李坤宸，曹龙

驾驶分心检测方法综述

李坤宸，曹龙

（长安大学汽车学院，陕西 西安 710064）

道路交通事故已经成为世界人民非自然死亡的主要原因，有学者认为90%的交通事故与驾驶员自身因素关联，而其中又有超过50%与驾驶分心相关。为了对驾驶员分心进行识别以及为下一步的分心预警干预提供结果判断，文章介绍了常见的驾驶分心检测与识别方法，包括人脸识别方法，眼睛瞳孔位置识别以及基于驾驶员生理信号（EEG）的分心监测方法。结果表明检测方法各有优劣，非接触式、无侵入性检测，对驾驶员行车体验影响小，但测试精度具有一定的局限性。利用头戴仪等接触式设备，对驾驶员具有一定的侵入性，但是与其他检测方式相比，则具有较高的准确性优势。

驾驶分心；分心识别；瞳孔位置；EEG

前言

在分心检测研究领域中，Wang提出了通过EEG信号分析驾驶员的注意力集中情况[1]。也有研究利用驾驶模拟器获取行车参数检测驾驶员分心。Xing等人提出了一种基于前馈神经网络（FFNN）的系统，对驾驶员进行三维头部旋转角度和上半身关节位置的监控和驾驶任务识别[2]。本文主要对驾驶分心检测方法进行简单的论述。

1 人脸和头部检测

文章中作者用神经网络和深度学习对人脸识别检测，使用面部标志提取感兴趣区域（ROI），最后检测头部和眼睛运动[3]。视频数据作为系统输入，分心的结果作为系统输出。

1.1 驾驶员人脸识别

1.1.1人脸标志点检测

在人脸突出区域使用面部标志来定位，建立传统人脸识别的可视化的68个坐标索引。

1.2 驾驶员头部运动检测

从面部68坐标模型中，选15个特殊颜色的标点，用来估计头部运动。头部旋转采用透视n点（PnP）的经典解计算，其工作原理如下：

式中：h是3D头部姿势，由6个自由度（DOF）组成，=（r,r,r）为旋转，=（t,t,t）为平移。

然后通过透视变换计算头部姿势，公式如下：

式中：s为比例因子，M为摄像机矩阵，[R|t]为关节旋转平移矩阵。

利用罗德里格斯旋转公式得到的矩阵R在（3）中给出，并用于计算矢量=（r,r,r）。I表示向量的方向，的值等于||||。

式中：为旋转角模，r表示头部偏转角。根据不同偏转（左偏、右偏、无偏转）角度值确定头部的运动方向，作为判断依据。

1.3 结果分析

在文章[3]中，作者对这种深度学习的算法并进行了验证，实验结果如表1所示。

表1 头部运动实验结果

总体来说，不戴眼镜或者太阳镜分心的识别精度都取得了令人满意的水平。该系统检测具有较高的精度，总体准确率在92%左右。

2 基于瞳孔的驾驶分心检测

在文章[4]中，作者采用Viola-jones算法从输入帧中提取人脸区域[4]。采用模板匹配算法提取眼睛位置，根据眼角和瞳孔之间的距离实际估计注视位置，从而判断分心。

2.1 瞳孔检测识别模型

2.1.1眼睛的识别

摄像头不断捕捉司机的脸，并发送到处理单元。Dlib库将坐标被映射到眼睛上，眼睛区域就从图像中提取出来，再将图像进行灰度处理，最后进行虹膜区域识别，如图1。

图1 突出显示虹膜区域

2.2 瞳孔分心检测指标

Dlib检测器用6个坐标P1、2、3、4、5、6表示一只眼睛，如图2。确定出理想瞳孔坐标o点，与实际坐标c比较。根据眼角坐标与预测瞳孔中心的距离，驾驶员的注视视线可以分为左、中、右方向。假定连续一段时间内超过了预设的方向范围，则判断为是分心。

