针对采用分类方法进行分心驾驶检测存在只能识别有限分心驾驶行为类别以及忽视时间信息的问题,提出了基于改进YOLOv5的驾驶员分心驾驶检测方法。首先,在YOLOv5的基础上引入Ghost模块,采用线性变换代替部分常规卷积进行特征提取以轻量化网络模型,实现快速又准确地检测图像中手机、水杯、驾驶员双眼和头部区域;其次,在获取目标检测结果的基础上,结合头部姿态估计设计逻辑算法并融入YOLOv5中,从认知分心和视觉分心两个角度检测每帧图像中驾驶员是否存在分心驾驶,避免了分类方法受限分心驾驶类别数的问题,再设置适当的时间阈值,从而实现端到端实时的分心驾驶预警;最后,对采集的18名驾驶员的驾驶行为数据集进行对比试验,验证了本文方法的可行性和有效性。