据不完全统计，全世界每年因道路交通事故导致死亡的人数超过60万，由于驾驶员疲劳造成的交通事故至少有10万起，其中1500起重大事故，7.1万起交通事故导致人身伤害，直接经济损失达125亿美元。因此，如何及时、准确地发现并防止驾驶员的疲劳驾驶，是我们面临的重要问题。

　　现有技术中，驾驶员的疲劳驾驶检测方法通过对驾驶员的面部特征点进行定位和跟踪，采用形状信息和局部表观特征相结合的方法，对眼睛、嘴巴等面部特征点进行由粗到精的准确定位。根据跟踪结果的置信度，建立人脸特征跟踪的跟踪策略，决定检测模块和跟踪模块的切换。最终利用眼睛和嘴巴的运动特征，对面部运动特征进行量化描述，根据优化后的时间窗长度，计算面部运动统计指标进行疲劳检测。

　　但是，现有技术中的驾驶员疲劳检测方法，检测指标单一，不能够准确地检测出驾驶员是否真正处于疲劳驾驶状态。

　　本发明的目的是提供一种驾驶员疲劳检测方法及系统，解决了现有技术中驾驶员疲劳检测方法，检测指标单一，不能够准确地检测出驾驶员是否真正处于疲劳驾驶状态的技术问题。

　　基于待检测驾驶员驾驶时的视频数据，获取所述驾驶员的驾车时长、闭眼时长以及打哈欠频率；

　　若判断获知所述驾车时长大于第一预设值、所述闭眼时长超过第二预设值和/或所述打哈欠频率大于第三预设值，则确定所述待检测驾驶员处于疲劳驾驶状态。

　　进一步地，所述基于待检测驾驶员驾驶时的视频数据，获取所述驾驶员的驾车时长，具体为：

　　从所述驾车时长检测图像中提取所述驾驶员的面部特征，作为驾车时长检测面部特征；

　　将所述驾车时长检测面部特征输入至预先获取的人脸识别模型中，输出识别结果；

　　若判断获知所述识别结果为匹配成功，则所述驾驶员的驾车时长增加预设时间值，所述预设时间值为距离上次获取驾车时长检测图像的时间间隔。

　　进一步地，所述获取待检测驾驶员驾驶时的视频数据中的一帧图像之前，还包括：

　　基于局部二进制编码直方图人脸识别算法从每帧样本图像中提取所述驾驶员的面部特征。

　　进一步地，所述基于待检测驾驶员驾驶时的视频数据，获取所述驾驶员的闭眼时长，具体为：

　　从待检测驾驶员驾驶时的视频数据中的每帧图像中提取所述驾驶员至少一只眼睛的第一特征点集合；

　　基于每帧图像中所述驾驶员眼睛的睁开闭合状态，以及帧间隔，确定所述驾驶员的闭眼时长。

　　进一步地，所述基于所述第一特征点集合，确定所述驾驶员眼睛的睁开闭合状态，具体为：

　　从所述第一特征点集合中获取第一眼睑特征点的纵坐标、第二眼睑特征点的纵坐标、第一眼角特征点的横坐标和第二眼角特征点的横坐标；

　　计算第一变量和第二变量，并计算眼睛长宽比，所述眼睛长宽比为所述第二变量与所述第一变量的比值，所述第一变量为所述第一眼角特征点的横坐标与所述第二眼角特征点的横坐标之差的绝对值，所述第二变量为所述第一眼睑特征点的纵坐标与所述第二眼睑特征点的纵坐标之差的绝对值；

