基于人体姿态空时特征的驾驶员疲劳检测

李泰国，张天策，李超，张英志，王英

(1.兰州交通大学，自动化与电气工程学院，兰州 730070；2.陕西省康复医院，运动疗法一科，西安 710065）

0 引言

世界卫生组织(WHO)2017年发布的《Road Safety》强调，全球道路交通死亡人数继续上升[1]。其中，疲劳驾驶是发生道路交通安全事故的重要原因之一[2]。因此，设计一种准确率高，鲁棒性强的驾驶员疲劳检测系统，可以在驾驶员处于疲劳状态时进行干预，对预防道路交通事故具有重要意义。

当驾驶员处于疲劳状态时，其脑电图(EEG)、心电图(ECG)和皮肤电导等神经生理学信号的波动均会与正常驾驶状态有着较大区别[3]。因此，基于驾驶员生理信号的疲劳检测方法被广泛研究。但生理信号是通过穿戴在驾驶员身体上的电极或传感器进行采集，长时间使用会使驾驶员产生排斥情绪，从而影响正常驾驶[4]。

非侵入式疲劳检测方法包括基于车辆运行状态的方法和基于计算机视觉的方法。基于车辆运行状态检测驾驶员疲劳时，其检测信号包括车辆转角，车速变化等，这种方法的局限性在于很难及时反应驾驶员实际状态，实时性不足[5]。基于计算机视觉的疲劳检测方法通过提取驾驶员的面部行为特征进行疲劳预测[6]，包括眼动特征、嘴部特征，头部特征等。此方法不仅是非侵入式检测，而且检测的实时性也有保证[7]。但是，在驾驶过程中，如果驾驶员面部被遮挡或者头部姿态变化较大时，会因丢失面部关键点造成无法提取疲劳特征，使疲劳检测的准确率和鲁棒性受到限制[8]。为克服面部遮挡以及头部姿态变化对疲劳特征提取的影响，本文引入人体姿态变化作为驾驶员疲劳特征提取的依据，通过分析驾驶员在驾驶过程中的姿态变化对驾驶员的疲劳状态进行预测。

3.城镇住房分配体制由原来的实物分配制度转变为货币分配制度。纵观改革开放40年中国城镇住房分配形式的改革，由原来职工获得国家单位的实物分房，逐步转变为根据自己的经济支付能力向市场购买或租赁住房，形成了以高收入家庭为对象的商品房供应体系。与此同时，国家为中低收入家庭提供具有社会保障性质的经济适用住房及廉租住房，形成了保障房供应体系。然而，商品房供应体系过度发达并且占比太高，保障房供应体系严重不足并且占比太低，成为这一时期住房分配上的结构性缺陷。这表明，新时代中国城镇住房分配体制深化改革的思路和理念要基于克服当前的住房分配结构性缺陷。

调查研究国内外人体姿态应用发现，人们进行各种活动时，身体姿态变化的数据中包含很多反映人们当前状态的信息[9]，并且在安全监管[10]、人机交互等领域[11]已有广泛的应用。受人体姿态信息在相关领域应用的启发，本文研究疲劳检测的方法中引入人体姿态的变化作为驾驶员疲劳特征提取的依据。

1 方案描述

MobileNet-V1网络模型为减小参数，降低计算量，将常规卷积分成两部分：深度卷积和1×1 的卷积。利用深度可分离卷积搭建轻量级神经网络，在网络中利用结合逐点卷积的方式，降低网络权值参数量，最终降低了模型大小。1×1卷积则不需要内存的重新排序，能直接用通用矩阵乘(General Matrix Multiplication)对卷积优化，大幅度提升了计算效率。基于这种少计算量的特点，将其作为Simple Baselines 的骨干网络，之后再进行反卷积处理。

图1 驾驶员疲劳检测模型框图Fig.1 Driver fatigue detection model block diagram

2 人体骨架关键点识别

Simple Baselines是基于Top-Down的二维人体姿态估计算法，以ResNet 为骨干网络提取特征，输出特征经过3组反卷积处理后将特征图尺寸放大，最后通过人体姿态热力图得到人体骨架关键点坐标信息。为进一步减少人体姿态关键点提取的计算量，使其容易部署在移动端，对Simple Baselines网络结构中的骨干网络——ResNet 网络改进为Mobilenet-V1网络[13]。

