研究现状
1、随着汽车在我国迅速发展与大众化，疲劳驾驶严重威胁到交通安全，疲劳驾驶形成机理、疲劳驾驶行为失误识别、疲劳预警与控制技术等正逐渐成为交通安全的主要研究方向；
2、疲劳驾驶相关文献与文献检索分析表明，国外相关研究早于国内，国内相关研究自2003 年开发发展起来，疲劳驾驶识别与控制在国内外均属于交通安全与汽车安全等交叉热点研究领域；
3、国内外主要围绕疲劳驾驶识别、预警与控制三大核心技术展开，其研究领域与方法广泛涉及到安全科学、生理学、医学、行为科学、汽车工程、信息科学、电子检测与智能控制等，其中在疲劳识别原理与技术方面取得重要突破，但是检测识别系统的准确性、可靠性、抗干扰性、小型化与工程化等方面均存在一定问题，此外，接触式生理参数检测对安全驾驶不可避免地引入新危险；预警与控制技术还处以发展中，没形成相应成熟技术，比如疲劳等级划分标准、自动安全驾驶系统等，技术与系统难以满足工程应用要求。
这里再讲讲基于计算机视觉和生理医学这两个差别甚远的领域上的疲劳驾驶检测（Driver Fatigue Detection）技术。
基于计算机视觉
Qiong Wang等人于2006年发表在《Intelligent Control and Automation》的论文“Driver Fatigue Detection: A Survey”中，对驾驶员疲劳检测的研究进行了综述，并对所提出的方法进行了结构分类。疲劳检测的方法主要集中在驾驶员状态、驾驶员性能以及驾驶员状态与性能的结合等方面。驾驶员状态的测量包括PERCLOS、口型和头部位置；驾驶员绩效的测量包括车道跟踪和车距跟踪。
BAO-CAI YIN等人于2009年发表的“Multiscale Dynamic Features Based Driver Fatigue Detection”提出了一种基于多尺度动态特征的驾驶员疲劳检测方法。首先，利用Gabor滤波器对图像序列进行多尺度表示。然后从每个多尺度图像中提取局部二值模式。为了考虑人体疲劳的时间特性，将LBP图像序列划分为动态单元，计算每个动态单元的直方图，并将其串接为动态特征。最后应用统计学习算法从多尺度动态特征中提取最具鉴别能力的特征，并构造一个用于疲劳检测的强分类器。该方法在实际疲劳条件下得到了验证。测试数据包括来自30人视频的600个具有照明和姿势变化的图像序列。实验结果表明了该方法的有效性，正确率达到98.33%，明显优于基线。
Zhigeng Pan等人于2019年发表在《Transactions on Edutainment XV》的论文“Human Eye Tracking Based on CNN and Kalman Filtering”中，基于人眼特征信息的驾驶员疲劳检测方法具有无损伤、成本低、自然交互等优点。然而在实际的检测过程中，由于各种因素的影响，驾驶员的面部会发生抖动，并且会出现运动模糊，对疲劳驾驶检测造成误判和漏判。为此，论文中设计了一种基于CNN卷积神经网络的人体关键点检测方法，并利用卡尔曼滤波对人眼进行跟踪，消除了抖动干扰，大大提高了疲劳检测的精度。实验结果表明，该方法能够实时跟踪人眼，具有较高的精度和鲁棒性。
基于生理医学
L.M. King等人于2006年发表了论文“Early Driver Fatigue Detection from Electroencephalography Signals using Artificial Neural Networks”。论文中介绍了一种基于人工神经网络（ANN）的驾驶员疲劳检测系统。利用20名专业卡车司机和35名非专业卡车司机的脑电图（EEG）数据，将时域数据处理成α、β、δ和θ波段，并将其输入神经网络，检测驾驶员疲劳的发生。神经网络使用一种称为放大梯度函数（MGF）的训练优化技术。该技术通过修改标准反向传播（SBP）算法来减少训练所需的时间。MGF对职业驾驶员疲劳的分类准确率为81.49%（敏感性80.53%，特异性82.44%），对非职业驾驶员疲劳的分类准确率为83.06%（敏感性84.04%，特异性82.08%）。
E. Rogado等人于2009年发表的“Driver Fatigue Detection System”提出了一种检测驾驶过程中疲劳/困倦早期症状的方法。通过分析一些生物和环境变量，可以在驾驶员睡着之前检测到警觉性的丧失。通过分析，系统将确定受试者是否能够驾驶。心率变异性（HRV）、方向盘抓地力压力以及车内和车外的温差，使得间接估计驾驶员的疲劳水平成为可能。研究人员开发了一个硬件系统来获取和处理这些变量，并开发了一个算法来检测拍频和计算HRV，同时考虑到前面提到的其他方面。
