摘要：針對(duì)當(dāng)前疲勞檢測(cè)技術(shù)在精確評(píng)估駕駛員疲勞程度、建立監(jiān)測(cè)指標(biāo)關(guān)聯(lián)性，以及在處理極端頭部運(yùn)動(dòng)時(shí)面部追蹤方面的不足，提出了一種創(chuàng)新的解決方案，該方案依托于MediaPiPe-MeshFace模型，旨在實(shí)現(xiàn)更精細(xì)的疲勞駕駛識(shí)別。該模型通過(guò)精準(zhǔn)定位面部468個(gè)關(guān)鍵點(diǎn)，特別強(qiáng)調(diào)了眼瞼作為眼部疲勞判斷的關(guān)鍵要素，以此捕獲更為微妙的疲勞跡象，增強(qiáng)檢測(cè)準(zhǔn)確性。此外，引入歐拉角分析頭部的空間姿態(tài)變化，提高了在頭部快速大幅度移動(dòng)情況下的穩(wěn)定追蹤能力。通過(guò)整合眼瞼活動(dòng)性、口部形態(tài)變化以及頭部姿態(tài)的動(dòng)態(tài)信息，構(gòu)建了一套多維度面部特征融合的疲勞檢測(cè)機(jī)制。實(shí)驗(yàn)驗(yàn)證了該方法不僅能夠有效辨識(shí)駕駛員的疲勞狀態(tài)，還成功實(shí)現(xiàn)了疲勞級(jí)別的劃分，并在面對(duì)特定挑戰(zhàn)如劇烈頭部動(dòng)作時(shí)，顯著改善了面部疲勞特征的提取效能。

關(guān)鍵詞：疲勞駕駛；多特征融合；MediaPiPe-MeshFace模型；眼瞼；歐拉角分析；頭部姿態(tài)追蹤

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）22-0014-05

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID） ：<E：＼飛翔打包文件目錄001＼電腦2024年8月上第二十二期打包文件＼9.01xs202422＼Image＼image39.jpeg>

0 引言

根據(jù)數(shù)據(jù)統(tǒng)計(jì)顯示，疲勞駕駛是導(dǎo)致交通事故的主要原因之一[1]。疲勞駕駛引發(fā)交通事故的概率是正常駕駛的4～6倍[2]。每年約有20%的交通事故由疲勞駕駛所致，而特大交通事故中，有40%以上與疲勞駕駛有關(guān)[3]。若能及早發(fā)出警示以避免交通事故的發(fā)生[4]，對(duì)交通安全具有重要意義[5]。

隨著科學(xué)技術(shù)的發(fā)展，疲勞駕駛檢測(cè)方法不斷完善，尤其是計(jì)算機(jī)視覺(jué)技術(shù)和深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù)[6]。許多學(xué)者利用視覺(jué)傳感器提取面部特征，并使用人臉檢測(cè)技術(shù)和面部特征關(guān)鍵點(diǎn)定位方法來(lái)判斷駕駛員的疲勞狀態(tài)[7]。2019年，劉敏等首次提出了Adaboost+ASM+膚色檢測(cè)+瞳孔定位的算法，該算法通過(guò)點(diǎn)頭率、頭部異常率和眨眼率等指標(biāo)，為疲勞監(jiān)測(cè)問(wèn)題提供了解決思路和方案[8]。2012年，李昌智等人提出了一種方案，該方案優(yōu)化了傳統(tǒng)眼部和嘴部檢測(cè)方法的局限性。他們使用膚色模型快速檢測(cè)并確定人臉區(qū)域，并結(jié)合二值化和水平灰度方法準(zhǔn)確定位眼睛位置，通過(guò)分析PERCLOS、眼睛閉合時(shí)間、眼睛眨眼頻率、嘴巴張開(kāi)程度和頭部運(yùn)動(dòng)等綜合因素對(duì)駕駛員的疲勞程度進(jìn)行判定[9]。盡管早期相關(guān)研究在疲勞駕駛檢測(cè)方面取得了一定進(jìn)展，但現(xiàn)有的一些檢測(cè)方法尚未能很好地量化駕駛員的疲勞程度和監(jiān)測(cè)指標(biāo)之間的關(guān)系，且疲勞的分級(jí)不夠準(zhǔn)確，以及在頭部晃動(dòng)幅度過(guò)大過(guò)快時(shí)無(wú)法跟蹤面部等問(wèn)題。因此，設(shè)計(jì)一種能夠?qū)ζ跔顟B(tài)進(jìn)行分級(jí)，且穩(wěn)定性好、識(shí)別率高的算法非常重要。

