疲勞駕駛檢測(cè)方法研究進(jìn)展

陳見(jiàn)哲

疲勞駕駛檢測(cè)方法研究進(jìn)展

陳見(jiàn)哲

（長(zhǎng)安大學(xué)汽車(chē)學(xué)院，陜西西安 710064）

疲勞駕駛是誘發(fā)交通事故的重要因素，研究如何快速準(zhǔn)確地識(shí)別出駕駛員的疲勞狀態(tài)，并在事故發(fā)生前進(jìn)行疲勞預(yù)警，對(duì)預(yù)防疲勞駕駛、促進(jìn)交通安全具有重要的研究?jī)r(jià)值和社會(huì)意義。文章從疲勞的檢測(cè)原理出發(fā)，對(duì)比介紹了基于駕駛員生理特征、車(chē)輛行為特征、駕駛員面部特征的疲勞檢測(cè)方法，重點(diǎn)分析了基于機(jī)器視覺(jué)的疲勞駕駛檢測(cè)研究現(xiàn)狀及其特點(diǎn)，以期為研究人員提供新思路。

疲勞駕駛；檢測(cè)方法；駕駛行為；機(jī)器視覺(jué)；交通安全

隨著我國(guó)經(jīng)濟(jì)和交通運(yùn)輸業(yè)的飛速發(fā)展，汽車(chē)已成為居民生活中最常用的交通運(yùn)輸工具。據(jù)公安部統(tǒng)計(jì)，截至2022年3月底，全國(guó)機(jī)動(dòng)車(chē)保有量達(dá)4.02億輛，其中汽車(chē)3.07億輛，超越美國(guó)居全球首位。不斷增加的車(chē)輛數(shù)有可能導(dǎo)致更多的交通事故發(fā)生。據(jù)國(guó)家統(tǒng)計(jì)局統(tǒng)計(jì)，2022年全國(guó)共計(jì)發(fā)生273 098起交通事故，致使62 218人死亡和281 447人受傷，直接財(cái)產(chǎn)損失達(dá)14.503 6億元。越來(lái)越多的統(tǒng)計(jì)數(shù)據(jù)和研究表明，疲勞駕駛是造成交通事故的主要原因之一，因其造成的交通事故數(shù)量約占總體事故數(shù)量的10%～20%[1]。因此，進(jìn)行與疲勞駕駛相關(guān)的研究非常重要。

疲勞是一種介于清醒和睡眠之間，精神警覺(jué)性降低的狀態(tài)。駕駛疲勞是駕駛員反復(fù)、連續(xù)操作使其生理、心理上發(fā)生變化出現(xiàn)駕駛機(jī)能低落的現(xiàn)象，主要表現(xiàn)為注意力分散、打瞌睡、視野變窄、信息漏看、反應(yīng)判斷遲鈍、駕駛操作失誤或完全喪失駕駛能力，以至發(fā)生碰撞、沖出路面等交通事故，其產(chǎn)生的原因主要為長(zhǎng)時(shí)間駕駛、睡眠不足或質(zhì)量差、生理節(jié)律和駕駛員因素等[2]，且疲勞程度通常隨著清醒時(shí)間的延長(zhǎng)而增加。

研究人員發(fā)現(xiàn)，處于疲勞狀態(tài)的駕駛員在駕駛過(guò)程中，發(fā)生交通事故和交通沖突的概率是清醒狀態(tài)下的4～6倍[3]。這表明疲勞駕駛將嚴(yán)重影響行車(chē)安全，是造成交通事故的重大隱患。21世紀(jì)以來(lái)，越來(lái)越多的國(guó)家開(kāi)始重視疲勞駕駛的治理問(wèn)題。我國(guó)的《道路交通安全法實(shí)施條例》指出，連續(xù)駕駛機(jī)動(dòng)車(chē)超過(guò)4 h，中途未停車(chē)休息或者停車(chē)休息時(shí)間少于20 min均屬于疲勞駕駛，將對(duì)駕駛員進(jìn)行扣分處理。德國(guó)法律規(guī)定營(yíng)運(yùn)車(chē)輛駕駛員每天駕駛時(shí)間累計(jì)不得超過(guò)9 h，且連續(xù)駕駛4.5 h必須休息45 min以上。違反駕駛時(shí)間規(guī)定的駕駛員和相關(guān)運(yùn)輸企業(yè)都將受到處罰，且相關(guān)處罰記錄將作為企業(yè)今后獲取營(yíng)運(yùn)資格的依據(jù)。美國(guó)對(duì)長(zhǎng)途客運(yùn)公司建立了疲勞預(yù)警機(jī)制，客車(chē)裝有疲勞預(yù)警系統(tǒng)，通過(guò)檢測(cè)駕駛員的疲勞狀態(tài)并發(fā)出警報(bào)，可以減少由于疲勞引起的交通事故。

德國(guó)Daimler-Benz公司的研究結(jié)果顯示，若在事故發(fā)生前0.5 s進(jìn)行預(yù)警，則能夠避免50%的碰撞事故，若預(yù)警時(shí)間提前1 s，則能夠避免90%的事故發(fā)生。因此，如能對(duì)駕駛員的疲勞狀態(tài)進(jìn)行實(shí)時(shí)準(zhǔn)確地檢測(cè)、合理有效的預(yù)警，將大大降低疲勞導(dǎo)致的交通事故率，保障行車(chē)安全。

1 疲勞駕駛檢測(cè)原理

疲勞駕駛檢測(cè)通常借助各類(lèi)傳感器和設(shè)備獲取駕駛員的駕駛行為與狀態(tài)，以分析駕駛員的疲勞情況。早期的研究可以追溯到1935年，主要通過(guò)醫(yī)療器械，從醫(yī)學(xué)的角度出發(fā)開(kāi)展疲勞駕駛的測(cè)評(píng)研究[4]。隨著電子技術(shù)的發(fā)展和機(jī)器視覺(jué)的崛起，物理傳感器和圖像處理技術(shù)相繼被運(yùn)用于疲勞檢測(cè)研究。目前，已有許多汽車(chē)公司研發(fā)了較有效的疲勞監(jiān)測(cè)系統(tǒng)。本文根據(jù)所用疲勞特征的差異對(duì)疲勞駕駛檢測(cè)原理進(jìn)行概述。

1.1 駕駛員生理參數(shù)

