Euro NCAP 2026 DSM 官方协议详解：测试场景、评分标准与落地指南

官方文档信息

核心变更：2026 DSM 新要求

1. 直接监控强制化

关键条款（v10.4）：

“From 2026, only direct (or a combination of direct and indirect) monitoring systems will be awarded.”

解读：

  • 2026 年起，仅奖励直接监控系统
  • 间接监控（如方向盘传感器）不再单独获奖
  • 直接+间接融合方案仍可获奖

2. DSM 评分结构

总分： 10 分（Safe Driving 部分）

功能模块 分值 2026 新增
分心检测（Distraction） 4 分 ✅ 强化要求
疲劳检测（Fatigue） 3 分 ⚠️ 微睡眠定义更新
无响应驾驶员干预 2 分 ⚠️ 2026 新增
酒驾损伤检测 1 分 🔴 2026 新增

DSM 测试场景详解

1. 分心检测场景（Distraction Scenarios）

场景编号与定义（官方协议 D-01 ~ D-08）：

场景 ID 场景名称 触发条件 检测时限 警告等级
D-01 长时间视线偏离道路 视线偏离 ≥3 秒 ≤3 秒 一级警告
D-02 手机使用（手持通话） 手持手机至耳边 ≤2 秒 一级警告
D-03 手机使用（打字操作） 手持手机打字 ≤2 秒 一级警告
D-04 仪表盘交互 视线看向仪表盘 ≥3 秒 ≤3 秒 一级警告
D-05 视线偏离道路（单次） 视线偏离 ≥3 秒（单次） ≤3 秒 一级警告
D-06 后视镜查看 视线看向后视镜 ≥2 秒 ≤2 秒 一级警告
D-07 乘客交互 视线看向乘客 ≥2 秒 ≤2 秒 一级警告
D-08 外部物体吸引 视线看向窗外物体 ≥3 秒 ≤3 秒 一级警告

具体测试步骤（D-02 手机使用）：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
### D-02 手机使用测试

**前置条件：**
- 驾驶员正常坐姿，面部无遮挡
- 光照条件：白天 500±100 lux 或夜间红外补光
- DMS 摄像头正常工作，帧率 ≥25 fps

**测试步骤：**
1. 驾驶员正常驾驶 30 秒（建立基线）
2. 驾驶员手持手机至耳边（模拟通话）
3. 系统检测手机使用行为
4. 记录检测时延和警告等级

**判定条件：**
| 检测项 | 通过条件 | 失败条件 |
|--------|---------|---------|
| 检测触发 | 检测到手机使用 | 未检测到 |
| 检测时延 | ≤2 秒 | >2 秒 |
| 警告等级 | 一级警告（视觉+听觉） | 二级警告/无警告 |

**预期输出：**

[00:30.000] INFO: 正常驾驶，视线前方
[00:32.500] WARN: 检测到手机使用（D-02）
[00:32.700] WARN: 触发一级警告（视觉+听觉提示）

1
2
3
4
5
6
7

**硬件配置：**
| 组件 | 型号 | 参数 |
|------|------|------|
| 红外摄像头 | OV2311 | 2MP, 1600×1200, 全局快门 |
| 红外补光 | SFH 4740 | 940nm, 120mW/sr |
| 处理器 | QCS8255 | Hexagon NPU, 26 TOPS |

2. 疲劳检测场景（Fatigue Scenarios）

场景编号与定义（官方协议 F-01 ~ F-05）：

场景 ID 场景名称 触发条件 检测时限 警告等级
F-01 PERCLOS ≥30% PERCLOS ≥30%，持续 5 秒 ≤5 秒 一级警告
F-02 PERCLOS ≥40% PERCLOS ≥40%，持续 5 秒 ≤5 秒 二级警告
F-03 闭眼 ≥2 秒 单次闭眼 ≥2 秒 ≤2 秒 一级警告
F-04 微睡眠（闭眼 1.5s） 单次闭眼 1.5±0.2 秒 ≤1.5 秒 一级警告
F-05 频繁眨眼 眨眼频率 >20 次/分钟 ≤60 秒 一级警告

PERCLOS 定义（官方协议）：

“PERCLOS is the proportion of time the eyes are closed over a defined time window (typically 60 seconds). Euro NCAP requires PERCLOS ≥30% for fatigue detection.”

