徐松、王敬暉、隋英楠、許文利

（昆明鐵道職業(yè)技術學院，云南 昆明 650000）

0 引言

隨著中國經濟的快速發(fā)展，汽車保有量逐年增加。道路交通事故的數(shù)量也在逐年增加，而大多數(shù)駕駛員在駕駛過程中都有打瞌睡的經歷，駕駛員無意識的入睡往往會導致交通事故的發(fā)生[1]。因此，針對疲勞駕駛檢測技術的研究具有重要的現(xiàn)實意義，成為當前國內外研究的熱點。

1 疲勞駕駛檢測技術的分類

由于疲勞駕駛的狀態(tài)識別涉及醫(yī)學、心理學、光學、通信、計算機等多種學科，因此國內外學者對疲勞駕駛檢測方法的研究各有側重。目前，業(yè)內普遍認為疲勞駕駛的識別可以根據(jù)研究方式的不同分為兩大類：

一是主觀評價法，二是客觀度量法[2]。主觀評價法即在駕駛人參與的情況下，通過回答試驗人員的一些問題以及駕駛員的綜合表現(xiàn)來分析駕駛員是否處于疲勞狀態(tài)?？陀^度量法是通過外部裝置采集駕駛員駕駛過程中的相關數(shù)據(jù)，以評估其疲勞狀態(tài)的方法，目前主要有：基于生理信息的識別方法、基于操控行為的識別方法、基于行車狀態(tài)的識別方法、基于機器視覺的識別方法以及基于多源信息融合的方法[3]。疲勞駕駛檢測方法的分類如圖1 所示。

圖1 疲勞駕駛檢測方法

2 疲勞駕駛檢測技術的研究進展

2.1 主觀評價方法

在疲勞駕駛研究初期，由于計算機技術和電子技術尚不成熟，對疲勞駕駛的研究主要是基于駕駛人的主觀感受或其表現(xiàn)出的疲勞特征等來進行分類量化。較為常用的評價標準是卡羅林斯卡嗜睡度量表（KSS）以及斯坦福嗜睡程度量表（SSS）等[4]。

主觀評價方法雖然實施起來較為簡單，但是由于個體的差異性，評價過程中受測者對于表中各項問題的理解都存在一定程度的偏差，導致檢測結果具有主觀性；同時問詢或評價若是發(fā)生在駕駛過程中，則存在侵入性，干擾駕駛人的正常駕駛。若在事后進行，則時效性差，很難反映駕駛員當時的真實狀態(tài)，且存在駕駛者事后故意隱瞞當時的真實感受等缺點[5]。因此，目前主觀評價法一般只作為實驗研究的輔助手段，用于佐證其他疲勞檢測方法的準確性。

2.2 客觀度量方法

隨著計算機技術及電子技術的發(fā)展，基于物理傳感器的各種客觀度量方法得以快速發(fā)展，其具有準確性高、不受駕駛員主觀意識影響等優(yōu)勢，成為疲勞駕駛檢測領域的研究重點，目前應用比較多的檢測方法有以下幾種。

2.2.1 基于生理信息的識別方法

基于生理信息識別的疲勞駕駛檢測技術一般采用接觸式測量，通過對測試者駕駛時生理信號的分析，檢測駕駛人的疲勞狀態(tài)。目前，常用的檢測方法主要包括腦電信號（EEG）、心電信號（ECG）、肌電信號（EMG）等。其中，腦電信號（EEG）被認為是檢測疲勞的“金標準”[6]。焦影影[7]通過模擬駕駛試驗，發(fā)現(xiàn)α 波的衰減消失現(xiàn)象在長時間的閉眼事件中被觸發(fā)的概率會更高，表明測試者此時睡意程度較高，由此確定了腦電α 波衰減消失現(xiàn)象可以作為駕駛員進入睡眠開始狀態(tài)的指標。張欣然[8]通過模擬駕駛試驗發(fā)現(xiàn)，若要求駕駛人在疲勞時做出判別反應，此時相對θ 功率和α/θ 的值有較大差異，因而可以把這兩個生理學指標作為判斷駕駛人是否疲勞的標準，并進一步發(fā)現(xiàn)相對θ 功率降低，而α/θ 的值升高表明駕駛人疲勞度升高。Chai[9]等人采集了43 名健康駕駛員在疲勞狀態(tài)和清醒狀態(tài)的腦電數(shù)據(jù)，使用自回歸模型提取特征參數(shù)，最后利用貝葉斯神經網絡進行分類，結果表明該方法的準確率為88.2%。

