張佐營 葉桂荀

摘 ?要：疲勞駕駛是導(dǎo)致惡性交通事故的重要原因，多年來，一直受到人們的廣泛關(guān)注。國內(nèi)外學(xué)者圍繞駕駛員疲勞監(jiān)測問題開展了大量研究工作，提出了基于心電、腦電、脈搏、面部狀態(tài)、操作參數(shù)監(jiān)測等諸多方法，用于判定駕駛員的疲勞狀態(tài)。本文對國內(nèi)外的研究現(xiàn)狀進(jìn)行了綜述，為致力于疲勞駕駛研究工作的技術(shù)人員提供參考。

關(guān)鍵詞：駕駛疲勞;監(jiān)測技術(shù);綜述

中圖分類號：U491 ? ? ? 文獻(xiàn)標(biāo)識碼：A ? ? ? 文章編號：1005-2550（2022）01-0008-07

Review On Driving Fatigue Detection

Zhang Zuo-ying1，2， YE Gui-xun2

（ 1.Working Station for Doctor of GuangDong Institute of Arts and Sciences， ZhanJiang 524471， China 2.School of Intelligent Manufacturing of GuangDong Institute of Arts and Sciences， ZhanJiang 524471， China ）

Abstract： People’s attention has been focused on driving fatigue many years because it took an important role on fatal traffic accidents. In the field of driver fatigue detection， continuous research was being performed. Many methods were presented to monitor the fatigue of drivers. Changes in biological signals， physical feature of drivers and vehicular features can be accurate methods to detect fatigue. Biological signals include electroencephalography （EEG）， electrocardiogram （ECG）， electro-oculography （EoG） and surface electromyogram （sEMG）. In this paper， the status of driving fatigue research is reviewed which provides reference for the development of the fatigue detection technology.

Key Words： Driving Fatigue; Detection Technology; Review

前 ? ?言

隨著我國經(jīng)濟(jì)的高速發(fā)展，汽車已成為中國公民最常用的交通運(yùn)輸工具，據(jù)公安部的統(tǒng)計(jì)，2020年我國機(jī)動車保有量達(dá)3.72億輛，其中汽車保有量為2.81億輛，與美國基本持平，并列世界第一。汽車給我們生活提供便利的同時(shí)，也帶來了一系列問題，比如交通事故的頻發(fā)，每年造成較大的人員傷亡，給人們生命財(cái)產(chǎn)造成巨大損失。據(jù)國家統(tǒng)計(jì)局發(fā)布的《2019年國民經(jīng)濟(jì)和社會發(fā)展公報(bào)》[1]數(shù)據(jù)，2019年中國交通事故受傷人數(shù)275125人，車禍死亡人數(shù)為52388人。根據(jù)以往的數(shù)據(jù)統(tǒng)計(jì)，在導(dǎo)致交通事故的諸多原因中，疲勞駕駛是肇事致人死亡數(shù)量最多的因素之一，其每年造成的事故死亡人數(shù)都占到機(jī)動車事故死亡人數(shù)的 10.9%以上[2]。

關(guān)于駕駛疲勞的概念，業(yè)內(nèi)一直存在爭議，至今尚沒有精確的定義。但基本上可以認(rèn)為，駕駛疲勞是指由于長時(shí)間駕駛，因腦力和體力消耗而產(chǎn)生的一種生理、心理機(jī)能衰退現(xiàn)象，其直接導(dǎo)致的結(jié)果是駕駛員反應(yīng)遲鈍、動作遲緩、對外界環(huán)境的感知、判斷能力和控制車輛的能力下降[3]。 此時(shí)，若駕駛員繼續(xù)駕車則很容易引發(fā)交通事故，給交通安全帶來很大隱患。

基于疲勞駕駛帶來的危害，國內(nèi)外專家學(xué)者投入了大量的精力，研究駕駛疲勞的實(shí)時(shí)監(jiān)測技術(shù)，通過各種檢測方法去評價(jià)駕駛員的疲勞狀態(tài)，在此基礎(chǔ)上，對駕駛員進(jìn)行疲勞預(yù)警，提醒駕駛員進(jìn)行休息。這些研究成果在促進(jìn)交通安全、降低疲勞導(dǎo)致的交通事故率方面，做出了巨大的貢獻(xiàn)。