因此，本文提出了一種基于 MediaPipe-MeshFace 框架的面部多特征疲勞駕駛檢測(cè)算法 FMFDD-3M （Facial Multi-feature Fatigue Driving Detection Algorithm Based on MediaPipe-MeshFace Modeling）。首先，采用 Google 的 MediaPipe-MeshFace 面網(wǎng)模型，能夠精確定位面部的468個(gè)關(guān)鍵點(diǎn)。首次將眼瞼作為眼部疲勞檢測(cè)的重要參數(shù)之一，獲取更細(xì)微的特征，以提高疲勞檢測(cè)的識(shí)別率。然后，用歐拉角的變換來(lái)檢測(cè)頭部空間姿態(tài)[10]，以增加頭部晃動(dòng)時(shí)目標(biāo)檢測(cè)的穩(wěn)定性。最后，將眼瞼動(dòng)態(tài)與嘴部長(zhǎng)寬比和頭部空間姿態(tài)變化融合，得到一種面部多特征疲勞檢測(cè)方法。該方法能夠有效識(shí)別疲勞駕駛狀態(tài)，實(shí)現(xiàn)疲勞狀態(tài)分級(jí)，在頭部晃動(dòng)幅度過(guò)大過(guò)快時(shí)具有很高的穩(wěn)定性。

1 眼部疲勞狀態(tài)判斷

1.1 眼瞼信息提取與定位

眼部的變化能夠很好地反映駕駛員的疲勞狀態(tài)。在疲勞時(shí)，眼睛閉眼是其主要表現(xiàn)特征之一[11]。在閉眼的過(guò)程中，眼瞼也會(huì)發(fā)生變化。因此，通過(guò)測(cè)量眼瞼相關(guān)數(shù)據(jù)，可以更準(zhǔn)確地獲取眼睛的當(dāng)前狀況，從而識(shí)別駕駛員更細(xì)微的疲勞狀態(tài)。觀察發(fā)現(xiàn)，當(dāng)眼睛閉合時(shí)，眼瞼寬度增大，上下眼皮的距離減小。眼瞼寬度與上下眼皮距離的比值的變化更為明顯。因此，通過(guò)觀察這些變化，可以更明顯地判斷駕駛員是否疲勞。眼瞼寬度與上下眼皮距離的具體分布如下：

在眼瞼定位方面，傳統(tǒng)的 Dlib 模型僅包含68個(gè)標(biāo)記點(diǎn)[12]，僅檢測(cè)眼部的上下眼皮和眼角的6個(gè)點(diǎn)。而 Google 的 MediaPipe-MeshFace 面網(wǎng)標(biāo)記的468個(gè)關(guān)鍵點(diǎn)模型提供了更細(xì)微的面部檢測(cè)，包括眉骨和上下眼皮的15個(gè)點(diǎn)。如圖2所示，其中表示眉骨的5個(gè)選定點(diǎn)，表示上眼皮的5個(gè)選定點(diǎn)，表示下眼皮的5個(gè)選定點(diǎn)。利用眉骨和上眼皮各點(diǎn)之間的距離可以很好地描述眼瞼的變化。