基于生理信息識別的疲勞駕駛檢測方法還有心電信號。研究發(fā)現(xiàn)心率變異性與人的疲勞程度密切相關，因此不少學者對此展開研究。Murugan[10]等將心電信號（ECG）數(shù)據(jù)進行特征提取，采用SVM、K-最近鄰和集成三種分類器進行訓練，結果表明該系統(tǒng)對駕駛員疲勞時認知注意力不集中的準確度為96.6%，對駕駛員昏昏沉睡的準確度為100%。

除了腦電信號、心電信號外，表面肌電信號（EMG）也常用于監(jiān)測疲勞駕駛。程學敏[11]等以草原公路為基礎，搭建模擬駕駛試驗臺并分析了150min 內駕駛員頸部、肩部、腰部肌電數(shù)據(jù)，結果表明頸部、肩部和腰部肌肉的疲勞程度隨著駕駛時間的增加逐漸加深，且相比男性駕駛員，女性駕駛員的肌電信號曲線波動更大。Wang[12]等通過真實駕駛試驗，進一步明確了駕駛員的第6 頸椎上斜方肌在駕駛過程中更容易疲勞，可以作為肌電信號（EMG）的數(shù)據(jù)采集位置，并選取EEG 和EMG 的近似熵作為自變量，建立了基于馬氏距離理論的駕駛員疲勞判別模型，經驗證模型準確度達到90.92%。

從上可知，基于生理信息的疲勞駕駛檢測方法雖然準確性、可靠性相對較高，但采集信號時一般需要駕駛人佩戴相應的裝置（電極片、腦電帽等），可能干擾到駕駛者的正常操作，因此該方法目前不適用于實車模式，多用于駕駛模擬實驗中。

2.2.2 基于操控行為的識別方法

當駕駛員出現(xiàn)疲勞時，其對車輛的控制也會出現(xiàn)異常?；诓倏匦袨榈淖R別方法，是通過分析駕駛人方向盤的轉角、握力及踏板的操作特性來推測駕駛人的疲勞狀態(tài)[13]。

目前駕駛人對方向盤的轉角及握力特性被認為與疲勞狀態(tài)有較強的相關性。張明明[14]等提出一種通過檢測方向盤握力的方式來預測駕駛者疲勞的方法。首先采集腦電信號和駕駛員的握力信號，利用BP 神經網絡方法建立基于握力信號的疲勞特征參數(shù)與基于腦電信號的疲勞程度值之間的聯(lián)系，驗證其準確度。

Li[15]等人提出利用遞歸神經網絡搭建基于方向盤轉角的駕駛員疲勞檢測算法，通過獲取駕駛者在疲勞時的各種潛在特征，使用信息增益方法分析潛在特性與疲勞水平之間的強相關性，從而明確駕駛者的疲勞狀態(tài)。

基于操控行為的疲勞駕駛識別方法雖然不會對駕駛者的正常駕駛造成較大的干擾，但駕駛者對車輛的控制如方向盤握力、轉角等往往還與駕駛者的個人習慣、操作技能等相關，因此其準確性與魯棒性仍有待提高。

2.2.3 基于行車狀態(tài)的識別方法

駕駛者的疲勞狀態(tài)也可以通過車輛的行駛狀態(tài)得到間接反映?；谛熊嚑顟B(tài)的疲勞駕駛識別方法是通過對車輛的行駛速度、方向以及車道是否偏離等進行分析，推測駕駛人的疲勞狀態(tài)。目前，這一類的研究主要集中在車道偏離檢測上。高振海[16]等提出了一種考慮人—車—路特性的無意識車道偏離識別方法，將駕駛員無意識車道偏離行為分為疲勞偏離和次任務偏離，然后基于高斯混合隱馬爾科夫理論建立了疲勞偏離和次任務偏離無意識狀態(tài)識別模型，并完成了模型的離線測試與在線驗證，離線測試結果表明，疲勞偏離識別準確率為94.21%。

基于行車狀態(tài)的識別方法為非接觸檢測，不會干擾正常駕駛，但會受到駕駛者的駕駛習慣、意圖、經驗等因素的影響。而基于車道偏離的疲勞駕駛檢測方法要求路面良好、標志清晰，因而夜晚或雨雪天氣時可能造成精度降低；同時若想得到精確的車輛行駛狀態(tài)，除升級車載傳感器之外，往往還需要對道路進行特殊的改造，因而成本較高。

2.2.4 基于機器視覺的識別方法

基于機器視覺的識別方法指以通過攝像頭或其他圖像傳感器的方式來捕捉駕駛者的頭部畫面，通過對眼部特征、嘴部特征、頭部特征的提取，分析駕駛者是否處于疲勞駕駛狀態(tài)。