1 ? ?駕駛疲勞監(jiān)測方法的研究進(jìn)展

國內(nèi)外關(guān)于駕駛疲勞的研究主要圍繞駕駛疲勞產(chǎn)生的機(jī)理、駕駛疲勞實(shí)時(shí)監(jiān)測評價(jià)技術(shù)、以及減緩駕駛疲勞的對策和干預(yù)措施展開。其中有關(guān)駕駛疲勞實(shí)時(shí)監(jiān)測方法的研究是最大的熱點(diǎn)，投入最大，成果也最為豐碩[4]。綜觀國內(nèi)外有關(guān)駕駛疲勞監(jiān)測方法的研究，按照監(jiān)測的物理量來分類，可以分為檢測駕駛員的生理信號變化、檢測車輛操作參數(shù)、檢測駕駛員的身體行為指標(biāo)等三類方法。通過研究這些指標(biāo)信號與疲勞狀態(tài)的關(guān)聯(lián)性來評價(jià)駕駛員的疲勞狀態(tài)，并通過語音提示進(jìn)行報(bào)警，以提示駕駛員注意休息[5-29]。駕駛疲勞監(jiān)測方法的分類如圖1所示：

1.1 ? 基于生理指標(biāo)的駕駛疲勞監(jiān)測技術(shù)的研究

駕駛疲勞后，駕駛員身體的各項(xiàng)生理指標(biāo)會發(fā)生一些細(xì)微的變化，通過對這些生理信號變化的實(shí)時(shí)監(jiān)測，就可以幫助判定駕駛員的疲勞狀態(tài)。目前，疲勞狀態(tài)監(jiān)測通常采用的生理指標(biāo)主要包括腦電（EEG）[5-7]、眼電（EOG）[8]、肌電（Electromyography，EMG）[9-11] 和心電（Electrocardiogram，ECG）[12，13] 等生理信號。研究發(fā)現(xiàn)，腦電信號與駕駛疲勞關(guān)系密切，故被稱為駕駛疲勞檢測的“金標(biāo)準(zhǔn)”[15]。

腦電信號是一種電生理信號，是由人類腦皮層神經(jīng)細(xì)胞群活動所產(chǎn)生，醫(yī)學(xué)研究發(fā)現(xiàn)，人疲勞或困倦時(shí)，腦電信號會發(fā)生顯著變化，因此，被學(xué)者們廣泛應(yīng)用于駕駛疲勞研究領(lǐng)域。 文獻(xiàn)[15]的研究發(fā)現(xiàn)，當(dāng)駕駛疲勞時(shí)，駕駛員腦電波中的δ波和θ波會發(fā)生明顯的增加變化，與駕駛疲勞具有較高的相關(guān)性。Eoh HJ的實(shí)驗(yàn)研究[5]表明，腦電波中β波和比值與駕駛員的警覺水平具有較強(qiáng)的關(guān)聯(lián)性，通過腦電波特征值的提取，對駕駛疲勞的檢測準(zhǔn)確度可達(dá)到83.4%以上。劉天嬌、馬錦飛[7]通過模擬駕駛研究，發(fā)現(xiàn)駕駛員腦電合并指標(biāo)（θ+α）/β在駕駛過程中呈現(xiàn)下降趨勢，同時(shí)，實(shí)驗(yàn)驗(yàn)證了腦電指標(biāo)（θ+α）/β可用于實(shí)時(shí)監(jiān)測駕駛員的疲勞狀態(tài)。胡淑燕、鄭鋼鐵[16]在模擬駕駛環(huán)境下，通過采集駕駛員的腦電信號，采用自適應(yīng)濾波去除噪聲，提取了腦電信號中的75個(gè)頻譜特征，利用樸素貝葉斯分類方法，構(gòu)建了駕駛員疲勞監(jiān)測模型，通過實(shí)驗(yàn)驗(yàn)證，模型有效率達(dá)到84%。

大腦的疲倦會傳導(dǎo)到眼球，影響眼球的運(yùn)動，當(dāng)駕駛員出現(xiàn)疲勞駕駛時(shí)，其眼動次數(shù)、眨眼次數(shù)、以及眼睛的閉合時(shí)間等都會發(fā)生顯著變化。因此，通過眼電信號特征的檢測與統(tǒng)計(jì)，可以監(jiān)測駕駛員的疲勞狀態(tài)。眼電信號由眼動儀測得，參數(shù)主要包括眨眼次數(shù)、瞳孔大小以及眼瞼閉合時(shí)間等。Caffier PP的研究[17]發(fā)現(xiàn)，人在精力充沛時(shí)，眨眼時(shí)的眼瞼的閉合時(shí)間一般會低于120ms，當(dāng)該時(shí)間在200ms-400ms之間時(shí)，表示被測試人已經(jīng)開始疲勞，當(dāng)達(dá)到400ms以上時(shí)，可以認(rèn)為是明顯的駕駛疲勞。文獻(xiàn)[8]在模擬駕駛環(huán)境下，通過主觀評價(jià)與眼睛閉合時(shí)間的檢測，驗(yàn)證了駕駛疲勞與眼瞼閉合時(shí)間的關(guān)聯(lián)關(guān)系。文獻(xiàn)[18]開發(fā)了一種車載檢測裝置，通過機(jī)器視覺檢測眼睛的狀態(tài)，來監(jiān)測駕駛員的疲勞狀態(tài)。

