畢玖琚 秦訓鵬 吳強 石愛賢 范彬彬

（1.武漢理工大學，現(xiàn)代汽車零部件技術湖北省重點實驗室，武漢 430070；2.武漢理工大學，湖北省新能源與智能網聯(lián)車工程技術研究中心，武漢 430070）

主題詞：道路安全 商用車 疲勞駕駛 預警系統(tǒng)

1 前言

駕駛員疲勞可以定義為一種精神警覺性降低的狀態(tài)，它最常歸因于長時間的工作或由晝夜節(jié)律驅動的嗜睡，并且通常隨著清醒時間的延長而增加[1]。實時監(jiān)控駕駛員疲勞狀態(tài)，可改善道路交通安全，特別是在自動駕駛汽車尚未普及的情況下。疲勞預警系統(tǒng)應具有高穩(wěn)定性和短傳輸延遲的監(jiān)控系統(tǒng)、有效的人機交互和準確的疲勞檢測功能。

與乘用車疲勞預警系統(tǒng)相比，商用車疲勞預警系統(tǒng)的特殊性表現(xiàn)在3 個方面：監(jiān)控和管理通常更復雜，涉及車輛跟蹤、車輛調度、員工管理等功能；工作環(huán)境更復雜，如噪聲較大，需定義最有效的警告方式；大型工程車輛的外形尺寸更大，操控不靈活，尤其是在制動能力方面，所以更易產生超速、緊急制動、速度波動較大等風險駕駛行為，對車輛運行狀態(tài)的檢測需更準確。

本文對監(jiān)控系統(tǒng)、人機交互界面和檢測方法3個方面的研究現(xiàn)狀進行詳細分析，并針對研究難點提出技術發(fā)展方向，以期提高疲勞預警系統(tǒng)的有效性。

2 監(jiān)控系統(tǒng)

商用車監(jiān)控系統(tǒng)（Commercial Vehicle Monitoring System，CVMS）是整個疲勞預警系統(tǒng)設計的基礎[2]。隨著商用車服務的復雜性和規(guī)模的不斷增加，監(jiān)控系統(tǒng)的設計成為一大挑戰(zhàn)。其原因主要有：道路運輸需求快速增長、汽車保有量劇增、車輛交通管控難度大；長時間駕駛汽車很可能降低商用車駕駛員的駕駛能力，導致疲勞駕駛和駕駛員分心等問題；監(jiān)控系統(tǒng)要求具備高穩(wěn)定性、短傳輸延遲和海量數(shù)據處理能力。這些因素導致監(jiān)控系統(tǒng)需要與多個傳感器進行通信。

2.1 CVMS的系統(tǒng)架構

如圖1 所示，CVMS 的系統(tǒng)架構包括帶有各種傳感器的車載終端、遠程監(jiān)控中心和通訊設施。它可分為監(jiān)控平臺和管理平臺，具有車輛跟蹤、車輛監(jiān)控、車輛搜索、車輛調度等功能。

圖1 監(jiān)控系統(tǒng)架構

監(jiān)控系統(tǒng)所需傳感器如表1所示，傳感器可以集成到車載終端，或將信號傳輸至終端。系統(tǒng)所需警示裝置包括液晶屏、音響設備和振動椅。

表1 所需傳感器及功能

2.2 CVMS的監(jiān)控對象

系統(tǒng)監(jiān)控對象包括車輛狀態(tài)信息和駕駛員行為，主要監(jiān)控目標如下：

a.駕駛員分心。駕駛時進行其他活動，可能會迫使駕駛員將注意力從道路上移開，如吸煙、打電話等。

b.疲勞駕駛。駕駛員感到乏味，無法專心駕駛，包括經常打哈欠、打瞌睡等。

c.車輛在工作過程中產生的相關信息。包括定位、運行狀態(tài)、線路等。

d.與行政管理相關的車輛信息和業(yè)務活動信息。

2.3 國內外研究現(xiàn)狀

目前，中國市場已經出現(xiàn)了一些車載監(jiān)控系統(tǒng)產品。然而，大多數(shù)產品專注于車輛信息處理，而忽略了對異常駕駛行為的檢測。

T.Haramaki 等[3]提出了一種可以通過機器學習檢測任何事件的方法。他們訓練了來自多個傳感器的車內環(huán)境數(shù)據和駕駛員的生命體征數(shù)據來配置檢測器，并設計了一臺邊緣計算機來實時觀察駕駛員，用于提高系統(tǒng)的準確性和服務性。車載終端處理來自多傳感器的實時數(shù)據，可發(fā)現(xiàn)駕駛過程中的潛在威脅并給出反饋，如圖2所示。S.C.Anjankar等[4]基于物聯(lián)網和云技術搭建了智能城市車輛監(jiān)控系統(tǒng)。系統(tǒng)使用了負載傳感器、酒精檢測傳感器、輪速傳感器等。一旦檢測的數(shù)據與傳感器設置的參數(shù)有偏差，便會將車輛信息發(fā)送到車載終端，之后生成表格發(fā)送給遠程監(jiān)控中心。