大量研究表明，心理疲劳是导致致命车祸的主要原因之一。Joonchul Shin等人于2019年在《Biosensors and Bioelectronics》上发表了论文“Smart Fatigue Phone: Real-time estimation of driver fatigue using smartphone-based cortisol detection”。为了量化每个受试者的疲劳程度，在50分钟的驾驶过程中，使用智能疲劳手机（包括侧流免疫传感器和智能手机连接的荧光信号接收器）测量了4名受试者（20-40岁）的唾液皮质醇浓度。由于唾液皮质醇需要在1 ng/mL以下测量以区分受试者和清醒的驾驶者，因此采用了荧光检测模块（检测值下限：0.1 ng/mL）。为验证智能疲劳手机测得的唾液皮质醇浓度与疲劳状态之间的相关性，同时获取了参与者的脑电图（EEG）信号。因此，α波与皮质醇浓度随时间的变化呈高度相关，反映唾液皮质醇的定量可用于驾驶员疲劳的实时监测（p<0.05）。论文最后得出结论并认为智能疲劳手机有望成为驾驶员疲劳状态检测的重要工具，同时可以辅助驾驶员驾驶。
对比
1. 基于计算机视觉的技术现在焦点在于CNN深度学习以及轻量网络模型，该方法有巨大的进步空间和潜力，但是需要庞大的数据集作为训练输入，且存在一定的误差。这几年基于深度学习的各种神经网络结构设计出不穷，分类的准确率越来越高，参数的规模也趋向于精简，这些研究的进展也会为疲劳驾驶检测带来更多的进步空间；
2. 基于唾液皮质醇检测或者EEG的阿尔法波检测，在设置了合理的阈值前提下会有非常精准的检测结果。但是这些方法依赖于检测硬件设备，譬如上面提到的智能疲劳手机还比较方便，脑电波检测设备就更加的难以配备在车辆里面了。这些问题将会是未来如何把基于生理医学的疲劳驾驶检测技术落地的关键所在。
参考资料
1. Wang Q , Yang J , Ren M , et al. Driver Fatigue Detection: A Survey[C]// Intelligent Control and Automation, 2006. WCICA 2006. The Sixth World Congress on. IEEE, 2006.
2. King L M , Nguyen H T , Lal S K L . Early Driver Fatigue Detection from Electroencephalography Signals using Artificial Neural Networks[J]. Conference proceedings:. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Conference, 2006, 1:2187-2190.
3. YIN, BAO-CAI, FAN, XIAO, SUN, YAN-FENG. MULTISCALE DYNAMIC FEATURES BASED DRIVER FATIGUE DETECTION[J]. International Journal of Pattern Recognition & Artificial Intelligence, 23(03):575-589.
4. Rogado E , Garcia J L , Barea R , et al. Driver Fatigue Detection System[C]// Robotics and Biomimetics, 2008. ROBIO 2008. IEEE International Conference on. IEEE, 2009.
5. Pan Z , Liu R , Zhang M . Human Eye Tracking Based on CNN and Kalman Filtering[M]// Transactions on Edutainment XV. 2019.
6. Joonchul, Shin, Soocheol, et al. Smart Fatigue Phone: Real-time estimation of driver fatigue using smartphone-based cortisol detection.[J]. Biosensors & Bioelectronics, 2019.
7. 百度百科：疲劳驾驶