心電信號是醫(yī)學(xué)上評價(jià)心臟病變的常用指標(biāo)，醫(yī)學(xué)研究發(fā)現(xiàn)，心率變異性（ Heart Rate Variability， HRV）與人的疲勞程度有較為密切的關(guān)聯(lián)，故也被用于研究駕駛疲勞問題。文獻(xiàn)[12，13]通過模擬實(shí)驗(yàn)研究了HRV譜功率分布與駕駛疲勞的關(guān)系，研究表明二者之間具有強(qiáng)相關(guān)關(guān)系。浙江大學(xué)的吳群[14]在模擬駕駛情境下，研究了駕駛過程中心電信號的時(shí)域、頻域、非線性指標(biāo)的變化規(guī)律。研究證明，隨著駕駛疲勞程度的加深，心電信號的部分時(shí)、頻域指標(biāo)表現(xiàn)出比較明顯的變化，非線性指標(biāo)在表征駕駛疲勞的過程以及評價(jià)疲勞程度一致性方面表現(xiàn)更好。

駕駛疲勞后，駕駛員動作會變得僵硬，容易產(chǎn)生誤操作或操作動作緩慢，因此，除上述指標(biāo)外，表面肌電（Surface Wlectromyography，s EMG）信號也被用于監(jiān)測駕駛疲勞。文獻(xiàn)[9，10]的研究表明，EMG信號與駕駛疲勞具有較好的關(guān)聯(lián)性，可用于監(jiān)測駕駛疲勞。文獻(xiàn)[19]通過頸部肌肉的EMG信號的近似熵，提出了一種監(jiān)測駕駛疲勞的方法，方法有效度達(dá)到86.3%以上。天津科技大學(xué)的陳慧玲[11]在模擬駕駛環(huán)境下，測試研究了駕駛員部分肌肉群的EMG信號，研究發(fā)現(xiàn)相比男性駕駛員，女性駕駛過程中更容易產(chǎn)生肌肉疲勞，其中頸部和腰部肌肉是最容易疲勞的部位。

1.2 ? 基于駕駛操縱參數(shù)的駕駛疲勞檢測技術(shù)的研究

疲勞駕駛會導(dǎo)致駕駛員對車輛的控制明顯異常，故駕駛操作參數(shù)也被用于監(jiān)測疲勞駕駛，常用的參數(shù)包括方向盤轉(zhuǎn)角、車道偏離以及駕駛員駕駛姿態(tài)等。

方向盤轉(zhuǎn)角是最常用的監(jiān)測駕駛疲勞的參數(shù)，在表征駕駛疲勞方面顯示出較好的優(yōu)勢。文獻(xiàn)[20]在美國艾奧瓦州大學(xué)國家先進(jìn)模擬駕駛實(shí)驗(yàn)室的儀器上，通過檢測方向盤轉(zhuǎn)角參數(shù)，利用隨機(jī)預(yù)測算法，研究了監(jiān)測駕駛疲勞的方法。通過對72名被試駕駛員的測試，利用該算法成功從各種數(shù)據(jù)中分離出了駕駛疲勞狀態(tài)下的車輛狀態(tài)，研究表明，該方法同眼睛閉合檢測方法相比，具有更好的準(zhǔn)確性和時(shí)間上及時(shí)性。 文獻(xiàn)[21]利用非線性特征構(gòu)造理論，通過計(jì)算方向盤轉(zhuǎn)角短時(shí)時(shí)間序列的近似熵（ApEn）和復(fù)雜度，建立了多級疲勞判定模型。在北京到秦皇島的高速公路實(shí)際駕車環(huán)境下進(jìn)行了實(shí)驗(yàn)驗(yàn)證，研究表明該模型對三級疲勞狀態(tài)監(jiān)測的正確率接近84.6%。

除方向盤轉(zhuǎn)角參數(shù)外，軌道偏離參數(shù)也常被用于駕駛疲勞監(jiān)測。文獻(xiàn)[22]設(shè)計(jì)了一種模擬駕駛試驗(yàn)臺，對20名駕駛員進(jìn)行了疲勞駕駛實(shí)驗(yàn)，建立了軌道偏離參數(shù)與疲勞程度的判定模型，通過實(shí)驗(yàn)，驗(yàn)證了模型的有效性。吉林大學(xué)的LE DINH DAT[23]基于吉林大學(xué)國家重點(diǎn)實(shí)驗(yàn)室的在環(huán)試驗(yàn)臺，針對12名被試設(shè)計(jì)進(jìn)行了軌道偏離試驗(yàn)，利用獨(dú)立樣本T檢驗(yàn)，辨識出駕駛疲勞情況下軌道偏離的特性參數(shù)，建立了高斯-隱馬爾科夫疲勞車道偏離識別模型，并通過離線訓(xùn)練得到模型參數(shù)。通過比較不同模型及參數(shù)對識別效果的影響，得出了基于GM-HMM建立的疲勞車道偏離識別模型識別效果最優(yōu)的結(jié)論。