圖2 車載終端與監(jiān)控目標之間的聯(lián)系

蘭州交通大學牛寶等[5]基于開源性Linux 操作系統(tǒng)開發(fā)了長途客車監(jiān)控系統(tǒng)。此系統(tǒng)主要采用ARM11作為主控硬件平臺，通過對駕駛員人眼運動的檢測判斷其是否處于疲勞駕駛狀態(tài)；采用多傳感器融合技術對客車進行超員檢測；采用GPRS模塊通過無線網絡將客車的信息發(fā)送到客車監(jiān)控中心。該系統(tǒng)能對長途客車進行實時定位跟蹤、超速檢測和駕駛員的疲勞檢測等。

山東大學高龍琛[6]研究了一種嵌入式疲勞駕駛遠程監(jiān)控系統(tǒng)，即僅依靠單一開發(fā)板構建疲勞駕駛+遠程監(jiān)控兩大系統(tǒng)，實現(xiàn)了車內疲勞預警和遠程人工實時監(jiān)控，并分別針對嵌入式端性能較低、相關疲勞駕駛算法移植困難以及低延時的流媒體服務器的部署等問題給出了解決方案。

重慶大學潘任飛[7]基于機器視覺的方法構建了整個駕駛員監(jiān)控系統(tǒng)，通過2個攝像頭分別采集駕駛員面部圖像和前方道路圖像，提出了一種基于車內外視覺信息的駕駛員分心狀態(tài)層級檢測方法。該方法通過駕駛員視線區(qū)域估計算法獲得駕駛員的關注區(qū)域，并且同時通過目標檢測算法和危險目標篩選算法準確獲得當前時刻的危險目標并鎖定其區(qū)域，隨后根據這2個區(qū)域完成對駕駛員分心狀態(tài)的層級檢測。

針對海量數(shù)據下車輛智能監(jiān)管的需求，X.Sheng等[8]提出了一種智能車輛監(jiān)控系統(tǒng)。此系統(tǒng)運用前、后端分離技術，采用客戶端-服務器（Client-Server，C/S）結構，服務器負責數(shù)據管理，客戶端完成與用戶的交互任務。系統(tǒng)采用SSM（Spring+SpringMVC+MyBatis）架構，以Spring Framework 為主要框架管理Spring MVC和MyBatis。Apache MyBatis作為持久層框架，負責系統(tǒng)底層MySQL數(shù)據庫的持久化操作。在數(shù)據庫連接性能優(yōu)化方面，使用了阿里巴巴設計的連接池Druid 來保證連接的安全和高效。基于以上組件和工具，完成了后端的設計和開發(fā)。設計的系統(tǒng)的主要功能模塊如表2所示。

表2 智能車輛監(jiān)控系統(tǒng)

綜上，商用車疲勞預警系統(tǒng)的監(jiān)控系統(tǒng)除了具備實時監(jiān)控駕駛員異常行為的能力，還應具備高效處理大量信息的能力。隨著硬件與軟件的不斷發(fā)展，監(jiān)控系統(tǒng)將更加完善地監(jiān)測車輛和駕駛員的信息，并且將數(shù)據快速傳輸與處理，以便后續(xù)及時向駕駛員發(fā)出預警。

3 有效的人機交互

許多商用車制造商和售后市場供應商已經開發(fā)或正在開發(fā)旨在降低與疲勞和分心相關的風險的車載技術。但在已發(fā)表的研究中很少有人評估這些系統(tǒng)人機界面（Human Machine Interface，HMI）的有效性。然而，減少疲勞和分心的關鍵是如何將信息傳輸給駕駛員及其在駕駛中的可用性和可接受性。考慮到駕駛員的操作限制、駕駛任務和商用車駕駛室中的現(xiàn)有技術條件，為商用車駕駛員定義最有效的警告方式是重中之重。