徐蓮[17]等人提出一種基于遷移學習的眼睛狀態(tài)識別網絡算法，利用多任務級聯(lián)卷積神經網絡檢測駕駛員的人臉和雙眼，然后根據(jù)PERCLOS 準則判斷駕駛員的疲勞狀態(tài)。試驗結果表明該方法準確率高、魯棒性強。Li[18]等人設計了基于改進的YOLOv3-tiny 卷積神經網絡的駕駛員人臉檢測系統(tǒng)，并單獨使用眼睛特征向量和嘴巴特征向量作為眼睛和嘴巴狀態(tài)的評估參數(shù)，然后計算駕駛員閉眼時間、眨眼頻率和打哈欠頻率。通過模擬駕駛臺測試，該算法的精度為95.1%。Ling[19]等人提出一種用于眼睛定位和狀態(tài)評估的魯棒人臉地標定位模型，以眼睛的位置為關鍵點定位臉部模型，然后提取眼睛周圍的一些面部標志點并引入眼睛寬高比來評估眼睛狀態(tài)，最后在BioID 數(shù)據(jù)集上測試其準確率約為97.7%。

基于機器視覺的識別方法，通過對駕駛者面部表情的分析來推測其疲勞狀態(tài)，具有實時性、非侵入性等優(yōu)點，且其檢測方便、成本低，因而成為當前研究的熱點之一。但受駕駛過程中駕駛人的個體差異、光照條件等因素的影響，所以全天候、高魯棒性的算法仍存在技術瓶頸。

2.2.5 基于多源信息融合的識別

由于駕駛員個體存在差異性，因此不同駕駛員所表現(xiàn)出來的疲勞特征各有不同，而僅使用某一種特征信息進行疲勞檢測往往會有局限性?；诙嘣葱畔⑷诤系姆椒ㄊ蔷C合分析駕駛員各種疲勞特征，然后對駕駛員的疲勞狀態(tài)進行判別與預警，相比于單一特征，其準確率和穩(wěn)定性更高[20]。

馬佳磊[21]等人提出基于面部多重信息的駕駛人狀態(tài)檢測方法，以面部的多重信息為分析對象，使用支持向量機算法完成駕駛人瞬態(tài)表情的識別，然后采用端點檢測和特征匹配的方法實現(xiàn)駕駛人疲勞狀態(tài)檢測。Li[22]等人提出了一種新的基于多特征融合和半監(jiān)督主動學習的疲勞駕駛檢測模型，將車輛的轉向特征和駕駛員的面部特征進行融合分析，并將疲勞狀態(tài)劃分為9 個級別，測試結果表明其準確率為86.25%。杜瑩[23]等人提出一種基于多特征融合的方法來進行疲勞檢測，首先使用級聯(lián)的殘差回歸樹標注68 個人臉特征點，然后提取出眼瞼開合度、眨眼頻率、嘴巴張開度、打哈欠頻率和頭部姿態(tài)角五種疲勞特征，得到七個特征參數(shù)；最后采用高斯核函數(shù)的支持向量機把上述特征融合起來建立疲勞檢測模型，測試結果表明該算法能夠滿足實時檢測的需求且具有較高的魯棒性。

基于多源信息融合的方法是采集并提取多種目標特征，改善了單一信息容易受駕駛者個體差異、駕駛環(huán)境影響的弊端，提高了檢測的精準性，但如何設計合理的融合模型是提高準確度的關鍵，若模型設計不合理，則較小的數(shù)據(jù)誤差都可能導致預測結果嚴重偏離正常值。

3 結論

本文從主觀評價法和客觀度量法兩個方面對疲勞駕駛檢測技術進行了綜述。疲勞駕駛檢測技術的研究有利于進一步提高道路交通安全，具有非常重要的現(xiàn)實意義。目前，雖然國內學者都已對疲勞駕駛展開了相應的研究，但大多是在模擬駕駛平臺上進行的，存在較大的局限性。通過對國內外疲勞駕駛檢測技術的綜述可以看出，今后的研究方向應從以下幾個方面展開：

第一，制定統(tǒng)一、規(guī)范的疲勞駕駛檢測標準，同時基于疲勞形成的機理及本質，不斷完善疲勞駕駛狀態(tài)的等級劃分，建立科學、準確的疲勞狀態(tài)分級模型。

第二，疲勞駕駛檢測技術的實驗研究逐步從模擬駕駛平臺向真實道路上轉換，在實際道路上驗證疲勞駕駛檢測技術的準確度和魯棒性。

第三，為進一步提高疲勞駕駛檢測技術的準確性和可靠性，應不斷加強與疲勞駕駛相關特征參數(shù)的提取與融合，因此多源信息融合技術將逐步成為研究的熱點。

第四，疲勞駕駛檢測技術的研究不能僅僅局限在檢測層面，更應向預警和控制這兩個方面展開，從而更加有效地保障道路交通的安全。