駕駛員的困倦會引起駕駛姿態(tài)的變化，比如，駕駛員打瞌睡時(shí)，其坐姿的變化會導(dǎo)致其身體的重心改變，這可以通過在座椅上安裝壓力傳感器，測量座椅負(fù)載中心的位置來檢測。文獻(xiàn)[24]將壓力傳感器安裝于車輛座椅上，針對一名被試，通過模擬駕駛產(chǎn)生困倦，研究了駕駛員困倦時(shí)，座椅負(fù)載分布的變化。研究發(fā)現(xiàn)，剛開始時(shí)，負(fù)載在座椅上是均勻分布，而隨著駕駛過程的發(fā)展，駕駛員產(chǎn)生困倦后，負(fù)載逐漸集中到座椅后部的某一點(diǎn)上。

1.3 ? 基于駕駛員身體特征的疲勞監(jiān)測技術(shù)的研究

駕駛員面部的部分信息以及頭的運(yùn)動等信號也可以很好地表征駕駛疲勞，比如眼睛閉合時(shí)間、注視時(shí)間、駕駛姿勢、打哈欠、點(diǎn)頭頻率等都是反映駕駛疲勞的典型信號。總體上講，基于駕駛員身體特征的疲勞監(jiān)測技術(shù)按照檢測部位可分為檢測眼睛、嘴和頭來實(shí)現(xiàn)，主要通過機(jī)器視覺和圖像處理技術(shù)提取特征值。

眼睛狀態(tài)的檢測與眼動儀測得的眼電信號不同，是由圖像采集設(shè)備獲得，并通過圖像處理技術(shù)得到特征信息。主要通過提取眼睛閉合的頻次、上下眼皮的距離、以及眼睛睜開的百分比等參數(shù)來反映駕駛疲勞的程度。文獻(xiàn)[25]在真實(shí)駕駛環(huán)境下，對5名駕駛員通過攝像頭采集臉部影像，利用Haar-like特征提取臉部圖像，利用水平投影和模板匹配方法從圖像中分離出特征參數(shù)，根據(jù)眼部的不同狀態(tài)將疲勞等級分為低疲勞、中等疲勞和高度疲勞。文獻(xiàn)[26]將圓形攝像頭安裝在大客車駕駛室內(nèi)，在真實(shí)駕車環(huán)境下，采集了23名駕駛員的臉部圖像，通過現(xiàn)代圖像處理技術(shù)，估算出眼睛睜開和閉合時(shí)間，聯(lián)合利用這兩個(gè)信息去判斷駕駛疲勞，取得了較好的實(shí)際效果。陳昕等[27]通過圖像處理，采用OpenCV中的Haar分類器，對駕駛員的臉部、眼睛進(jìn)行檢測，利用眼睛閉合時(shí)間判定駕駛疲勞狀態(tài)，取得了較好的效果。

打哈欠是疲勞的典型表現(xiàn)，因此，打哈欠和嘴的張開也可用于表征駕駛員的疲勞狀態(tài)。文獻(xiàn)[28]在真實(shí)駕車環(huán)境下，通過采集駕駛員臉部圖像，采用支持向量機(jī)技術(shù)和邊緣斜度算法提取嘴部狀態(tài)特征，利用計(jì)數(shù)器計(jì)數(shù)打哈欠的次數(shù)，來表征疲勞的程度，實(shí)驗(yàn)證明，該方法可以獲得98%的精確度，不過，該文獻(xiàn)沒有提及被試的人數(shù)。文獻(xiàn)[29]研究了駕駛員嘴部圖像特征的提出方法，綜合采用最大類間方差算法、連通成分標(biāo)示法、投影法等現(xiàn)代圖像處理方法，對采集的圖像進(jìn)行面部分割，并對嘴部進(jìn)行定位。

駕駛疲勞時(shí)，尤其是困倦時(shí)，駕駛員會打盹，這在駕駛員的身體特征方面會表現(xiàn)出頻繁的點(diǎn)頭運(yùn)動。通過視頻圖像的處理，計(jì)數(shù)單位時(shí)間內(nèi)點(diǎn)頭的次數(shù)，就可以檢測駕駛疲勞。文獻(xiàn)[30]采集了不同時(shí)間段、不同光照條件、不同姿態(tài)的駕駛員頭部圖像序列，采用時(shí)間序列挖礦算法，從中提取了500個(gè)融合Gabor特征向量以定義駕駛員的頭部狀態(tài)，該方法獲得了接近99.2的極高準(zhǔn)確度。

