徑變異系數（Coeff- icient of Variation of Pupil Diameter, CVPD）能反映瞳孔的波動情況。研究表明，駕駛員在清醒、輕度疲勞、中度疲勞和重度疲勞下的CVPD存在顯著差異，且疲勞對駕齡長的駕駛員影響比新駕駛員更顯著[18]。

2.嘴部特征

疲勞狀態下，打哈欠頻次將升高。提取哈欠特征的方式與眨眼特征提取的方式較類似，且嘴部狀態相對于眼部狀態更易準確識別。但在檢測哈欠特征時需要排除唱歌、咳嗽、講話等類似張嘴行為的干擾。其排除依據是駕駛員在唱歌、咳嗽、講話的過程中，嘴部會頻繁開閉，張、閉狀態不斷改變，這與哈欠時的嘴巴持續張開有顯著差異。此外，當駕駛員打哈欠時用手遮擋嘴部，或者在光線較差的情況，基于RGB（Red Green Blue）圖像和嘴巴開閉的哈欠檢測將失效[19]。

3.頭部特征

疲勞狀態下的駕駛員會情不自禁地低頭和反復點頭，其點頭頻率增加、頭部姿態產生變化。因此，駕駛員單位時間內的點頭頻率和低頭時長可以間接反映其疲勞狀況。早期的頭部姿態計算方法通常是利用多個距離傳感器，以此估算駕駛員的頭部位置和姿態。如澳大利亞先進安全概念公司設計了一種頭部位置傳感器，利用一個相鄰的電極電容傳感器陣列，并將其安裝在駕駛員座位上面，每個傳感器均能輸出駕駛員頭部對應點位到傳感器的距離。利用三角代數算法便可實時計算頭部在三維空間中的位置，最后根據頭部位置的變化特征來識別駕駛員的疲勞狀態[20]。近年來，有學者采用人臉識別技術來計算頭部關鍵點，并將二維的特征點映射到三維空間以估計頭部姿態。也有學者采用歐拉角來描述頭部姿態變化，將頭部抽象為一個剛體，用俯仰角（pitch）、偏航角（yaw）、翻滾角（roll）三個自由度定義其運動空間，其中點頭動作將引起較大的俯仰角變化和較小的偏航角及翻滾角變化。每當駕駛員頭部俯仰角產生較大變化時，判定為一次點頭行為，過多的點頭行為將作為疲勞的依據。

基于駕駛員面部特征的檢測方法是通常利用攝像頭和圖像處理技術提取疲勞特征。該方法信息采集比較便捷，不會影響駕駛員的正常駕駛，設備小巧成本低，方便實車安裝。隨著機器視覺技術的發展，其檢測精度越來越高，市場前景好，易于推廣使用。

2 基于機器視覺的疲勞駕駛檢測

機器視覺是人工智能領域非常具有代表性的技術。目前，機器視覺在疲勞駕駛檢測領域有著較為廣泛的應用，檢測過程中所提取的疲勞特征一般為駕駛員面部特征，其檢測流程通常如圖1所示。

圖1 基于機器視覺的疲勞駕駛檢測基本流程

下面介紹機器視覺技術在疲勞駕駛檢測領域的研究現狀，這些研究的主要特征如表1所示。

表1 基于機器視覺的疲勞駕駛檢測研究現狀

注：MLP：多層感知器（Multi Layer Perceptron）；RF：隨機森林（Random Forest）；SVM：支持向量機（Support Vector Machine）；NB：樸素貝葉斯（Na?ve Bayes）；LR：邏輯回歸（Logistic Regression）；DT：決策樹（Decision Tree）；KNN：-近鄰（Nearest Neighbor）。

2.1 RGB圖像

2.1.1 眼部特征

MAIOR[21]通過Dlib庫提取人臉的68個關鍵特征點，其中包括左右眼的眼角和眼瞼位置，再通過特征點坐標計算出眼睛的高寬比（Eye Aspect Ratio, EAR），以反映眼睛的開閉情況，其理論依據是閉眼時，EAR接近0，而睜眼時EAR較大。此外，將眼睛的開閉狀態分為睜眼、長眨眼、短眨眼三類，并要求受試者做不同的眨眼行為，生成用于訓練的數據集。檢測過程中，首先通過攝像頭獲取圖像，計算并記錄每一幀的EAR，然后，將連續15幀的EAR作為MLP、RF和SVM三種機器學習算法的輸入，以實現疲勞的檢測。總體而言，SVM表現最好，平均測試準確率為94.9%。