PERCLOS 计算代码：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
"""
Euro NCAP PERCLOS 计算（官方定义）

公式：PERCLOS = (闭眼帧数 / 总帧数) × 100%

阈值：
- PERCLOS ≥30%：一级警告
- PERCLOS ≥40%：二级警告

时间窗口：60 秒（可配置）
"""

import numpy as np


def calculate_perclos(
    eye_openness: np.ndarray,
    fps: int = 30,
    threshold: float = 0.2,
    window_sec: int = 60
) -> np.ndarray:
    """
    Euro NCAP PERCLOS 计算
    
    Args:
        eye_openness: 眼睑开度序列 (0-1), shape=(N,)
        fps: 帧率，默认 30 fps
        threshold: 闭眼阈值，开度 < threshold 视为闭眼
        window_sec: 滑动窗口秒数，默认 60 秒
    
    Returns:
        perclos_values: PERCLOS 百分比序列, shape=(N-window,)
    
    Example:
        >>> data = np.random.normal(0.8, 0.1, 1800)
        >>> perclos = calculate_perclos(data)
        >>> print(f"峰值 PERCLOS: {np.max(perclos):.1f}%")
    """
    window_frames = int(window_sec * fps)
    perclos_values = []
    
    for i in range(len(eye_openness) - window_frames):
        window = eye_openness[i:i+window_frames]
        closed_ratio = np.sum(window < threshold) / window_frames
        perclos_values.append(closed_ratio * 100)
    
    return np.array(perclos_values)


def detect_fatigue_level(perclos: float) -> dict:
    """
    Euro NCAP 疲劳等级判断
    
    Args:
        perclos: PERCLOS 百分比
    
    Returns:
        result: {'level': int, 'warning': str}
    """
    if perclos >= 40:
        return {'level': 2, 'warning': '二级警告（强烈疲劳）'}
    elif perclos >= 30:
        return {'level': 1, 'warning': '一级警告（疲劳预警）'}
    else:
        return {'level': 0, 'warning': '正常状态'}


# 实际测试
if __name__ == "__main__":
    # 模拟正常驾驶（低 PERCLOS）
    np.random.seed(42)
    normal_data = np.random.normal(0.8, 0.1, 1800)
    perclos_normal = calculate_perclos(normal_data)
    
    # 模拟疲劳驾驶（高 PERCLOS）
    fatigue_data = np.concatenate([
        np.random.normal(0.8, 0.1, 900),
        np.random.normal(0.3, 0.1, 900)  # 后半段闭眼增加
    ])
    perclos_fatigue = calculate_perclos(fatigue_data)
    
    print(f"正常驾驶 PERCLOS: {np.max(perclos_normal):.2f}%")
    print(f"疲劳驾驶 PERCLOS: {np.max(perclos_fatigue):.2f}%")
    
    # 疲劳等级判断
    fatigue_level = detect_fatigue_level(np.max(perclos_fatigue))
    print(f"疲劳等级: {fatigue_level['warning']}")

3. 无响应驾驶员干预（Unresponsive Driver Intervention）

2026 新增功能（官方协议 U-01 ~ U-03）：

场景 ID 场景名称 触发条件 干预措施
U-01 无响应驾驶员检测 PERCLOS ≥80% + 无方向盘操作 声光警告 + 紧急制动准备
U-02 无响应驾驶员干预 无响应 ≥10 秒 自动减速 + 安全停车
U-03 紧急停车 无响应 ≥15 秒 自动停车 + 开启警示灯

干预流程：

graph LR
    A[检测无响应] --> B[一级警告]
    B --> C{10秒内响应?}
    C -->|是| D[恢复正常]
    C -->|否| E[二级警告+减速]
    E --> F{15秒内响应?}
    F -->|是| D
    F -->|否| G[紧急停车]

4. 酒驾损伤检测（Alcohol Impairment Detection）

2026 新增功能（官方协议 AI-01 ~ AI-03）：

场景 ID 场景名称 检测方法 预期性能
AI-01 酒驾行为检测 驾驶行为异常（方向盘波动、反应延迟） 识别率 ≥85%
AI-02 面部特征分析 面部特征变化（充血、表情僵硬） 参考 Smart Eye 方案
AI-03 多模态融合 行为+面部+生理信号 BAC ≥0.05 检测

Smart Eye 官方方案（2026 CES Innovation Awards）：

“Smart Eye launches first-ever driver monitoring system with real-time alcohol impairment detection. BAC detection from .05 to higher levels.”

