疲劳驾驶检测技术研究综述

徐松、王敬晖、隋英楠、许文利

（昆明铁道职业技术学院，云南 昆明 650000）

0 引言

随着中国经济的快速发展，汽车保有量逐年增加。道路交通事故的数量也在逐年增加，而大多数驾驶员在驾驶过程中都有打瞌睡的经历，驾驶员无意识的入睡往往会导致交通事故的发生[1]。因此，针对疲劳驾驶检测技术的研究具有重要的现实意义，成为当前国内外研究的热点。

1 疲劳驾驶检测技术的分类

由于疲劳驾驶的状态识别涉及医学、心理学、光学、通信、计算机等多种学科，因此国内外学者对疲劳驾驶检测方法的研究各有侧重。目前，业内普遍认为疲劳驾驶的识别可以根据研究方式的不同分为两大类：

一是主观评价法，二是客观度量法[2]。主观评价法即在驾驶人参与的情况下，通过回答试验人员的一些问题以及驾驶员的综合表现来分析驾驶员是否处于疲劳状态。客观度量法是通过外部装置采集驾驶员驾驶过程中的相关数据，以评估其疲劳状态的方法，目前主要有：基于生理信息的识别方法、基于操控行为的识别方法、基于行车状态的识别方法、基于机器视觉的识别方法以及基于多源信息融合的方法[3]。疲劳驾驶检测方法的分类如图1 所示。

图1 疲劳驾驶检测方法

2 疲劳驾驶检测技术的研究进展

2.1 主观评价方法

在疲劳驾驶研究初期，由于计算机技术和电子技术尚不成熟，对疲劳驾驶的研究主要是基于驾驶人的主观感受或其表现出的疲劳特征等来进行分类量化。较为常用的评价标准是卡罗林斯卡嗜睡度量表（KSS）以及斯坦福嗜睡程度量表（SSS）等[4]。

主观评价方法虽然实施起来较为简单，但是由于个体的差异性，评价过程中受测者对于表中各项问题的理解都存在一定程度的偏差，导致检测结果具有主观性；同时问询或评价若是发生在驾驶过程中，则存在侵入性，干扰驾驶人的正常驾驶。若在事后进行，则时效性差，很难反映驾驶员当时的真实状态，且存在驾驶者事后故意隐瞒当时的真实感受等缺点[5]。因此，目前主观评价法一般只作为实验研究的辅助手段，用于佐证其他疲劳检测方法的准确性。

2.2 客观度量方法

随着计算机技术及电子技术的发展，基于物理传感器的各种客观度量方法得以快速发展，其具有准确性高、不受驾驶员主观意识影响等优势，成为疲劳驾驶检测领域的研究重点，目前应用比较多的检测方法有以下几种。

2.2.1 基于生理信息的识别方法

基于生理信息识别的疲劳驾驶检测技术一般采用接触式测量，通过对测试者驾驶时生理信号的分析，检测驾驶人的疲劳状态。目前，常用的检测方法主要包括脑电信号（EEG）、心电信号（ECG）、肌电信号（EMG）等。其中，脑电信号（EEG）被认为是检测疲劳的“金标准”[6]。焦影影[7]通过模拟驾驶试验，发现α 波的衰减消失现象在长时间的闭眼事件中被触发的概率会更高，表明测试者此时睡意程度较高，由此确定了脑电α 波衰减消失现象可以作为驾驶员进入睡眠开始状态的指标。张欣然[8]通过模拟驾驶试验发现，若要求驾驶人在疲劳时做出判别反应，此时相对θ 功率和α/θ 的值有较大差异，因而可以把这两个生理学指标作为判断驾驶人是否疲劳的标准，并进一步发现相对θ 功率降低，而α/θ 的值升高表明驾驶人疲劳度升高。Chai[9]等人采集了43 名健康驾驶员在疲劳状态和清醒状态的脑电数据，使用自回归模型提取特征参数，最后利用贝叶斯神经网络进行分类，结果表明该方法的准确率为88.2%。