　　若判断获知所述眼睛长宽比小于第四预设值，则所述驾驶员的眼睛处于闭合状态；

　　若判断获知所述眼睛长宽比大于等于所述第四预设值，则所述驾驶员的眼睛处于睁开状态。

　　进一步地，所述基于待检测驾驶员驾驶时的视频数据，获取所述驾驶员的打哈欠频率，具体为：

　　从待检测驾驶员驾驶时的视频数据中的每帧图像中提取所述驾驶员嘴巴的第二特征点集合；

　　基于每帧图像中所述驾驶员嘴巴的张开闭合状态，以及帧间隔，确定所述驾驶员的打哈欠频率。

　　所述车载电脑，用于基于所述视频采集器采集到的待检测驾驶员驾驶时的视频数据，获取所述驾驶员的驾车时长、闭眼时长以及打哈欠频率；

　　若判断获知所述驾车时长大于第一预设值、所述闭眼时长超过第二预设值和/或所述打哈欠频率大于第三预设值，则确定所述待检测驾驶员处于疲劳驾驶状态，并指示所述报警器报警。

　　存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述的方法。

　　又一方面，本发明提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述的方法。

　　又一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。

　　本发明提供的驾驶员疲劳检测方法及系统，通过综合考虑驾驶员的驾车时长、闭眼时长以及打哈欠频率，对驾驶员是否处于疲劳驾驶状态进行综合分析，提高了驾驶员疲劳检测的准确性。

　　为了使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

　　图1为依照本发明实施例的驾驶员疲劳检测方法示意图，如图1所示，本发明实施例提供一种驾驶员疲劳检测方法，包括：

　　步骤S10、基于待检测驾驶员驾驶时的视频数据，获取所述驾驶员的驾车时长、闭眼时长以及打哈欠频率；

　　步骤S20、若判断获知所述驾车时长大于第一预设值、所述闭眼时长超过第二预设值和/或所述打哈欠频率大于第三预设值，则确定所述待检测驾驶员处于疲劳驾驶状态。

　　具体的，首先需要采集待检测驾驶员驾驶时的视频数据，通过图像处理技术获取该驾驶员的驾车时长、闭眼时长以及打哈欠频率。

　　然后，根据该驾驶员的驾车时长、闭眼时长以及打哈欠频率对驾驶员是否处于疲劳驾驶状态进行综合分析。若判断获知驾车时长大于第一预设值、闭眼时长超过第二预设值和/或打哈欠频率大于第三预设值，则待检测驾驶员处于疲劳驾驶状态。

　　例如，通过待检测驾驶员驾驶时的视频数据进行处理，得出该驾驶员的驾车时长已经超过4小时，则该驾驶员处于疲劳驾驶状态；或者，通过待检测驾驶员驾驶时的视频数据进行处理，得出该驾驶员闭眼时长超过2秒的次数大于10次，则该驾驶员处于疲劳驾驶状态；或者，通过待检测驾驶员驾驶时的视频数据进行处理，得出该驾驶员打哈欠频率超过6次/每小时，则该驾驶员处于疲劳驾驶状态。或者，该驾驶员的驾车时长已经超过4小时，并且闭眼时长超过2秒的次数大于10次，则该驾驶员处于疲劳驾驶状态。或者上述三种情况的组合，而在实际应用中不限于此，具体组合方式可以视情况而定。

　　本发明提供的驾驶员疲劳检测方法，通过综合考虑驾驶员的驾车时长、闭眼时长以及打哈欠频率，对驾驶员是否处于疲劳驾驶状态进行综合分析，提高了驾驶员疲劳检测的准确性。

　　在上述实施例的基础上，进一步地，所述基于待检测驾驶员驾驶时的视频数据，获取所述驾驶员的驾车时长，具体为：

　　从所述驾车时长检测图像中提取所述驾驶员的面部特征，作为驾车时长检测面部特征；

　　将所述驾车时长检测面部特征输入至预先获取的人脸识别模型中，输出识别结果；

　　若判断获知所述识别结果为匹配成功，则所述驾驶员的驾车时长增加预设时间值，所述预设时间值为距离上次获取驾车时长检测图像的时间间隔。

　　进一步地，所述获取待检测驾驶员驾驶时的视频数据中的一帧图像之前，还包括：

　　基于局部二进制编码直方图人脸识别算法从每帧样本图像中提取所述驾驶员的面部特征。

　　具体的，基于待检测驾驶员驾驶时的视频数据，获取所述驾驶员的驾车时长的具体方法如下：

　　首先，在对驾驶员的驾车时长进行记录之前，需要获取待检测驾驶员驾驶时的视频数据中的多帧图像，作为样本图像；从每帧样本图像中提取驾驶员的面部特征，作为样本面部特征；基于所有的样本面部特征，构建所述人脸识别模型；初始化驾驶员的驾车时长，驾车时长的初始值为零。