2 ? ?駕駛疲勞監(jiān)測技術(shù)在車輛上的應(yīng)用現(xiàn)狀

隨著駕駛疲勞監(jiān)測研究的不斷進(jìn)步，現(xiàn)已有許多研究成果成功應(yīng)用于汽車上。國內(nèi)外各大汽車公司的部分高端車型上，大多配有駕駛疲勞監(jiān)測與預(yù)警系統(tǒng)。國外汽車公司中，奔馳、大眾、福特、豐田、日產(chǎn)、捷豹、沃爾沃等公司的部分車型上都安裝了駕駛疲勞監(jiān)測報(bào)警系統(tǒng)。此外，博世公司研發(fā)的DDDS監(jiān)測系統(tǒng)已廣泛應(yīng)用于眾多汽車公司的車型上，國內(nèi)汽車公司中，比亞迪、吉利、一汽集團(tuán)也有自己的駕駛疲勞監(jiān)測系統(tǒng)[4，31，32]。

梅賽德斯-奔馳的 Attention Assist系統(tǒng)是德系汽車疲勞駕駛監(jiān)測系統(tǒng)的代表，其主要監(jiān)測方向盤角度、角加速度、車速、側(cè)向加速度等車輛參數(shù)，綜合駕駛員的駕駛行為等信息，對疲勞駕駛的駕駛員發(fā)出報(bào)警提醒信息。該系統(tǒng)于2011年就以應(yīng)用于奔馳B級轎車上。大眾公司的疲勞監(jiān)測系統(tǒng)也是監(jiān)測車輛操作參數(shù)，融合駕駛時(shí)間等因素估計(jì)駕駛員的疲勞水平，及時(shí)發(fā)出報(bào)警提示，該系統(tǒng)可主動觸發(fā)，也可在行車4小時(shí)后自動觸發(fā)。

福特公司的監(jiān)測系統(tǒng)Driver Alert System除監(jiān)測車輛操縱信息外，還監(jiān)測駕駛員生理信息，該系統(tǒng)已在福克斯、Galaxy系列等車型上安裝使用。豐田公司的疲勞監(jiān)測系統(tǒng)Driver Monitor由日本株式會社研發(fā)，需配備紅外攝像設(shè)備，以駕駛員的眼部特征和頭部特征為監(jiān)測對象。日產(chǎn)公司車輛配置的疲勞監(jiān)測系統(tǒng)以電動助力轉(zhuǎn)向系統(tǒng)的信息，融合車輛狀態(tài)信號和車內(nèi)環(huán)境信息，來判斷駕駛員的疲勞狀態(tài)。

沃爾沃公司的DAC（Driver Alert Control）不僅可以監(jiān)測駕駛員的疲勞，還能監(jiān)測駕駛員的注意力分散，該系統(tǒng)通過監(jiān)測車輛操作信息、駕駛員的頭部信息以及駕駛員的眼睛的狀態(tài)來判斷駕駛員的疲勞程度，該系統(tǒng)還可以融合車輛控制系統(tǒng)的其它信息，主動對車輛進(jìn)行干預(yù)。捷豹F-Type將監(jiān)測系統(tǒng)內(nèi)置于轉(zhuǎn)向盤內(nèi)，通過監(jiān)測駕駛員的面部運(yùn)動和眼睛運(yùn)動信息判斷駕駛員的駕駛狀態(tài)，該系統(tǒng)由澳大利亞 Seeing Machines 公司研制。

國內(nèi)，清華大學(xué)研制開發(fā)的駕駛疲勞監(jiān)測系統(tǒng)已應(yīng)用于眾泰M11、M12和陜汽重卡等車輛上;比亞迪BAWS系統(tǒng)通過采集駕駛員的眼部、頭部信息來監(jiān)測駕駛疲勞，配有攝像頭、紅外傳感器等硬件;吉利領(lǐng)克的DAC監(jiān)控系統(tǒng)采用了沃爾沃的技術(shù);一汽集團(tuán)研發(fā)的紅旗H7 DSM系統(tǒng)基于駕駛員的眼部和頭部運(yùn)動信息，結(jié)合車輛運(yùn)行軌跡等信息，來判斷駕駛員的疲勞狀態(tài)。其它汽車公司的監(jiān)測系統(tǒng)主要以應(yīng)用國外產(chǎn)品為主。