生理指標(biāo)能反映人的精神狀態(tài)。疲勞時(shí)，駕駛員難以集中注意力（神情恍惚），其部分生理指標(biāo)將發(fā)生顯著變化。這些生理指標(biāo)可作為疲勞特征用于疲勞檢測(cè)。在目前的科研領(lǐng)域中，用于疲勞駕駛檢測(cè)的生理指標(biāo)涉及到腦電圖（Electro Encephalo Gram, EEG）、心電圖（Electro Cardio Gram, ECG）、肌電圖（Electro Myo Graphy, EMG）、眼電（Electro Oculo Gram, EOG）、脈搏波（Blood Pressure Waveform, BPW）信號(hào)等，下面將進(jìn)行詳細(xì)分析。

1.EEG信號(hào)

腦電信息作為反映大腦活動(dòng)的重要信號(hào)，并與駕駛疲勞關(guān)系密切，故被稱(chēng)為駕駛疲勞檢測(cè)的“金標(biāo)準(zhǔn)”。腦電圖頻域范圍被劃分為波（0.5～4 Hz）、波（4～8 Hz）、波（8～13 Hz）、波（13～30 Hz）、波（30 Hz以上）。大量的研究表明，人的疲勞程度與腦電圖的頻帶密切相關(guān)，在疲勞時(shí)，波和波的活動(dòng)顯著增強(qiáng)，波活動(dòng)會(huì)隨之下降[5]。通過(guò)在駕駛員頭皮表面安裝電極可以采集較微弱的腦電圖信號(hào)，將信號(hào)放大后可以用于疲勞駕駛的檢測(cè)。

2.ECG信號(hào)

研究表明，心電信號(hào)的幾個(gè)典型特征，如心率變異性（Heart Rate Variability, HRV）、低頻能量、超低頻能量和高頻能量，在駕駛員清醒和疲勞時(shí)將發(fā)生顯著變化。因此，利用心電特征可識(shí)別駕駛員的疲勞狀態(tài)[6]。有研究人員采用毫米波雷達(dá)獲取駕駛員的心率，并以此識(shí)別駕駛員的疲勞狀態(tài)[7]。

3.EMG信號(hào)

疲勞后，駕駛員動(dòng)作會(huì)變得僵硬，操作動(dòng)作緩慢，肌電信號(hào)的幅值上升，平均頻率下降。通常采用誘發(fā)電位的測(cè)量方法，監(jiān)測(cè)駕駛員肌電信號(hào)的變化，判斷其疲勞狀態(tài)。

4.EOG信號(hào)

眼電信號(hào)是眼角膜和視網(wǎng)膜之間的電位差，當(dāng)眼睛發(fā)生某種運(yùn)動(dòng)時(shí)就會(huì)產(chǎn)生相應(yīng)的電信號(hào)，可以反映眼部的運(yùn)動(dòng)狀態(tài)。當(dāng)駕駛員進(jìn)入疲勞狀態(tài)，其眼部的運(yùn)動(dòng)狀態(tài)將發(fā)生改變，眼電信號(hào)隨之產(chǎn)生變化，因此，眼電信號(hào)可以用于疲勞檢測(cè)。相比于其他檢測(cè)方法，眼電信號(hào)具有魯棒性好、信噪比高、直觀易處理等優(yōu)點(diǎn)。通過(guò)前額眼電信號(hào)采集（在頭部前額布置電極）的方式獲取眼電信號(hào)的平均值、標(biāo)準(zhǔn)差、均方根特征，利用結(jié)合遺傳算法-廣義回歸神經(jīng)網(wǎng)絡(luò)（Genetic Algorithm- Generalized Regression Neural Network, GA-GRNN），構(gòu)建了疲勞駕駛檢測(cè)模型，平均檢測(cè)準(zhǔn)確率達(dá)到了72.5%[8]。

5.BPW信號(hào)

脈搏指人體表可觸摸到的動(dòng)脈搏動(dòng)。動(dòng)脈內(nèi)的血液容積及壓力等均會(huì)呈現(xiàn)出周期性改變，這種改變會(huì)引起血管壁周期性舒張與收縮，便形成了脈搏波，其波形特征在一定程度上反映了人體的生理狀態(tài)。研究表明，脈搏信號(hào)的功率譜峰值和峰值中心頻率能夠很好地識(shí)別駕駛員的疲勞狀態(tài)[9]。脈搏波信號(hào)可通過(guò)血氧脈搏儀（類(lèi)似于手環(huán)）采集，其信號(hào)采集過(guò)程幾乎不會(huì)影響駕駛員操作。

將生理參數(shù)作為疲勞特征的檢測(cè)方法檢測(cè)精度較高、魯棒性好，作為理論研究具有很大的學(xué)術(shù)價(jià)值，但多數(shù)信號(hào)采集設(shè)備成本較高，需要駕駛員穿戴接觸式信號(hào)采集裝置，往往會(huì)影響駕駛員的操作，對(duì)駕駛員侵入性強(qiáng)，致使該類(lèi)檢測(cè)方法多用于科研和駕駛模擬器場(chǎng)景。

1.2 車(chē)輛行為特征

疲勞狀態(tài)下，駕駛員反應(yīng)時(shí)間增長(zhǎng)，且操作水平下滑，對(duì)車(chē)輛的控制明顯異常。例如：疲勞駕駛時(shí)，駕駛員對(duì)方向盤(pán)的握力將會(huì)逐漸降低，轉(zhuǎn)動(dòng)方向盤(pán)的情況也會(huì)與正常駕駛時(shí)存在偏差，車(chē)輛的車(chē)道偏移量也將發(fā)生變化。故可通過(guò)轉(zhuǎn)向、車(chē)道偏離和車(chē)速等車(chē)輛行為特征監(jiān)測(cè)疲勞狀態(tài)。

1.轉(zhuǎn)向行為

方向盤(pán)是駕駛員與汽車(chē)橫向控制最直接的連接方式。疲勞駕駛時(shí)，駕駛員對(duì)方向盤(pán)的輕微修正（0.5～5°）次數(shù)比正常駕駛時(shí)要少[10]，大幅度修正次數(shù)要比正常駕駛時(shí)更多[11]。同時(shí)，隨著駕駛員肌肉的放松，駕駛員對(duì)方向盤(pán)的握力會(huì)減小[12]。通過(guò)安裝在轉(zhuǎn)向柱上的角度傳感器和方向盤(pán)上壓力傳感器，可以采集駕駛員的轉(zhuǎn)向信息，進(jìn)而了解駕駛員的疲勞情況。此類(lèi)方法目前已應(yīng)用于日產(chǎn)（Nissan）和雷諾（Renault）等汽車(chē)公司開(kāi)發(fā)的疲勞駕駛預(yù)警系統(tǒng)。