1.2 眼部疲勞狀態(tài)識(shí)別

眨眼是人眼快速閉合和重新打開(kāi)的過(guò)程[14]。每個(gè)人的眨眼過(guò)程略有差異，包括眼睛閉合和打開(kāi)速度、眼瞼寬度的變化以及眨眼持續(xù)時(shí)間等方面。通常情況下，眨眼持續(xù)時(shí)間約為100 ms到400 ms[15]。可以通過(guò)分析眼瞼的閉合程度、眨眼頻率以及眼瞼寬度等參數(shù)來(lái)評(píng)估駕駛員的疲勞程度和注意力狀態(tài)[16]。如果發(fā)現(xiàn)駕駛員的眼瞼寬度長(zhǎng)時(shí)間保持較大值或者頻繁眨眼，這可能表示駕駛員處于疲勞狀態(tài)或者注意力不集中[17]，需要及時(shí)發(fā)出警告以減少交通事故的風(fēng)險(xiǎn)。此外，國(guó)際上公認(rèn)的疲勞狀態(tài)判定準(zhǔn)則之一是 PERCLOS（Percent of Eye Closure over Time） 指標(biāo)[18]。該指標(biāo)綜合考慮了駕駛員眼睛閉合的幀數(shù)所占比例 ECR（Eye Closure Rate） 、最長(zhǎng)持續(xù)閉眼時(shí)間 MECT（Max Eye Closure Time） 以及眨眼頻率 BF（Blink Frequency） 等因素，使疲勞狀態(tài)的判斷更加準(zhǔn)確。因此，本文使用眼瞼寬度與上下眼皮的距離比值，并結(jié)合眼睛閉合程度、眨眼頻率以及 PERCLOS 指標(biāo)，來(lái)識(shí)別出眼部的疲勞狀態(tài)。

眼瞼寬度與上下眼皮的距離的比值的計(jì)算過(guò)程如下：

任意兩個(gè)三維坐標(biāo)點(diǎn) V1、V2 之間的空間距離計(jì)算公式：

[V1-V2x，y，z=x1-x22+y1-y22+z1-z22] （1）

首先，需要明確的是，人的眼睛形狀并非完美的橢圓形，而更接近于一個(gè)扁平的球體。然而，為了簡(jiǎn)化計(jì)算和理解，本文將其近似為橢圓形。這些權(quán)重代表了眼睛不同部位對(duì)疲勞檢測(cè)的影響程度。具體來(lái)說(shuō)，0.05、0.20、0.50、0.20、0.05這五個(gè)權(quán)值分別代表了眼睛上下眼皮對(duì)應(yīng)點(diǎn)的視覺(jué)重要性。在這個(gè)權(quán)值設(shè)置中，最大的權(quán)值是0.50，代表的是眼睛的中間部分，也就是瞳孔所在的區(qū)域。其次，0.20的權(quán)值代表的是眼睛的上半部分和下半部分。這兩部分雖然不如瞳孔區(qū)域重要，但仍然對(duì)疲勞檢測(cè)有一定的影響。最后，0.05的權(quán)值代表的是眼睛的最上方和最下方。這兩部分對(duì)疲勞檢測(cè)的影響最小。

[rations=0.05，0.20，0.50，0.20，0.05]

眼瞼寬度與上下眼皮的距離的比值（[eye_value]） 的計(jì)算公式：

[eye_value=n=05Pn-QnQn-Rn×rationsn] （2）

式（2） 中，當(dāng)[n（n=1，2…5）]為1時(shí)[P1-Q1Q1-R1]表示第一組數(shù)據(jù)值，從睜眼到閉眼的過(guò)程中，第一組眼瞼寬度[P1-Q1]增大，第一組上下眼皮的距離[P1-Q1]減小，[eye_value]值變大，因此，通過(guò)分析[eye_value]值，便可判斷眼睛的閉合狀態(tài)。