　　然后，获取待检测驾驶员驾驶时的视频数据中的一帧图像，作为驾车时长检测图像；从驾车时长检测图像中提取驾驶员的面部特征，作为驾车时长检测面部特征；将驾车时长检测面部特征输入至预先获取的人脸识别模型中，输出识别结果；若判断获知识别结果为匹配成功，则驾驶员的驾车时长增加预设时间值，该预设时间值为距离上次获取驾车时长检测图像的时间间隔。

　　例如，先采集10张驾驶员的面部照片，使用基于局部二进制编码直方图(LBPH)人脸识别算法的进行模型训练，获得训练好的人脸识别模型。每隔5分钟采集一次驾驶员的面部图像，使用这个面部图像和之前训练好的模型进行匹配，如果匹配成功则说明驾驶员已经连续驾车5分钟，如果该系统连续4小时检测到是同一个驾驶员在开车，则说明驾驶员已处于疲劳驾驶状态并给出报警。如果在4个小时中检测到驾驶员已更换，那么就重新采集该驾驶员的10张照片，训练一个新的人脸识别模型，再重复上述的匹配过程。

　　a1：在系统启动时，设置状态变量state＝train，驾驶员连续驾车时长变量time＝0。

　　a3：使用人脸图像采集模块利用红外摄像头采集一张驾驶员面部的图像，将该图像先暂存起来，每隔1秒重复此步骤直到存够10张驾驶员面部的图像。存够10张之后执行步骤a4。

　　a4：利用这10张驾驶员的面部图像训练LBPH模型。将变量state置为match。执行步骤a2。

　　a5：使用人脸图像采集模块利用红外摄像头采集一张驾驶员面部的图像，将该图像和之前已经训练好的模型进行匹配，如果匹配成功则执行步骤a6。如果匹配失败则执行步骤a7。

　　a6：更新驾驶员的连续驾车时长time＝time+5。如果检测到驾驶员已经连续开车4小时以上，即time＝240，则给出报警。如果没有检测到驾驶员有疲劳驾驶，则隔5分钟之后执行步骤a2。

　　a7：再次采集驾驶员的面部图像，和之前的模型进行匹配，如果匹配失败则说明驾驶员已经换人，这时清空连续驾驶时长time＝0，将state置为train，执行步骤a2。

　　本发明提供的驾驶员疲劳检测方法，通过综合考虑驾驶员的驾车时长、闭眼时长以及打哈欠频率，对驾驶员是否处于疲劳驾驶状态进行综合分析，提高了驾驶员疲劳检测的准确性。

　　在以上各实施例的基础上，进一步地，所述基于待检测驾驶员驾驶时的视频数据，获取所述驾驶员的闭眼时长，具体为：

　　从待检测驾驶员驾驶时的视频数据中的每帧图像中提取所述驾驶员至少一只眼睛的第一特征点集合；

　　基于每帧图像中所述驾驶员眼睛的睁开闭合状态，以及帧间隔，确定所述驾驶员的闭眼时长。

　　进一步地，所述基于所述第一特征点集合，确定所述驾驶员眼睛的睁开闭合状态，具体为：

　　从所述第一特征点集合中获取第一眼睑特征点的纵坐标、第二眼睑特征点的纵坐标、第一眼角特征点的横坐标和第二眼角特征点的横坐标；

　　计算第一变量和第二变量，并计算眼睛长宽比，所述眼睛长宽比为所述第二变量与所述第一变量的比值，所述第一变量为所述第一眼角特征点的横坐标与所述第二眼角特征点的横坐标之差的绝对值，所述第二变量为所述第一眼睑特征点的纵坐标与所述第二眼睑特征点的纵坐标之差的绝对值；

