04基于驾驶员生理反应特征的检测方法
基于驾驶员生理反应特征的检测方法一般采用非接触式检测途径，利用机器视觉技术检测驾驶员面部的生理反应特征，如眼睛特征、视线方向、嘴部状态、头部位置等来判断驾驶员疲劳状态。
眼睛特征检测：驾驶员眼球的运动和眨眼信息被认为是反映疲劳的重要特征，眨眼幅度、眨眼频率和平均闭合时间都可直接用于检测疲劳。目前被认为是最有应用前景的实时疲劳检测方法——PERCLOS（Percent of Eye Closure）。为了提高疲劳检测准确率，可以综合检测平均睁眼程度、最长闭眼时间的特征作为疲劳指标，可以达到较高的疲劳检测准确率。通过眼睛特征检测驾驶员的疲劳程度，不会对驾驶员行为带来任何干扰，因此它成为这一领域现行研究的热点。
视线方向检测：把眼球中心与眼球表面亮点的连线定为驾驶员视线方向。正常状态下，驾驶员正视车辆运动前方，同时视线方向移动速度比较快；疲劳时，驾驶员视线方向的移动速度会变慢，表现出迟钝现象，并且视线轴会偏离正常的位置。通过摄像头获取眼睛的图像，对眼球建模，把视线是否偏离正常范围作为判别驾驶员是否疲劳的特征之一。
嘴部状态的检测：人在疲劳时往往有频繁的哈欠动作，如果检测到哈欠的频率超过一个预定的阈值，则判断驾驶员已处于疲劳状态。基于此原理，可以完成对驾驶员的疲劳检测。
头部位置检测：在驾驶过程中，驾驶员正常和疲劳时其头部位置是不同的，可以利用驾驶员头部位置的变化检测疲劳程度。利用头部位置传感器，对驾驶员的头部位置进行实时跟踪，并且根据头部位置的变化规律判定驾驶员是否疲劳。
基于驾驶员生理反应特征的检测方法的优点是表征疲劳的特征直观、明显，可实现非接触测量；缺点是检测识别算法比较复杂，疲劳特征提取困难，且检测结果受光线变化和个体生理状况的变化影响较大。
05基于车辆行驶状态检测
基于车辆行驶状态的疲劳检测方法，不是从驾驶员本人出发去研究，而是从驾驶员对汽车的操纵情况，间接判断驾驶员是否疲劳。该种检测方法主要利用CCD摄像头和车载传感器来检测汽车行驶状态，从而推测出驾驶员的疲劳状态。
首先是基于转向盘的疲劳检测。基于转向盘的检测，包括转向盘转角信号检测和力矩信号检测，驾驶员疲劳时对汽车的控制能力下降，方向盘转角左右摆动的幅度会变大，同时操纵转向盘的频率会下降。通过对转向盘转角时域和频域分析，方向盘转角的方差或平方差，可以作为疲劳驾驶的评价指标。目前，通过方向盘的转角变化情况来检测驾驶员的疲劳情况，是疲劳预警系统研究的热点。这种方法数据准确，算法简单，并且信号与驾驶员疲劳状况联系紧密，结果可信度高。
另外，驾驶员疲劳时，对转向盘的握力会逐渐减小。通过传感器实时检测驾驶员施加在方向盘的力，可以判断驾驶员的疲劳程度。驾驶员对于转向盘的操纵特征，能够间接实时地反映驾驶员的疲劳程度，具有可靠性高、无接触的优点。但由于传感器技术的限制，其准确度有待提高。
其次是汽车的行驶状态。通过实时检测汽车的行驶速度，判断汽车是处于有效的控制状态，或是处于失控的状态，从而间接地判断出驾驶员是否疲劳。
另外，驾驶员疲劳驾驶时，由于注意力分散，反应迟钝，汽车可能偏离车道。基于汽车行驶状态的检测方法，优点是非接触检测信号容易提取，不会对驾驶员造成干扰，基于车辆当前的硬件，只需增加少量的硬件，就具有很高的实用价值。缺点是受到车辆的具体情况，道路的具体情况以及驾驶员的驾驶习惯经验和条件等限制测量的准确性并不高。
前述检测维度已经囊括当下所有汽车厂商的研究方向。
06从专利维度看DMS
以疲劳驾驶为关键词，在德高行全球专利数据库里，国内企业专利量不大，排名量如下：
速度浏览了下，找到了广汽的相关专利，挺有意思分享下
目前国内外有相应的疲劳驾驶的检测技术，大多通过检测驾驶员眼睛的开闭情况来判断驾驶员是否正在进行疲劳驾驶，例如通过获取驾驶员正面人脸图像，并对驾驶员正面人脸图像进行人脸识别，提取驾驶员眨眼频率、面部表情等行为特征来获取驾驶员眼睛的开闭情况。