3.1 普通警告：視聽結合警告

在少數(shù)疲勞和分心警告系統(tǒng)中，警告方式為儀表板上的發(fā)光條樣式的連續(xù)視覺反饋，如圖3所示。隨著疲勞程度的提高或分心持續(xù)存在，這些警告會緊急升級。有些駕駛員認為聽覺警告在吸引注意力方面比視覺警告更有效，因為疲勞和分心都會將駕駛員的注意力從前方道路上移開，導致錯過視覺警告。C.L.Baldwin 等[9]發(fā)現(xiàn)以1 000 Hz 的非語言音調警告或口頭警告（“危險！”）呈現(xiàn)的聽覺碰撞警告可減少與疲勞相關的碰撞次數(shù)。

圖3 視覺警告“眼睛和道路”

研究表明[10-13]，在減少視覺分心和認知分心方面，多模式警告比單模式警告更有效。視覺警告不能有效地吸引視線已經轉移的駕駛員的注意力[10]。駕駛員反應時間的長短是評價警告效果優(yōu)劣的主要指標，其次是對危險工況操作的正確性和對警告信息的正確理解。研究表明[14]，聽覺和視覺的組合警告與單獨的聽覺警告相比，雖然2 種警告方式下操作正確的人數(shù)沒有明顯差異，但駕駛員的平均響應時間前者更短。所以，聽覺和視覺的組合警告方式略優(yōu)于聽覺警告方式。Aidman 等[15]使用單級視聽界面在駕駛員疲勞達到中高風險范圍時警告駕駛員，該警告降低了駕駛員疲勞度，提高了警覺性。Fitzharris 等[16]通過同時使用聽覺和觸覺的警告方式驗證了駕駛員疲勞監(jiān)測系統(tǒng)的有效性。同樣，Ayoob 等[17]發(fā)現(xiàn)駕駛員對具有多階段聽覺和視覺警告的HMI 的接受程度更高。目前，大多數(shù)系統(tǒng)同時發(fā)出多模式警告（視覺和聽覺），典型的界面包括一個發(fā)光的咖啡杯圖標以及車輛顯示屏上顯示的簡短文本消息，建議駕駛員休息。很少有系統(tǒng)指定聽覺警告的音量、音調或發(fā)出警告的頻率。

3.2 緊急警告：視聽、觸覺結合警告

然而在某些情況下，駕駛員更喜歡針對疲勞和分心警告使用不斷升級的觸覺警告[17]。研究表明[18-19]，觸覺警告比聽覺警告更有效，且引起駕駛員反感的程度相對較低。觸覺警告一般通過振動實現(xiàn)，如振動轉向盤、座椅、安全帶等。駕駛人員不同身體部位對同一振動頻率及相同部位對不同振動頻率的接受能力不同[14]。不同身體部位受振的靈敏度也不同，振動靈敏度閾值也各不相同，靈敏度最高的是手，最差的是臀肌[20]。在某些系統(tǒng)中，轉向盤振動形式的觸覺警告與視聽警告一起用于緊急提示。與轉向盤相比，駕駛員更喜歡通過座椅發(fā)出觸覺警告。通過轉向盤發(fā)出的警告具有潛在危險，因為警告可能會嚇到駕駛員、干擾轉向控制或與正常駕駛過程中來自道路的振動反饋相混淆，從而導致車輛偏離道路。Dangelmaier 和Marberger[21]發(fā)現(xiàn)，由聽覺（叮叮聲或3聲嗶嗶聲）加上通過安全帶的振動和視覺警告的多模式警告比單模式警告組合更有效。N.Azmi[22]設計了一個觸覺手帶，根據3 種不同的警告級別（輕度、平均、危險），定制了觸覺帶執(zhí)行器振動的強度和頻率，來警告處于疲勞狀態(tài)的駕駛員。

總體而言，HMI 的使用包括2 個階段，即普通警告和緊急警告。普通警告階段為針對疲勞或分心的多模式視聽警告，緊急警告應包括多模式視聽警告，并進一步通過轉向盤振動或座椅振動提供觸覺警告。

