汽车驾驶员注意力损失的基于视觉的监测系统
我们提出了一种使用安装在车辆挡风玻璃和仪表盘上的普通摄像头来估计驾驶员凝视点的新方法。该方法通过开发一种卷积网络来同时分析场景图像和驾驶员面部图像,其中包含一个相机校准模块,可以计算表示驾驶员和摄像头系统之间空间配置的嵌入向量,该模块改善了网络的性能并可以进行端到端的联合训练。我们还引入了一种大规模的驾驶数据集,其中包含了真实驾驶情景的图像以及驾驶员面部和凝视数据,对该数据集的实验表明,所提出的方法优于各种基准方法,均方误差为 29.69 像素,相对于场景摄像头的 $1280 {imes} 720$ 分辨率而言,误差较小。
Apr, 2024
近年来,先进驾驶辅助系统(ADAS)的科学进展在提高驾驶整体安全性方面扮演了关键角色。ADAS 技术能够主动控制车辆,以预防潜在的危险情况。研究人员关注的一个重要方面是分析驾驶员的注意力水平,因为最近的报告确认了由于困倦或注意力不集中导致的事故数量不断增加。为了解决这个问题,各种研究提出了通过监测驾驶员的生理状态来实现,因为自主神经系统(ANS)与注意力水平之间存在着确立的联系。为了进行我们的研究,我们设计了一种创新的生物传感器,包括近红外 LED 发射器和光电二极管,具体来说是一种硅光电倍增器装置。这使我们能够通过分析相关的光电容抗(PPG)信号评估驾驶员的生理状态。此外,我们开发了一种嵌入式时域超滤波技术,并结合了一种 1D 时域卷积架构,该架构中嵌入了渐进延展设置。这个集成系统能够实时分类驾驶员的困意,获得 96% 左右的显著准确度水平。
Jul, 2023
我们提出了一种结合司机困倦检测系统和基于显著性的场景理解流水线的智能系统,该系统在嵌入式平台上运行,并利用专用 3D 深度网络进行语义分割。我们还使用车辆方向盘上嵌入的创新生物传感器来监测驾驶员的困倦程度,并对收集到的驾驶员脉搏波信号进行分类,从而评估驾驶员的注意力水平。最后,我们将司机的注意力水平与基于显著性的场景分类进行比较,以评估整体安全水平。通过广泛的实验结果验证了该流水线的有效性。
Jul, 2023
本研究提出了一种新的司机瞌睡检测系统,结合了深度学习技术和 OpenCV 框架,利用从司机脸部提取的面部标志作为卷积神经网络的输入,训练模型识别瞌睡模式,并集成 OpenCV 实现实时视频处理,从而使该系统适用于实际应用。广泛的实验证明该系统在检测瞌睡方面具有高准确性、敏感性和特异性,能够通过及时提醒来防止由司机疲劳引起的事故,这对提高道路安全具有潜在的意义。该研究对于推进实时司机监控系统以及汽车安全和智能交通系统具有重要意义,而在这一背景下成功应用深度学习技术为未来司机监控和车辆安全的研究开辟了新的方向。
Jun, 2024
通过使用基于视觉和基于机器学习的方法,同时检测疲劳和注意力分散的行为,以提高智能车辆系统的驾驶行为监测能力并获得更准确和时间更短的结果。
Jan, 2024
这篇论文介绍了一种利用红外摄像机和车辆感知系统的双源方法,以便根据驾驶员的警觉程度评估其操作安全性,并在需要时进行干预,从而为 ADAS 和 AV 的整体安全和效率做出贡献。
Oct, 2023
在使用人工智能的基础上,下一代汽车通过创新解决方案嵌入了对驾驶安全的智能评估。为了重构汽车驾驶员的生理状态,作者建议使用一种专为生理参数设计的生物传感系统,结合了近红外光谱的 LED 组和光电探测器,以检测生理信号 PPG,并连接到心脏活动,从而根据受试者的注意水平监测驾驶员的昏睡状态。该论文还提出了基于智能驾驶情景理解的进一步驾驶安全评估。
Apr, 2023
基于 Kinect 和计算机视觉技术,构建了一个有效的模块,用于检测驾驶员注意力分散和识别分散类型,每个子模块独立获得并可用于其他类型的推理,如疲劳检测,并可用于实际汽车系统。
Feb, 2015
本文旨在预测驾驶员的注意力集中情况,提出了一种基于多分支深度架构的计算机视觉模型,集成了三种信息源:原始视频、动态和场景语义,并介绍了 DR (eye) VE,这是迄今为止最大的驾驶场景数据集,结果强调了跨驾驶员共享的注意力模式,可在人车交互和驾驶员注意力分析等多个应用方面受益。
May, 2017
司机疲劳驾驶是交通事故的主要原因之一,通过引入多关注融合疲劳驾驶检测模型(MAF),可以显著提升分类性能,特别是在部分面部遮挡和低光照条件下,从而在提高算法整体稳健性方面发挥更大作用。通过在夜间和白天的光照条件下采集真实世界的数据集,我们进行了一系列综合实验,结果显示我们提出的模型达到了 96.8% 的司机疲劳检测准确率。
Dec, 2023