疲劳驾驶检测研究综述.docx

    疲劳驾驶检测研究综述    成亚玲 谭爱平摘 要：疲劳驾驶是导致交通事故的重要原因，严重影响公众的交通安全出行全球各国高度重视，科研人员进行了大量研究相关文献从生理特征信息、车辆行为特征信息、视觉特征信息和多特征信息融合等四维度进行了梳理，并指出了不同检测方法的优缺点最后，基于不同场景的应用需求，指出了基于深度学习、神经网络与多特征信息融合的疲劳检测研究将是未来研究的重点和热点Key：驾驶行为疲劳检测检测方法信息融合预测：U491.254;TP391  ： A  ：Review on Fatigue Driving DetectionCHENG Yaling  TAN Aiping（Hunan Industry Polytechnic， Changsha， Hunan Province， 410208 China）Abstract： Fatigue driving is an important cause of traffic accidents， which seriously affects the public's traffic safety. Countries all over the world attach great importance to it， and researchers have carried out a lot of research about it. The relevant literature combs the four dimensions of physiological feature information， vehicle behavior feature information，visual feature information and multi feature information fusion， and the advantages and disadvantages of different detection methods are pointed out. Finally， based on the application requirements of different scenarios， it is pointed out that the research on fatigue detection based on deep learning， neural network and multi feature information fusion will be the focus and hotspot of future research.Key Words： Driving behavior; Fatigue test; Detection method; Information fusion; Forecast駕驶员疲劳驾驶会导致其注意力、意识、判断能力、反应能力和执行能力减弱，进而使得对车辆的控制能力下降，导致对紧急情况处理不及时、操作出现失误等情况发生。

各国通过法律法规以防止驾驶员疲劳驾驶，降低交通事故频率研究驾驶员疲劳驾驶检测，对降低交通事故频率有着重要意义目前，国内外业界与学者对疲劳驾驶检测相关研究主要集中在生理信息特征、车辆行为特征、视觉特征以及多特征信息融合的疲劳检测4个方面下面将分别对这些研究进行阐述1基于驾驶员生理特征信息的疲劳驾驶检测该类检测方法通过采集驾驶员的EEG（脑电信号）、ECG（心电信号）、EMG（肌电信号）、ESG（皮电信号）等生理特征信息进行检测与分析，从而判定驾驶员的是否处于疲劳驾驶状态1）在脑电波方面，LI G和CHUNG W Y利用人机界面技术（BMI）系统，并结合了头部动作对困倦进行判断，通过EEG信号研究了驾驶员困倦现象，研究结果显示整体准确率接近83%，实现了对困倦的早期检测[1]Saroj K.L.Lal与Ashley Craig基于脑电波中的δ波和θ波，研究δ、θ波其与疲劳驾驶密切相关性，研究结果表明驾驶员疲劳程度与δ波和θ波的活跃程度呈线性正相关[2]LEE B G等通过在时域和频域中分析脑电和呼吸信号，对精神疲劳进行分类并运用SVM对结果进行分类，精度高达98.6%[3]如关伟等人通过提取、对比分析驾驶员警戒状态下和疲劳状态下的脑电信号EEG，可以有效判别疲劳驾驶[4]。

GOLZ M等人提出了基于微睡眠和α触发模式识别的方面来高精度识别的EEG分析方法，结果显示前者在碰撞发生前表现频率更高[5]也有学者基于脑电建立了模拟试验/实车试验之间的关系研究，ZHANG H等同时进行了模拟/实车试验，并对EEG是否存在与实际驾驶意图的识别相悖进行分类，结果表明人机互联界面可应用于实际驾驶[6]2）心电波方面，基于HRV（Heart Rate Variability，心率变异性）对驾驶员疲劳状态进行判别如Denso 公司通过传感器设备及时采集到驾驶员的心电信号平均值与动脉血压来监测驾驶员的疲劳状态[7]郭孜政等人[8]将心率变异性的相关参数作为疲劳判别模型的输入变量，同时基于BP神经网络分类模型对驾驶疲劳进行分类，研究结果显示其判别准确率为73.16%王琳虹等[9]以驾驶员心率均值（Heart Rate，HR）为因变量，分析了驾驶时间、景观色彩均值、驾驶疲劳之间的关系，并建立了相应的数学模型3）肌电、皮电波方面，SAHAYADHAS A等[10]利用肌电信号中的标准差来检测驾驶员嗜睡程度，分类结果显示该方法有效率达89%GRUJICIC M等[11]同样采集了肌电信号来检测疲劳。