2.1.2 面部信息熵

YOU[22]發現駕駛員在疲勞時，頭部轉動和面部的變化會更少，此時面部蘊含的信息熵會更小。通過聚類分析發現，在不同的頭部姿勢下，駕駛員的面部三角區（雙眼與嘴巴構成的區域）面積、中心的橫坐標F、縱坐標F將發生顯著變化，并以這三個分量構建面部特征向量。隨后利用特征向量計算當前幀的面部二維特征點，用于計算信息熵，實現疲勞檢測。

在實驗中，以WIDER FACE數據庫為訓練集，將訓練后的YOLOv3卷積神經網絡用于駕駛員面部圖像的提取，再通過Dlib庫提取人臉的特征點，計算當前幀的面部特征向量和特征點。隨后利用滑動窗口技術，計算每1 000幀的面部特征點所蘊含的信息熵。最后通過SVM分類器訓練一個疲勞信息熵閾值，當計算出的信息熵小于閾值時，可認為駕駛員當前時段處于疲勞駕駛狀態。

2.1.3 各類面部特征

CHENG[23]以某段時間內，駕駛員眨眼持續時間（Blink Duration, BD）、閉眼速度（Closing Speed, CS）、睜眼速度（reOpening Speed, rOS）的最大值、最小值、均值、25%分位數、50%分位數、75%分位數以及眨眼頻率（Blink Rate, BR）、哈欠次數（Number of Yawns, NY）、PERCLOS特征，共計21個疲勞特征為出發點，構建疲勞駕駛檢測模型。

通過駕駛模擬器環境收集駕駛員面部圖像，并實時計算EAR、嘴巴高寬比（Mouse Aspect Ratio, MAR）用于計算疲勞特征。在實驗中，將眨眼閾值和哈欠閾值分別設置為0.16和0.6，這意味當<0.16時將眼睛識別為閉眼狀態；＞0.6時將嘴巴識別為開口狀態。根據閾值模型即可計算某一時段內駕駛員的PERCLOS等特征。隨后開展了一系列交叉驗證，通過最小冗余最大相關性（max-Relevance and Min-Redundancy, mRMR）算法對比各疲勞特征在不同疲勞程度分級場景、不同場景（城市道路、高速公路）中與疲勞的相關性，實驗表明PERCLOS特征在大多數情況與疲勞的相關性最強。最后通過比較檢測精度對比了SVM、NB、LR和DT在不同疲勞程度分級場景、不同場景下，選用不同疲勞特征時的表現，實驗中疲勞程度二分類模型下的LR表現最佳，平均檢測準確率為84.1%。

2.1.4 多特征融合

張闖[24]采用多特征融合的思路，將眨眼特征與哈欠特征進行融合，并設計了一個閾值模型完成疲勞檢測。實驗在真實道路場景下實車采集數據，將攝像頭采集的駕駛員實時圖像輸入多任務級聯卷積神經網絡（Multi-Task Cascaded convolu- tional Neural Networks, MTCNN），篩選出含有面部的圖像，并對含有面部的圖像進一步提取眼睛和嘴巴的感興趣區域（Region Of Interest, ROI），以提高檢測效率。隨后利用Dlib庫中的68個面部特征點，基于PERCLOS、EAR和MAR按不同的權值相加得到每一幀的疲勞識別參數，并在其大于閾值時計數，在一定時間內，計數次數越多說明駕駛員越疲勞。實驗結果顯示，使用MTCNN進行面部區域檢測的檢測速度為0.029 s，準確率達96.4%，且該疲勞駕駛檢測系統的準確率達到了93.1%。

基于RGB圖像的疲勞檢測方法受駕駛環境的影響較大，具體表現為在光線較差的場景檢測效果不理想、駕駛員佩戴眼鏡時影響眼部特征提取等、佩戴口罩時影響嘴部特征提取。

2.2 紅外熱像圖

如2.1小節所述，基于RGB圖像的疲勞檢測往往容易受到光照的影響，在光照較差的夜間檢測效果欠佳。紅外熱成像技術不受光照影響，能提取被測物體的溫度分布信息。目前，已有研究將熱成像技術應用于疲勞檢測領域，為此提供了新的研究思路。