在实现本发明的过程中，发明人发现上述疲劳驾驶检测技术至少存在以下技术问题：
由于驾驶员存在个体差异，例如，有些驾驶员佩戴有近视眼镜，在佩戴近视眼镜时，当有迎面光线照射过来时，驾驶员的眼镜镜片会迎面受光形成光斑、光点，在采集的驾驶员面部图像上，眼部特征无法正确被提取，因此存在干扰，导致疲劳识别结果准确性不高；又例如具有特殊情况的驾驶员，近视程度不高，但是会有眯眯眼状态的驾驶员，或者具有眼部缺陷的驾驶员，而采用同一套检测模型不能适用于所有的驾驶员，需要经过统一标准的识别算法进行检测，在应对这些具有特殊情况的驾驶员的疲劳驾驶检测时，系统会消耗较大的计算资源，检测识别效率慢，且识别精度达不到理想标准。
本发明旨在提出一种疲劳驾驶检测方法及其系统、计算机设备、计算机可读存储介质，以解决驾驶员因存在个体差异，导致疲劳驾驶检测准确率不高的技术问题。
知情郎细读了专利细节，有些挺有意思的。
这个专利的核心是通过眼动特征的提取，来确认驾驶员的状态。
而且用的是主流眼部算法是PERCLOS算法，这算法在行内如雷贯耳。
科普下，1994 年美国首次提出单位时间眼睛闭合的百分比（percentage of eyelid closure over the pupil over time， PERCLOS）用于描述驾驶员的疲劳状况。1999 年美国联邦高速公路管理局召集专家学者，研究讨论 PERCLOS 和其它人眼活动测量方法的有效性，并通过对实验数据的对比，证明了 PERCLOS 相对于驾驶员其他特征，更能直接反映驾驶员的疲劳程度。
PERCLOS是指眼睛闭合时间占某一特定时间（一般是一定时间长度的片段统计）的百分率。
PERCLOS 通常有 P70，P80，Em 三种测量方式：
P70：眼皮盖过眼球的面积超过 70％所占的时间比例。
P80：眼皮盖过眼球的面积超过 80％所占的时间比例。
Em：眼皮盖过眼球的面积超过 50％所占的时间比例。
研究表明P80与疲劳程度间具有最好的相关性。
PERCLOS的获取一般是通过车内DMS摄像头进行图像采集，然后将采集到的人脸视频数据给到控制器，控制器中有人脸识别的算法，通过将动态的视频进行一帧一帧的识别判断，判断哪些是眼皮盖过眼球的面积超过预设的比例，最后统计判定为疲劳的帧数和一段时间的的总帧数，想除就是其值。
除了PERCLOS算法， 还用到了其他参数指标，上下眼睑之间的距离参数、眨眼时间参数、眼睛闭合时间比参数。
以上下眼睑之间的距离参数为例，由于驾驶员疲劳驾驶时，眼睛睁开的开度会变小，常见的有眯眼状态，因此，可以对当前周期的上下眼睑之间的距离参数进行统计分析得到一个上下眼睑之间的距离参数，统计分析的方式例如为聚类分析、求均值等等，设定当驾驶员该统计分析得到的上下眼睑之间的距离参数不在驾驶员正常眼动特征参数的范围内时，判定驾驶员为疲劳驾驶。
其中，以眨眼时间参数为例，由于驾驶员疲劳驾驶时，驾驶员可能眨眼频率会增大，即眨眼时间间隔变小，因此，可以对当前周期的上下眼睑之间的距离参数进行统计分析得到一个眨眼频率参数，设定当驾驶员该统计分析得到的眨眼频率参数不在驾驶员正常眨眼频率参数的范围内，或者驾驶员当前眨眼时间间隔参数不在驾驶员正常眨眼时间间隔参数的范围内时，判定驾驶员为疲劳驾驶。
其中，以眼睛闭合时间比参数为例，由于驾驶员疲劳驾驶时，驾驶员可能会长时间闭上眼睛，即进入瞌睡状态，因此，可以对当前周期的闭眼时间参数和睁眼时间参数进行统计分析得到当前周期的眼睛闭合时间比参数，设定当驾驶员当前周期的眼睛闭合时间比参数不在驾驶员正常眼睛闭合时间比参数的范围内时，判定驾驶员为疲劳驾驶。
【转载请注明德高行·知情郎】
原文标题 : 车主因眼睛小被AI驾驶误判瞌睡，小鹏电车有理说不清！疲劳驾驶检测技术有长进吗？