3 ? ?駕駛疲勞監(jiān)測的發(fā)展趨勢及存在問題

3.1 ? 發(fā)展趨勢

近年來，隨著計(jì)算機(jī)應(yīng)用技術(shù)的快速發(fā)展，駕駛疲勞監(jiān)測技術(shù)的進(jìn)展有了較大的突破，從技術(shù)上來說，主要向多信息融合以及智能化方向發(fā)展。

（1）多信息融合技術(shù)的應(yīng)用

雖然研究者用盡各種先進(jìn)算法，意圖提高疲勞駕駛監(jiān)測的準(zhǔn)確度，但利用單一信息判定駕駛疲勞的準(zhǔn)確度依然很難達(dá)到理想程度，故近些年的研究多利用多信息融合技術(shù)，比如多種生理信號的融合、眼部狀態(tài)與頭部狀態(tài)等身體信號的融合、生理信號與身體信號的融合、以及車輛操縱信號與駕駛員身體信號的融合等。通過多信息融合技術(shù)，對駕駛疲勞狀態(tài)的判別準(zhǔn)確度有了極大的提升[33-36]。

（2）智能化技術(shù)的應(yīng)用

在最初的研究中，信號特征值的提取一般采用數(shù)學(xué)模型，比如利用數(shù)學(xué)統(tǒng)計(jì)法、小波變換、灰度、二值化、Haar-like特征等各種算法，提取腦電、心電、圖像信號中的特征信息。而后，基于規(guī)則的模糊推理等方法被用于判別駕駛疲勞，近幾年的研究，支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、遷移學(xué)習(xí)等人工智能技術(shù)被廣泛應(yīng)用于駕駛疲勞檢測中[37-40]。

3.2 ? 存在問題

在國內(nèi)外專家學(xué)者的努力下，駕駛疲勞監(jiān)測技術(shù)的研究取得了許多極有價(jià)值的研究成果，對推進(jìn)交通駕駛安全作出了巨大的貢獻(xiàn)，但依然存在許多問題。

（1）基于生理信號的監(jiān)測雖然作為理論研究有很大的學(xué)術(shù)價(jià)值，但由于需要附加額外的檢測設(shè)備，會對駕駛帶來不便，因此在車輛上很少采用。

（2）基于駕駛員臉部、頭部特征的監(jiān)測方法需要視頻采集設(shè)備，而普通的攝像頭由于受光照影響，不能滿足全天候監(jiān)測，而紅外攝像設(shè)備價(jià)格較高，影響了廣泛采用。

（3）基于車輛操縱參數(shù)的監(jiān)測不需要額外的設(shè)備、亦不受光照影響，但受到具體車型特性的影響，較難統(tǒng)一評價(jià)標(biāo)準(zhǔn)，且非汽車生產(chǎn)廠家的研究者較難獲得車輛操縱的內(nèi)部參數(shù)。

（4）理論研究和技術(shù)開發(fā)不平衡，通過文獻(xiàn)檢索可以發(fā)現(xiàn)，從事理論研究的學(xué)術(shù)文章數(shù)量較大，但真正轉(zhuǎn)化為產(chǎn)品的較少，產(chǎn)學(xué)研的融合深度不夠。

4 ? ?展望

在我國，由于國土幅員遼闊，高速公路網(wǎng)絡(luò)建設(shè)發(fā)展迅速，加之國人具有在重要節(jié)日回家團(tuán)聚的習(xí)慣，長途駕駛有其存在的必然性，這也導(dǎo)致了駕駛疲勞的普遍存在。自動駕駛技術(shù)雖然可以永久地解決疲勞駕駛問題，但由于技術(shù)及成本等問題，其全面普及尚需時(shí)日。在此之前，對駕駛疲勞問題的研究依然具有重要的意義。

今后，對駕駛疲勞監(jiān)測技術(shù)的研究應(yīng)強(qiáng)化產(chǎn)、學(xué)結(jié)合，產(chǎn)、研融合，校、企協(xié)同創(chuàng)新，加強(qiáng)應(yīng)用技術(shù)研究。

其實(shí)，對駕駛員來講，無需檢測，自己就能夠較為精確地主觀判斷是否疲勞，但大多數(shù)駕駛員依然會選擇繼續(xù)駕駛。一方面是對疲勞駕駛的危害認(rèn)識不夠，另一方面，是存有僥幸心理。但目前的研究，只是檢測到疲勞后進(jìn)行報(bào)警提醒，而沒有確定一個(gè)疲勞的標(biāo)準(zhǔn)，強(qiáng)制駕駛員停止駕駛。今后的研究應(yīng)從兩方面努力，一是如何確定疲勞的危險(xiǎn)點(diǎn)，超過這個(gè)臨界后，應(yīng)采取措施，強(qiáng)制駕駛員在規(guī)定時(shí)間內(nèi)停車休息;二是對臨界點(diǎn)以下的疲勞，研究干預(yù)措施，通過干預(yù)減緩和降低駕駛員的疲勞程度，提高其繼續(xù)駕車的安全性。

參考文獻(xiàn)：

[1]交通運(yùn)輸部公路科學(xué)研究院.2019年中國道路交通安全藍(lán)皮書[M].北京： 人民交通出版社股份有限公司，2020：26-27.