在成熟稳定的白酒行业，企业要想获得新的增长机会需要进行创新。品类创新是中小企业运用较为普遍的创新策略。采用品类创新，以消费者需求中重要但目前满意程度低的需求为突破口，将有可能为企业开创一个全新的市场，成为该品类市场的领先者，并由此改变市场的竞争格局。

本文的检测方案中，疲劳检测模型框图如图1所示。首先将视频输入并依据改进后的Simple Baselines网络[12]提取人体姿态关键点坐标，通过关键点坐标建立多组疲劳特征，即图1中的S,σL,σθ；随后通过滑动窗口计算疲劳特征的离散程度DF，最后将DF输入长短期记忆网络(LSTM)进行分类训练后预测驾驶员的疲劳状态。

改进后的人体骨架关键点提取框架的网络结构如图2所示，在该模型中，输入为图像P，P∈R224×224×3，即图像R的像素为224 pixel×224 pixel，层数为3；改进后的网络通过MobileNet-V1网络提取特征图X，X∈R7×7×1024；随后通过3层反卷积层，使得到的特征图输出为高分辨率特征U，U∈R56×56×256；得到高分辨率特征U后，基于1×1卷积得到人体骨架关键点的热力图，然后预测输出关键点的坐标，图3为提取的关键点信息结果。改进后的网络既可以准确地提取出人体骨架关键点，也因其轻量化的模型为移动平台的部署提供基础。

图2 改进后的人体骨架关键点提取网络Fig.2 Improved human skeleton key point extraction network

图3 人体骨架关键点示意图Fig.3 Schematic diagram of key points of human skeleton

3 基于人体姿态的疲劳特征提取

通常，驾驶员需要在正常驾驶过程中不断调整方向，即使在笔直的道路上行驶也需要对方向盘进行调整[14]。当驾驶员处于疲劳驾驶状态时，则会出现操纵迟缓甚至停顿等现象。因此，通过定位驾驶员人体骨架关键点，并依据产生的关键点坐标建立相应的疲劳特征，便可对驾驶员的驾驶状态做出反应。

3.1 人体姿态关键点的分组模块化

在车辆行驶过程中，驾驶员会不停观察道路情况并做出相应修正方向的动作。通过分析驾驶员人体姿态关键点变化的相互关联情况，依据“高内聚、低耦合”原则建立可以反应驾驶动作幅度范围的3 个模块(头部(Head)模块，肩部(Body shoulder)模块，手臂(Arm)模块)，从而有效地反映驾驶员的驾驶姿态运动情况。具体建立方式如图4所示。

图4 模块示意图Fig.4 Module diagram

不同模块之间的运动规律有较低的耦合性，但模块内部各关键点的语义信息具有高度的内聚性，其中心点的运动与所在模块的整体保持高度一致，故结合模块的中心点建立疲劳特征可使选取的特征更好地反应驾驶员的精神状态。根据图4的分组方式计算出每一个模块的中心点，即头部模块中心点(Hx,Hy)，肩部模块中心点(Bx,By)，手臂模块中心点(Ax,Ay)，计算公式为

人生在世，谁都有可能遇到困难。至于临时经济短缺，更是难免的事情，所以，亲朋邻里之间相互借个钱，乃是再寻常不过的事情了。有借有还，人之常情，正当交往，无可非议。但是，对于官员尤其是手握一定权力者的借钱，那可就要另当别论了。首先要打个问号，有所警惕。我不是说，当官的都富有，不会碰到囊中羞涩的时候。问题是，有些官员玩的是明“借”实“讹”的把戏。在现实社会中，这已经成为贪官的一种敛财手段。

式中：(Cx,Cy)为每一个模块的中心点，C∈{A,B,H} ；Xi，Yi为图4相应模块中的第i个点的关键点坐标(Xi,Yi)；N为模块中包含关键点的个数。借助驾驶员正常驾驶时模块之间的变化关系，结合模块中心点与人体骨架关键点建立基于人体姿态的疲劳特征。

3.2 模块中心面积S

结果表明，基于MobileNet-V1 的改进网络和Resnet 的运行速度相比，MobileNet-V1 在骁龙855移动平台反而有着更快的处理帧速，每秒可处理53 frame。考虑其在移动平台中的表现，改进网络易于在平台部署的特点更适用于本方案提出的疲劳检测方法。

