多源数据融合的疲劳驾驶智能监测系统
黄耕淮

西京学院，陕西省西安市，710123；

摘要：疲劳驾驶一直是交通安全领域的重大隐患。据统计，相当比例的重大交通事故都与驾驶员疲劳状态有关。目前市面上的监测设备在实际应用中还存在一些问题，比如实时性不够理想，或者在光线变化、驾驶员姿态调整等复杂场景下表现不稳定。针对这些问题，我们开发了一套疲劳驾驶监测系统。这套系统的特点是把STM32F103微控制器和YOLOv5算法结合起来使用。具体来说，系统通过摄像头持续采集驾驶员的面部画面，然后分析嘴部张合幅度、眼睛睁闭状态这些关键特征，从而判断疲劳程度并分级报警。我们做了一系列测试。在实验室标准照明条件下（500-800lux），系统的整体检测准确率能达到90%以上。其中对轻度疲劳的识别率约为95%，对重度疲劳的识别几乎可以达到100%。即使在普通照明环境（200-500lux）下，准确率也能保持在85%左右。从响应速度来看，系统从检测到疲劳行为到发出警报，平均用时0.74秒，最长不超过0.89秒，符合实时监测的要求。此外，系统连续运行8小时没有出现死机或性能下降，功耗控制在500毫瓦以内，说明稳定性和能耗表现都比较理想。

关键词：疲劳驾驶监测；多源数据融合；深度学习；YOLOv5

参考文献

[1]禹法文,郑文涛,李彤.汽车防疲劳驾驶系统研究综述[J].汽车维修与保养,2024,(05):69-71.

[2]罗通强,李仰光,刘坚坚,胡华,蔡挺.驾驶员疲劳监测技术研究现状及发展趋势[J].中国汽车,2024,(05):25-31.

[3]马文博,秦康.驾驶员注意力监测系统测试评价方法分析[J].专用汽车,2024,(10):14-19.

[4]张鸿,吉泉仲,王谆,张卓,欧阳文凯,黄镱.智能安全驾驶监测系统设计与实现[J].计算机测量与控制,2023,31(03):8-14.

[5]林梅,徐佳富,王宇辰,李波,仲文清.基于人工智能的汽车驾驶员精神状态监测系统研究[J].科技创新与应用,2023,13(25):27-32.

[6]马雪婷,费树岷.基于面部特征与深度学习的疲劳驾驶状态检测研究[J].电子测试,2021,(11):33-36.

[7]张杰,沐希雅,黄鑫宇,等.基于YOLOv5与ArcFace的轻量化人脸识别系统研究[J].现代信息科技,2025,9(15):38-42.