4 準確的疲勞檢測方法

目前，根據目標特征的不同，疲勞檢測方法可以分為基于駕駛員生理信號、基于駕駛員行為特征、基于車輛運行狀態(tài)和基于多特征信息融合的檢測方法。

4.1 基于生理信號的疲勞檢測方法

基于生理信號的疲勞檢測方法的主要手段是觀察駕駛員的生物電信號，包括腦電、心電、肌電、眼電和脈搏等。研究表明[23]，疲勞狀態(tài)下駕駛員的生理指標會偏離正常狀態(tài)。因此，可以根據駕駛員的肌電圖（Electromyogram，EMG）、眼電圖（Electro-Oculogram，EOG）、心 電 圖（Electrocardiogram，ECG）、腦 電 圖（Electroencephalogram，EEG）、脈搏等生理信號變化來檢測駕駛員的疲勞狀態(tài)。例如，Hostens等[24]使用了誘發(fā)電位的方法，在駕駛員長途駕駛過程中，發(fā)生駕駛疲勞時，表面肌電圖的振幅增加，而平均頻率降低。G.Calcagnini等[25]發(fā)現(xiàn)心電信號的4個典型特征，包括低頻（Low Frequency，LF）能量、超低頻（Very Low Frequency，VFH）能量、高頻（High Frequency，HF）能量和低頻能量與高頻能量的比值，在清醒和疲勞2 種狀態(tài)下存在顯著差異，通過這些特征可以顯示駕駛員是否處于疲勞狀態(tài)。M.Ohsuga等[26]根據EOG中的峰值幅度、上升時間和下降時間3個參數(shù)之間的關系，獲得了各種精神狀態(tài)下的EOG 波形。S.K.Lal等[27-28]通過腦電圖試驗發(fā)現(xiàn)了腦電圖與駕駛疲勞的關系：隨著疲勞的加深，EEG 信號的δ和θ波的相對功率譜的平均值逐漸增強，而α和β波的相對功率譜的平均值逐漸減弱；在疲勞程度很深時，δ、θ和α波的相對功率譜的平均值都會增強。

總體來說：肌電信號雖然具有客觀真實性，但對駕駛員皮膚存在一定的侵入性，不利于駕駛員的安全駕駛；EOG 信號的測試精度較高，但儀器較為復雜，并且在駕駛過程中可能干擾駕駛員的視線；心電圖檢測具有攜帶方便、操作簡單的特點，但心電圖的靈敏度很差，駕駛員心率的差異會導致該方法誤差較大；脈搏檢測簡單且靈敏度高，但傳感器之間的直接接觸會使駕駛員感到不舒適。與其他生理信號相比，EEG 信號可更直接、更準確地反映大腦本身的狀態(tài)，因此被認為是檢測疲勞的“金標準”。

4.2 基于駕駛員行為特征的疲勞檢測方法

這類檢測方法根據駕駛員頭部、眼睛、嘴等特征的變化來判斷駕駛員的疲勞程度。W.W.Wierwille[29]提出了一個重要的疲勞檢測的指標參數(shù)：單位時間眼睛閉合的百分比（Percentage of Eyelid Closure Over the Pupil Over Time，PERCLOS），并設計了疲勞檢測裝置。基于此，卡內基梅隆研究所通過反復試驗證明了物理量PERCLOS能夠檢測出疲勞或嗜睡。此外，眨眼頻率、瞳孔特征和眼睛注視的方向也是疲勞檢測的重要指標，但是這種方法很容易受到眼鏡遮擋、光線亮度等因素的影響。I.H.Choi 等[30]使用累積分布函數(shù)（Cumulative Distribution Function，CDF）分析方法先找到駕駛員的瞳孔位置，然后觀測駕駛員視線的變化來判斷駕駛員是否處于疲勞狀態(tài)。與正常狀態(tài)相比，疲勞狀態(tài)下的眨眼頻率明顯增加。在駕駛過程中，駕駛員清醒或疲勞時頭部的位置不同，因此駕駛員在一段時間內點頭的頻率同樣可作為評估疲勞的指標。例如，E.Chutorian等[31]開發(fā)了一種跟蹤駕駛員頭部位置和旋轉角度的系統(tǒng)，用來檢測駕駛員的注意力是否集中?；谧觳刻卣鞯钠跈z測方法近年來也發(fā)展迅速。例如，X.Fan 等[32]利用加博（Gabor）小波變換提取嘴角點的紋理特征，進而判斷駕駛員的疲勞狀態(tài)。