　　若判断获知所述眼睛长宽比小于第四预设值，则所述驾驶员的眼睛处于闭合状态；

　　若判断获知所述眼睛长宽比大于等于所述第四预设值，则所述驾驶员的眼睛处于睁开状态。

　　具体的，获取驾驶员的闭眼时长时，需要检测驾驶员的眼部动作。图2为依照本发明实施例的主观形状模型示意图，如图2所示，采用主观形状模型(Active Shape Model，ASM)算法，从待检测驾驶员驾驶时的视频数据中的每帧图像中提取驾驶员至少一只眼睛的第一特征点集合；例如，提取左眼的第一特征点集合，包括特征点37、39、40和41。基于所述第一特征点集合，确定驾驶员眼睛的睁开闭合状态；然后基于每帧图像中驾驶员眼睛的睁开闭合状态，以及帧间隔，确定驾驶员的闭眼时长。例如，在15秒内的一段视频数据中，共有150帧图像，帧间隔为0.1秒，其中，连续30帧以上的图像都处于闭眼状态的视频段共有2段；连续30帧以上的图像都处于闭眼状态，则本次闭眼时长超过3秒，在这15秒内的一段视频数据中闭眼时长超过3秒的次数为2次。

　　基于第一特征点集合，确定驾驶员眼睛的睁开闭合状态，具体为：从第一特征点集合中获取第一眼睑特征点的纵坐标、第二眼睑特征点的纵坐标、第一眼角特征点的横坐标和第二眼角特征点的横坐标；计算第一变量和第二变量，并计算眼睛长宽比，眼睛长宽比为第二变量与第一变量的比值，第一变量为第一眼角特征点的横坐标与第二眼角特征点的横坐标之差的绝对值，第二变量为第一眼睑特征点的纵坐标与第二眼睑特征点的纵坐标之差的绝对值；若判断获知眼睛长宽比小于第四预设值，则驾驶员的眼睛处于闭合状态；若判断获知眼睛长宽比大于等于第四预设值，则驾驶员的眼睛处于睁开状态。例如，识别出来特征点37、39、40和41以后，计算特征点39和特征点41之间的纵坐标之差的绝对值，作为第一变量，计算特征点37和特征点40之间的横坐标之差的绝对值，作为第二变量；再计算第二变量与第一变量的比值，作为眼睛长宽比，如果这个眼睛长宽比的值小于0.2，则认为驾驶员闭眼了。

　　b3：从该图像中使用dlib库中的图像特征点识别函数从图像中提取出上述的四个人脸特征点37、39、40、41，并设置变量x37为点37的横坐标，x40为点40的横坐标，y39为点39的纵坐标，y41为点41的纵坐标。

　　b6：如果a0.2(说明驾驶员闭眼了)，则执行步骤b7；如果a＝0.2，则执行步骤b8。

　　b7：令计数器加一count+＝1，如果检测到驾驶员连续三秒闭眼了，即count＝3，则给出报警，提醒驾驶员集中注意力或下车休息。如果count3，则执行步骤b2。

　　本发明提供的驾驶员疲劳检测方法，通过综合考虑驾驶员的驾车时长、闭眼时长以及打哈欠频率，对驾驶员是否处于疲劳驾驶状态进行综合分析，提高了驾驶员疲劳检测的准确性。

　　在以上各实施例的基础上，进一步地，所述基于待检测驾驶员驾驶时的视频数据，获取所述驾驶员的打哈欠频率，具体为：

　　从待检测驾驶员驾驶时的视频数据中的每帧图像中提取所述驾驶员嘴巴的第二特征点集合；

　　基于每帧图像中所述驾驶员嘴巴的张开闭合状态，以及帧间隔，确定所述驾驶员的打哈欠频率。

　　进一步地，所述基于所述第二特征点集合，确定所述驾驶员嘴巴的张开闭合状态，具体为：

　　从所述第二特征点集合中获取第一嘴唇特征点的纵坐标、第二嘴唇特征点的纵坐标、第一嘴角特征点的横坐标和第二嘴角特征点的横坐标；

　　计算第三变量和第四变量，并计算嘴巴长宽比，所述嘴巴长宽比为所述第四变量与所述第三变量的比值，所述第三变量为所述第一嘴角特征点的横坐标与所述第二嘴角特征点的横坐标之差的绝对值，所述第四变量为所述第一嘴唇特征点的纵坐标与所述第二嘴唇特征点的纵坐标之差的绝对值；

