1.目的及意义

1.1引言

在科技水平飞速发展，技术应用日新月异的今天，车辆早已不是一个新鲜事物，而是一个与我们每个人都息息，并且渗透到日常生活中的事物。而在车辆普及的这几十年中，我们享受着车辆带来的便利和裨益的同时，却也一直无法摆脱车辆给我们带来的种种困扰。每年在世界各国，都有数以万计的人们，因车辆的交通事故而遭遇不幸，其中中国的交通伤害发生率和死亡率又居各国之首，而这其中又有五分之一以上，是因为车辆的驾驶人员出现人为失误（如走神、错觉、疲劳等）而造成的^[1]。卡耐基梅隆大学在驾驶模拟器上进行的研究表明，机动车重大事故9.1%归于司机疲劳驾驶，而夜晚疲劳驾驶的重大事故概率达19.9%^[2]。驾驶员作为车辆运转的最核心“组件”的同时，也成为了车辆工作中最不稳定和最危险的因素。那么，在自动驾驶技术还尚未成熟和普及的当下，我们是否能有一种可靠便捷的手段，来监测和控制驾驶人员的驾驶状态，从而在一定程度上规避和控制因驾驶人员走神和失误而造成的事故呢？

答案是肯定的，我们可以藉由车内搭载的摄影机拍摄驾驶人员的动态影像，根据此来监测驾驶人员的驾驶状态，一旦出现了异常状态，对其发出警报，或通知相应的ICU单元启用某些辅助驾驶功能，从而从根源上减少因驾驶人员的主观错误而产生的事故。

1.2国内外现状分析

目前国内外最多的研究方向，主要是针对司机疲劳驾驶的监测。其中最为著名，应用研究也最多的也就是1996年，美国 Knipling, Wang 和 Kanianthra等人提出，并在1999年正式被美国联邦公路管理局(Federal Highway Administration)发表作为一种可行办法的perclos，主要是通过眼睛来判断司机是否疲劳驾驶^[3]。

不过随着时代的进步与发展，我们发现其实大多数的事故反而并不完全是因为疲劳驾驶，而是因为不规范/走神驾驶的行为^[4]。主要体现在，驾驶人员在进行驾驶的时候有左顾右盼，与乘客搭话，接听或使用智能手机，化妆等等行为。而这些行为并不是perclos可以处理的了的。由此而来许多新的技术也应运而生，比如方向盘监视装置 S.A.M(Steering Atten- tion Monitor)，通过对于方向盘的非正常运动的监视来处理上述问题，一定程度上补充了perclos的不足^[5]，但仍不能很好的胜任上述种种情况的即时监测和反馈。单就基于perclos的技术和应用，主要还是依赖perclos，是在算法和识别方面采用不同的思路。如浙江大学徐康华的基于PERCLOS的驾驶疲劳检测系统设计中，其中主要使用红外LED光源和OV9120CMOS图像传感器完成,通过对光源结构的特殊设计,获取较为理想的人脸图像，运用kalman滤波器跟踪人眼实现监控^[6]。不过中国农业大学郑培等人则是侧重于使用脸部图像的高斯模型，并对算法进行改进来对驾驶员疲劳的识别检测^[7]。

不过真正意义上能够高效正确完成上述这一任务的，恐怕还是最近十几年来兴起的人工神经网络。如2018年卢伟等在基于卷积神经网络面部图像识别的拖拉机驾驶员疲劳检测中利用cnn和PCA-SCM人脸识别定位算法及肤色模型的人脸识别算法，实现了连续高效的对于拖拉机驾驶员的疲劳状态的检测^[8]，这一点，我们同样可以推广到汽车车辆的驾驶人员上来。在2016年Shiyang Yan等人探讨了运用深度学习的卷积神经网络来进行对于驾驶人员不同行为的识别，主要通过使用RCNN来对驾驶员行为图片进行分类^[9]。而卡耐基梅隆大学的T. Hoang Ngan Le, Yutong Zheng等人，则将重点移到了手机的使用上，将大规模的RCNN运用到对驾驶员同时对手机使用的识别和检测上，主要通过MS-FRCNN对单独物体的识别来实现手机的识别，这对某一物体来进行判别^[10]。不过值得注意的是它并没有完全使用既定的和常规的CNN模型，而是采用在隐含层池化后再结合卷积，并在最后分别通过两个不同的函数softmax和bbox来实现输出。同样也是运用CNN，Chao Yan，Frans Coenen等人则是利用一个新的CNN系统模型完成了对于预定义的驾驶人员姿态（包括疲劳和走神）的无监管学习和识别预测^[11]。该模型的具体结构是新构建的，不过依然是和大多数CNN模型一样，由卷积层、池化层、全连接层、激活层等组成。

除了应用CNN图片识别的相关模型、算法和成果以外，还有一些跨越领域和综合应用多种方法的实例。如NVIDI研究中心的Pavlo Molchanov, Shalini Gupta等人，通过多传感器组成的系统取代了传统情况中多使用的摄像机，以达到对于司机手势的更精准识别^[12]。以及Mehdi Hajinoroozi, Zijing Mao等人基于脑电波来利用CNN判别司机是否处于精神清醒认知状态^[13]，都取得一定的成果。

1.3研究意义