2.2.1 皮膚溫度特征

研究表明，缺乏睡眠將誘發交感神經興奮，產生血管收縮異常現象，具體表現為眼部區域充血、額頭處血流增多等情況。在紅外熱像圖上，這些異常表現將使額頭區域出現不對稱的溫度分布、眼部區域出現面積更大的熱區區域，且這些異常的紅外熱成像表達與性別無關。

陳莉莉[25]使用SWIRI-FX紅外熱像儀采集駕駛員面部的紅外熱成像數據，其測溫范圍為-20～150 ℃，采集頻率為50幀/s。隨后針對眼部區域和額頭區域通過計算灰度梯度共生矩陣得到紋理特征，分別利用KNN、SVM和RF三種分類器建立檢測模型。實驗表明，SVM的檢測效果最佳，精度達91%。

2.2.2 哈欠特征

在打哈欠過程中，嘴巴吸入空氣會導致口腔內溫度下降，尤其是舌頭上半部分。此外，舌頭下方或口腔底部，也會暴露在相機面前，導致熱像圖出現變化。而這些變化在呼出經肺部加熱過的空氣時會更明顯。

KNAPIK[26]提出一種基于熱成像哈欠檢測的駕駛員疲勞識別新方法。將FLIR A35紅外溫度傳感器安裝在擋風玻璃的頂部（遮陽板的下方），紅外圖像采集頻率為30幀/s，將不會影響駕駛員的視野。考慮到嘴巴閉合時，嘴唇與面部其他部位溫度差異較小，口腔輪廓較難提取。而在熱像圖中，眼部位置較容易提取，因此，利用眼部的位置信息輔助定位嘴部位置。將口腔溫度的異常變化作為哈欠檢測的依據，并利用溫度變化的均值和標準差特征排除由正常呼吸和說話引起的溫度波動干擾。

2.2.3 呼吸特征

KIASHARI[27]提出一種基于熱成像分析駕駛員呼吸特征的疲勞檢測系統，其基本原理是吸氣和呼氣將引起呼吸區域溫度變化，通過紅外熱像圖即可提取呼吸信號。實驗利用熱圖像序列在前幾秒的變化來定位呼吸區域。由于駕駛員的正常呼吸頻率在12～20次/min變化，因此，兩次連續呼吸之間可能的最大時間間隔約為5 s。故將熱圖像序列前5 s內具有較大變化的圖像區域定位為呼吸區域候選區域。基于駕駛模擬器實驗獲得的熱信號數據，計算呼吸頻率（Respiratory Rate, RR）和吸氣呼氣時間比（Inspiration/Expiration, I/E），并以其2 min內的均值和標準差作為輸入特征，以訓練SVM和KNN分類模型。結果顯示，SVM識別效果要優于KNN，且SVM再將所有呼吸特征融合時，檢測表現最佳，準確率和查準率均達到90%。

基于紅外熱像圖的疲勞檢測方法雖然不受光照等環境影響，但駕駛員的眼鏡、過長的頭發等因素將對溫度檢測產生干擾。

2.3 特點分析

基于機器視覺的疲勞駕駛檢測具有如下特點：

1.車載實時性強

疲勞駕駛檢測設備需有較強的車載實時性，且不能干擾駕駛員正常駕駛。基于機器視覺的疲勞駕駛檢測借助深度學習算法能夠滿足檢測的實時性，而利用車載攝像頭提取疲勞特征的方式往往不會對駕駛員造成干擾。

2.數據集豐富

目前，已經標定用于疲勞分析的視頻數據集較豐富，如國立清華大學疲勞駕駛檢測（National Tsing Hua University-Driver Drowsiness Detection, NTHU-DDD）、YawDD、CEW（Closed Eyes in the Wild）、WIDER FACE數據集等。

3.檢測精度高

目前，基于機器視覺的疲勞駕駛檢測能較好地與機器學習分類算法耦合，而由于視頻數據信息量龐大，較容易訓練出分類效果好的疲勞檢測模型。

4.部分場景魯棒性差

基于機器視覺的疲勞駕駛檢測易受特定環境的干擾。如使用RGB圖像進行檢測時，光線強弱、駕駛員是否佩戴眼鏡、口罩將會對檢測結果造成干擾；使用紅外熱像圖進行檢測時，駕駛員過長的頭發和胡須、空調時不時吹出的冷熱空氣會使檢測效果變差。