图2 瞳孔预测中心和理想中心

3 基于生理信号EEG的分心检测

近年来，基于生理信号如脑电图（EEG）、心电图（EOG）、肌电图（EMG）、心电图的驾驶检测受到了广泛的应用。其中EEG因为高时间分辨率，便携性好，对疲劳敏感的优势受到更加广泛的应用[5]。

3.1 主要成分分析---检测过程与分析

实验由一个32路脑电图采集系统组成。志愿者头皮佩戴脑电采集仪，实验在驾驶模拟器上开展。

3.2 结果分析

参考以前的研究，在清醒和疲劳状态小组相关脑电图信号平均值的PSD分布为α（8 -13Hz）和β（14 – 20Hz）。简而言之，在疲劳状态时大脑的顶叶和枕叶的PSD值相比于清醒状态更明显，由此作为分心的判断依据。不同状态下α、β区域的功率谱密度图像如图3所示。论证了特殊区域的脑电信号与分心有很大的关联性，论证了方法的可行性和科学性。

图3 在疲劳状态下和在清醒状态，在α、β区域的功率谱密度

4 总结展望

本文简述了几种驾驶分心检测方法，驾驶员分心状态的检测方法中，常见的有接触式和非接触式检测两种，非接触式检测对驾驶员来说无干扰性，但是准确度与接触式识别相比误差相对较大。

因此在下一步研究中，应该在保证准确性的前提下，力求做到不对驾驶员的日常行车造成干扰。另一方面，应注意在驾驶中，交通环境无时无刻不在变化，因此对驾驶员的注意力集中程度要求也不同。复杂交通环境下，要求驾驶员不能有丝毫分心；而在平坦的直线公路上，反而允许驾驶员有一定程度的分心。所以，未来的分心检测系统应自动调节判断分心程度的指标阈值，以一种更加智能的算法识别分心，并根据交通情景的复杂程度为人们设定合理的分心程度限度，以更加智能的方式融入驾驶员行车中。

[1] S.Wang,Y.Zhang,C..Darvas,“Online Prediction of Driver Distraction Based on Brain Activity Patterns,”IEEE Trans. Intell. Transp. Syst, vol.16,136-150, Feb. 2015.

[2] Y. Xing et al.,Identification and analysis of driver postures for in- vehicle driving activities and secondary tasks recognition[A]. IEEE Trans. Comput. Social Syst., vol. 5,pp. 95-108, March 2018.

[3] Lamia Alam,Mohammed Moshiul Hoque.Real-Time Distraction Detection Based on Driver's Visual Features[A].2019 International Conference on Electrical, Computer and Communication Engineer -ing. 7-9 February, 2019.

[4] Abhishek Walavakar1,Satyam Singh2,Roshan Salian3. Driver Distrac -tion Monitoring and Alerting System[A] International Conference on Advances in Information Technology.2019.1.

[5] Yuliang Ma,Bin Chen. Driving Fatigue Detection from EEG Using a Modified PCANet Method[A].Computational Intelligence and Neu -roscience.2019.7.

Review of Methods for Detection of Distracted Driving

Li Kunchen, Cao Long

（School of Automobile, Chang’an University, Shaanxi Xi’an 710064）

Road traffic accidents have become the main cause of people's unnatural death in the world. Some pointed out that 90% of traffic accidents are related to drivers themselves, and more than 50% of them are related to distracted driving. In order to identify the distracted driver and provide the result judgment in the future, This paper introduces the common methods of distracted recognition, including face recognition, pupil recognition and EEG monitoring. The results show that each method has its own advantages. The non-contact detection has little influence on driving, but its accuracy is poor. The use of contact equipment, such as head-mounted instrument, has certain influence on the driver, but the test results are more accurate.

Driving distractions; Distracted driving recognition; Pupil position; EEG

10.16638/j.cnki.1671-7988.2021.02.033

U471.3

A

1671-7988(2021)02-102-03

U471.3

A

1671-7988(2021)02-102-03

李坤宸，硕士，就读于长安大学汽车学院，研究方向为交通安全。