疲勞駕駛檢測(cè)技術(shù)研究綜述

徐松、王敬暉、隋英楠、許文利

（昆明鐵道職業(yè)技術(shù)學(xué)院，云南 昆明 650000）

0 引言

隨著中國(guó)經(jīng)濟(jì)的快速發(fā)展，汽車(chē)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(guò)程中都有打瞌睡的經(jīng)歷，駕駛員無(wú)意識(shí)的入睡往往會(huì)導(dǎo)致交通事故的發(fā)生[1]。因此，針對(duì)疲勞駕駛檢測(cè)技術(shù)的研究具有重要的現(xiàn)實(shí)意義，成為當(dāng)前國(guó)內(nèi)外研究的熱點(diǎn)。

1 疲勞駕駛檢測(cè)技術(shù)的分類(lèi)

由于疲勞駕駛的狀態(tài)識(shí)別涉及醫(yī)學(xué)、心理學(xué)、光學(xué)、通信、計(jì)算機(jī)等多種學(xué)科，因此國(guó)內(nèi)外學(xué)者對(duì)疲勞駕駛檢測(cè)方法的研究各有側(cè)重。目前，業(yè)內(nèi)普遍認(rèn)為疲勞駕駛的識(shí)別可以根據(jù)研究方式的不同分為兩大類(lèi)：

一是主觀評(píng)價(jià)法，二是客觀度量法[2]。主觀評(píng)價(jià)法即在駕駛?cè)藚⑴c的情況下，通過(guò)回答試驗(yàn)人員的一些問(wèn)題以及駕駛員的綜合表現(xiàn)來(lái)分析駕駛員是否處于疲勞狀態(tài)?？陀^度量法是通過(guò)外部裝置采集駕駛員駕駛過(guò)程中的相關(guān)數(shù)據(jù)，以評(píng)估其疲勞狀態(tài)的方法，目前主要有：基于生理信息的識(shí)別方法、基于操控行為的識(shí)別方法、基于行車(chē)狀態(tài)的識(shí)別方法、基于機(jī)器視覺(jué)的識(shí)別方法以及基于多源信息融合的方法[3]。疲勞駕駛檢測(cè)方法的分類(lèi)如圖1 所示。

圖1 疲勞駕駛檢測(cè)方法

2 疲勞駕駛檢測(cè)技術(shù)的研究進(jìn)展

2.1 主觀評(píng)價(jià)方法

在疲勞駕駛研究初期，由于計(jì)算機(jī)技術(shù)和電子技術(shù)尚不成熟，對(duì)疲勞駕駛的研究主要是基于駕駛?cè)说闹饔^感受或其表現(xiàn)出的疲勞特征等來(lái)進(jìn)行分類(lèi)量化。較為常用的評(píng)價(jià)標(biāo)準(zhǔn)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(píng)價(jià)方法雖然實(shí)施起來(lái)較為簡(jiǎn)單，但是由于個(gè)體的差異性，評(píng)價(jià)過(guò)程中受測(cè)者對(duì)于表中各項(xiàng)問(wèn)題的理解都存在一定程度的偏差，導(dǎo)致檢測(cè)結(jié)果具有主觀性；同時(shí)問(wèn)詢(xún)或評(píng)價(jià)若是發(fā)生在駕駛過(guò)程中，則存在侵入性，干擾駕駛?cè)说恼ｑ{駛。若在事后進(jìn)行，則時(shí)效性差，很難反映駕駛員當(dāng)時(shí)的真實(shí)狀態(tài)，且存在駕駛者事后故意隱瞞當(dāng)時(shí)的真實(shí)感受等缺點(diǎn)[5]。因此，目前主觀評(píng)價(jià)法一般只作為實(shí)驗(yàn)研究的輔助手段，用于佐證其他疲勞檢測(cè)方法的準(zhǔn)確性。

2.2 客觀度量方法

隨著計(jì)算機(jī)技術(shù)及電子技術(shù)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(zhǔn)確性高、不受駕駛員主觀意識(shí)影響等優(yōu)勢(shì)，成為疲勞駕駛檢測(cè)領(lǐng)域的研究重點(diǎn)，目前應(yīng)用比較多的檢測(cè)方法有以下幾種。

