驾驶员监测不仅仅只是疲劳检测，它的重要性不止如此

对于驾驶辅助系统，做好对驾驶员的注意力监控是十分必要的，因为人类很容易过度信任系统的驾驶能力，反而增大了潜在的事故风险概率。

 

 

国内外市场驾驶员监测的需求日益凸显

 

在NCAP发布的一项规定后，国外市场对DMS驾驶员监测系统的需求已然十分明确。

 

2017年9月，欧洲NCAP发布Road Map 2025, 其中将驾驶员监测（Driver Monitoring）与AEB等数项技术同列为初级安全系统，这也就是说，从2020年开始，想要获得欧盟五星安全认证的车辆就必须具备驾驶员监测功能。鉴于NCAP在国外市场上对于保险公司和消费者中的影响力，国外市场DMS的需求可想而知。

EURO NCAP Roadmap 2025

在国内，目前虽暂无类似政策推出，但在两客一危等高危场景下，已有部分省市率先推进试点项目。从2017年开始，物流、两客一危等行业领域对驾驶员监测尤其是疲劳或分神驾驶的状态检测有大量需求出现。

 

 

驾驶员状态监测主要的技术流派

 

理论上讲， 驾驶员的状态监测可以通过检测驾驶员的生理信号、操作行为、车辆状态以及面部表情等方式来实现。

目前主要有两种方案。一种是通过确保驾驶员的手在方向盘上， 比如通过在方向盘上嵌入传感器来判断驾驶员是否手握方向盘来进行判断，或者在转向柱上加装扭矩传感器来获取方向盘角速度。但是，基于这种方案的系统很容易就被驾驶员用瓶装水、水果等小东西就给破解了。

另一种方式，是通过确保驾驶员的视线在前方道路上。随着技术的进步，图像传感器已经能够很好地实现对人类眼睛、眼球、表情、头部动作等细节的监控，甚至是戴着墨镜、或夜间等环境下，这让用摄像头来实现对驾驶员状态的监测成为可能。

 

基于摄像头的DMS系统工作原理

 

一般来讲，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，然后将这些定性的表情特征进行量化，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基于这些参数的识别方法，最后输入获取到的状态数据进行识别和判断。

 

基于摄像头的驾驶员监测系统工作原理

 

以极目驾驶员监测系统为例，它主要通过一个面向驾驶员的红外摄像头来实时监测驾驶员的头部、眼部、面部等细节，然后将获取到的信息数据进行模式识别，进而做出疲劳或分神状态判断。

识别准确率是驾驶员监测系统最核心的指标之一。极目DMS系统采用传统算法和深度学习，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的综合识别率为95%左右，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，系统响应速度得到大幅优化和提升。

另外，极目DMS采用近红外主动成像技术，能够适应各种光源环境，即便在夜间、逆光等高挑战性光照环境下也能提供高品质的成像质量。此外，由于红外光特性可以穿透墨镜镜片，被遮挡的眼部信息也能够正常成像，很好地解决了驾驶员眼镜反光或佩戴墨镜的问题。

除了算法，使用场景的复杂性是DMS技术的另一个难点。在实际使用中，系统能否在合适的时机给出反馈也会对用户体验产生影响，这不仅对算法检测准确率提出要要求，同时也需要在预警策略的设计上加入更多人性化的考量。

比如，如果系统在检测到视线偏移或低头的情况下就发出预警，但司机可能只是在切换电台的时候不小心扭了下头，这种预警很容易引起驾驶员对系统的反感，甚至可能直接将功能关掉。

 

所以，在很多实际场景下，系统需要能够判断出司机的真实意图，让系统与驾驶员之间能够通过多次交互建立信任感，这一点很重要。

 

 

驾驶员监测≠疲劳检测，它的重要性远不止如此

驾驶员监测不仅仅只是疲劳驾驶监测，市场当下对于疲劳驾驶状态监测的需求只是推动驾驶员监测技术发展的动力之一，驾驶员监测技术能做的远远不止这些。

在无人驾驶到来之前，对于驾驶辅助系统，做好对驾驶员的监控十分必要，因为人类很容易过度信任系统的驾驶能力，反而增大了潜在的事故风险概率。同时，系统也需要知道驾驶员在某个时刻的状态，以判断驾驶员此刻是否适合接管车辆。

 

虽然现在DM技术比之前进步很多，但整体来讲，目前国内外的驾驶员监测技术其实处于比较初级的阶段。包括在最开始提到的，NCAP要求将驾驶员监测列为五星标准，但目前还未发布更加明确的标准要求。

不管是为了满足当前市场上对疲劳驾驶状态的判断或者是将来作为智能驾驶场景下驾驶员状态的一个反馈窗口，驾驶员监测这项技术都还有很长的路要走。