2.車(chē)道偏離量

考慮到疲勞駕駛時(shí)，駕駛員往往無(wú)法及時(shí)對(duì)車(chē)輛狀態(tài)進(jìn)行修正而使車(chē)輛偏離車(chē)道，車(chē)道偏離量將產(chǎn)生異常。車(chē)道偏離預(yù)警系統(tǒng)（Lane Departure Warning System, LDWS）致力于對(duì)疲勞、分心等情況下的車(chē)道偏離進(jìn)行檢測(cè)和預(yù)警，可以有效減少疲勞引發(fā)的交通事故。目前的車(chē)道偏離預(yù)警算法一般先對(duì)駕駛員的換道意圖進(jìn)行識(shí)別，以免換道行為對(duì)疲勞識(shí)別造成干擾。在部分研究中，研究人員以駕駛員是否打轉(zhuǎn)向燈為換道意圖的判別標(biāo)準(zhǔn)[13]，并對(duì)無(wú)換道意圖（未打轉(zhuǎn)向燈）時(shí)的車(chē)道偏離進(jìn)行預(yù)警。

3.車(chē)速特征

車(chē)速標(biāo)準(zhǔn)差能反映駕駛員控制車(chē)輛的能力，車(chē)速越平穩(wěn)，標(biāo)準(zhǔn)差越小。隨著駕駛過(guò)程的延長(zhǎng)和疲勞程度的加深，駕駛員對(duì)行車(chē)環(huán)境的感知能力下降，操作更遲緩，平均車(chē)速和車(chē)速標(biāo)準(zhǔn)差會(huì)發(fā)生變化[14]。因此，車(chē)速特征也可以應(yīng)用于疲勞駕駛檢測(cè)。沃爾沃（Volvo）汽車(chē)公司于2005年研制的“駕駛員警示系統(tǒng)”就是基于車(chē)輛速度特征識(shí)別車(chē)輛狀態(tài)，如：車(chē)輛被判定為失控狀態(tài)則認(rèn)為駕駛員大概率處于疲勞狀態(tài)。

基于車(chē)輛行為特征的疲勞駕駛檢測(cè)方法一般為非接觸式，往往采用傳感器和圖像處理技術(shù)對(duì)車(chē)輛行為特征進(jìn)行檢測(cè)，檢測(cè)設(shè)備易于實(shí)車(chē)安裝，數(shù)據(jù)采集方便，對(duì)駕駛員無(wú)侵入性且成本較低、實(shí)時(shí)性較強(qiáng)、市場(chǎng)前景較好。但該方法魯棒性較差，檢測(cè)精度易受車(chē)輛型號(hào)、行駛路況及駕駛習(xí)慣等因素影響。

1.3 駕駛員面部特征

疲勞駕駛時(shí)，駕駛員面部特征和頭部活動(dòng)將發(fā)生變化，如點(diǎn)頭行為異常、眨眼情況變化等。目前，基于面部特征的疲勞檢測(cè)方法主要依靠車(chē)載攝像頭獲取駕駛員的面部圖像信息，運(yùn)用圖像處理技術(shù)對(duì)面部疲勞特征進(jìn)行提取，以用于疲勞識(shí)別。隨著機(jī)器視覺(jué)的快速發(fā)展，該類(lèi)方法的檢測(cè)精度和檢測(cè)速度均有較大的進(jìn)步，是研究中的熱點(diǎn)。常用的面部特征包括眼部特征、嘴部特征和頭部特征等。

1.眼部特征

眼部的疲勞特征主要和眨眼情況相關(guān)，如：?jiǎn)挝粫r(shí)間內(nèi)眼瞼閉合率（PERcentage of eyelid CLOSure over the pupil over time, PERCLOS）、眨眼頻率、眨眼速率、視線方向、瞳孔直徑等。

1）PERCLOS特征。PERCLOS是最具代表性的眼部疲勞指標(biāo)，表征單位時(shí)間內(nèi)眼睛閉合狀態(tài)所占時(shí)間的百分比。最開(kāi)始研究眼睛特征與疲勞關(guān)系的學(xué)者是KNIPLING[15]，實(shí)驗(yàn)表明，眼睛閉合時(shí)間與疲勞程度呈正相關(guān)。在此基礎(chǔ)上，卡內(nèi)基梅隆大學(xué)（Carnegie Mellon University）駕駛研究中心經(jīng)長(zhǎng)期試驗(yàn)，提出度量疲勞的物理量PERCLOS[16]。PERCLOS的計(jì)算有三個(gè)標(biāo)準(zhǔn)，分別是EYEMEAS（EM）標(biāo)準(zhǔn)、P70標(biāo)準(zhǔn)、P80標(biāo)準(zhǔn)，其中EM標(biāo)準(zhǔn)以眼瞼閉合情況的均方百分比為疲勞指標(biāo)，而P70和P80標(biāo)準(zhǔn)分別表示眼瞼遮蓋瞳孔的面積超過(guò)70%和80%時(shí)，判定為眼睛閉合狀態(tài)，分別以對(duì)應(yīng)標(biāo)準(zhǔn)計(jì)算PERCLOS。后續(xù)研究表明，P80標(biāo)準(zhǔn)相較于其他兩個(gè)標(biāo)準(zhǔn)能更好地匹配駕駛員的疲勞狀態(tài)，是目前科研中常用的標(biāo)準(zhǔn)。1999年4月，疲勞駕駛方面的專(zhuān)家參加了美國(guó)聯(lián)邦公路管理局（Federal High Way Administration, FHWA）召開(kāi)的學(xué)術(shù)會(huì)議，明確了PERCLOS作為疲勞駕駛判別指標(biāo)的可行性。