基于生理信息识别的疲劳驾驶检测方法还有心电信号。研究发现心率变异性与人的疲劳程度密切相关，因此不少学者对此展开研究。Murugan[10]等将心电信号（ECG）数据进行特征提取，采用SVM、K-最近邻和集成三种分类器进行训练，结果表明该系统对驾驶员疲劳时认知注意力不集中的准确度为96.6%，对驾驶员昏昏沉睡的准确度为100%。

除了脑电信号、心电信号外，表面肌电信号（EMG）也常用于监测疲劳驾驶。程学敏[11]等以草原公路为基础，搭建模拟驾驶试验台并分析了150min 内驾驶员颈部、肩部、腰部肌电数据，结果表明颈部、肩部和腰部肌肉的疲劳程度随着驾驶时间的增加逐渐加深，且相比男性驾驶员，女性驾驶员的肌电信号曲线波动更大。Wang[12]等通过真实驾驶试验，进一步明确了驾驶员的第6 颈椎上斜方肌在驾驶过程中更容易疲劳，可以作为肌电信号（EMG）的数据采集位置，并选取EEG 和EMG 的近似熵作为自变量，建立了基于马氏距离理论的驾驶员疲劳判别模型，经验证模型准确度达到90.92%。

从上可知，基于生理信息的疲劳驾驶检测方法虽然准确性、可靠性相对较高，但采集信号时一般需要驾驶人佩戴相应的装置（电极片、脑电帽等），可能干扰到驾驶者的正常操作，因此该方法目前不适用于实车模式，多用于驾驶模拟实验中。

2.2.2 基于操控行为的识别方法

当驾驶员出现疲劳时，其对车辆的控制也会出现异常。基于操控行为的识别方法，是通过分析驾驶人方向盘的转角、握力及踏板的操作特性来推测驾驶人的疲劳状态[13]。

目前驾驶人对方向盘的转角及握力特性被认为与疲劳状态有较强的相关性。张明明[14]等提出一种通过检测方向盘握力的方式来预测驾驶者疲劳的方法。首先采集脑电信号和驾驶员的握力信号，利用BP 神经网络方法建立基于握力信号的疲劳特征参数与基于脑电信号的疲劳程度值之间的联系，验证其准确度。

Li[15]等人提出利用递归神经网络搭建基于方向盘转角的驾驶员疲劳检测算法，通过获取驾驶者在疲劳时的各种潜在特征，使用信息增益方法分析潜在特性与疲劳水平之间的强相关性，从而明确驾驶者的疲劳状态。

基于操控行为的疲劳驾驶识别方法虽然不会对驾驶者的正常驾驶造成较大的干扰，但驾驶者对车辆的控制如方向盘握力、转角等往往还与驾驶者的个人习惯、操作技能等相关，因此其准确性与鲁棒性仍有待提高。

2.2.3 基于行车状态的识别方法

驾驶者的疲劳状态也可以通过车辆的行驶状态得到间接反映。基于行车状态的疲劳驾驶识别方法是通过对车辆的行驶速度、方向以及车道是否偏离等进行分析，推测驾驶人的疲劳状态。目前，这一类的研究主要集中在车道偏离检测上。高振海[16]等提出了一种考虑人—车—路特性的无意识车道偏离识别方法，将驾驶员无意识车道偏离行为分为疲劳偏离和次任务偏离，然后基于高斯混合隐马尔科夫理论建立了疲劳偏离和次任务偏离无意识状态识别模型，并完成了模型的离线测试与在线验证，离线测试结果表明，疲劳偏离识别准确率为94.21%。

基于行车状态的识别方法为非接触检测，不会干扰正常驾驶，但会受到驾驶者的驾驶习惯、意图、经验等因素的影响。而基于车道偏离的疲劳驾驶检测方法要求路面良好、标志清晰，因而夜晚或雨雪天气时可能造成精度降低；同时若想得到精确的车辆行驶状态，除升级车载传感器之外，往往还需要对道路进行特殊的改造，因而成本较高。