3.3 手臂投影距离组标准差σL

考虑到驾驶员操作方向盘时的动作变化，将提取的手臂骨架关键点结合相应模块中心点按照图5的方式，构建投影欧氏距离并计算，生成距离组L=[L1,L2,L3,L4]。

很不巧，敦煌接连下了一个礼拜的雨，他们只能窝在客栈里，林露白看书发呆，魏舟玩手机打游戏，坐得很近，但一天下来都没什么话可说。

图5 离组L 示意图Fig.5 Schematic diagram of distance group L

为比较非疲劳和疲劳状态下疲劳特征的差异，实验中提取驾驶员人体姿态关键点后，计算驾驶员的疲劳特征F=[S,σL,σθ]。与疲劳驾驶状态相比，非疲劳状态下的疲劳特征更具发散性和混沌性。获得疲劳特征值后，在考虑疲劳特征时间特性的基础上，结合滑动窗口的方式计算疲劳特征的离散程度DF=[DS,DL,Dθ]，充分地考虑了疲劳特征随时间变化的特性。图9为3个疲劳特征在疲劳与非疲劳状态下的离散程度计算结果。

式中：Lj为投影欧氏距离，j=[1,2,3,4]；(Xji,Yji)分别为图5中投影欧氏距离Lj所使用的人体骨架关键点坐标。

2.企业文化对传统文化的传承与应用不够，与现代文化气息的结合不足，也未能够形成系统化和持续性的模式。以往多数企业在进行管理的时候，都是从制度角度和指令角度出发的，关于文化建设，更多的也是当前学习和借鉴西方先进企业的经验，所以很多企业都没有对自身发展以来的各种历史资料进行保存和建设。企业文化也是一种文化，稳定性和持续性才能使其具有更高的信服力。很多企业在当前的企业文化建设时，也没有利用当前文化的各种新特点来提高创新力。比如，当今各种文化之间都在全面、深度地融合。因此，企业文化得适应这一新的时代特点。

2.2.2 移栽后田间管理：西瓜移栽后正值春季多风的季节，拱棚一定要用土压实，防止被风刮坏，威胁幼苗的安全。在晴朗无风的天气，把部分拱棚揭开，通风换气，同时避免强光对叶片造成灼伤。及时浇水，保证苗期生长的需要。

3.4 向量夹角标准差σθ

驾驶过程中的视角会由于观察道路而不停变化，基于这种情况选择相关关键点与模块中心点，按图6所示的方法计算向量与向量之间的夹角θ，之后对夹角θ与驾驶员的精神状态结合并分析。

图6 角度组θ 示意图Fig.6 Schematic diagram of angle group θ

首先提取围成夹角的向量，如图6中的，结合向量计算夹角θ余弦值为

近年来，致密油开发已成为国内外石油开发的热点。北美巴肯致密油的成功开发，对全球的油气市场产生了深远的影响［1-2］。胜利油田致密砂岩油藏储量规模大，后备资源丰富［3］，但油藏埋藏深，储层物性差，直井压后产量递减快，采出程度低［4］。为了解决这一难题，胜利油田优选渤南油田义123块为实验区块，采用非常规多级压裂水平井开发技术［5-8］对其进行有效开发。

将余弦值定义为人体姿态角度组cosθ。参照式(4)计算出角度组的标准差σθ。

3.5 疲劳特征离散程度

分析疲劳特征结果F=[S,σL,σθ]，其结果数值的大小会受到驾驶员的姿态移动影响。根据这种变化，计算疲劳特征的离散程度(Degree of Dispersion)，即DS,DL,Dθ，使其更利于反映驾驶员疲劳状态的变化。离散程度的计算通过固定滑动窗口区间长度Δ对疲劳特征进行等分，其中Δ=500，每滑动一次的滑动步长为50，依据每一个窗口内的数据，计算该窗口内数据离散度为

在新农村建设时期，为了确保农村财务管理人员有更高的财务管理水平，需要严格培养农村财务管理人员的专业化管理能力，不仅需要确保管理人员具备足够的财务专业知识，同时还需要有一定的管理能力，只有这样才能促进我国农村地区经济水平的持续提升。而在对农村财务管理人员进行培养的过程中，需要设立专门的培训机制，并且将新型的培训措施运用其中，确保农村财务管理人员对于培训工作的开展拥有兴趣，并且能积极地投入培训中，有利于管理人员及时掌握最新的财务管理知识与技能，对于农村财务管理人员综合素质的提升有着显著效果［3］。