[2]李都厚，劉群，袁偉等.疲勞駕駛與交通事故關(guān)系[J]. 交通運(yùn)輸工程學(xué)報(bào)，2010（4）：104-109.

[3]戚基艷.汽車駕駛疲勞分析及其監(jiān)測[J].汽車科技，2011（1）：34-38.

[4]Gulbadan Sikander， Shahzad Anwar. Driver Fatigue Detection Systems： A Review[C]. IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS，2019，20（6）：2339-2352.

[5]Eoh HJ，Chung MK，Kim SH. Electroence-phalographic Study of Drowsiness in Simulated Driving with Sleep Deprivation[J].International Journal of Industrial Er-gonomics，2005，35（4） ： 307 - 320.

[6]Li W，He Q，F(xiàn)an X，et a1.Evaluation of driver fatigue on two channels of EEG data[J] Neuroscience Letters，2012，506（2）：235-239.

[7]劉天嬌，馬錦飛.高速公路駕駛員主動疲勞的腦電檢測分析[J].中國安全科學(xué)學(xué)報(bào). 2018，28（10）：13-18.

[8]Benedetto S，Pedrotti M，Minin L，et a1.Driver workload and eye blink duration[J].Transportation research part F：traffic psychology and behaviour，2011，14（3）199-208.

[9]V. Balasubramanian and K. Adalarasu，EMG-based analysis of change in muscle activity during simulated driving[ J]. Bodywork Movement Therapies，vol. 11，no. 2，pp. 151-158，2007.

[10]Driver Alertness Detection System Research Using Capacitive Sensor Array. Kithil P. W， Jones R.D. etc. Proceedings of the First International Driving Symposium on Human Factor in Driver Assessment Training and Vehicle Design . 2001.

[11]陳慧玲.基于表面肌電的人體駕駛疲勞特性研究[D].天津：天津科技大學(xué)，2017.

[12]Khushaba R N，Kodagoda S，Liu D，et a1.Muscle computer interfaces for driver distraction reduction[J].Computer methods and programs in biomedicine，2013，110（2）：137-149.

[13]Zhao C，Zhao M，Liu J，et a1.Electroencephalogram and electrocardiograph assessment of mental fatigue in a driving simulator[J].Accident Analysis&Prevention，2012，45：83-90.

[14]吳群.基于心電信號的駕駛疲勞檢測方法研究[D].杭州：浙江大學(xué)，2008.

[15]Lal SK，Craig A. A critical review ofthe psychophysiology ofdriver fatigue[J].Biological psychology，2001，55（3）：173—194.

[16]胡淑燕，鄭鋼鐵. 基于 EEG頻譜特征的駕駛員疲勞監(jiān)測研究[J]. 中國安全生產(chǎn)科學(xué)技術(shù).2010（6）：90-93.

[17]Caffier PP，Erdmann U，Ullsperger P.Experimental E-valuation of Eye-blink Parameters as A Drowsiness Measure[J]. European Journal of Applied Physiology，2003，89（3-4）： 319 - 325.

[18]Xu X，Cui X，Wang G，et al.A New Method for Driver Fatigue Detection Based on Eye State[C]. Interna-tional Conference on Rough Sets and Knowledge Technology.Springer International Publishing，2015： 513-524.

[19]Zhang CH，Wang H，F(xiàn)u RR. Automated Detection of Driver Fatigue Based on Entropy and Complexity Measures[J]. The Institute of Electrical and Electronics Engineers Transactions on Intelligent Transportation System，2014，15（ 1） ： 168-177.

[20]A. D. McDonald， C. Schwarz， J. D. Lee， et al. Real-time detection of drowsiness related lane departures using steering wheel angle[C] in Proc. Hum. Factors Ergonom. Soc. Annu. Meeting， vol. 56，no. 1. Los Angeles，CA，USA： Sage，2012，pp. 2201–2205.

[21]Z. Li，S. E. Li， R. Li，B. Cheng， and J. Shi， Online detection of driver fatigue using steering wheel angle for real driving conditions[J]. Sensors， vol. 17， no. 3，p. 495，2017.

[22]J. H. Yang，Z.-H. Mao，L. Tijerina， T. Pilutti， J. F. Coughlin，and E. Feron，Detection of driver fatigue caused by sleep deprivation[J]. IEEE Trans. Syst.，Man，Cybern. A，Syst. Humans，vol. 39，no. 4，pp. 694–705，Jul. 2009.