通過(guò)多次實(shí)驗(yàn)分析數(shù)據(jù)發(fā)現(xiàn)，在正常情況下，眼睛的[eye_value]值大約在范圍內(nèi)。而閉眼狀態(tài)下，[eye_value]值在[0.2±0.03]范圍內(nèi)。因此，本文將閾值設(shè)定為0.3作為判斷眼部狀態(tài)的主要依據(jù)。當(dāng)眼睛的[eye_value]值低于0.3時(shí)，可以判斷為閉眼行為的發(fā)生。據(jù)調(diào)查，普通人在清醒狀態(tài)下，眨眼頻率為15～20次/分鐘，眨眼間隔時(shí)間為3～4 s，每次眨眼的持續(xù)時(shí)間平均為100～400 ms[19]。在疲勞狀態(tài)下，人的注意力更難集中，閉眼的持續(xù)時(shí)間也會(huì)明顯延長(zhǎng)。因此，閉眼持續(xù)時(shí)間是判斷疲勞狀態(tài)的主要指標(biāo)之一?；谝陨蠑?shù)據(jù)和多次實(shí)驗(yàn)證明，本文可以設(shè)定參數(shù)來(lái)判斷疲勞狀態(tài)。例如，設(shè)定一個(gè)判斷周期為50幀，當(dāng)閉眼持續(xù)時(shí)間超過(guò)判斷周期的60%時(shí)，本文初步判斷該駕駛員處于疲勞狀態(tài)。

如圖3所示，0～100幀內(nèi)發(fā)生了兩次眨眼，而100～350幀內(nèi)發(fā)生了兩次長(zhǎng)時(shí)間閉眼和長(zhǎng)時(shí)間睜眼。此外，大于400幀的區(qū)間發(fā)生了快速眨眼。圖中清楚地展示了根據(jù)eye_value值眼部狀態(tài)的時(shí)間序列變化。通過(guò)設(shè)定特定的閾值和圖中的變化，可以了解眼部狀態(tài)的變化，包括眨眼、長(zhǎng)時(shí)間閉眼和長(zhǎng)時(shí)間睜眼，以及快速眨眼的情況。

2 嘴部疲勞狀態(tài)判斷

在疲勞駕駛檢測(cè)中，嘴部也是主要的檢測(cè)指標(biāo)之一[20]。在Dlib提出的68個(gè)關(guān)鍵點(diǎn)標(biāo)記中，嘴唇只有8個(gè)標(biāo)記點(diǎn)，無(wú)法精確測(cè)量嘴部變化。然而，在MediaPiPe-MeshFace面網(wǎng)模型中，嘴唇的特征點(diǎn)多達(dá)80個(gè)。通過(guò)多次實(shí)驗(yàn)，本文選取了16個(gè)具有代表性的特征點(diǎn)，這些特征點(diǎn)可以很好地衡量嘴唇的各種變化，同時(shí)提高了精度和結(jié)果的可靠性。常見(jiàn)的嘴部狀態(tài)可分為閉合、張開(kāi)和打哈欠等3種情況[21]。其中，打哈欠是最明顯的瞌睡跡象[22]，因此可以通過(guò)分析打哈欠的過(guò)程來(lái)判斷駕駛員是否疲勞。根據(jù)嘴部閉合幀數(shù)所占比例MCR （Mouth Closure Rate）、嘴巴最長(zhǎng)持續(xù)閉合時(shí)間MMCT （Max Mouth Closure Time）以及嘴巴張開(kāi)頻率MOF （Mouth Opening Frequency）等相關(guān)參數(shù)來(lái)分析駕駛員是否疲勞。

在上嘴唇和下嘴唇各選取7個(gè)點(diǎn)，左右嘴角分別選取1個(gè)點(diǎn)。其中，上嘴唇選取的7個(gè)點(diǎn)分別標(biāo)記為[H1-H7]，下嘴唇選取的7個(gè)點(diǎn)分別標(biāo)記為[L1～L7]，左嘴角選取點(diǎn)標(biāo)記為W1，右嘴角選取點(diǎn)標(biāo)記為W2。嘴部各點(diǎn)的具體位置如圖4所示。為判斷駕駛員疲勞狀態(tài)的數(shù)據(jù)值（[mouth_value]） ，使用上下嘴唇距離與兩嘴角距離的比值。具體計(jì)算過(guò)程如下：

上下嘴唇距離（[distance]） 的計(jì)算公式：

[distance=n=07Hn-Ln] （3）

兩嘴角距離（[corner]） 計(jì)算公式：

[corner=W1-W2] （4）

上下嘴唇距離與兩嘴角距離的比值（[mouth_value]） 計(jì)算公式：

[mouth_value=distance7corner] （5）

在嘴巴從閉合到張開(kāi)的過(guò)程中，[distance]增大，[corner]減小，[mouth_value]值將會(huì)增大，因此，通過(guò)分析[mouth_value]值可初步判斷駕駛員的疲勞狀態(tài)。