　　若判断获知所述嘴巴长宽比大于第六预设值，则所述驾驶员的嘴巴处于张开状态；

　　若判断获知所述嘴巴长宽比小于等于第六预设值，则所述驾驶员的嘴巴处于闭合状态。

　　具体的，通过检测驾驶员的嘴部张开的大小，确定驾驶员的打哈欠频率。如果连续检测到驾驶员的嘴巴张开的很大，则认为驾驶员在打哈欠，如果驾驶员在一段时间内打哈欠的频率过高，就说明驾驶员处于疲劳状态。

　　获取驾驶员的打哈欠频率时，需要检测驾驶员的嘴部动作。图2为依照本发明实施例的主观形状模型示意图，如图2所示，采用主观形状模型(Active Shape Model，ASM)算法，从待检测驾驶员驾驶时的视频数据中的每帧图像中提取驾驶员嘴巴的第二特征点集合；例如，提取嘴巴的第二特征点集合，包括特征点49、55、63和67。基于第二特征点集合，确定驾驶员嘴巴的张开闭合状态；然后基于每帧图像中驾驶员嘴巴的张开闭合状态，以及帧间隔，确定驾驶员的打哈欠频率。例如，在0.5小时内的一段视频数据中，帧间隔为0.1秒，其中，连续30帧以上的图像中嘴巴长宽比都大于1的视频段共有2段；连续30帧以上的图像中嘴巴长宽比都大于1，则本次张口较大的时长超过3秒，为一次打哈欠。在这0.5小时内的一段视频数据中打哈欠的次数为2次，打哈欠的频率为4次/每小时，若设定的打哈欠的频率为6次/每小时，则依据这0.5小时的视频数据，该驾驶员未处于疲劳驾驶状态。

　　c3：从该图像中使用dlib库中的图像特征点识别函数从图像中提取出人脸特征点49、55、63、67，并设置变量x49为点49的横坐标，x55为点55的横坐标，y63为点63的纵坐标，y67为点67的纵坐标。

　　c6：如果a1(说明驾驶员处于张大嘴的状态)，则执行步骤c7；如果a＝0.2，则执行步骤c8。

　　c7：令计数器加一count+＝1，如果检测到驾驶员连续三秒张大嘴(说明驾驶员在打哈欠)，即count＝3，则给出报警，提醒驾驶员集中注意力或下车休息。如果count3，则执行步骤c2。

　　本发明提供的驾驶员疲劳检测方法，通过综合考虑驾驶员的驾车时长、闭眼时长以及打哈欠频率，对驾驶员是否处于疲劳驾驶状态进行综合分析，提高了驾驶员疲劳检测的准确性。

　　图3为依照本发明实施例的驾驶员疲劳检测系统示意图，如图3所示，本发明实施例提供一种驾驶员疲劳检测系统，包括：

　　所述车载电脑，用于基于所述视频采集器采集到的待检测驾驶员驾驶时的视频数据，获取所述驾驶员的驾车时长、闭眼时长以及打哈欠频率；

　　若判断获知所述驾车时长大于第一预设值、所述闭眼时长超过第二预设值和/或所述打哈欠频率大于第三预设值，则确定所述待检测驾驶员处于疲劳驾驶状态，并指示所述报警器报警。

　　具体的，首先需要通过视频采集器10采集待检测驾驶员驾驶时的视频数据，优选的，使用红外摄像头搭配850nm补光灯采集人脸的图像，这样可以排除光照的影响。使用opencv库来操纵摄像头。