检测原理（论文：WACV 2024）：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
"""
酒驾面部特征检测（论文：Estimating Blood Alcohol Level Through Facial Features）

核心特征：
- 眼部充血（Blood alcohol level ↑ → 眼部血管扩张）
- 眼睑下垂（Alcohol → 肌肉松弛）
- 表情僵硬（Alcohol → 面部肌肉控制减弱）
- 反应延迟（Alcohol → 神经传导变慢）
"""

import numpy as np
from typing import Tuple


def detect_alcohol_impairment(
    face_image: np.ndarray,
    gaze_vector: np.ndarray,
    driving_behavior: dict
) -> dict:
    """
    酒驾损伤检测（多模态融合）
    
    Args:
        face_image: 人脸图像
        gaze_vector: 视线向量
        driving_behavior: 驾驶行为数据
    
    Returns:
        result: {'bac_estimate': float, 'confidence': float}
    
    论文 Section 3.2 方法
    """
    # 面部特征分析
    facial_features = extract_facial_features(face_image)
    
    # 眼部充血检测（红色区域比例）
    eye_redness = facial_features['eye_redness']
    
    # 眼睑下垂检测（眼睑开度）
    eyelid_droop = facial_features['eyelid_droop']
    
    # 视线稳定性（视线波动）
    gaze_stability = np.std(gaze_vector)
    
    # 驾驶行为异常
    steering_variability = driving_behavior['steering_variability']
    reaction_delay = driving_behavior['reaction_delay']
    
    # 多模态融合（XGBoost）
    features = np.array([
        eye_redness,
        eyelid_droop,
        gaze_stability,
        steering_variability,
        reaction_delay
    ])
    
    # BAC 估计（回归模型）
    bac_estimate = predict_bac(features)
    
    # 阈值判断
    if bac_estimate >= 0.05:
        return {'bac_estimate': bac_estimate, 'confidence': 0.85, 'is_impaired': True}
    else:
        return {'bac_estimate': bac_estimate, 'confidence': 0.92, 'is_impaired': False}


def extract_facial_features(face_image: np.ndarray) -> dict:
    """
    提取面部特征
    
    论文 Figure 3 关键特征
    """
    # 眼部区域分割
    eye_region = segment_eye_region(face_image)
    
    # 眼部充血检测（RGB 分析）
    red_pixels = np.sum(eye_region[:, :, 0] > 200)  # 红色通道阈值
    total_pixels = eye_region.shape[0] * eye_region.shape[1]
    eye_redness = red_pixels / total_pixels
    
    # 眼睑下垂检测（关键点分析）
    eyelid_landmarks = detect_eyelid_landmarks(face_image)
    eyelid_droop = calculate_eyelid_droop(eyelid_landmarks)
    
    return {
        'eye_redness': eye_redness,
        'eyelid_droop': eyelid_droop
    }


def predict_bac(features: np.ndarray) -> float:
    """
    BAC 预测（回归模型）
    
    论文 Table 2 性能：MAE 0.02
    """
    # 简化模型（实际需训练）
    weights = np.array([0.3, 0.25, 0.2, 0.15, 0.1])
    bac_estimate = np.dot(features, weights)
    
    return bac_estimate


# 实际测试
if __name__ == "__main__":
    # 模拟数据
    face_image = np.random.randint(0, 255, (224, 224, 3))
    gaze_vector = np.random.randn(100, 3)
    driving_behavior = {
        'steering_variability': 0.3,
        'reaction_delay': 0.5
    }
    
    # 酒驾检测
    result = detect_alcohol_impairment(face_image, gaze_vector, driving_behavior)
    
    print(f"BAC 估计: {result['bac_estimate']:.3f}")
    print(f"置信度: {result['confidence']:.2%}")
    print(f"是否损伤: {result['is_impaired']}")

DSM 评分细则

1. 分心检测评分（4分）

评分标准：

检测场景 得分条件 不得分条件
D-01 ~ D-08 检测时延 ≤阈值 + 正确警告等级 检测时延 >阈值 / 警告等级错误
多场景覆盖 ≥6 个场景通过 <6 个场景通过
光照鲁棒性 白天+夜间均通过 单一光照条件通过

满分要求：

  • 8 个场景全部通过
  • 检测时延符合标准
  • 多光照条件验证

2. 疲劳检测评分（3分）

评分标准：

检测指标 得分条件 不得分条件
PERCLOS ≥30% ≤5 秒检测 + 一级警告 检测延迟 >5 秒
PERCLOS ≥40% ≤5 秒检测 + 二级警告 警告等级错误
微睡眠检测 ≤1.5 秒检测 检测延迟 >2 秒