3 頭部姿態(tài)估計(jì)

在真實(shí)的駕駛環(huán)境中，駕駛員的頭部姿態(tài)估計(jì)主要用于判斷駕駛員是否疲勞，以確保安全并減少事故[23]。因此，頭部姿態(tài)是評(píng)估駕駛員疲勞程度中的一個(gè)重要指標(biāo)。本文利用 Google 的 MediaPipe-MeshFace 面網(wǎng)模型標(biāo)記的468個(gè)關(guān)鍵點(diǎn)，對(duì)駕駛員頭部姿態(tài)進(jìn)行估計(jì)。具體方法是將以世界坐標(biāo)系表示的3D人臉坐標(biāo)映射到以圖像坐標(biāo)系表示的2D關(guān)鍵點(diǎn)坐標(biāo)。轉(zhuǎn)換原理如圖5所示。

在圖5中，從左到右依次為相機(jī)坐標(biāo)系、圖像坐標(biāo)系、成像平面坐標(biāo)系和世界坐標(biāo)系。由于系統(tǒng)是通過(guò)相機(jī)提取人臉圖像，因此首先需要將世界坐標(biāo)系映射到相機(jī)坐標(biāo)系，也就是將坐標(biāo)系與攝像機(jī)對(duì)齊[25]。其中，世界坐標(biāo)系中的x軸和y軸與圖像的x軸和y軸對(duì)齊，正 z軸與攝像機(jī)的光軸對(duì)齊。坐標(biāo)系轉(zhuǎn)換的公式如下。

[XCYCZC1=RT01XWYWZW1] （6）

在公式（6）中，[R]為旋轉(zhuǎn)矩陣；[T]為平移矩陣。由圖5可知，從相機(jī)坐標(biāo)系到圖像坐標(biāo)系之間的轉(zhuǎn)換其實(shí)是一種透視變換，在透視變換的過(guò)程中產(chǎn)生了一個(gè)成像平面坐標(biāo)系，其中成像平面在相機(jī)坐標(biāo)系中的深度為焦距[f]，轉(zhuǎn)換關(guān)系為：

[λXiYi1=f000f0001XCYCZC] （7）

成像平面坐標(biāo)系通過(guò)式（7）映射到圖像坐標(biāo)系中：

[XPYP1=mxsx00myy0001XiYi1] （8）

公式（8）中，[mx]和[my]為每個(gè)圖像方向的像素比例因子；[s]為傳感器的傾斜因子；[x0]和[y0]為光軸和像素平面的交叉點(diǎn)。

最終將式（6）-（8）相結(jié)合，得到圖像坐標(biāo)系與世界坐標(biāo)系的映射關(guān)系為：

[RT01XWYWZW=λfmxsx00fmyy0001-1XpYp1] （9）

簡(jiǎn)化為：

[RT01XW=λK-1XP] （10）

公式（9）中，矩陣[K]為攝像機(jī)參數(shù)矩陣，通過(guò)相機(jī)標(biāo)定的方法可以獲取相機(jī)的內(nèi)參矩陣。

在3DMM（Morphable Face Model） [26]，即可變形的三維人臉模型，是一個(gè)通用的三維人臉模型，用固定的點(diǎn)數(shù)來(lái)表示人臉。獲取到世界坐標(biāo)系中心位置后，得到像素坐標(biāo)位置和相機(jī)的內(nèi)參便可以利用旋轉(zhuǎn)矩陣[R]和平移矩陣得到駕駛員頭部的歐拉角，詳細(xì)表達(dá)見(jiàn)公式（10）、（11）。

至此，已成功完成駕駛員頭部姿態(tài)的估計(jì)，并實(shí)時(shí)計(jì)算出與該姿態(tài)相關(guān)的歐拉角。在駕駛員嚴(yán)重疲勞時(shí)，頭部可能會(huì)向前傾斜，左右搖擺等行為表現(xiàn)。為了評(píng)估駕駛員的疲勞程度，本文使用了低頭頻率 HL （Head Lower） 結(jié)合頭部空間姿態(tài)的變化進(jìn)行了疲勞分析。

