行为检测_知荐 | ADAS系统中驾驶员行为与状态检测（一）

知圈 | 进“ISO26262社群”，请加微13636581676，备注ISO

---

驾驶员行为 与状态监测系统作为一种监测预警技术，在先进的驾驶辅助系统发展过程中起着举足轻重的作用，比如对于要求在自动驾驶辅助过程的特定运行区域中可以实现长时间脱手、脱眼，则需要通过驾驶员监控系统实时采集驾驶员头部及脸部状态信息，以便分析驾驶当前的接管能力。

目前关于驾驶员行为与疲劳状态监测预警技术可以分为如下三类：

1) 从驾驶员自身特征触发，通过某种设备获取驾驶人的生理信号特征或者利用驾驶员正常状态和疲劳状态下的特征模式的不同，通过视觉传感器采集驾驶员面部各种器官特征，利用相应的模式识别技术分类进行判别驾驶员是否处于疲劳状态。 2) 根据车辆的状态参数间接判断驾驶员是否处于疲劳状态，这类方法从驾驶员对车辆的操控情况以及采集到的车辆运行状态参数来判断是否疲劳或注意力分散。 比如车辆是否超过道路标识线，转向是否连贯，是否处于超速行驶，车辆之间的距离是否太近等。 3) 采用信息融合的方法，结合驾驶员生理特征参数检测结果、车辆状态参数或驾驶员行为信号，从而判断驾驶员精神集中状态。 ◆◆ 基于驾驶员生理信号的方法◆◆

研究表明，驾驶员在疲劳状态下其生理指标与正常值相比会发生变化。基于驾驶员生理检测的方法可以通过专业设备检测驾驶员相关生理信号如脑电图(EEG)、心电图(ECG)、肌电图(EMG)、眼电图(ECG)，根据参数变化情况来判断驾驶员是否疲劳。

1、脑电图 通过对脑电信号(脑电节律、事件相关电位)的分析，反应人体疲劳程度，研究发现，人在瞌睡的时候θ波(频率为3-7Hz)有比较明显的增加，而在清醒的是否β波(频率大于13Hz)比较多。但是在脑电图人的头部转动、喝水等动作出现时其值变化会比较剧烈。故在使用脑电图检测疲劳是，可以通过区分波段反应疲劳情况。而泼谱的提取及分类情况对于识别效果会有很大的影响，目前的研究均集中在对于波段数据的特征提取及分类上。而其中使用小波分析提取脑电波数据特征，利用支持向量机对脑电波进行分类，或者使用小波分析与该学习方法进