2）眨眼特征。疲勞狀態(tài)下眨眼持續(xù)時(shí)間、眨眼頻率和速率都將發(fā)生變化。日產(chǎn)（Nissan）汽車(chē)公司研制了一款根據(jù)駕駛員的眨眼頻率來(lái)識(shí)別疲勞狀態(tài)的疲勞預(yù)警系統(tǒng)。通過(guò)高清攝像頭實(shí)時(shí)采集駕駛員的眼部圖像，然后將信息傳入到疲勞預(yù)警系統(tǒng)進(jìn)行分析和處理。如果在某一時(shí)間段內(nèi)，駕駛員的眨眼次數(shù)太多或者是太少，系統(tǒng)則判定駕駛員可能處于疲勞駕駛狀態(tài)，將通過(guò)報(bào)警系統(tǒng)發(fā)出疲勞警告。

3）視線特征。在正常的駕駛場(chǎng)景中，為了觀察周邊環(huán)境，駕駛員視線會(huì)正視前方或者緊盯后視鏡，而疲勞時(shí)視線方向會(huì)發(fā)生偏離。WAHLST- ROM[17]使用高清攝像頭獲取駕駛員的面部圖像，隨后通過(guò)顏色分析法篩選出眼部圖像，并以瞳孔比周?chē)缒ぜ办柲ゎ伾罾碚撘罁?jù)，確定出瞳孔的位置，最后根據(jù)瞳孔和眼角的相對(duì)位置關(guān)系確定視線方向。當(dāng)檢測(cè)到的視線長(zhǎng)時(shí)間偏離正前方，則認(rèn)為駕駛員注意力不集中，很可能處于疲勞狀態(tài)。

4）瞳孔特征。瞳孔檢測(cè)最初用于檢測(cè)飲酒和吸毒行為，目前也被用于疲勞檢測(cè)。當(dāng)人處于疲勞狀態(tài)時(shí)會(huì)對(duì)光更敏感，視力更模糊，觀察環(huán)境時(shí)眼睛會(huì)過(guò)度調(diào)節(jié)，會(huì)使瞳孔縮小。瞳孔直徑與疲勞程度關(guān)系密切，而瞳孔直徑變異系數(shù)（Coeff- icient of Variation of Pupil Diameter, CVPD）能反映瞳孔的波動(dòng)情況。研究表明，駕駛員在清醒、輕度疲勞、中度疲勞和重度疲勞下的CVPD存在顯著差異，且疲勞對(duì)駕齡長(zhǎng)的駕駛員影響比新駕駛員更顯著[18]。

2.嘴部特征

疲勞狀態(tài)下，打哈欠頻次將升高。提取哈欠特征的方式與眨眼特征提取的方式較類(lèi)似，且嘴部狀態(tài)相對(duì)于眼部狀態(tài)更易準(zhǔn)確識(shí)別。但在檢測(cè)哈欠特征時(shí)需要排除唱歌、咳嗽、講話等類(lèi)似張嘴行為的干擾。其排除依據(jù)是駕駛員在唱歌、咳嗽、講話的過(guò)程中，嘴部會(huì)頻繁開(kāi)閉，張、閉狀態(tài)不斷改變，這與哈欠時(shí)的嘴巴持續(xù)張開(kāi)有顯著差異。此外，當(dāng)駕駛員打哈欠時(shí)用手遮擋嘴部，或者在光線較差的情況，基于RGB（Red Green Blue）圖像和嘴巴開(kāi)閉的哈欠檢測(cè)將失效[19]。

3.頭部特征

疲勞狀態(tài)下的駕駛員會(huì)情不自禁地低頭和反復(fù)點(diǎn)頭，其點(diǎn)頭頻率增加、頭部姿態(tài)產(chǎn)生變化。因此，駕駛員單位時(shí)間內(nèi)的點(diǎn)頭頻率和低頭時(shí)長(zhǎng)可以間接反映其疲勞狀況。早期的頭部姿態(tài)計(jì)算方法通常是利用多個(gè)距離傳感器，以此估算駕駛員的頭部位置和姿態(tài)。如澳大利亞先進(jìn)安全概念公司設(shè)計(jì)了一種頭部位置傳感器，利用一個(gè)相鄰的電極電容傳感器陣列，并將其安裝在駕駛員座位上面，每個(gè)傳感器均能輸出駕駛員頭部對(duì)應(yīng)點(diǎn)位到傳感器的距離。利用三角代數(shù)算法便可實(shí)時(shí)計(jì)算頭部在三維空間中的位置，最后根據(jù)頭部位置的變化特征來(lái)識(shí)別駕駛員的疲勞狀態(tài)[20]。近年來(lái)，有學(xué)者采用人臉識(shí)別技術(shù)來(lái)計(jì)算頭部關(guān)鍵點(diǎn)，并將二維的特征點(diǎn)映射到三維空間以估計(jì)頭部姿態(tài)。也有學(xué)者采用歐拉角來(lái)描述頭部姿態(tài)變化，將頭部抽象為一個(gè)剛體，用俯仰角（pitch）、偏航角（yaw）、翻滾角（roll）三個(gè)自由度定義其運(yùn)動(dòng)空間，其中點(diǎn)頭動(dòng)作將引起較大的俯仰角變化和較小的偏航角及翻滾角變化。每當(dāng)駕駛員頭部俯仰角產(chǎn)生較大變化時(shí)，判定為一次點(diǎn)頭行為，過(guò)多的點(diǎn)頭行為將作為疲勞的依據(jù)。

基于駕駛員面部特征的檢測(cè)方法是通常利用攝像頭和圖像處理技術(shù)提取疲勞特征。該方法信息采集比較便捷，不會(huì)影響駕駛員的正常駕駛，設(shè)備小巧成本低，方便實(shí)車(chē)安裝。隨著機(jī)器視覺(jué)技術(shù)的發(fā)展，其檢測(cè)精度越來(lái)越高，市場(chǎng)前景好，易于推廣使用。

2 基于機(jī)器視覺(jué)的疲勞駕駛檢測(cè)

機(jī)器視覺(jué)是人工智能領(lǐng)域非常具有代表性的技術(shù)。目前，機(jī)器視覺(jué)在疲勞駕駛檢測(cè)領(lǐng)域有著較為廣泛的應(yīng)用，檢測(cè)過(guò)程中所提取的疲勞特征一般為駕駛員面部特征，其檢測(cè)流程通常如圖1所示。

