對于駕駛輔助系統，做好對駕駛員的注意力監控是十分必要的，因為人類很容易過度信任系統的駕駛能力，反而增大了潛在的事故風險概率。

國內外市場駕駛員監測的需求日益凸顯

在NCAP發布的一項規定后，國外市場對DMS駕駛員監測系統的需求已然十分明確。

2017年9月，歐洲NCAP發布Road Map 2025, 其中將駕駛員監測（Driver Monitoring）與AEB等數項技術同列為初級安全系統，這也就是說，從2020年開始，想要獲得歐盟五星安全認證的車輛就必須具備駕駛員監測功能。鑒于NCAP在國外市場上對于保險公司和消費者中的影響力，國外市場DMS的需求可想而知。

EURO NCAP Roadmap 2025

在國內，目前雖暫無類似政策推出，但在兩客一危等高危場景下，已有部分省市率先推進試點項目。從2017年開始，物流、兩客一危等行業領域對駕駛員監測尤其是疲勞或分神駕駛的狀態檢測有大量需求出現。

駕駛員狀態監測主要的技術流派

理論上講， 駕駛員的狀態監測可以通過檢測駕駛員的生理信號、操作行為、車輛狀態以及面部表情等方式來實現。

目前主要有兩種方案。一種是通過確保駕駛員的手在方向盤上， 比如通過在方向盤上嵌入傳感器來判斷駕駛員是否手握方向盤來進行判斷，或者在轉向柱上加裝扭矩傳感器來獲取方向盤角速度。但是，基于這種方案的系統很容易就被駕駛員用瓶裝水、水果等小東西就給破解了。

另一種方式，是通過確保駕駛員的視線在前方道路上。隨著技術的進步，圖像傳感器已經能夠很好地實現對人類眼睛、眼球、表情、頭部動作等細節的監控，甚至是戴著墨鏡、或夜間等環境下，這讓用攝像頭來實現對駕駛員狀態的監測成為可能。

基于攝像頭的DMS系統工作原理

一般來講，人在疲勞的時候會有比較典型的面部表情或動作特征，如較長的眨眼持續時間、較慢的眼瞼運動、點頭、打哈欠等。

基于攝像頭的駕駛員監測方案正是利用這一點：首先挖掘出人在疲勞狀態下的表情特征，然后將這些定性的表情特征進行量化，提取出面部特征點及特征指標作為判斷依據，再結合實驗數據總結出基于這些參數的識別方法，最后輸入獲取到的狀態數據進行識別和判斷。

基于攝像頭的駕駛員監測系統工作原理

以極目駕駛員監測系統為例，它主要通過一個面向駕駛員的紅外攝像頭來實時監測駕駛員的頭部、眼部、面部等細節，然后將獲取到的信息數據進行模式識別，進而做出疲勞或分神狀態判斷。

識別準確率是駕駛員監測系統最核心的指標之一。極目DMS系統采用傳統算法和深度學習，通過人臉檢測與追蹤、3D臉部建模等核心技術，針對打哈欠、閉眼、視線偏移等多種狀態的綜合識別率為95%左右，同時通過指令集優化、多線程優化、實時算法調度等高效的工程實現，系統響應速度得到大幅優化和提升。

另外，極目DMS采用近紅外主動成像技術，能夠適應各種光源環境，即便在夜間、逆光等高挑戰性光照環境下也能提供高品質的成像質量。此外，由于紅外光特性可以穿透墨鏡鏡片，被遮擋的眼部信息也能夠正常成像，很好地解決了駕駛員眼鏡反光或佩戴墨鏡的問題。

除了算法，使用場景的復雜性是DMS技術的另一個難點。在實際使用中，系統能否在合適的時機給出反饋也會對用戶體驗產生影響，這不僅對算法檢測準確率提出要要求，同時也需要在預警策略的設計上加入更多人性化的考量。

比如，如果系統在檢測到視線偏移或低頭的情況下就發出預警，但司機可能只是在切換電臺的時候不小心扭了下頭，這種預警很容易引起駕駛員對系統的反感，甚至可能直接將功能關掉。

所以，在很多實際場景下，系統需要能夠判斷出司機的真實意圖，讓系統與駕駛員之間能夠通過多次交互建立信任感，這一點很重要。

駕駛員監測≠疲勞檢測，它的重要性遠不止如此

駕駛員監測不僅僅只是疲勞駕駛監測，市場當下對于疲勞駕駛狀態監測的需求只是推動駕駛員監測技術發展的動力之一，駕駛員監測技術能做的遠遠不止這些。

在無人駕駛到來之前，對于駕駛輔助系統，做好對駕駛員的監控十分必要，因為人類很容易過度信任系統的駕駛能力，反而增大了潛在的事故風險概率。同時，系統也需要知道駕駛員在某個時刻的狀態，以判斷駕駛員此刻是否適合接管車輛。

雖然現在DM技術比之前進步很多，但整體來講，目前國內外的駕駛員監測技術其實處于比較初級的階段。包括在最開始提到的，NCAP要求將駕駛員監測列為五星標準，但目前還未發布更加明確的標準要求。

不管是為了滿足當前市場上對疲勞駕駛狀態的判斷或者是將來作為智能駕駛場景下駕駛員狀態的一個反饋窗口，駕駛員監測這項技術都還有很長的路要走。