ARTANTO D等[12]利用ESP8266系统，采集眼睑周边的肌电信号，并结合眼睑的闭合情况能有效检测驾驶员的早期睡意4）运用多个生理指标对驾驶疲劳进行评价方面，如BORGHINI G等人[13]运用EEG、HR和EBR综合队驾驶员的精神疲劳或困倦进行检测，结果表明EEG在精神状态上的变化表现敏感，尤其是EEG中的θ波和α波的功率谱在不同的行驶条件下有相应的变化ZHANG C等人[14]记录了EEG、ECG和EOG，通过提取小波熵等参数来评价疲劳状态，应用人工神经网络进行训练及预测，将疲劳状态分为4类，分类精度高达96.5%以上以上文献从多个方面基于驾驶员生理特征信息展开了驾驶疲劳检测方法研究通过梳理发现该类疲劳检测方法虽然在准确性、可靠性、精度等方面相对较高，但是需要将相关的传感设备需要与驾驶员身体接触，在一定程度上妨碍驾驶操作，同时设备价格昂贵，故导致该类方法在实际应用推广受到了很大的限制2基于视觉特征的驾驶疲劳检测该类方法通过计算机视觉技术获取驾驶员面部特征变化来判断疲劳，主要包括駕驶员的头部位置[15]、嘴部状态[16]、眨眼频率、眼睛闭合度、眼睛转动速度、闭眼持续时间占空比[17，18]等参数，提取这些参数特征量，然后运用相应的算法来判别其疲劳程度。

1）在眼睛特征与疲劳状态的关系研究中，如潘晓东等人[19]选取睑闭合时间、眨眼次数等生理特征参数，研究驾驶员在不同疲劳状态下的变化规律，研究结果表明这两类参数在疲劳状态识别上的有效性学者XUJL [20]提出了一种通过追踪眼球运动行为检测系统，WANG [21]提出基于双目一致性的鲁棒疲劳检测系统，实现对疲劳的检测HE等人[22]通过嗜睡检测系统，分析驾驶员眨眼频率，从而判断驾驶员是否疲劳2）在嘴巴特征与疲劳状态的关系研究中，如学者KNAPIK等人[23]提出了一种哈欠热模型，利用热成像技术可以不分昼夜检测打哈欠情况，实现对驾驶员的疲劳检测ANITHA等人[24] 开发出一种新型哈欠检测系统，通过提取嘴巴区域特征、哈欠特征，通过系统检测判断驾驶员否处于疲劳状态李智等人[25]利用红外线光源采集驾驶员人脸图像，提取人脸区域眼睛与嘴巴的特征信息，利用Adaboost算法检测疲劳状态，结果表明该方法正确率高，速度快，具有很好的泛化能力和较强的鲁棒性3）在面部表情、头部运动与疲劳状态的关系研究中，如郭慧利等人[26]利用Adaboost算法进行脸部检测，精准定位眼和嘴区域，提取眼、嘴、头等指标参数，运用D-S信息融合算法，能有效判别驾驶员是否处于疲劳状态。