3 發展趨勢

近年來，在國內外研究人員的努力下，疲勞駕駛檢測領域已有了較大的進展。在實際應用領域，已有許多車型配備了疲勞駕駛監測系統，如零跑T03、廣汽埃安AION Y、一汽-大眾高爾夫GTI、長安UNI-K、嵐圖夢想家、哈弗赤兔、斯巴魯FORESTER、比亞迪護衛艦07、領克05等。在此研究領域的發展趨勢如下：

3.1 多源信息融合

相較于利用單一特征進行疲勞檢測，多源信息融合式的疲勞檢測系統雖然較復雜，但其能夠融合各方面疲勞特征的優點，往往能達到更優越的魯棒性和檢測精度，在真實道路場景具有更大的潛力，是今后研究的熱點。

3.2 機器學習方法

傳統的疲勞駕駛檢測模型一般通過統計學方法提取行為概率特征或是基于少量數據樣本的數理模型驅動。隨著人工智能在各個領域的廣泛應用，眾多學者將機器學習方法應用于疲勞駕駛檢測，如使用YOLO（You Only Look Once）算法提取駕駛員的眼部圖片、采用SVM模型識別眼睛開閉狀態等，為疲勞狀態識別帶來了新的研究思路。機器學習能夠通過對數據深度特征學習，構建應對復雜分析問題的模型，非常適用于疲勞駕駛檢測領域。

3.3 檢測模型的魯棒性

目前，大部分的疲勞檢測方法是在駕駛模擬器上進行驗證，缺少基于真實道路數據的驗證。并且許多研究并未考慮駕駛員的個體特征（如性別、年齡、是否佩戴眼鏡等）、駕駛環境特征（如光線強度、道路線型等）。未來的研究應完善不足，進一步提高檢測模型的魯棒性。

3.4 檢測設備的車載實時性

疲勞駕駛檢測設備車載性要好，且檢測過程實時性要強，不能干擾駕駛員正常駕駛，對疲勞的駕駛員做到及時有效地預警，才能真正走進駕駛員日常生活，切實保障行車安全。今后的研究應逐步由理論向實際應用轉型。

4 結語

疲勞駕駛的研究圍繞檢測、預警和管控三大核心展開，其最終目的是改善道路交通安全。目前在疲勞駕駛的檢測和預警方面已開展了較多研究，但只有部分研究成果能夠走出實驗室，走進駕駛員的日常生活，仍需要進一步完善產學研的深度融合。在管控方面，大多數駕駛員能夠準確感受自己的疲勞情況，但由于自身安全意識淡薄，對疲勞駕駛的危害認識不足，往往會選擇繼續駕駛，到達目的地才進行休息。

今后不僅要繼續發展與完善疲勞駕駛檢測和預警方法，同時也要加大交通安全相關知識的宣傳力度，讓更多駕駛員對疲勞駕駛產生科學的認識，從根源上減少疲勞駕駛行為，為安全出行提供更好的保障。

[1] LI Y Y,TOSHIYUKI Y,ZHANG G N.The Effect of Fatigue Driving on Injury Severity Considering the Endogeneity[J].Journal of Safety Research,2018,64: 11-19.

[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,2010,10(2):104-109.

[3] 胥川,裴賽君,王雪松.基于無侵入測量指標的個體差異化駕駛疲勞檢測[J].中國公路學報,2016,29(10): 118-125.

[4] 施翔勻.基于心電信號的疲勞駕駛診斷[D].北京:北方工業大學,2019.

[5] 王洪濤,殷浩鈞,陳創泉,等.基于腦電信號的駕駛疲勞檢測綜述[J].華中科技大學學報(自然科學版), 2022,50(11):54-65.

[6] 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. Piscataway:IEEE,2007:652-656.

[7] 張磊,方遒,孫彥超.基于毫米波雷達的疲勞駕駛監測系統[J].機電技術,2022(2):92-95.

[8] 王侃.基于眼電信號的疲勞駕駛檢測技術的研究[D].吉林:東北電力大學,2022.

[9] 李鑫,張暉,吳超仲等.基于脈搏波特征融合的駕駛疲勞檢測方法[J].中國公路學報,2020,33(6):168-181.