圖1 基于機(jī)器視覺(jué)的疲勞駕駛檢測(cè)基本流程

下面介紹機(jī)器視覺(jué)技術(shù)在疲勞駕駛檢測(cè)領(lǐng)域的研究現(xiàn)狀，這些研究的主要特征如表1所示。

表1 基于機(jī)器視覺(jué)的疲勞駕駛檢測(cè)研究現(xiàn)狀

注：MLP：多層感知器（Multi Layer Perceptron）；RF：隨機(jī)森林（Random Forest）；SVM：支持向量機(jī)（Support Vector Machine）；NB：樸素貝葉斯（Na?ve Bayes）；LR：邏輯回歸（Logistic Regression）；DT：決策樹(shù)（Decision Tree）；KNN：-近鄰（Nearest Neighbor）。

2.1 RGB圖像

2.1.1 眼部特征

MAIOR[21]通過(guò)Dlib庫(kù)提取人臉的68個(gè)關(guān)鍵特征點(diǎn)，其中包括左右眼的眼角和眼瞼位置，再通過(guò)特征點(diǎn)坐標(biāo)計(jì)算出眼睛的高寬比（Eye Aspect Ratio, EAR），以反映眼睛的開(kāi)閉情況，其理論依據(jù)是閉眼時(shí)，EAR接近0，而睜眼時(shí)EAR較大。此外，將眼睛的開(kāi)閉狀態(tài)分為睜眼、長(zhǎng)眨眼、短眨眼三類(lèi)，并要求受試者做不同的眨眼行為，生成用于訓(xùn)練的數(shù)據(jù)集。檢測(cè)過(guò)程中，首先通過(guò)攝像頭獲取圖像，計(jì)算并記錄每一幀的EAR，然后，將連續(xù)15幀的EAR作為MLP、RF和SVM三種機(jī)器學(xué)習(xí)算法的輸入，以實(shí)現(xiàn)疲勞的檢測(cè)。總體而言，SVM表現(xiàn)最好，平均測(cè)試準(zhǔn)確率為94.9%。

2.1.2 面部信息熵

YOU[22]發(fā)現(xiàn)駕駛員在疲勞時(shí)，頭部轉(zhuǎn)動(dòng)和面部的變化會(huì)更少，此時(shí)面部蘊(yùn)含的信息熵會(huì)更小。通過(guò)聚類(lèi)分析發(fā)現(xiàn)，在不同的頭部姿勢(shì)下，駕駛員的面部三角區(qū)（雙眼與嘴巴構(gòu)成的區(qū)域）面積、中心的橫坐標(biāo)F、縱坐標(biāo)F將發(fā)生顯著變化，并以這三個(gè)分量構(gòu)建面部特征向量。隨后利用特征向量計(jì)算當(dāng)前幀的面部二維特征點(diǎn)，用于計(jì)算信息熵，實(shí)現(xiàn)疲勞檢測(cè)。

在實(shí)驗(yàn)中，以WIDER FACE數(shù)據(jù)庫(kù)為訓(xùn)練集，將訓(xùn)練后的YOLOv3卷積神經(jīng)網(wǎng)絡(luò)用于駕駛員面部圖像的提取，再通過(guò)Dlib庫(kù)提取人臉的特征點(diǎn)，計(jì)算當(dāng)前幀的面部特征向量和特征點(diǎn)。隨后利用滑動(dòng)窗口技術(shù)，計(jì)算每1 000幀的面部特征點(diǎn)所蘊(yùn)含的信息熵。最后通過(guò)SVM分類(lèi)器訓(xùn)練一個(gè)疲勞信息熵閾值，當(dāng)計(jì)算出的信息熵小于閾值時(shí)，可認(rèn)為駕駛員當(dāng)前時(shí)段處于疲勞駕駛狀態(tài)。

2.1.3 各類(lèi)面部特征

CHENG[23]以某段時(shí)間內(nèi)，駕駛員眨眼持續(xù)時(shí)間（Blink Duration, BD）、閉眼速度（Closing Speed, CS）、睜眼速度（reOpening Speed, rOS）的最大值、最小值、均值、25%分位數(shù)、50%分位數(shù)、75%分位數(shù)以及眨眼頻率（Blink Rate, BR）、哈欠次數(shù)（Number of Yawns, NY）、PERCLOS特征，共計(jì)21個(gè)疲勞特征為出發(fā)點(diǎn)，構(gòu)建疲勞駕駛檢測(cè)模型。

通過(guò)駕駛模擬器環(huán)境收集駕駛員面部圖像，并實(shí)時(shí)計(jì)算EAR、嘴巴高寬比（Mouse Aspect Ratio, MAR）用于計(jì)算疲勞特征。在實(shí)驗(yàn)中，將眨眼閾值和哈欠閾值分別設(shè)置為0.16和0.6，這意味當(dāng)<0.16時(shí)將眼睛識(shí)別為閉眼狀態(tài)；＞0.6時(shí)將嘴巴識(shí)別為開(kāi)口狀態(tài)。根據(jù)閾值模型即可計(jì)算某一時(shí)段內(nèi)駕駛員的PERCLOS等特征。隨后開(kāi)展了一系列交叉驗(yàn)證，通過(guò)最小冗余最大相關(guān)性（max-Relevance and Min-Redundancy, mRMR）算法對(duì)比各疲勞特征在不同疲勞程度分級(jí)場(chǎng)景、不同場(chǎng)景（城市道路、高速公路）中與疲勞的相關(guān)性，實(shí)驗(yàn)表明PERCLOS特征在大多數(shù)情況與疲勞的相關(guān)性最強(qiáng)。最后通過(guò)比較檢測(cè)精度對(duì)比了SVM、NB、LR和DT在不同疲勞程度分級(jí)場(chǎng)景、不同場(chǎng)景下，選用不同疲勞特征時(shí)的表現(xiàn)，實(shí)驗(yàn)中疲勞程度二分類(lèi)模型下的LR表現(xiàn)最佳，平均檢測(cè)準(zhǔn)確率為84.1%。

2.1.4 多特征融合

張闖[24]采用多特征融合的思路，將眨眼特征與哈欠特征進(jìn)行融合，并設(shè)計(jì)了一個(gè)閾值模型完成疲勞檢測(cè)。實(shí)驗(yàn)在真實(shí)道路場(chǎng)景下實(shí)車(chē)采集數(shù)據(jù)，將攝像頭采集的駕駛員實(shí)時(shí)圖像輸入多任務(wù)級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)（Multi-Task Cascaded convolu- tional Neural Networks, MTCNN），篩選出含有面部的圖像，并對(duì)含有面部的圖像進(jìn)一步提取眼睛和嘴巴的感興趣區(qū)域（Region Of Interest, ROI），以提高檢測(cè)效率。隨后利用Dlib庫(kù)中的68個(gè)面部特征點(diǎn)，基于PERCLOS、EAR和MAR按不同的權(quán)值相加得到每一幀的疲勞識(shí)別參數(shù)，并在其大于閾值時(shí)計(jì)數(shù)，在一定時(shí)間內(nèi)，計(jì)數(shù)次數(shù)越多說(shuō)明駕駛員越疲勞。實(shí)驗(yàn)結(jié)果顯示，使用MTCNN進(jìn)行面部區(qū)域檢測(cè)的檢測(cè)速度為0.029 s，準(zhǔn)確率達(dá)96.4%，且該疲勞駕駛檢測(cè)系統(tǒng)的準(zhǔn)確率達(dá)到了93.1%。