Zhu等人[27]提取眼睑运动，凝视运动，头部运动和面部表情等参数，建立概率模型来对驾驶员疲劳状态进行建模YANG等人[28]提出了一种基于面部微表情的打哈欠检测方法，该方法采用图像直方图快速消除冗余帧，并通过中值绝对偏差来检测离群值提高算法的实时性与精准度基于视觉特征的驾驶疲劳检测方法是一种非侵入式的检测方式，具有对驾驶员干扰少、成本低、操作简单等优点，是业界最受欢迎的主流方法同时，这类视觉特征疲劳检测方法，容易受光照、视觉采集设备、面部遮挡、振动、眼镜等外在因素影响，其鲁棒性不是很高，有待在人工智能和机器视觉技术等技术助力下进一步提高准确率及鲁棒性3基于车辆行为的驾驶疲劳检测该类检测方法主要是通过车辆的操控信息（脚刹使用、方向盘握力、方向盘旋转角度、旋转加速度）[29]和车辆行驶轨迹信息（车辆行驶速度、前车后车的车距、车道偏移量、轮胎轨迹）[30]进行监测，实时对驾驶员的疲劳状态进行判别1）在基于操控信号的疲劳驾驶检测算法中，如Sayed等人[31]利用方向盘的转向角度、转向加速度等信息，基于人工神经网络（ANN）的方法，对驾驶员嗜睡/困倦进行检测CHAIM等人[32]利用方向盘状态来检测驾驶员的睡意，选择4个与驾驶员疲劳状态显著相关的参数，并建立数学模型，实现对驾驶员的睡意监控。

张明明[33]利用提驾驶员方向盘握力特征，根据该特征实现对疲劳驾驶的检测于兹文[34]通过采集驾驶员不同状态下的方向盘转角、方向盘转角速率、横摆角、横摆角速度等数据信息，研究结果发现方向盘转角、方向盘转角速率、横摆角速度、横向位置4类信息与疲劳驾驶状态显示强相关性2）在基于车辆行驶轨迹信息的疲劳驾驶检测算法中，如Forsman从车道偏移量特征参数和方向盘转角特征参数等方面进行研究，结果表明这两个特征参数在判定驾驶员疲劳状态时差异性最显著 [35]Sandberg D 等人从驾驶行为时间序列测量的视角，通过方向盘转角、车速、车辆横摆角等参数指标对驾驶员疲劳状态检测[36]万蔚等人使用车辆的横向位置、车速、方向盘的转角等参数组成疲劳状态信息特征，并基于BP神经网络构建了一种疲劳驾驶判别算法[37]以上研究阐述了基于车辆行为的驾驶疲劳检测方法此类检测方法非接触式方法，因此对驾驶员侵扰性小、采集驾驶员操作行为数据和车辆状态特征参数便捷、处理过程不复杂等优点同时，此类方法受到道路环境（车道线）、交通状况、车辆行驶速度、驾驶员操作熟练程度、驾驶习惯等因素影响，因此其准确性有待进一步提高4多特征信息融合的疲劳检测单一特征信息的疲劳检测算法存在可靠性低、精度不高等缺陷，基于多特征信息融合算法则可以弥补其不足，也正逐渐成为业界研究热点。

此类算法业界、学者的主要研究集中在生理多特征信息融合、视觉多特征信息融合、车辆行为多特征信息融合、不同类多特征信息共同融合4个方面[38]1）生理多特征信息融合与疲劳检测的关系中，如白中浩等人提出了一种基于主动形状模型的多个特征融合疲劳检测算法，以提高对驾驶员疲劳程度检测的准确性与鲁棒性，研究表明，本方法对驾驶员疲劳检测准确率达93.3%[39]Du等人[40]提出了一种新颖的多模式融合递归神经网络（MFRNN），用于对心率、睁眼程度和张嘴程度的判断从而提高疲劳驾驶检测的准确性王斐等人将将脑电图识别（主要是EEG 信号）与车辆操纵特性相结合来检测驾驶员的疲劳状态，以此来判别驾驶员是否疲劳驾驶[41]2）视觉多特征信息融合与疲劳状态检测的关。