满分要求：

  • PERCLOS 双阈值检测
  • 微睡眠检测（F-04）
  • 频繁眨眼检测（F-05）

3. 无响应驾驶员干预评分（2分）

评分标准：

干预阶段 得分条件 不得分条件
无响应检测 PERCLOS ≥80% + 无操作检测 单一指标检测
警告阶段 声光警告 ≥10 秒 警告时长不足
干预阶段 自动减速 + 安全停车 仅减速无停车

4. 酒驾损伤检测评分（1分）

评分标准：

检测方法 得分条件 不得分条件
行为分析 识别率 ≥85% 识别率 <85%
面部特征 BAC ≥0.05 检测 仅高 BAC 检测
多模态融合 行为+面部融合 单一模态

OEM Dossier 要求

官方协议要求 OEM 提交 Dossier 包含：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
### DSM Dossier 内容

1. **系统架构文档**
   - 摄像头型号、参数、安装位置
   - 处理器型号、算力、功耗
   - 算法模块流程图

2. **算法参数声明**
   - PERCLOS 阈值（必须声明）
   - 视线偏离阈值（必须声明）
   - 检测时延参数（必须声明）
   - 警告等级触发条件

3. **测试场景报告**
   - 8 个分心场景测试报告
   - 5 个疲劳场景测试报告
   - 无响应干预测试报告
   - 酒驾检测测试报告

4. **验证数据**
   - 不同光照条件验证数据
   - 不同年龄/性别验证数据
   - 戴眼镜/戴帽子验证数据

5. **性能指标**
   - 检测准确率
   - 检测时延
   - 误报率
   - 漏报率

IMS 开发落地指南

1. DSM 系统架构

graph TB
    A[红外摄像头] --> B[人脸检测]
    B --> C[关键点检测]
    C --> D1[视线估计]
    C --> D2[眼睑开度]
    D1 --> E1[分心检测]
    D2 --> E2[疲劳检测]
    E1 --> F[警告模块]
    E2 --> F
    F --> G[声光警告]
    F --> H[ADAS协同]
    H --> I[紧急制动]

2. 硬件配置清单

推荐配置：

组件 型号 参数 价格（预估）
红外摄像头 OV2311 2MP, 1600×1200, 全局快门 $30
红外补光 SFH 4740 940nm, 120mW/sr $5
处理器 QCS8255 Hexagon NPU, 26 TOPS $50
处理器 TI TDA4VM C7x DSP, 8 TOPS $40

3. 算法模块优先级

模块 Euro NCAP 要求 优先级 开发周期
分心检测（视线追踪） ✅ 已要求 🔴 P0 2周
疲劳检测（PERCLOS） ✅ 已要求 🔴 P0 1周
无响应干预 ⚠️ 2026 新增 🟡 P1 3周
酒驾检测 🔴 2026 新增 🟡 P1 4周

4. Euro NCAP 验证流程

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
"""
Euro NCAP DSM 验证流程

步骤：
1. OEM 提交 Dossier
2. Euro NCAP 审核文档
3. 实车测试验证
4. 星级评分
"""

class DSMValidationPipeline:
    """
    DSM 验证流程
    """
    
    def __init__(self):
        self.test_scenarios = {
            'distraction': ['D-01', 'D-02', 'D-03', 'D-04', 'D-05', 'D-06', 'D-07', 'D-08'],
            'fatigue': ['F-01', 'F-02', 'F-03', 'F-04', 'F-05'],
            'unresponsive': ['U-01', 'U-02', 'U-03'],
            'alcohol': ['AI-01', 'AI-02', 'AI-03']
        }
        
    def validate_dossier(self, dossier: dict) -> dict:
        """
        验证 Dossier
        
        Args:
            dossier: OEM 提交的文档
        
        Returns:
            result: {'valid': bool, 'missing': list}
        """
        required_items = [
            'system_architecture',
            'algorithm_parameters',
            'test_reports',
            'validation_data',
            'performance_metrics'
        ]
        
        missing = [item for item in required_items if item not in dossier]
        
        return {
            'valid': len(missing) == 0,
            'missing': missing
        }
    
    def run_test_scenario(self, scenario_id: str, test_data: dict) -> dict:
        """
        运行测试场景
        