基于RGB圖像的疲勞檢測(cè)方法受駕駛環(huán)境的影響較大，具體表現(xiàn)為在光線較差的場(chǎng)景檢測(cè)效果不理想、駕駛員佩戴眼鏡時(shí)影響眼部特征提取等、佩戴口罩時(shí)影響嘴部特征提取。

2.2 紅外熱像圖

如2.1小節(jié)所述，基于RGB圖像的疲勞檢測(cè)往往容易受到光照的影響，在光照較差的夜間檢測(cè)效果欠佳。紅外熱成像技術(shù)不受光照影響，能提取被測(cè)物體的溫度分布信息。目前，已有研究將熱成像技術(shù)應(yīng)用于疲勞檢測(cè)領(lǐng)域，為此提供了新的研究思路。

2.2.1 皮膚溫度特征

研究表明，缺乏睡眠將誘發(fā)交感神經(jīng)興奮，產(chǎn)生血管收縮異?，F(xiàn)象，具體表現(xiàn)為眼部區(qū)域充血、額頭處血流增多等情況。在紅外熱像圖上，這些異常表現(xiàn)將使額頭區(qū)域出現(xiàn)不對(duì)稱(chēng)的溫度分布、眼部區(qū)域出現(xiàn)面積更大的熱區(qū)區(qū)域，且這些異常的紅外熱成像表達(dá)與性別無(wú)關(guān)。

陳莉莉[25]使用SWIRI-FX紅外熱像儀采集駕駛員面部的紅外熱成像數(shù)據(jù)，其測(cè)溫范圍為-20～150 ℃，采集頻率為50幀/s。隨后針對(duì)眼部區(qū)域和額頭區(qū)域通過(guò)計(jì)算灰度梯度共生矩陣得到紋理特征，分別利用KNN、SVM和RF三種分類(lèi)器建立檢測(cè)模型。實(shí)驗(yàn)表明，SVM的檢測(cè)效果最佳，精度達(dá)91%。

2.2.2 哈欠特征

在打哈欠過(guò)程中，嘴巴吸入空氣會(huì)導(dǎo)致口腔內(nèi)溫度下降，尤其是舌頭上半部分。此外，舌頭下方或口腔底部，也會(huì)暴露在相機(jī)面前，導(dǎo)致熱像圖出現(xiàn)變化。而這些變化在呼出經(jīng)肺部加熱過(guò)的空氣時(shí)會(huì)更明顯。

KNAPIK[26]提出一種基于熱成像哈欠檢測(cè)的駕駛員疲勞識(shí)別新方法。將FLIR A35紅外溫度傳感器安裝在擋風(fēng)玻璃的頂部（遮陽(yáng)板的下方），紅外圖像采集頻率為30幀/s，將不會(huì)影響駕駛員的視野?？紤]到嘴巴閉合時(shí)，嘴唇與面部其他部位溫度差異較小，口腔輪廓較難提取。而在熱像圖中，眼部位置較容易提取，因此，利用眼部的位置信息輔助定位嘴部位置。將口腔溫度的異常變化作為哈欠檢測(cè)的依據(jù)，并利用溫度變化的均值和標(biāo)準(zhǔn)差特征排除由正常呼吸和說(shuō)話引起的溫度波動(dòng)干擾。

2.2.3 呼吸特征

KIASHARI[27]提出一種基于熱成像分析駕駛員呼吸特征的疲勞檢測(cè)系統(tǒng)，其基本原理是吸氣和呼氣將引起呼吸區(qū)域溫度變化，通過(guò)紅外熱像圖即可提取呼吸信號(hào)。實(shí)驗(yàn)利用熱圖像序列在前幾秒的變化來(lái)定位呼吸區(qū)域。由于駕駛員的正常呼吸頻率在12～20次/min變化，因此，兩次連續(xù)呼吸之間可能的最大時(shí)間間隔約為5 s。故將熱圖像序列前5 s內(nèi)具有較大變化的圖像區(qū)域定位為呼吸區(qū)域候選區(qū)域?；隈{駛模擬器實(shí)驗(yàn)獲得的熱信號(hào)數(shù)據(jù)，計(jì)算呼吸頻率（Respiratory Rate, RR）和吸氣呼氣時(shí)間比（Inspiration/Expiration, I/E），并以其2 min內(nèi)的均值和標(biāo)準(zhǔn)差作為輸入特征，以訓(xùn)練SVM和KNN分類(lèi)模型。結(jié)果顯示，SVM識(shí)別效果要優(yōu)于KNN，且SVM再將所有呼吸特征融合時(shí)，檢測(cè)表現(xiàn)最佳，準(zhǔn)確率和查準(zhǔn)率均達(dá)到90%。

基于紅外熱像圖的疲勞檢測(cè)方法雖然不受光照等環(huán)境影響，但駕駛員的眼鏡、過(guò)長(zhǎng)的頭發(fā)等因素將對(duì)溫度檢測(cè)產(chǎn)生干擾。

2.3 特點(diǎn)分析

基于機(jī)器視覺(jué)的疲勞駕駛檢測(cè)具有如下特點(diǎn)：

1.車(chē)載實(shí)時(shí)性強(qiáng)

疲勞駕駛檢測(cè)設(shè)備需有較強(qiáng)的車(chē)載實(shí)時(shí)性，且不能干擾駕駛員正常駕駛。基于機(jī)器視覺(jué)的疲勞駕駛檢測(cè)借助深度學(xué)習(xí)算法能夠滿足檢測(cè)的實(shí)時(shí)性，而利用車(chē)載攝像頭提取疲勞特征的方式往往不會(huì)對(duì)駕駛員造成干擾。