4.3 基于車輛運行狀態(tài)的疲勞檢測方法

車輛的運行狀態(tài)也會因駕駛員的疲勞發(fā)生相應改變?；谲囕v運行狀態(tài)的疲勞檢測方法根據檢測車道偏移量、轉向盤轉角、行駛車速來判斷駕駛員是否處于疲勞狀態(tài)。T.A.Dingus 等[33]發(fā)現(xiàn)疲勞導致的車道偏離與PERCLOS 具有很強的相關性，于是通過計算機視覺技術識別車道并監(jiān)控車輛的行駛路徑，得出的車道偏移量也可以作為疲勞檢測指標。判斷疲勞駕駛的常用指標還有轉向盤的轉角。轉向盤轉角長時間不變化或者突然發(fā)生較大的變化是判斷疲勞駕駛的重要特征。賈麗娟[34]在對駕駛人進行疲勞檢測研究時，對實車的轉向盤操作特征進行提取、分析，并提取試驗數(shù)據在時域和頻域上的指標，最后對指標處理并設計支持向量機（Support Vector Machine，SVM）分類器，從而開發(fā)出疲勞駕駛檢測算法。Y.Takei等[35]使用快速傅里葉和小波變換對轉向盤的轉角信號進行預處理，從中提取相關特征來判斷駕駛員的疲勞程度。車輛的行駛速度可以通過車輛傳感器輕松得到。東南大學張晨驍?shù)萚36]利用實車試驗對大型貨運車輛駕駛員的疲勞駕駛進行研究，采集車速、加速度等參數(shù)，并利用PERCLOS指標對駕駛員疲勞狀態(tài)進行判別，以探究駕駛員發(fā)生交通事故的風險。研究結果表明，速度和加速度可以作為評價重型載貨汽車駕駛員駕駛狀態(tài)的重要指標。當駕駛員達到高疲勞水平時，其平均車速、最大及最小車速都會增加，且車速穩(wěn)定性降低。此外，隨著疲勞程度的提高，加速度的均值及標準差會減小，但加速度的最大值和最小值會增大，表明駕駛人在疲勞狀態(tài)下更容易采取緊急或劇烈的駕駛動作，且疲勞將導致駕駛員的反應能力減弱。D.Sandberg 等[37]使用前饋神經網絡（Feedforward Neural Network，F(xiàn)NN）通過測量車速、車輛橫向位置、轉向盤轉角和氣動角度等狀態(tài)對疲勞數(shù)據進行分類，判斷駕駛員是否處于疲勞狀態(tài)。

車輛偏移檢測為非接觸式檢測方法，且精度高，但它很容易受到路況、天氣等因素的影響，并且當車輛發(fā)生較大偏移或者失控時，疲勞預警會不及時。車速檢測方法可以很容易地以低成本采集車輛的精確速度。然而，車速會受到外部因素的限制，在低速行駛時，也很難檢測到駕駛員是否處于疲勞狀態(tài)。轉向盤的轉角也可以很容易地通過傳感器獲取準確數(shù)據，但是車輛類型、駕駛環(huán)境和駕駛員的駕駛習慣不同，導致這種方法的準確性還不夠。

4.4 基于多特征信息融合的疲勞檢測方法

由于疲勞是一種復雜的、個體化的生理現(xiàn)象，不同的駕駛者有著不同的外在表現(xiàn)，這就決定了單一的標準可能只適用于特定的駕駛者。同時，由于駕駛艙環(huán)境的差異和外界光線的影響，單一的檢測方式很容易受到干擾，并且檢測結果會隨著時間和地點的變化而產生較大波動，從而大幅降低準確性和可靠性。近年來，隨著信息融合技術不斷發(fā)展，越來越多的研究者嘗試將信息融合技術應用于疲勞駕駛檢測。信息融合可以充分利用各種傳感器的優(yōu)勢，采集多個與疲勞相關的信號，進行綜合分析判斷，從而彌補自身的不足。

在融合方式上，可以使用粗糙集理論、動態(tài)貝葉斯網絡、D-S證據理論、模糊神經網絡等融合技術。例如，Y.Du 等[38]首先從駕駛員圖像中選擇有用的特征，然后構建基于模糊粗糙集模型的特征評估和選擇算法來判斷駕駛員的疲勞狀態(tài)。G.S.Yang 等[39]基于PERCLOS、EEG、ECG、睡眠質量（Sleep Quality，SQ）、晝夜節(jié)律（Circadian Rhythm，CR）、工作環(huán)境（Working Environment，WE）和眼球運動（Eye Movement，EM）的動態(tài)貝葉斯網絡融合實現(xiàn)了疲勞駕駛檢測。其中：SQ、WE、CR 是關鍵的上下文變量；EM、ECG 和EEG 是可觀察變量；疲勞和警覺性變量是隱藏變量。G.S.Yang等[40]建立了基于D-S 證據理論的疲勞檢測模型，該模型融合了體溫、睡眠質量、身心狀態(tài)等10個疲勞相關參數(shù)。周銳[41]利用計算機視覺處理技術，采用攝像機采集圖像，對駕駛員的眼睛與嘴進行定位，并在眼睛區(qū)域提取PERCLOS參數(shù)，在嘴區(qū)域提取哈欠頻率（YawnFreq）參數(shù)，再利用駕駛員疲勞時這2個參數(shù)的閾值確定模糊集、論域以及隸屬度函數(shù)，最后通過構建的模糊系統(tǒng)（Fuzzy System）來實現(xiàn)疲勞檢測。W.B.Zhu 等[42]首先通過攝像頭獲取駕駛員面部特征，然后利用FNN 的自學習和自適應能力得到證據的基本概率分布，最后使用折扣策略修改原始證據來判斷駕駛員的疲勞狀態(tài)。