2.2.1 基于生理信息的識(shí)別方法

基于生理信息識(shí)別的疲勞駕駛檢測(cè)技術(shù)一般采用接觸式測(cè)量，通過(guò)對(duì)測(cè)試者駕駛時(shí)生理信號(hào)的分析，檢測(cè)駕駛?cè)说钠跔顟B(tài)。目前，常用的檢測(cè)方法主要包括腦電信號(hào)（EEG）、心電信號(hào)（ECG）、肌電信號(hào)（EMG）等。其中，腦電信號(hào)（EEG）被認(rèn)為是檢測(cè)疲勞的“金標(biāo)準(zhǔn)”[6]。焦影影[7]通過(guò)模擬駕駛試驗(yàn)，發(fā)現(xiàn)α 波的衰減消失現(xiàn)象在長(zhǎng)時(shí)間的閉眼事件中被觸發(fā)的概率會(huì)更高，表明測(cè)試者此時(shí)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(jìn)入睡眠開(kāi)始狀態(tài)的指標(biāo)。張欣然[8]通過(guò)模擬駕駛試驗(yàn)發(fā)現(xiàn)，若要求駕駛?cè)嗽谄跁r(shí)做出判別反應(yīng)，此時(shí)相對(duì)θ 功率和α/θ 的值有較大差異，因而可以把這兩個(gè)生理學(xué)指標(biāo)作為判斷駕駛?cè)耸欠衿诘臉?biāo)準(zhǔn)，并進(jìn)一步發(fā)現(xiàn)相對(duì)θ 功率降低，而α/θ 的值升高表明駕駛?cè)似诙壬摺hai[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(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)，結(jié)果表明該方法的準(zhǔn)確率為88.2%。

基于生理信息識(shí)別的疲勞駕駛檢測(cè)方法還有心電信號(hào)。研究發(fā)現(xiàn)心率變異性與人的疲勞程度密切相關(guān)，因此不少學(xué)者對(duì)此展開(kāi)研究。Murugan[10]等將心電信號(hào)（ECG）數(shù)據(jù)進(jìn)行特征提取，采用SVM、K-最近鄰和集成三種分類(lèi)器進(jìn)行訓(xùn)練，結(jié)果表明該系統(tǒng)對(duì)駕駛員疲勞時(shí)認(rèn)知注意力不集中的準(zhǔn)確度為96.6%，對(duì)駕駛員昏昏沉睡的準(zhǔn)確度為100%。

除了腦電信號(hào)、心電信號(hào)外，表面肌電信號(hào)（EMG）也常用于監(jiān)測(cè)疲勞駕駛。程學(xué)敏[11]等以草原公路為基礎(chǔ)，搭建模擬駕駛試驗(yàn)臺(tái)并分析了150min 內(nèi)駕駛員頸部、肩部、腰部肌電數(shù)據(jù)，結(jié)果表明頸部、肩部和腰部肌肉的疲勞程度隨著駕駛時(shí)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(hào)曲線(xiàn)波動(dòng)更大。Wang[12]等通過(guò)真實(shí)駕駛試驗(yàn)，進(jìn)一步明確了駕駛員的第6 頸椎上斜方肌在駕駛過(guò)程中更容易疲勞，可以作為肌電信號(hào)（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(jīng)驗(yàn)證模型準(zhǔn)確度達(dá)到90.92%。

從上可知，基于生理信息的疲勞駕駛檢測(cè)方法雖然準(zhǔn)確性、可靠性相對(duì)較高，但采集信號(hào)時(shí)一般需要駕駛?cè)伺宕飨鄳?yīng)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(shí)車(chē)模式，多用于駕駛模擬實(shí)驗(yàn)中。

2.2.2 基于操控行為的識(shí)別方法

當(dāng)駕駛員出現(xiàn)疲勞時(shí)，其對(duì)車(chē)輛的控制也會(huì)出現(xiàn)異常?；诓倏匦袨榈淖R(shí)別方法，是通過(guò)分析駕駛?cè)朔较虮P(pán)的轉(zhuǎn)角、握力及踏板的操作特性來(lái)推測(cè)駕駛?cè)说钠跔顟B(tài)[13]。

目前駕駛?cè)藢?duì)方向盤(pán)的轉(zhuǎn)角及握力特性被認(rèn)為與疲勞狀態(tài)有較強(qiáng)的相關(guān)性。張明明[14]等提出一種通過(guò)檢測(cè)方向盤(pán)握力的方式來(lái)預(yù)測(cè)駕駛者疲勞的方法。首先采集腦電信號(hào)和駕駛員的握力信號(hào)，利用BP 神經(jīng)網(wǎng)絡(luò)方法建立基于握力信號(hào)的疲勞特征參數(shù)與基于腦電信號(hào)的疲勞程度值之間的聯(lián)系，驗(yàn)證其準(zhǔn)確度。