2.數(shù)據(jù)集豐富

目前，已經(jīng)標(biāo)定用于疲勞分析的視頻數(shù)據(jù)集較豐富，如國(guó)立清華大學(xué)疲勞駕駛檢測(cè)（National Tsing Hua University-Driver Drowsiness Detection, NTHU-DDD）、YawDD、CEW（Closed Eyes in the Wild）、WIDER FACE數(shù)據(jù)集等。

3.檢測(cè)精度高

目前，基于機(jī)器視覺(jué)的疲勞駕駛檢測(cè)能較好地與機(jī)器學(xué)習(xí)分類(lèi)算法耦合，而由于視頻數(shù)據(jù)信息量龐大，較容易訓(xùn)練出分類(lèi)效果好的疲勞檢測(cè)模型。

4.部分場(chǎng)景魯棒性差

基于機(jī)器視覺(jué)的疲勞駕駛檢測(cè)易受特定環(huán)境的干擾。如使用RGB圖像進(jìn)行檢測(cè)時(shí)，光線強(qiáng)弱、駕駛員是否佩戴眼鏡、口罩將會(huì)對(duì)檢測(cè)結(jié)果造成干擾；使用紅外熱像圖進(jìn)行檢測(cè)時(shí)，駕駛員過(guò)長(zhǎng)的頭發(fā)和胡須、空調(diào)時(shí)不時(shí)吹出的冷熱空氣會(huì)使檢測(cè)效果變差。

3 發(fā)展趨勢(shì)

近年來(lái)，在國(guó)內(nèi)外研究人員的努力下，疲勞駕駛檢測(cè)領(lǐng)域已有了較大的進(jìn)展。在實(shí)際應(yīng)用領(lǐng)域，已有許多車(chē)型配備了疲勞駕駛監(jiān)測(cè)系統(tǒng)，如零跑T03、廣汽埃安AION Y、一汽-大眾高爾夫GTI、長(zhǎng)安UNI-K、嵐圖夢(mèng)想家、哈弗赤兔、斯巴魯FORESTER、比亞迪護(hù)衛(wèi)艦07、領(lǐng)克05等。在此研究領(lǐng)域的發(fā)展趨勢(shì)如下：

3.1 多源信息融合

相較于利用單一特征進(jìn)行疲勞檢測(cè)，多源信息融合式的疲勞檢測(cè)系統(tǒng)雖然較復(fù)雜，但其能夠融合各方面疲勞特征的優(yōu)點(diǎn)，往往能達(dá)到更優(yōu)越的魯棒性和檢測(cè)精度，在真實(shí)道路場(chǎng)景具有更大的潛力，是今后研究的熱點(diǎn)。

3.2 機(jī)器學(xué)習(xí)方法

傳統(tǒng)的疲勞駕駛檢測(cè)模型一般通過(guò)統(tǒng)計(jì)學(xué)方法提取行為概率特征或是基于少量數(shù)據(jù)樣本的數(shù)理模型驅(qū)動(dòng)。隨著人工智能在各個(gè)領(lǐng)域的廣泛應(yīng)用，眾多學(xué)者將機(jī)器學(xué)習(xí)方法應(yīng)用于疲勞駕駛檢測(cè)，如使用YOLO（You Only Look Once）算法提取駕駛員的眼部圖片、采用SVM模型識(shí)別眼睛開(kāi)閉狀態(tài)等，為疲勞狀態(tài)識(shí)別帶來(lái)了新的研究思路。機(jī)器學(xué)習(xí)能夠通過(guò)對(duì)數(shù)據(jù)深度特征學(xué)習(xí)，構(gòu)建應(yīng)對(duì)復(fù)雜分析問(wèn)題的模型，非常適用于疲勞駕駛檢測(cè)領(lǐng)域。

3.3 檢測(cè)模型的魯棒性

目前，大部分的疲勞檢測(cè)方法是在駕駛模擬器上進(jìn)行驗(yàn)證，缺少基于真實(shí)道路數(shù)據(jù)的驗(yàn)證。并且許多研究并未考慮駕駛員的個(gè)體特征（如性別、年齡、是否佩戴眼鏡等）、駕駛環(huán)境特征（如光線強(qiáng)度、道路線型等）。未來(lái)的研究應(yīng)完善不足，進(jìn)一步提高檢測(cè)模型的魯棒性。

3.4 檢測(cè)設(shè)備的車(chē)載實(shí)時(shí)性

疲勞駕駛檢測(cè)設(shè)備車(chē)載性要好，且檢測(cè)過(guò)程實(shí)時(shí)性要強(qiáng)，不能干擾駕駛員正常駕駛，對(duì)疲勞的駕駛員做到及時(shí)有效地預(yù)警，才能真正走進(jìn)駕駛員日常生活，切實(shí)保障行車(chē)安全。今后的研究應(yīng)逐步由理論向?qū)嶋H應(yīng)用轉(zhuǎn)型。

4 結(jié)語(yǔ)

疲勞駕駛的研究圍繞檢測(cè)、預(yù)警和管控三大核心展開(kāi)，其最終目的是改善道路交通安全。目前在疲勞駕駛的檢測(cè)和預(yù)警方面已開(kāi)展了較多研究，但只有部分研究成果能夠走出實(shí)驗(yàn)室，走進(jìn)駕駛員的日常生活，仍需要進(jìn)一步完善產(chǎn)學(xué)研的深度融合。在管控方面，大多數(shù)駕駛員能夠準(zhǔn)確感受自己的疲勞情況，但由于自身安全意識(shí)淡薄，對(duì)疲勞駕駛的危害認(rèn)識(shí)不足，往往會(huì)選擇繼續(xù)駕駛，到達(dá)目的地才進(jìn)行休息。

今后不僅要繼續(xù)發(fā)展與完善疲勞駕駛檢測(cè)和預(yù)警方法，同時(shí)也要加大交通安全相關(guān)知識(shí)的宣傳力度，讓更多駕駛員對(duì)疲勞駕駛產(chǎn)生科學(xué)的認(rèn)識(shí)，從根源上減少疲勞駕駛行為，為安全出行提供更好的保障。

[1] LI Y Y,TOSHIYUKI Y,ZHANG G N.The Effect of Fatigue Driving on Injury Severity Considering the Endogeneity[J].Journal of Safety Research,2018,64: 11-19.