式中：F=[ ]S,σL,σθ为不同的疲劳特征(即模块中心面积S，手臂投影距离组标准差σL，向量夹角标准差的离散程度σθ)；DF为不同特征下的离散程度；Δ为滑动窗口长度；在数据长度为Δ的滑动窗口内，dFi、分别为不同疲劳特征(S,σL,σθ)的单个值和一个Δ的平均值。

由于驾驶员的驾驶状态变化是一个连续性的过程，故该步骤中结合滑动窗口计算疲劳特征的离散程度，相比单帧或固定帧的计算方法，借助滑动窗口可以将用于分类的数据更加符合疲劳发生的过程。

4 LSTM分类方法

LSTM 神经网络是一种改进的递归神经网络(RNN)[15]，通过在隐藏单元中加入自连通“门”来解决梯度消失问题。如图7所示，LSTM 网络的计算节点包括输入门、输出门、遗忘门和记忆细胞Cell。

图7 LSTM网络结构Fig.7 LSTM network structure

LSTM的核心思想在于图7中两条水平线所代表的信息流，以及当前时间(Xt)的输入和之前时间(ht-1)输出的组合。图中：ft为遗忘函数；tanh为双曲正切函数，确保输出值在[-1,1]；σ为Sigmoid 激活函数。本文通过LSTM网络可以利用疲劳特征之间的时序记忆信息，使分类预测的结果结合了时间特性，更有利于挖掘驾驶员的疲劳状态信息。

5 实验验证

5.1 数据采集与实验环境

COCO (The Microsoft Common Objects in Context)数据集是一个可用于图像检测，语义分割和图像标题生成的大规模数据集，在其用于人体姿态识别的图像集中，包含有足够多的个人样本并与图像一一对应的17个骨架关键点的标注。使用该数据集训练改进后的Simple Baselines网络，训练后的模型可以实现驾驶员人体骨架关键点的提取。

此外，基于驾驶员人体姿态的疲劳检测缺乏公用测试数据集，为了验证所提检测模型的有效性，本文通过搭建的模拟驾驶平台采集了13名(9名男性和4名女性)，年龄在20～50岁志愿者的驾驶数据样本。基于软件“Euro Truck 2”搭载罗技方向盘套件作为驾驶平台。摄像机位于驾驶员的左上角，高度固定。拍摄视频分辨率为1280×720，帧速30 frame·s-1。收集数据之前，被试者先学习卡罗琳斯卡嗜睡量表(KSS)的评价标准[16]，将KSS的9个级别划分为两大类(疲劳和非疲劳)。第1轮数据收集在8:00-9:00 进行，受试者在前一天晚上获得足够的睡眠，在自我评估为非疲劳状态下驾驶并收集5 min 的驾驶数据；第2 轮数据收集时间在凌晨3:00-4:00，从第1轮结束到第2轮开始，受试者不允许睡眠，当自我评估疲劳时，开始模拟驾驶并收集疲劳状态下的驾驶数据。

在最大功率640 kW、0～120 km/h速度下仿照实际动车组加速的过程，得到DC/DC变换器电池侧电流Ibat和直流侧电压Udc的仿真波形如图4所示。

其中V3表示的山塘承载能力较弱，山塘的水资源开发潜力较小，在水资源限制的情况下，若继续发展下去，当地的农业发展将受到限制，需采用科学合理的方法降低水资源的用量、提高水资源利用率。V1表示的山塘承载能力较好，水资源丰富，对以后的发展有较大的支撑作用，当地的水资源状况是比较乐观。V2表示的山塘水资源承载能力情况介于以上两者之间，表明当地的水资源具有一定的承载能力，对于未来水资源的开发利用有一定的潜力。

自建数据集包含26 个视频片段，其中20 个视频片段作为训练集，6 个视频片段作为测试集。训练集分为10 个正样本视频片段(非疲劳状态)和10个负样本视频片段(疲劳状态)。测试集分为3个正样本视频片段(非疲劳状态)和3个负样本视频片段(疲劳状态)。

