1.State Farm数据集
       现有分心驾驶研究多采用State Farm公开数据集，其包含10类驾驶行为、27879幅RGB图像，按8:2划分训练、测试集并完成类别标注。但该数据集源于模拟驾驶环境，存在动作范式单一、场景背景匮乏、采集视角固定等问题，无法贴合真实驾驶的复合操作行为。仿真数据与实景存在语义差异，致使模型真实场景泛化能力与识别精度偏低。为此，本方案构建真实道路场景下的客运车辆分心驾驶数据集，有效弥补仿真数据缺陷，显著提升模型的实景适配能力与识别性能。

2. 自建数据集
       针对State Farm模拟数据集场景单一、泛化性差的问题，依托车载红外与高清监控设备，采集多车辆、多路况、全天候、多气象条件下的真实驾驶视频数据。通过视频筛选、固定帧采样与相似度去重预处理，构建含34477幅图像的客运车辆分心驾驶数据集。结合职业驾驶员行为特征，将数据划分为安全驾驶、打电话、玩手机、抽烟四类，并采用八视角采集方式，能够全面、精准表征真实复杂路况下的驾驶员分心行为特征。

       基于TransFG架构改进，提出融合全局与局部特征的两阶段ViT识别算法TS-ViT。算法采用分级推理机制实现高效识别：第一阶段通过粗细粒度斑块筛选与ViT轻量化推理，依据置信度阈值快速输出可靠结果，筛选疑难样本；第二阶段针对复杂场景难样本，融合ViT全局特征与MobileNetV3局部特征，通过特征交互模块完成精细推理。模型采用双阶段参数共享机制降低计算开销，并引入token信息补充、特征交互与两阶段注意力模块，有效提升复杂场景下分心驾驶行为的识别精度与推理效率。

1. 特征交互模块
       传统CNN与Transformer特征融合方式较为简单，难以充分挖掘全局与局部特征的互补关联，融合效果有限。为此，设计特征交互模块，依托Transformer与MobileNetV3的QKV交叉交互实现双特征深度融合。模块通过多层注意力聚合与二值空间掩码抑制背景噪声、强化前景特征；同时构建双路径特征增强分支，结合深度可分离卷积完成特征维度对齐，并通过自注意力与交叉注意力机制实现精细特征交互，有效提升模型在复杂驾驶场景下的细粒度特征辨识能力。

2. token信息补充模块
       标准ViT仅依托最后一层类别令牌完成分类，丢失网络浅层与中层特征信息，细粒度表征能力受限。针对该问题，本文提出令牌信息补充模块，抽取多层Transformer的类别令牌进行多分支预测，通过加权交叉熵损失融合各层输出，充分挖掘多层特征互补信息。同时， TS-ViT算法构建双阶段损失函数，分别对应两阶段推理任务，通过超参数自适应平衡双阶段损失权重，联合优化模型整体参数，进一步提升分心驾驶行为识别的精准度与稳定性。

3.两阶段注意力
       为解决多头注意力机制可扩展性差、计算开销大的问题，提出动态查询感知稀疏注意力机制，采用“粗筛选+细计算”的分级策略降低模型运算复杂度。该机制首先对输入特征图进行区域划分，通过区域特征均值计算生成语义邻接矩阵，量化不同特征区域的关联程度；再依据拓扑相关性筛选各区域的核心关联区域，剔除无效冗余键值对，实现注意力稀疏降维；最后基于筛选后的有效特征区域执行逐token细粒度注意力计算，完成特征加权与全局特征重组。该方法在保留关键语义关联的前提下，大幅削减冗余计算，有效提升模型推理效率，适配车载场景的轻量化部署需求。

       基于PyTorch框架、Tesla V-100 GPU完成模型训练与测试，以准确率与浮点运算量作为核心评价指标。实验以ViT-B_16、MobileNetV3-Large分别作为两阶段主干网络，统一设置训练参数与图像预处理方案，并根据数据集特性适配各模块超参与分层特征选取策略。在公开与自建数据集上的对比实验表明，所提TS-ViT模型精度显著优于主流CNN、Transformer及特征融合算法，仅小幅增加计算开销。混淆矩阵与注意力可视化结果证实，模型可有效聚焦驾驶人脸与手部关键区域，抗背景干扰能力强，仅在姿态、特征高度相似或弱光复杂场景存在少量误判，整体泛化性能优异。参数实验确定了最优推理阈值与分层特征组合，有效平衡识别精度与计算成本。消融实验验证了本文特征交互、token信息补充、两阶段注意力三大模块的有效性，其中特征交互模块增益最为显著，多模块协同可进一步提升模型综合识别性能。