[10] SAHAYADHAS A,SUNDARAJ K,MURUGAPPAN M.Detecting Driver Drowsiness Based on Sensors:A Review[J].Sensors,2012,12(12):16937-16953.

[11] 蘭振東.基于腦電與車輛運動信息融合疲勞檢測研究[D].大連:大連理工大學,2021.

[12] 張海兵.基于方向盤握力的駕駛員狀態識別系統設計[D].太原:太原理工大學,2020.

[13] 劉志峰.車輛集成式橫向安全預警系統及其關鍵技術[D].北京:清華大學,2011.

[14] 郭思強,滕靖,郭旭健,等.基于車輛行駛數據的營運車駕駛員疲勞駕駛監控研究[C]//第九屆中國智能交通年會.北京:中國智能交通協會,2014:89-100.

[15] KNIPLING R R,WIERWILLE W W.Vehicle-based Drowsy Driver Detection:Current Status and Future Prospects[R].Washington:United States Department of Transportation,1994:1-22.

[16] DINGES D F,GRACE R.PERCLOS:A Valid Psycho- physiological Measure of Alertness as Assessed by Psychomotor Vigilance[J].NASA Tech Brief,1998,3: 5-9.

[17] WAHLSTROM E,MASOUD O,PAPANIKOLOPOULOS N.Vision-based Methods for Driver Monitoring[C]// 2003 Proc IEEE International Conference.Piscataway: IEEE,2003:382-394.

[18] 趙小平,閔忠兵,薛運強,等.新手駕駛人疲勞狀態下的視覺特性研究[J].重慶理工大學學報(自然科學), 2023,37(1):149-157.

[19] JAGANNATH M,BALASUBRAMANIAN V.Assess- ment of Early Onset of Driver Fatigue Using Multi- modal Fatigue Measures in a Static Simulator[J]. Applied Ergonomics,2014,45(4):1140-1147.

[20] 遲健男,張國勝,劉琳娜.駕駛疲勞監測方法綜述[J].交通節能與環保,2015,11(4):84-89.

[21] MAIOR C,MOURA M,SANTANA J,et al.Real-time Classification for Autonomous Drowsiness Detection Using Eye Aspect Ratio[J].Expert Systems with Appl- ications,2020,158:1-12.

[22] YOU F,GONG Y,TU H,et al.A Fatigue Driving Detec- tion Algorithm Based on Facial Motion Information Entropy[J].Journal of Advanced Transportation,2020 (2):1-17.

[23] CHENG Q,WANG W,JIANG X,et al.Assessment of Driver Mental Fatigue Using Facial Landmarks[J]. IEEE Access,2019,99:1-10.

[24] 張闖,朱天軍,李學民.基于深度學習和面部多特征融合的駕駛員疲勞檢測研究[J].計算機測量與控制, 2022,30(12):42-50.

[25] 陳莉莉.基于視覺特征融合的疲勞駕駛檢測方法[D].上海:上海工程技術大學,2020.

[26] KNAPIK M,CYGANEK B.Driver's Fatigue Recogni- tion Based on Yawn Detection in Thermal Images[J]. Neurocomputing,2019(21):274-292.

[27] KIASHARI S E H,NAHVI A,BAKHODA H.et al. Evaluation of Driver Drowsiness Using Respiration Analysis by Thermal Imaging on a Driving Simulator [J].Multimedia Tools and Applications,2020,79(25/ 26):17793-17815.

Research Progress of Detection Methods for Fatigue Driving

CHEN Jianzhe

( School of Automobile, Chang'an University, Xi'an 710064, China )

Fatigue driving is an important factor that induces traffic accidents,and it is of great research value and social significance to study how to quickly and accurately identify the fatigue state of drivers and provide fatigue warning before accidents occur to prevent fatigue driving and promote traffic safety.This paper introduces fatigue detection methods based on driver's physiolo- gical characteristics, vehicle behavior characteristics and driver's facial characteristics in comparison from the principle of fatigue detection, and analyzes the current status of research on fatigue driving detection based on machine vision and its characteristics, in order to provide new ideas for researchers.

Fatigue driving; Detection method; Driving behavior; Machine vision; Traffic safety

U471.15

A

1671-7988(2023)21-179-08

10.16638/j.cnki.1671-7988.2023.021.036

陳見哲（2000－），男，碩士研究生，研究方向為交通安全，E-mail:627512269@qq.com。