技术摘要：DriveSafe AI

问题陈述

驾驶员疲劳是导致全球道路死亡的主要原因，然而部署有效的检测系统面临两个主要障碍：一是高误报率会削弱驾驶员的信任；二是当模型遇到未见过的受试者或摄像机条件时会出现灾难性失效（跨数据集泛化问题）。现有文献揭示了一个根本性的权衡：高精度模型通常需要沉重的桌面级硬件，而轻量级的边缘兼容模型则会牺牲精度。此外，大多数系统仅在它们的训练分布上进行评估，从而掩盖了泛化失败的问题。本文识别了一个被忽视的精度损失来源：预处理流水线，特别是人脸检测与分类之间的衔接环节。

方法论

所提出的系统 DriveSafe AI 采用了一种系统的流水线分解方法，以隔离精度瓶颈。其架构由以下部分组成：

1. 系统流水线： 网络摄像头帧经过 SSD（单发多框检测器）进行人脸检测，随后进行 CLAHE（限制对比度自适应直方图均衡化）预处理，通过 MobileNetV2 进行分类，并采用三区置信度协议。
2. CLAHE 自适应预处理： 与标准的全局亮度调节不同，CLAHE 在局部瓦片区域运行，以归一化非均匀照明（例如仪表盘眩光、隧道灯光），从而弥合训练数据集与测试数据集之间的领域差异。
3. 三区置信度协议： 为了消除误报，系统将分类器输出划分为三个区域：活跃（低概率）、不确定（中间概率）和疲劳（高概率）。系统拒绝对落在“不确定”区域的输入进行分类，在保持高覆盖率的同时过滤噪声。
4. 受试者自适应少样本校准： 为了解决跨受试者泛化差距，系统实现了一个少样本微调协议。给定仅 $k=30$ 帧的有标签帧（约 1 秒视频）的新驾驶员，模型执行以下操作：
   • 冻结除最后五层以外的所有层。
   • 利用数据增强（翻转、亮度抖动、噪声、剪切）在适配帧上进行微调。
   • 校准针对每个受试者的决策阈值。
   • 应用测试时增强（TTA）以及基于 5 帧滑动窗口的时间平滑。
   • 注： 该协议支持一种半监督变体，即 30 帧仅需为“活跃”（警觉）帧，这些帧是在驾驶的第一分钟内收集的，从而消除了启动时需要手动进行疲劳标注的需求。

核心贡献

本文提出了四个主要贡献：

1. 流水线分解： 一种隔离每阶段精度贡献的方法，识别出 SSD 人脸检测作为主要的失效模式，引入了比任何测试过的架构变化都大的 12.1 个百分点的精度差距。
2. CLAHE 自适应预处理： 一种通过照明归一化来弥合跨数据集领域差距的技术，将 UTA-RLDD 数据集上的准确率从 33.3% 提升至 99.0%。
3. 三区置信度协议： 一种通过选择性预测消除误报的机制，通过拒绝不确定的输入，同时保持 94.7% 的 F1 分数。
4. 受试者自适应校准： 一种少样本校准方法，在仅使用每位受试者 30 帧数据的情况下，将真实的留一受试者（LOSO）准确率从 53.2% 提升至 96.1%，证明了个性化、边缘部署检测的可行性。

实验结果

实验使用 akahana 数据集进行分布内训练，并使用 UTA-RLDD 基准测试（60 名受试者）进行跨受试者评估。

• 预处理的影响： 若不使用 CLAHE，由于照明变化，跨数据集准确率降至 33.3%。使用 CLAHE 后，准确率达到 99.0%，实现了 65.7 个百分点的提升。
• 泛化性能：
  • 基准（无适配）： 在真实的 LOSO 评估下，平均准确率为 53.2% (±19.3% 标准差)，误报率 (FAR) 为 40.9%。
  • 自适应（少样本）： 每个受试者仅需 30 帧适配帧，即可实现 96.1% 的平均准确率 (±4.9% 标准差)。误报率降至 5.5%，召回率达到 99.2%。
• 消融研究：
  • 将适配帧从 $k=10$ 增加到 $k=30$ 带来了最大的增益（+34.3 pp），其效果远超 TTA 或时间平滑。
  • 增加架构复杂度（例如添加 LSTM 或几何特征）未能提高性能，其准确率（59.0%）低于自适应基准。
  • 量化： 量化为 2.4 MB (TFLite) 的 MobileNetV2 达到了 99.0% 的准确率，优于 MobileNetV3，后者的 hard-swish 激活函数在权重舍入下表现下降。
• 瓶颈分析： SSD 人脸检测步骤引入了 12.1 个百分点的准确率差距（相对于全图分类），超过了模型架构变化的影响。

意义与主张

本文认为，轻量级驾驶员疲劳检测（DDD）的主要障碍不是神经架构容量，而是预处理的鲁棒性和受试者特定校准。

• 重构优化思路： 作者声称，通过改进预处理（特别是照明归一化）和数据适配所获得的收益，比扩展模型复杂度更高。由检测衔接导致的 12.1 pp 差距是识别出的最大的单一误差源。
• 个性化的可行性： 结果表明，跨受试者泛化并非需要大规模数据集或复杂架构的不可逾越的障碍。相反，它可以通过使用极少量数据（30 帧）进行个性化校准来解决。
• 实际部署： 系统旨在用于边缘部署，利用 TFLite 动态量化，其处理流水线在摊销后符合实时约束（每帧预算低于 40ms）。半监督适配协议允许在无需驾驶员在车辆启动期间手动标注疲劳状态的情况下进行实际部署。

研究结论指出，未来的 DDD 研究应优先考虑减少适配数据需求（通过元学习）并在多样化数据集（NTH-DDD, ZJU-DRO）上验证这些自适应协议，而非仅仅追求进一步的架构创新。