5.2 驾驶员人体姿态定位

基于MobileNet-V1 改进的人体关键点识别网络在COCO 关键点检测数据集上进行实验。单批次训练样本数量(batch_size)为50，共训练100 个epoch。与原始的网络相比，改进后的网络模型运算量小，识别速度得到了进一步的提高。使用改进后的网络以及原始网络进行性能和运算量的对比结果如表1所示。

表1 不同网络的性能和运算量的对比Table 1 Comparison of performance and computation of different networks

3个模块中心点围成的模块中心面积在驾驶时不停变化，计算出S并将其作为疲劳特征之一，利用S的变化可以反应驾驶员不同精神状态下的肢体运动情况。

王阳明(1472—1529)，名守仁，字伯安，别号阳明子、阳明山人，世称阳明先生。其父王华是明宪宗成化十七年(1481年)的状元。王阳明生于明成化八年(1472年)，于孝宗弘治十二年(1499年)登进士第，武宗正德元年(1506年)冬，因上疏援救戴铣等而得罪大太监刘瑾，贬为贵州龙场驿驿丞。在龙场驿任上，王阳明致力于主观唯心主义思想的研究，并形成了著名的“心学”体系。后官至南京兵部尚书，嘉靖七年(1529年)卒，归葬浙江山阴洪溪乡(今属绍兴县兰亭镇)。卒后三十八年，即隆庆元年，追赠新建侯，谥文成。

基于MobileNet-V1 的改进网络对驾驶状态数据集进行关键点检测，检测结果如图8所示。

图8 人体姿态关键点检测结果Fig.8 Detection results of human pose key points

5.3 疲劳特征离散程度计算

L1,L2,L3,L4的计算方式为

图9 离散程度结果Fig.9 Dispersion degree results

通过图9的结果可以看出驾驶员在不同精神状态下疲劳特征取值的发散程度。具体到实例数据中，当驾驶员处于非疲劳驾驶状态时，由于不停做出修正驾驶方向等操作，引起驾驶姿态的变化，从而导致离散程度DF的取值处于相对较高的范围，如图9中的实线所示。同时从图中还可以看出，驾驶员非疲劳驾驶时离散程度的取值波动频繁且幅度较大，而其整体始终处于相对较高状态，其原因是驾驶员在清醒时可以根据实际路况做出及时有效的驾驶动作。相比之下，疲劳状态下驾驶员的动作变化迟钝，疲劳特征在疲劳时处于波动较小的状态，对应的DF几乎维持在很小的一个范围内，离散程度值相对较低。

距离值会随着驾驶员的人体姿态变化而导致L频繁变化，根据L的变化程度计算距离组标准差σL，可以反映L的变化大小与幅度，即驾驶员双臂移动情况。计算方式为

因此，通过两种状态下DF的较大差异建立驾驶员疲劳特征离散程度与驾驶员精神状态之间的相关性。非疲劳驾驶会引起离散程度处于比较高的范围；而驾驶员越疲劳，其疲劳特征的DF越低，并且比较平稳。

5.4 分类预测方法对比

在提取到不同疲劳特征的离散程度后，将离散程度DF作为分类预测的数据输入至分类网络进行训练预测，为进一步区分不同特征下对疲劳检测的影响，设计对比实验，将单个离散程度DS,DL,Dθ与整体离散程度DF=[DS,DL,Dθ]分别进行疲劳预测，比较不同的特征离散程度对输出准确率的影响。 实验中同时使用LSTM，Support Vector Machines (SVM) 和Multilayer Perceptron (MLP)做分类预测，选择Accuracy 作为统一的度量标准，根据产生的预测结果选择适合本方法的最优分类器。提取数据集输出的离散程度，即训练集3200组(1600正样本，1600负样本)，测试集950组(480正样本，470负样本)对驾驶员的疲劳程度进行初步训练预测。分类基于不同特征与分类方法对离散程度的分类结果如图10所示。

图10 不同分类器检测性能对比Fig.10 Comparison of detection performance of different classifiers

实验验证了结合所有疲劳特征的离散程度进行分类，与仅使用单个离散程度DS,DL,Dθ的分类结果相比，使用DF进行分类有着更好的准确率，其原因分析如下：

(1)不同的疲劳特征在不同道路情况的变化幅度不同，如果只依靠单个离散程度进行检测，会使检测结果发生较大的误差。然而通过多个离散程度结合的方式进行检测，则可以有效地弥补这一缺陷，从而提高疲劳检测的准确率和鲁棒性。