[23]LE DINH DAT. 面向駕駛員疲勞車道偏離識別方法研究[D].長春：吉林大學(xué)，2017.

[24]S. Furugori，N. Yoshizawa， C. Iname，and Y. Miura，Estimation of driver fatigue by pressure distribution on seat in long term driving[J]. Rev. Automot. Eng.，vol. 26，no. 1，pp. 053–058， 2005.

[25]M.-H. Sigari， M. Fathy，and M. Soryani， A driver face monitoring system for fatigue and distraction detection[J].Int. J. Veh. Technol.， vol. 2013， Nov. 2013，Art. no. 263983.

[26]B. Mandal，L. Li，G. S. Wang， and J. Lin. Towards detection of bus driver fatigue based on robust visual analysis of eye state[J]. IEEE Trans. Intell. Transp. Syst.， vol. 18， no. 3， pp. 545–557， Mar. 2017.

[27] 陳昕，朱國華，張馳等.基于眼睛閉合狀態(tài)的駕駛疲勞檢測方法[J]. 遼寧工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，38（3）：182-186.

[28]N. Alioua，A. Amine，and M. Rziza. Driver’s fatigue detection based on yawning extraction[J]. Int. J. Veh. Technol.，vol. 2014，Aug. 2014，Art. no. 678786.

[29]孫萱 . 基于單目視覺的駕駛員嘴部分割與定位方法研究 [D]. 吉林大學(xué)，2007.

[30]L. Wang，H. Yang， X. Jiang， and X. Feng，“Gabor-based facial image sequential pattern mining for human fatigue monitoring，” Int. J. Adv. Comput. Technol.，vol. 3，no. 6，pp. 26–33，2011.

[31]于立嬌，吳振昕，王文彬等. 駕駛員疲勞狀態(tài)監(jiān)測系統(tǒng)綜述[J].汽車文摘，2019（3）：24-29.

[32]于琦.汽車駕駛員駕駛疲勞監(jiān)測及技術(shù)發(fā)展分析[J].時(shí)代汽車，2018（3）：10-11.

[33]黃占鰲，史晉芳.多特征融合的駕駛員疲勞檢測研究[J].機(jī)械科學(xué)與技術(shù).2018，37（11）：1750-1754.

[34]Satzoda R K，Trivedi M M. Drive analysis using vehicle dynamics and vision-based lane semantics[J]. IEEE Transactions on Intelligent Transportation Systems，2015，16（ 1） ： 9-18.

[35] Mbouna R O，Kong S G，Chun M G. Visual analysis of eye state and head pose for driver alertness monitoring[J].IEEE Transactions on Intelligent Transportation Systems，2013，14（3） ： 1462-1469.

[36]Craye C，Rashwan A，Kamel M S，et al. A multi-modal driver fatigue and distraction assessment system[J]. International Journal of Intelligent Transportation Systems Research，2016，14（3）：173-194.

[37]Patel M，Lala SKL，Kavanagha D，et al. Applying Neural Network Analysis on Heart Rate Variability Data to Assess Driver Fatigue[J]. Expert Systems with Applications，2011，38（6） ： 7235-7242.

[38]徐軍莉，閔建亮，胡劍鋒等.定性推理生成器在駕駛疲勞檢測中的應(yīng)用[J].汽車安全與節(jié)能學(xué)報(bào)，2018，9（1）：32-40.

[39]王斐，吳仕超，劉少林等. ?基于腦電信號深度遷移學(xué)習(xí)的駕駛疲勞檢測[J].電子與信息學(xué)報(bào)，2019，41（9）：2264-2271.

[40]莊員，戚湧.偽3D卷積神經(jīng)網(wǎng)絡(luò)與注意力機(jī)制結(jié)合的疲勞駕駛檢測[J].中國圖像圖形學(xué)報(bào)，2021，26（1）：143-153.

專家推薦語

陳孟春

襄陽達(dá)安汽車檢測中心有限公司

氫燃料汽車試驗(yàn)研究副總師 ?研究員級工程師

本文通過對駕駛疲勞監(jiān)測技術(shù)綜述，詳細(xì)講解了基于生理指標(biāo)的駕駛疲勞監(jiān)測技術(shù)、駕駛操縱參數(shù)的駕駛疲勞檢測技術(shù)、基于駕駛員身體特征的疲勞監(jiān)測技術(shù)方法和原理，并分析了駕駛疲勞監(jiān)測技術(shù)在車輛上的應(yīng)用現(xiàn)狀，駕駛疲勞監(jiān)測的發(fā)展趨勢及存在問題及發(fā)展展望，有一定參考價(jià)值。