[2] 李都厚,劉群,袁偉,等.疲勞駕駛與交通事故關(guān)系[J].交通運(yùn)輸工程學(xué)報(bào),2010,10(2):104-109.

[3] 胥川,裴賽君,王雪松.基于無(wú)侵入測(cè)量指標(biāo)的個(gè)體差異化駕駛疲勞檢測(cè)[J].中國(guó)公路學(xué)報(bào),2016,29(10): 118-125.

[4] 施翔勻.基于心電信號(hào)的疲勞駕駛診斷[D].北京:北方工業(yè)大學(xué),2019.

[5] 王洪濤,殷浩鈞,陳創(chuàng)泉,等.基于腦電信號(hào)的駕駛疲勞檢測(cè)綜述[J].華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2022,50(11):54-65.

[6] JEONG I C,DONG H L,PARK S W,et al.Automobile Driver's Stress Index Provision System that Utilizes Electrocardiogram[C]//Intelligent Vehicles Symposium. Piscataway:IEEE,2007:652-656.

[7] 張磊,方遒,孫彥超.基于毫米波雷達(dá)的疲勞駕駛監(jiān)測(cè)系統(tǒng)[J].機(jī)電技術(shù),2022(2):92-95.

[8] 王侃.基于眼電信號(hào)的疲勞駕駛檢測(cè)技術(shù)的研究[D].吉林:東北電力大學(xué),2022.

[9] 李鑫,張暉,吳超仲等.基于脈搏波特征融合的駕駛疲勞檢測(cè)方法[J].中國(guó)公路學(xué)報(bào),2020,33(6):168-181.

[10] SAHAYADHAS A,SUNDARAJ K,MURUGAPPAN M.Detecting Driver Drowsiness Based on Sensors:A Review[J].Sensors,2012,12(12):16937-16953.

[11] 蘭振東.基于腦電與車(chē)輛運(yùn)動(dòng)信息融合疲勞檢測(cè)研究[D].大連:大連理工大學(xué),2021.

[12] 張海兵.基于方向盤(pán)握力的駕駛員狀態(tài)識(shí)別系統(tǒng)設(shè)計(jì)[D].太原:太原理工大學(xué),2020.

[13] 劉志峰.車(chē)輛集成式橫向安全預(yù)警系統(tǒng)及其關(guān)鍵技術(shù)[D].北京:清華大學(xué),2011.

[14] 郭思強(qiáng),滕靖,郭旭健,等.基于車(chē)輛行駛數(shù)據(jù)的營(yíng)運(yùn)車(chē)駕駛員疲勞駕駛監(jiān)控研究[C]//第九屆中國(guó)智能交通年會(huì).北京:中國(guó)智能交通協(xié)會(huì),2014:89-100.

[15] KNIPLING R R,WIERWILLE W W.Vehicle-based Drowsy Driver Detection:Current Status and Future Prospects[R].Washington:United States Department of Transportation,1994:1-22.

[16] DINGES D F,GRACE R.PERCLOS:A Valid Psycho- physiological Measure of Alertness as Assessed by Psychomotor Vigilance[J].NASA Tech Brief,1998,3: 5-9.

[17] WAHLSTROM E,MASOUD O,PAPANIKOLOPOULOS N.Vision-based Methods for Driver Monitoring[C]// 2003 Proc IEEE International Conference.Piscataway: IEEE,2003:382-394.

[18] 趙小平,閔忠兵,薛運(yùn)強(qiáng),等.新手駕駛?cè)似跔顟B(tài)下的視覺(jué)特性研究[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)), 2023,37(1):149-157.

[19] JAGANNATH M,BALASUBRAMANIAN V.Assess- ment of Early Onset of Driver Fatigue Using Multi- modal Fatigue Measures in a Static Simulator[J]. Applied Ergonomics,2014,45(4):1140-1147.

[20] 遲健男,張國(guó)勝,劉琳娜.駕駛疲勞監(jiān)測(cè)方法綜述[J].交通節(jié)能與環(huán)保,2015,11(4):84-89.

[21] MAIOR C,MOURA M,SANTANA J,et al.Real-time Classification for Autonomous Drowsiness Detection Using Eye Aspect Ratio[J].Expert Systems with Appl- ications,2020,158:1-12.

[22] YOU F,GONG Y,TU H,et al.A Fatigue Driving Detec- tion Algorithm Based on Facial Motion Information Entropy[J].Journal of Advanced Transportation,2020 (2):1-17.

[23] CHENG Q,WANG W,JIANG X,et al.Assessment of Driver Mental Fatigue Using Facial Landmarks[J]. IEEE Access,2019,99:1-10.

[24] 張闖,朱天軍,李學(xué)民.基于深度學(xué)習(xí)和面部多特征融合的駕駛員疲勞檢測(cè)研究[J].計(jì)算機(jī)測(cè)量與控制, 2022,30(12):42-50.

[25] 陳莉莉.基于視覺(jué)特征融合的疲勞駕駛檢測(cè)方法[D].上海:上海工程技術(shù)大學(xué),2020.

[26] KNAPIK M,CYGANEK B.Driver's Fatigue Recogni- tion Based on Yawn Detection in Thermal Images[J]. Neurocomputing,2019(21):274-292.

[27] KIASHARI S E H,NAHVI A,BAKHODA H.et al. Evaluation of Driver Drowsiness Using Respiration Analysis by Thermal Imaging on a Driving Simulator [J].Multimedia Tools and Applications,2020,79(25/ 26):17793-17815.

Research Progress of Detection Methods for Fatigue Driving

CHEN Jianzhe

( School of Automobile, Chang'an University, Xi'an 710064, China )

Fatigue driving is an important factor that induces traffic accidents,and it is of great research value and social significance to study how to quickly and accurately identify the fatigue state of drivers and provide fatigue warning before accidents occur to prevent fatigue driving and promote traffic safety.This paper introduces fatigue detection methods based on driver's physiolo- gical characteristics, vehicle behavior characteristics and driver's facial characteristics in comparison from the principle of fatigue detection, and analyzes the current status of research on fatigue driving detection based on machine vision and its characteristics, in order to provide new ideas for researchers.

Fatigue driving; Detection method; Driving behavior; Machine vision; Traffic safety

U471.15

A

1671-7988(2023)21-179-08

10.16638/j.cnki.1671-7988.2023.021.036

陳見(jiàn)哲（2000－），男，碩士研究生，研究方向?yàn)榻煌ò踩珽-mail:627512269@qq.com。