4 多特征融合判斷機(jī)制

如圖6所示，通過(guò)提取輸入圖像中的特征點(diǎn)，并將其分為眼部、嘴部和頭部三個(gè)部分，通過(guò)傳入的特征可以計(jì)算當(dāng)前狀態(tài)。考慮到疲勞是一個(gè)過(guò)程，本文規(guī)定將視頻中的50幀作為一次判斷疲勞狀態(tài)的一個(gè)周期。每周期計(jì)算一次低頭、閉眼和打哈欠幀數(shù)。如果打哈欠幀數(shù)大于30，同時(shí)眨眼次數(shù)大于5次，則判斷為輕度疲勞。當(dāng)閉眼幀數(shù)大于30，同時(shí)打哈欠幀數(shù)大于35時(shí)，將其判斷為中度疲勞。如果其中打哈欠幀數(shù)小于35次，則將其歸為輕度疲勞。當(dāng)同時(shí)滿足低頭幀數(shù)大于30、閉眼幀數(shù)大于40幀時(shí)，將其判斷為重度疲勞。如果其中閉眼幀數(shù)小于40次，則將其歸為中度疲勞。

5 實(shí)驗(yàn)及結(jié)果分析

為了驗(yàn)證研究方法的性能，本文設(shè)計(jì)了利用在NTHU駕駛員疲勞檢測(cè)視頻數(shù)據(jù)集部分?jǐn)?shù)據(jù)上的實(shí)驗(yàn)，該測(cè)試數(shù)據(jù)中選用7種不同場(chǎng)景：白天戴眼鏡、戴太陽(yáng)鏡、不戴眼鏡、晚上戴眼鏡、不戴眼鏡、白天顛簸和夜晚顛簸[28]。每個(gè)場(chǎng)景中選取了5組數(shù)據(jù)，每組數(shù)據(jù)包含輕度、中度疲勞和重度疲勞三種狀態(tài)。由于本文在評(píng)估眼部疲勞時(shí)加入了眼瞼作為判斷參數(shù)之一，而傳統(tǒng)的Dlib68面部關(guān)鍵點(diǎn)檢測(cè)模型無(wú)法提取眼部的眼瞼特征，所以本實(shí)驗(yàn)選用 MeshFace 468 面部關(guān)鍵點(diǎn)檢測(cè)模型下進(jìn)行實(shí)驗(yàn)。

根據(jù)表1中的實(shí)驗(yàn)結(jié)果，可以看出 FMFDD-3M 算法在疲勞狀態(tài)檢測(cè)和疲勞分級(jí)識(shí)別方面表現(xiàn)良好。這是因?yàn)镕MFDD-3M算法利用 MediaPipe-MeshFace面部標(biāo)記中的468個(gè)關(guān)鍵點(diǎn)面部檢測(cè)模型，將眼瞼視為眼部疲勞檢測(cè)的重要參數(shù)之一，并獲取了更細(xì)微的眼部特征。然后，它有效地將眼瞼動(dòng)態(tài)與嘴部特征和頭部空間姿態(tài)的變化進(jìn)行融合，從而提高在不同場(chǎng)景下疲勞檢測(cè)的準(zhǔn)確率和疲勞分級(jí)識(shí)別率。實(shí)驗(yàn)結(jié)果顯示，在白天和晚上帶顛簸的兩種場(chǎng)景下，F(xiàn)MFDD-3M 算法的識(shí)別率分別達(dá)到92%和87%。這表明，使用歐拉角變換來(lái)檢測(cè)頭部空間姿態(tài)來(lái)追蹤頭部晃動(dòng)的方法是有效的。