疲勞駕駛期間收集的信息的最重要特征是不確定性。粗糙集理論可以有效地處理這種不確定性，然而，其只能客觀地分析不確定集合，而沒有有效地結合前人的經驗。動態(tài)貝葉斯網絡具有很強的學習能力，可以方便地處理不完整或數(shù)據丟失的樣本集。因此，基于動態(tài)貝葉斯網絡的駕駛員疲勞狀態(tài)評估模型能夠提高預警的準確性，具有很強的擴展性和魯棒性。然而，駕駛疲勞的產生是動態(tài)的漸進過程，因此，不同的貝葉斯網絡的訓練需要設置不同的時間間隔，否則很容易產生嚴重錯誤。D-S證據理論基于不確定性推理，能夠有效整合多個傳感器的不同信息，具有很強的決策處理能力。但是，在使用D-S 證據理論進行信息融合時，可能會存在組合條件嚴格、矛盾無法解決、計算量呈指數(shù)增長等問題。模糊神經網絡將神經網絡和模糊理論的優(yōu)點相結合，不僅可以有效地進行學習、聯(lián)想、識別和信息處理，還可以有效地整合以往相關專家的經驗來判斷結果，學習速度快、識別準確率高。然而，模糊神經網絡存在學習時間長、結構復雜、自適應和自調整性能不足、實時性差等缺點。部分常見疲勞駕駛檢測方法的性能如表3所示。

5 研究難點

5.1 科學的疲勞駕駛評價體系

疲勞檢測研究一般將疲勞視為獨立狀態(tài)，而在實際駕駛中，駕駛員是逐漸從清醒狀態(tài)轉變?yōu)槠跔顟B(tài)的，且駕駛員個人和工作環(huán)境之間存在普遍差異。因此，目前需要提取出更具觀察性和可靠性的疲勞特征，制定統(tǒng)一、規(guī)范的疲勞駕駛檢測標準，逐步建立科學、可靠的疲勞駕駛評價體系，為疲勞駕駛檢測提供合理、有效的指導[43]。

5.2 檢測方法的可行性

在實現(xiàn)完全自動駕駛前，還需駕駛員隨時準備接管，這對疲勞監(jiān)控及預警的準確性和實時性提出了很高的要求。單特征疲勞檢測方法存在局限性，多信息融合已成為疲勞檢測方法的發(fā)展趨勢。多信息融合檢測提高了檢測精度，減少了誤報的可能性，但其訓練過程大多很繁瑣，需要許多數(shù)據集，并且大多數(shù)研究都是在模擬條件下進行的，缺乏真實環(huán)境下的疲勞樣本庫。因此，目前需要適當?shù)姆椒▉斫档湍Ｐ偷膹碗s性，并保證在一定的疲勞樣本數(shù)據量條件下既準確又及時地檢測出駕駛員的疲勞狀態(tài)。

6 結束語

商用車疲勞預警技術作為汽車主動安全技術的一種，對于預防交通事故有著重要的意義，它的研究結合了多種學科的技術和知識。如何使監(jiān)控系統(tǒng)更加穩(wěn)定、傳輸延遲更短，人機交互界面更加有效舒適，疲勞檢測方法更加準確高效，將成為該技術未來的發(fā)展方向。

RGB-D 相機的多類數(shù)據可以提供更多的信息，深度學習可以自動提取各種明顯和潛在的疲勞特征，而信息融合可以減少系統(tǒng)對特定疲勞特征的依賴。總的來說，以上3種技術可以有效提高駕駛員疲勞檢測的魯棒性，正在成為新的發(fā)展趨勢。