乡土文化自信在乡村振兴过程中具有十分重要的作用，是乡村振兴发展的精神支撑，是制约乡村振兴发展的重要因素之一。一个不可否认的事实是，随着城市化的不断发展，越来越多的年轻人选择走出乡村进城务工，农村出现了更多的留守老人和留守儿童。这种现象导致乡土文化后继无人，逐渐走向衰败，乡民的文化自信随之减弱。如何改变这种局面，切实提升乡土文化自信，对于重构乡民的精神自信、推进乡村振兴战略的顺利实施具有积极的意义。

(2)不同疲劳特征对驾驶员精神状态的敏感程度不同，在对DL的分类预测中，3 种分类方法的准确率分别为93.1%，91.5%，90.1%，产生预测的差别较小，但是对DS进行分类预测时，准确率分别为94.5%，91.6%，85.6%，差别较大。采用多个疲劳特征离散程度结合的方式，可以消除疲劳特征敏感程度不同所带来的对分类预测的影响。

此外，为了深入验证不同分类网络的预测效果，本文将LSTM网络的分类结果与SVM、MLP进行了比较。LSTM 网络识别驾驶员疲劳情况的准确率为96.55%，比SVM 的准确率93.4%和MLP 的91.7%效果好。其主要原因是LSTM网络进行训练时输入的不是单个数据，而是将计算出的一段时间的离散程度数据(Δ=500)输入LSTM 网络进行训练，这种过程可以解决训练过程中梯度消失和梯度爆炸问题。SVM和MLP缺乏LSTM网络对长时间序列建模的能力，实验结果表明，LSTM 网络识别驾驶员疲劳状态的性能优于其他两种方法。

5.5 基于LSTM的疲劳检测

本文分析了驾驶姿态与精神状态之间的关系，提取人体姿态建立疲劳特征，通过离散程度表示不同状态下疲劳特征的发散性，并将此作为疲劳检测的输入。在分类实验中将全部数据集按照8∶2 划分训练集和测试集，确定参数使训练兼顾精度与实效，设置迭代次数为100次，此外每迭代1次进行一次准确率输出，结果如图11所示。

图11 损失函数与准确率的变化趋势图Fig.11 Variation trend of loss function and accuracy

训练结果表明，该模型在本方案的预测方面表现良好。从图11可以看出，每一轮整体训练损失函数值始终保持下降趋势，表明该模型的学习效果良好。

选取疲劳特征的离散程度训练LSTM网络后，得到分类模型对测试集进行分类预测，在评价实验结果所采用的指标中除了准确率(Accuracy)以外，也使用了精确率(Precision)和召回率(Recall)来进一步对实验结果进行评价。进行驾驶员的疲劳状态预测结果显示，Recall与Precision分别为98.95%和97.73%，表明用于评估疲劳状态的分类网络对检测目标覆盖率与检测成功基础上的正确率有很好的表现。最终检测准确率为98.31%，结果表明本方案具有较好的可行性和实用性。

6 结论

本文提取驾驶员人体姿态后，结合空-时特征对疲劳状态进行预测判定，通过对实验数据的分析，并对模型进行有效性验证，得到结论：基于MobileNet-V1改进人体骨架关键点识别网络，使得模型保持了较高预测精度的同时减少了模型的计算量、提高了检测效率；分析人体骨架在驾驶时的变化信息，提取关键点并建立多个疲劳特征，计算其离散程度用于比较不同状态下疲劳特征的发散性；对比了使用不同疲劳特征与分类方法产生的预测结果，最终确定了可以达到最优预测效果的分类方法；通过LSTM网络对疲劳特征的离散程度进行分类预测，使分类预测结果结合时间特性，更符合疲劳发生的过程。实验表明，本方法的预测准确率达到98.35%，能够很好地预测驾驶员的疲劳状态。

虽然本方案可以较好地预测驾驶员的疲劳状态，但仍存在一定的局限性：实验中在提取驾驶员特征的过程中，会受到光照条件和驾驶员驾驶动作幅度个性化差异的干扰，从而影响人体姿态关键点的提取，会使本方案的准确率受到一定程度的限制。后续值得对此作进一步研究以提高驾驶员疲劳检测的性能及鲁棒性。