6 結(jié)論

本文使用 MediaPipe-MeshFace 模型，提出一種面部多特征疲勞駕駛檢測(cè)算法 FMFDD-3M。該算法首先利用 MediaPipe-MeshFace 面網(wǎng)模型來(lái)精確定位眼部，將眼瞼作為眼部疲勞檢測(cè)的重要參數(shù)之一，以獲取更詳細(xì)的特征。接著，將眼瞼的動(dòng)態(tài)特征與嘴部特征和頭部空間姿態(tài)變化進(jìn)行融合，從而提高在不同場(chǎng)景下疲勞檢測(cè)的準(zhǔn)確率和疲勞分級(jí)的識(shí)別率。此外，該算法還使用歐拉角的變化來(lái)檢測(cè)頭部空間姿態(tài)，有效解決了頭部晃動(dòng)過(guò)大或過(guò)快等特殊情況下無(wú)法提取面部疲勞特征的問(wèn)題。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效識(shí)別駕駛員的疲勞狀態(tài)，實(shí)現(xiàn)疲勞狀態(tài)的分級(jí)，特別是在顛簸環(huán)境下，識(shí)別率明顯提高，能夠準(zhǔn)確檢測(cè)疲勞狀態(tài)。FMFDD-3M 算法僅在 NTHU 駕駛員疲勞檢測(cè)視頻數(shù)據(jù)集的部分?jǐn)?shù)據(jù)上進(jìn)行了實(shí)驗(yàn)。該數(shù)據(jù)集干凈，環(huán)境較理想，幾乎沒(méi)有干擾。然而，在實(shí)際檢測(cè)過(guò)程中，會(huì)出現(xiàn)一些特殊情況，如視頻模糊、反光強(qiáng)烈、環(huán)境復(fù)雜等。這些對(duì)于疲勞狀態(tài)的檢測(cè)和判斷具有十分重要的意義。因此，提高算法在上述復(fù)雜環(huán)境下的識(shí)別率、穩(wěn)定性和魯棒性是下一步需要繼續(xù)研究的工作。

參考文獻(xiàn)：

[1] 劉秀， 王長(zhǎng)君， 何慶. 疲勞駕駛交通事故的特點(diǎn)分析與預(yù)防[J]. 中國(guó)安全生產(chǎn)科學(xué)技術(shù)， 2008， 4（1）： 128-131.

[2] 陳見(jiàn)哲.疲勞駕駛檢測(cè)方法研究進(jìn)展[J].汽車(chē)實(shí)用技術(shù)，2023，48（21）：179-186.

[3] 牛清寧，周志強(qiáng)，金立生，等.基于眼動(dòng)特征的疲勞駕駛檢測(cè)方法[J].哈爾濱工程大學(xué)學(xué)報(bào)，2015，36（3）：394-398.

[4] 陸榮秀，張筆豪，莫振龍.基于臉部特征和頭部姿態(tài)的疲勞檢測(cè)方法[J].系統(tǒng)仿真學(xué)報(bào)，2022，34（10）：2279-2292.

[5] 趙曉，楊晨，王若男，等.基于注意力機(jī)制ResNet輕量網(wǎng)絡(luò)的面部表情識(shí)別[J].液晶與顯示，2023，38（11）：1503-1510.

[6] WANG F W，GU T S，YAO W C.Research on the application of the Sleep EEG Net model based on domain adaptation transfer in the detection of driving fatigue[J].Biomedical Signal Processing and Control，2024，90：105832.

[7] 陳立潮，王冠男.基于面部多特征的駕駛員疲勞狀態(tài)檢測(cè)[J].計(jì)算機(jī)與數(shù)字工程，2023，51（3）：721-726.

[8] 劉敏.基于頭部特征和姿態(tài)估計(jì)的疲勞駕駛檢測(cè)技術(shù)的研究[D].上海：東華大學(xué)，2019.

[9] 李昌智，陳升業(yè)，周顯琳，等.基于頭部狀態(tài)的司機(jī)疲勞綜合檢測(cè)系統(tǒng)[J].科技信息，2012（31）：157-159.

[10] 莫紫雯，王江濤，張子翔.基于樹(shù)莓派的駕駛員分心駕駛檢測(cè)系統(tǒng)[J].電子制作，2023，31（21）：61-64，74.

[11] 劉旭，戰(zhàn)凱，于騫翔，等.基于人臉特征的疲勞檢測(cè)在礦山遠(yuǎn)程駕駛中的應(yīng)用[J].有色金屬工程，2022，12（4）：124-130.