        Args:
            scenario_id: 场景编号（如 'D-02'）
            test_data: 测试数据
        
        Returns:
            result: {'passed': bool, 'details': dict}
        """
        # 场景参数
        scenario_params = self._get_scenario_params(scenario_id)
        
        # 模拟测试
        detection_delay = test_data['detection_delay']
        warning_level = test_data['warning_level']
        
        # 判定
        passed = (
            detection_delay <= scenario_params['max_delay'] and
            warning_level == scenario_params['expected_warning']
        )
        
        return {
            'passed': passed,
            'detection_delay': detection_delay,
            'warning_level': warning_level,
            'expected_delay': scenario_params['max_delay'],
            'expected_warning': scenario_params['expected_warning']
        }
    
    def _get_scenario_params(self, scenario_id: str) -> dict:
        """获取场景参数"""
        params = {
            'D-01': {'max_delay': 3.0, 'expected_warning': 1},
            'D-02': {'max_delay': 2.0, 'expected_warning': 1},
            'F-01': {'max_delay': 5.0, 'expected_warning': 1},
            'F-04': {'max_delay': 1.5, 'expected_warning': 1},
        }
        return params.get(scenario_id, {'max_delay': 3.0, 'expected_warning': 1})


# 实际测试
if __name__ == "__main__":
    pipeline = DSMValidationPipeline()
    
    # 验证 Dossier
    dossier = {
        'system_architecture': '...',
        'algorithm_parameters': {'perclos_threshold': 30},
        'test_reports': '...',
        'performance_metrics': {'accuracy': 95}
    }
    
    result = pipeline.validate_dossier(dossier)
    print(f"Dossier 验证: {result['valid']}")
    if result['missing']:
        print(f"缺失项: {result['missing']}")
    
    # 运行测试场景
    test_data = {'detection_delay': 2.1, 'warning_level': 1}
    scenario_result = pipeline.run_test_scenario('D-02', test_data)
    
    print(f"\n场景 D-02 测试:")
    print(f"  通过: {scenario_result['passed']}")
    print(f"  检测时延: {scenario_result['detection_delay']}s（预期 ≤{scenario_result['expected_delay']}s）")
    print(f"  警告等级: {scenario_result['warning_level']}（预期 {scenario_result['expected_warning']}）")

开发优先级总结

功能模块 Euro NCAP 状态 技术成熟度 开发优先级 量产时间
视线分心检测 ✅ 2026 强制 高（视线追踪） 🔴 P0 2025 Q3
PERCLOS 疲劳检测 ✅ 2026 强制 高（眼睑检测） 🔴 P0 2025 Q3
无响应干预 ⚠️ 2026 新增 中（ADAS协同） 🟡 P1 2026 Q1
酒驾检测 🔴 2026 新增 中（Smart Eye） 🟡 P1 2026 Q2
认知分心检测 ❌ 未明确 低（EEG研究） 🟢 P2 2027+

总结

Euro NCAP 2026 DSM 官方协议核心变更：

  1. 直接监控强制化 - 仅奖励直接监控系统
  2. 酒驾检测新增 - BAC ≥0.05 检测要求
  3. 无响应干预新增 - 自动减速+安全停车
  4. 测试场景细化 - 8 分心 + 5 疲劳场景

IMS 开发启示：

  • 优先视线分心 + PERCLOS 疲劳（P0）
  • 酒驾检测参考 Smart Eye 方案（P1）
  • 无响应干预需 ADAS 协同（P1）
  • 认知分心作为研究方向（P2）

参考文献

  1. Euro NCAP DSM Protocol v10.4：https://www.euroncap.com/media/80158/euro-ncap-assessment-protocol-sa-safe-driving-v104.pdf
  2. ESV 2026 DSM Presentation：https://www-nrd.nhtsa.dot.gov/pdf/ESV/Proceedings/27/27ESV-000286.pdf
  3. Smart Eye 酒驾检测：https://smarteye.se/news/smart-eye-launches-first-ever-driver-monitoring-system-with-alcohol-impairment-detection/
  4. WACV 2024 面部特征论文：https://openaccess.thecvf.com/content/WACV2024/papers/Keshtkaran_Estimating_Blood_Alcohol_Level_Through_Facial_Features_for_Driver_Impairment_WACV_2024_paper.pdf
Euro NCAP 2026 DSM 官方协议详解：测试场景、评分标准与落地指南
https://dapalm.com/2026/07/06/2026-07-06-euro-ncap-dsm-official-protocol-2026-zh/
作者
Mars
发布于
2026年7月6日
许可协议