一文聊聊驾驶员疲劳检测系统

智驾最前沿 2022-09-15 08:30

工程师必看：B2900隐藏的15个超频测试模式 实测解析：高精度电流传感在BMS与智能家居中的设计取舍

--关注回复“SOA”--

↓↓领取：面向智能车辆开发的开放性SOA方案↓↓

据统计，2020年中国汽车交通事故死亡人数为43098人，其中“三超一疲劳”是主要问题所在。虽然《道路交通安全法》第22条规定：“过度疲劳影响安全驾驶的，不得驾驶机动车。” 据调查，约55%的驾驶人曾有过疲劳驾驶经历。既然疲劳驾驶引发事故概率如此之高，为什么仍屡禁不止呢？根源还在于导致疲劳驾驶的多元成因，让人防不胜防，并非保证充足的睡眠就可以避免的。

但随着科技的日趋渐进，这样的交通顽疾终于可以有显著的改善，各国政府开始出台政策大力推动驾驶员监测系统（DMS）。

什么是DMS

DMS为车内人机交互的一大应用领域，DMS在发现驾驶员出现疲劳、打哈欠、眯眼睛及其他错误驾驶状态后，DMS系统将会对此类行为进行及时的分析，并进行语音灯光提示，起到警示驾驶员，纠正错误驾驶行为的作用。

DMS主要分为主动和被动两种：

✓被动式DMS系统：基于方向盘转向和行驶轨迹特征来判断驾驶员状态；

✓主动式DMS系统：基于摄像头和近红外技术，从眼睑闭合、眨眼、凝视方向、打哈欠和头部运动等，检测驾驶员状态；（现主要讨论主动式）

技术方案

DMS有三种技术方案：

1.通过监测车辆信息间接监测驾驶员状态；被动式DMS系统

2.基于生物传感器获取驾驶员生理指标进行直接监测；主动式DMS系统

3.基于视觉传感器获取驾驶员行为信息进行直接监测。主动式DMS系统

DMS三大技术方案对比

基于车辆信息的驾驶员监测方案

通过监测车辆信息实现对驾驶员间接监控的技术方案，主要是利用方向盘握力/扭转力、车道偏离警报系统（LDWS）的行车数据、驾驶时长等数据信息进行分析，间接推断驾驶员当前状态。特斯拉的Autopilot自动驾驶系统采用的就是该种方案。

通过测量方向盘上抓握力或直接利用LDWS系统的行车数据，获取车辆偏离车道的时间和偏离程度，进而分析推算司机的疲劳程度或者是否分心。该方案部署成本低，但是该方案并不直接监控驾驶员，而是通过驾驶数据间接推测驾驶员状态，难以准确评估驾驶员的疲劳与分心状态，容易导致误报。——优缺点都很明显。

视觉技术是驾驶员监测系统的关键

DMS作为车内环境感知系统，具体功能及应用场景包括检测驾驶员接管状态（针对自动驾驶L3、L4阶段），监测并警示驾驶员疲劳驾驶、分心驾驶等不良驾驶行为以及酒驾、毒驾等违法驾驶行为，识别驾驶员身份、情绪和动作，识别车内乘客或宠物等。

人在疲劳的时候会有比较典型的面部表情或动作特征，如较长的眨眼持续时间、较慢的眼睑运动、点头、打哈欠等。

基于摄像头的驾驶员监测方案正是利用这一点：首先挖掘出人在疲劳状态下的表情特征，然后提取出面部特征点及特征指标作为判断依据，再结合实验数据总结出一套识别方案，最后输入获取到的驾驶员数据进行识别和判断。

识别准确率是驾驶员监测系统最核心的指标之一。DMS系统能够通过算法和深度学习，通过人脸检测与追踪、3D脸部建模等核心技术，针对打哈欠、闭眼、视线偏移等多种状态进行高效识别，同时通过指令集优化、多线程优化、实时算法调度等高效的工程实现，使DMS系统响应速度得到大幅优化和提升。

目前，市面上DMS产品主要专注于驾驶员疲劳状态和分心驾驶的监控，一方面该监控功能的应用场景更加广泛，另一方面也是迎合监管、满足汽车业安全标准的需求——采用主动安全措施减少车辆行车安全隐患。——跟ADAS技术结合起来，应用效率更高。

基于生物传感器的驾驶员监测方案

这一概念仍处于早期阶段，是基于生物传感器监控驾驶员生理指标的技术方案，利用部署在方向盘或安全带上的电容传感器等设备对生理指标数据进行分析，进而推断驾驶员当前状态。——方案还不成熟。

相关法规

Euro-NCAP发布了2025路线图，要求从2022年7月开始新车都必须配备DMS。中国已立法对商用车强制装配驾驶员监测系统，乘用车搭载要求也在推进制定中。相关的芯片、软件、算法厂商积极助推DMS技术发展，主动DMS市场将迎来爆发。

另外，有消息称，Euro NCAP将从2022年开始对儿童车内遗留检测（child presence detection）打分，该功能可以检测出一个孩子独自留在车内，并向车主或紧急服务部门发出警报。美国国家公路交通安全管理局（NHTSA）也在制定新规则，强制汽车安装“预警系统”，以提醒驾驶员检查后座，避免儿童遗留问题。

DMS面临的技术挑战

可以说，在众多技术公司的努力下，目前对于实现主动式DMS的技术路径已经很清晰了，不过在具体的产品和方案研发中，DMS的应用落地仍然面临诸多挑战。

首先，基于视觉的DMS方案，最大的技术难点之一就是在强光或弱光状态下表现，需要确保其在不同环境中能够持续获取满足质量要求的视觉信号。
其次，这个视觉识别系统同样面临着由于算力不足，或通信等问题造成的延时问题。
再有，如何提高检测的准确率，减少误报，也是一大挑战，因为如果误报次数太多，对用户造成干扰，就会在用户体验上得不偿失。这方面很大程度上要依赖机器学习过程中大量高质量的数据样本，以及训练算法的优化。
最后，在小型化和成本上的要求也必须要重视，因为汽车座舱空间有限，DMS系统不能碍眼碍事。