[12] 劉南艷，魏鴻飛，馬圣祥.融合局部動(dòng)態(tài)特征的面部表情識(shí)別[J].計(jì)算機(jī)工程與科學(xué)，2023，45（5）：849-858.

[13] 倪廣興， 徐華， 王超. 融合改進(jìn)YOLOv5及Mediapipe的手勢(shì)識(shí)別研究[J/OL]. 計(jì)算機(jī)工程與應(yīng)用， 2023：1-11. [2023-12-25]. https：//kns-cnki-net.webvpn.xjau.edu.cn/kcms/detail/11.2127.TP.20231129.1045.002.html.

[14] 張光遠(yuǎn)，胡晉，章子睿，等.基于面部特征的高速鐵路調(diào)度員疲勞程度判定方法研究[J].鐵道學(xué)報(bào)，2021，43（8）：10-17.

[15] 王梅霞，徐怡彤，楊照宇，等.基于Dlib與OpenCV的疲勞駕駛檢測(cè)系統(tǒng)[J].中阿科技論壇（中英文），2023（3）：88-92.

[16] 于子平，程杰，丁巖康，等.基于深度學(xué)習(xí)的課堂注意力檢測(cè)[J].電子測(cè)試，2021（22）：55-57.

[17] 王暢，李雷孝，楊艷艷.基于面部多特征融合的疲勞駕駛檢測(cè)綜述[J].計(jì)算機(jī)工程，2023，49（11）：1-12.

[18] 高珍， 陳超， 許靖寧， 等. 基于車(chē)載視覺(jué)的端到端駕駛員疲勞檢測(cè)模型[J/OL].同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2023： 1-9 [2023-12-25]. https：//kns-cnki-net.webvpn.xjau.edu.cn/kcms/ detail/31.1267.N.20231211.0919.002.html.

[19] 楊艷艷，李雷孝，林浩.提取駕駛員面部特征的疲勞駕駛檢測(cè)研究綜述[J].計(jì)算機(jī)科學(xué)與探索，2023，17（6）：1249-1267.

[20] 王鵬，神和龍，尹勇，等.基于深度學(xué)習(xí)的船舶駕駛員疲勞檢測(cè)算法[J].交通信息與安全，2022，40（1）：63-71.

[21] 李依玲.基于多尺度特征融合的疲勞駕駛檢測(cè)方法研究[D].重慶：重慶大學(xué)，2022.

[22] 宋佳堯，尉斌，安姝潔，等.基于Dlib的面部疲勞檢測(cè)模型[J].軟件工程，2023，26（12）：38-40，58.

[23] 張蕊，趙帥，張慶余，等.基于觸覺(jué)信息的駕駛員操作意圖識(shí)別方法[J].汽車(chē)實(shí)用技術(shù)，2023，48（22）：49-59.

[24] 王康，樊繼東.基于多特征融合的疲勞駕駛檢測(cè)[J].湖北汽車(chē)工業(yè)學(xué)院學(xué)報(bào)，2023，37（1）：39-44.

[25] 丁海濤.人臉識(shí)別技術(shù)的應(yīng)用研究及改進(jìn)措施[J].無(wú)線互聯(lián)科技，2023，20（18）：86-88，104.

[26] 晏軼超，程宇豪，陳琢，等.基于神經(jīng)網(wǎng)絡(luò)的生成式三維數(shù)字人研究綜述：表示、渲染與學(xué)習(xí)[J].中國(guó)科學(xué)（信息科學(xué)），2023，53（10）：1858-1891.

[27] 胡峰松，程哲坤，徐青云，等.基于多特征融合的疲勞駕駛狀態(tài)識(shí)別方法研究[J].湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，49（4）：100-107.

[28] 李泰國(guó)，張?zhí)觳撸畛?，?基于面部倒立擺模型與信息熵的駕駛員疲勞檢測(cè)[J].交通運(yùn)輸系統(tǒng)工程與信息，2023，23（5）：24-32.

【通聯(lián)編輯：唐一東】