2.2.4 基于机器视觉的识别方法

基于机器视觉的识别方法指以通过摄像头或其他图像传感器的方式来捕捉驾驶者的头部画面，通过对眼部特征、嘴部特征、头部特征的提取，分析驾驶者是否处于疲劳驾驶状态。

徐莲[17]等人提出一种基于迁移学习的眼睛状态识别网络算法，利用多任务级联卷积神经网络检测驾驶员的人脸和双眼，然后根据PERCLOS 准则判断驾驶员的疲劳状态。试验结果表明该方法准确率高、鲁棒性强。Li[18]等人设计了基于改进的YOLOv3-tiny 卷积神经网络的驾驶员人脸检测系统，并单独使用眼睛特征向量和嘴巴特征向量作为眼睛和嘴巴状态的评估参数，然后计算驾驶员闭眼时间、眨眼频率和打哈欠频率。通过模拟驾驶台测试，该算法的精度为95.1%。Ling[19]等人提出一种用于眼睛定位和状态评估的鲁棒人脸地标定位模型，以眼睛的位置为关键点定位脸部模型，然后提取眼睛周围的一些面部标志点并引入眼睛宽高比来评估眼睛状态，最后在BioID 数据集上测试其准确率约为97.7%。

基于机器视觉的识别方法，通过对驾驶者面部表情的分析来推测其疲劳状态，具有实时性、非侵入性等优点，且其检测方便、成本低，因而成为当前研究的热点之一。但受驾驶过程中驾驶人的个体差异、光照条件等因素的影响，所以全天候、高鲁棒性的算法仍存在技术瓶颈。

2.2.5 基于多源信息融合的识别

由于驾驶员个体存在差异性，因此不同驾驶员所表现出来的疲劳特征各有不同，而仅使用某一种特征信息进行疲劳检测往往会有局限性。基于多源信息融合的方法是综合分析驾驶员各种疲劳特征，然后对驾驶员的疲劳状态进行判别与预警，相比于单一特征，其准确率和稳定性更高[20]。

马佳磊[21]等人提出基于面部多重信息的驾驶人状态检测方法，以面部的多重信息为分析对象，使用支持向量机算法完成驾驶人瞬态表情的识别，然后采用端点检测和特征匹配的方法实现驾驶人疲劳状态检测。Li[22]等人提出了一种新的基于多特征融合和半监督主动学习的疲劳驾驶检测模型，将车辆的转向特征和驾驶员的面部特征进行融合分析，并将疲劳状态划分为9 个级别，测试结果表明其准确率为86.25%。杜莹[23]等人提出一种基于多特征融合的方法来进行疲劳检测，首先使用级联的残差回归树标注68 个人脸特征点，然后提取出眼睑开合度、眨眼频率、嘴巴张开度、打哈欠频率和头部姿态角五种疲劳特征，得到七个特征参数；最后采用高斯核函数的支持向量机把上述特征融合起来建立疲劳检测模型，测试结果表明该算法能够满足实时检测的需求且具有较高的鲁棒性。

基于多源信息融合的方法是采集并提取多种目标特征，改善了单一信息容易受驾驶者个体差异、驾驶环境影响的弊端，提高了检测的精准性，但如何设计合理的融合模型是提高准确度的关键，若模型设计不合理，则较小的数据误差都可能导致预测结果严重偏离正常值。

3 结论

本文从主观评价法和客观度量法两个方面对疲劳驾驶检测技术进行了综述。疲劳驾驶检测技术的研究有利于进一步提高道路交通安全，具有非常重要的现实意义。目前，虽然国内学者都已对疲劳驾驶展开了相应的研究，但大多是在模拟驾驶平台上进行的，存在较大的局限性。通过对国内外疲劳驾驶检测技术的综述可以看出，今后的研究方向应从以下几个方面展开：

第一，制定统一、规范的疲劳驾驶检测标准，同时基于疲劳形成的机理及本质，不断完善疲劳驾驶状态的等级划分，建立科学、准确的疲劳状态分级模型。

第二，疲劳驾驶检测技术的实验研究逐步从模拟驾驶平台向真实道路上转换，在实际道路上验证疲劳驾驶检测技术的准确度和鲁棒性。

第三，为进一步提高疲劳驾驶检测技术的准确性和可靠性，应不断加强与疲劳驾驶相关特征参数的提取与融合，因此多源信息融合技术将逐步成为研究的热点。

第四，疲劳驾驶检测技术的研究不能仅仅局限在检测层面，更应向预警和控制这两个方面展开，从而更加有效地保障道路交通的安全。