Li[15]等人提出利用遞歸神經(jīng)網(wǎng)絡(luò)搭建基于方向盤(pán)轉(zhuǎn)角的駕駛員疲勞檢測(cè)算法，通過(guò)獲取駕駛者在疲勞時(shí)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(qiáng)相關(guān)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(shí)別方法雖然不會(huì)對(duì)駕駛者的正常駕駛造成較大的干擾，但駕駛者對(duì)車(chē)輛的控制如方向盤(pán)握力、轉(zhuǎn)角等往往還與駕駛者的個(gè)人習(xí)慣、操作技能等相關(guān)，因此其準(zhǔn)確性與魯棒性仍有待提高。

2.2.3 基于行車(chē)狀態(tài)的識(shí)別方法

駕駛者的疲勞狀態(tài)也可以通過(guò)車(chē)輛的行駛狀態(tài)得到間接反映?；谛熊?chē)狀態(tài)的疲勞駕駛識(shí)別方法是通過(guò)對(duì)車(chē)輛的行駛速度、方向以及車(chē)道是否偏離等進(jìn)行分析，推測(cè)駕駛?cè)说钠跔顟B(tài)。目前，這一類(lèi)的研究主要集中在車(chē)道偏離檢測(cè)上。高振海[16]等提出了一種考慮人—車(chē)—路特性的無(wú)意識(shí)車(chē)道偏離識(shí)別方法，將駕駛員無(wú)意識(shí)車(chē)道偏離行為分為疲勞偏離和次任務(wù)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(wù)偏離無(wú)意識(shí)狀態(tài)識(shí)別模型，并完成了模型的離線(xiàn)測(cè)試與在線(xiàn)驗(yàn)證，離線(xiàn)測(cè)試結(jié)果表明，疲勞偏離識(shí)別準(zhǔn)確率為94.21%。

基于行車(chē)狀態(tài)的識(shí)別方法為非接觸檢測(cè)，不會(huì)干擾正常駕駛，但會(huì)受到駕駛者的駕駛習(xí)慣、意圖、經(jīng)驗(yàn)等因素的影響。而基于車(chē)道偏離的疲勞駕駛檢測(cè)方法要求路面良好、標(biāo)志清晰，因而夜晚或雨雪天氣時(shí)可能造成精度降低；同時(shí)若想得到精確的車(chē)輛行駛狀態(tài)，除升級(jí)車(chē)載傳感器之外，往往還需要對(duì)道路進(jìn)行特殊的改造，因而成本較高。

2.2.4 基于機(jī)器視覺(jué)的識(shí)別方法

基于機(jī)器視覺(jué)的識(shí)別方法指以通過(guò)攝像頭或其他圖像傳感器的方式來(lái)捕捉駕駛者的頭部畫(huà)面，通過(guò)對(duì)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(xué)習(xí)的眼睛狀態(tài)識(shí)別網(wǎng)絡(luò)算法，利用多任務(wù)級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)駕駛員的人臉和雙眼，然后根據(jù)PERCLOS 準(zhǔn)則判斷駕駛員的疲勞狀態(tài)。試驗(yàn)結(jié)果表明該方法準(zhǔn)確率高、魯棒性強(qiáng)。Li[18]等人設(shè)計(jì)了基于改進(jìn)的YOLOv3-tiny 卷積神經(jīng)網(wǎng)絡(luò)的駕駛員人臉檢測(cè)系統(tǒng)，并單獨(dú)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(píng)估參數(shù)，然后計(jì)算駕駛員閉眼時(shí)間、眨眼頻率和打哈欠頻率。通過(guò)模擬駕駛臺(tái)測(cè)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(píng)估的魯棒人臉地標(biāo)定位模型，以眼睛的位置為關(guān)鍵點(diǎn)定位臉部模型，然后提取眼睛周?chē)囊恍┟娌繕?biāo)志點(diǎn)并引入眼睛寬高比來(lái)評(píng)估眼睛狀態(tài)，最后在BioID 數(shù)據(jù)集上測(cè)試其準(zhǔn)確率約為97.7%。

基于機(jī)器視覺(jué)的識(shí)別方法，通過(guò)對(duì)駕駛者面部表情的分析來(lái)推測(cè)其疲勞狀態(tài)，具有實(shí)時(shí)性、非侵入性等優(yōu)點(diǎn)，且其檢測(cè)方便、成本低，因而成為當(dāng)前研究的熱點(diǎn)之一。但受駕駛過(guò)程中駕駛?cè)说膫€(gè)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(shù)瓶頸。

