基于深度学习的司机疲劳驾驶检测方法研究

李小平，白 超

(兰州交通大学 机电工程学院，甘肃 兰州 730070)

随着全世界铁路运输里程及汽车营运数量的快速增长，火车司机和汽车司机人数也快速增加，同时由于司机疲劳驾驶引起的交通事故也逐年增高，以美国为例，交通事故中有25%～35%与疲劳驾驶有关[1-2]，每年大约有1 500多人丧生于疲劳驾驶引起的车祸[3]。因此对司机疲劳驾驶状态进行检测并做出相应的预警，对于保障交通运输安全至关重要。

目前的疲劳驾驶检测主要有基于司机的测量方法及基于车辆的测量方法，基于司机的测量方法又分为生理特征、视觉特征[4]和语音特征[5]等多种方法。基于车辆的检测方法受路况及驾驶员技能的影响，准确性较差[6]；基于生理特征的疲劳检测由于使用了昂贵的传感器，并且传感器的侵入可能引起司机不适，不便于普及推广[7-8]；基于语音特征的疲劳检测只适用于采用标准呼叫应答的驾驶场景且语音标记样本数据较为稀缺；基于视觉特征的疲劳检测具有非接触性及可直接根据司机面部特征(如眼睛睁闭、打哈欠等)反应其疲劳状态等优点，成为目前研究的主流方向[9]。传统的基于机器视觉的司机疲劳检测算法主要采用人工设计特征加分类器的方式，通过手动特征设计、制定检测标准来进行疲劳判断，检测速度较慢、准确性较低[10]；随着以卷积神经网络CNN为代表的深度学习模型在计算机视觉领域的成功应用，如面部器官检测[11]、人体姿态估计[12]等，基于视觉特征深度学习的司机疲劳检测成为该领域的研究热点。……