　　车载电脑20再通过基于Adaboost和Haar的特征提取方法，提取出驾驶员的面部图像。

　　然后，根据该驾驶员的驾车时长、闭眼时长以及打哈欠频率对驾驶员是否处于疲劳驾驶状态进行综合分析。若判断获知驾车时长大于第一预设值、闭眼时长超过第二预设值和/或打哈欠频率大于第三预设值，则待检测驾驶员处于疲劳驾驶状态。

　　本发明实施例提供一种驾驶员疲劳检测系统，用于完成上述实施例中所述的方法，通过本实施例提供的驾驶员疲劳检测系统完成上述实施例中所述的方法的详细步骤与上述实施例相同，此处不再赘述。

　　本发明提供的驾驶员疲劳检测系统，通过综合考虑驾驶员的驾车时长、闭眼时长以及打哈欠频率，对驾驶员是否处于疲劳驾驶状态进行综合分析，提高了驾驶员疲劳检测的准确性。

　　图4为本发明实施例提供的用于驾驶员疲劳检测的电子设备的结构示意图，如图4所示，所述设备包括：处理器801、存储器802和总线通过所述总线完成相互间的通信；

　　处理器801用于调用存储器802中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：

　　基于待检测驾驶员驾驶时的视频数据，获取所述驾驶员的驾车时长、闭眼时长以及打哈欠频率；

　　若判断获知所述驾车时长大于第一预设值、所述闭眼时长超过第二预设值和/或所述打哈欠频率大于第三预设值，则确定所述待检测驾驶员处于疲劳驾驶状态。

　　本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：

　　基于待检测驾驶员驾驶时的视频数据，获取所述驾驶员的驾车时长、闭眼时长以及打哈欠频率；

　　若判断获知所述驾车时长大于第一预设值、所述闭眼时长超过第二预设值和/或所述打哈欠频率大于第三预设值，则确定所述待检测驾驶员处于疲劳驾驶状态。

　　本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：

　　基于待检测驾驶员驾驶时的视频数据，获取所述驾驶员的驾车时长、闭眼时长以及打哈欠频率；

　　若判断获知所述驾车时长大于第一预设值、所述闭眼时长超过第二预设值和/或所述打哈欠频率大于第三预设值，则确定所述待检测驾驶员处于疲劳驾驶状态。

　　本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

　　以上所描述的装置及设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

　　通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

　　最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

　　针对现有驾驶疲劳检测系统精度低的问题，提出通过多模态动作特征融合提升检测准确率。系统采用视频采集-预处理-特征提取-疲劳检测-结果融合的流程，结合手部和头部动作特征（如位置、姿态、运动轨迹），...

　　针对现有疲劳检测方法因个体差异导致模型准确性差的问题，提出通过脑电数据与离线训练数据对齐、提取频域特征并输入深度神经网络模型的解决方案，有效提升检测精度与实时性，无需重新训练模型。 ...

　　针对传统疲劳检测方法准确性不足的问题，提出一种融合多源数据的检测方案。通过采集生理、面部及声音数据，构建包含轻量化卷积神经网络、残差密度网络等模型的融合检测系统，结合带通滤波预处理和多级阈值判...

　　针对空中交通管制员疲劳状态难以实时监测的问题，提出一种融合音视频数据的智能检测方法。通过采集管制席位视频与陆空通话数据，利用聚类分析构建疲劳特征档案，结合多维度指标（如PERCLOS值、信道占...

　　1.智能驾驶技术研究 2.智能汽车人机交互研究 3.自动驾驶预期功能安全及可靠性 4.驾驶功能与车辆动力学数据融合 5.驾驶场景大数据分析技术 6.车辆性能研究

　　1.新能源汽车电驱动技术 2.轮毂电机驱动与控制 3.开关磁阻电机驱动系统控制 4.智能电动汽车

　　1.内燃机节能及排放控制技术   2.汽车节能与新能源汽车技术   3. 车辆现代设计理论与方法