2.2.5 基于多源信息融合的識(shí)別

由于駕駛員個(gè)體存在差異性，因此不同駕駛員所表現(xiàn)出來(lái)的疲勞特征各有不同，而僅使用某一種特征信息進(jìn)行疲勞檢測(cè)往往會(huì)有局限性。基于多源信息融合的方法是綜合分析駕駛員各種疲勞特征，然后對(duì)駕駛員的疲勞狀態(tài)進(jìn)行判別與預(yù)警，相比于單一特征，其準(zhǔn)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?cè)藸顟B(tài)檢測(cè)方法，以面部的多重信息為分析對(duì)象，使用支持向量機(jī)算法完成駕駛?cè)怂矐B(tài)表情的識(shí)別，然后采用端點(diǎn)檢測(cè)和特征匹配的方法實(shí)現(xiàn)駕駛?cè)似跔顟B(tài)檢測(cè)。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(dòng)學(xué)習(xí)的疲勞駕駛檢測(cè)模型，將車(chē)輛的轉(zhuǎn)向特征和駕駛員的面部特征進(jìn)行融合分析，并將疲勞狀態(tài)劃分為9 個(gè)級(jí)別，測(cè)試結(jié)果表明其準(zhǔn)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(lái)進(jìn)行疲勞檢測(cè)，首先使用級(jí)聯(lián)的殘差回歸樹(shù)標(biāo)注68 個(gè)人臉特征點(diǎn)，然后提取出眼瞼開(kāi)合度、眨眼頻率、嘴巴張開(kāi)度、打哈欠頻率和頭部姿態(tài)角五種疲勞特征，得到七個(gè)特征參數(shù)；最后采用高斯核函數(shù)的支持向量機(jī)把上述特征融合起來(lái)建立疲勞檢測(cè)模型，測(cè)試結(jié)果表明該算法能夠滿(mǎn)足實(shí)時(shí)檢測(cè)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(biāo)特征，改善了單一信息容易受駕駛者個(gè)體差異、駕駛環(huán)境影響的弊端，提高了檢測(cè)的精準(zhǔn)性，但如何設(shè)計(jì)合理的融合模型是提高準(zhǔn)確度的關(guān)鍵，若模型設(shè)計(jì)不合理，則較小的數(shù)據(jù)誤差都可能導(dǎo)致預(yù)測(cè)結(jié)果嚴(yán)重偏離正常值。

3 結(jié)論

本文從主觀評(píng)價(jià)法和客觀度量法兩個(gè)方面對(duì)疲勞駕駛檢測(cè)技術(shù)進(jìn)行了綜述。疲勞駕駛檢測(cè)技術(shù)的研究有利于進(jìn)一步提高道路交通安全，具有非常重要的現(xiàn)實(shí)意義。目前，雖然國(guó)內(nèi)學(xué)者都已對(duì)疲勞駕駛展開(kāi)了相應(yīng)的研究，但大多是在模擬駕駛平臺(tái)上進(jìn)行的，存在較大的局限性。通過(guò)對(duì)國(guó)內(nèi)外疲勞駕駛檢測(cè)技術(shù)的綜述可以看出，今后的研究方向應(yīng)從以下幾個(gè)方面展開(kāi)：

第一，制定統(tǒng)一、規(guī)范的疲勞駕駛檢測(cè)標(biāo)準(zhǔn)，同時(shí)基于疲勞形成的機(jī)理及本質(zhì)，不斷完善疲勞駕駛狀態(tài)的等級(jí)劃分，建立科學(xué)、準(zhǔn)確的疲勞狀態(tài)分級(jí)模型。

第二，疲勞駕駛檢測(cè)技術(shù)的實(shí)驗(yàn)研究逐步從模擬駕駛平臺(tái)向真實(shí)道路上轉(zhuǎn)換，在實(shí)際道路上驗(yàn)證疲勞駕駛檢測(cè)技術(shù)的準(zhǔn)確度和魯棒性。

第三，為進(jìn)一步提高疲勞駕駛檢測(cè)技術(shù)的準(zhǔn)確性和可靠性，應(yīng)不斷加強(qiáng)與疲勞駕駛相關(guān)特征參數(shù)的提取與融合，因此多源信息融合技術(shù)將逐步成為研究的熱點(diǎn)。

第四，疲勞駕駛檢測(cè)技術(shù)的研究不能僅僅局限在檢測(cè)層面，更應(yīng)向預(yù)警和控制這兩個(gè)方面展開(kāi)，從而更加有效地保障道路交通的安全。