实时分析分心驾驶员的姿势分类
研究利用深度学习和卷积神经网络进行驾驶员分心检测,提供了一个包含更多分心姿态的公共数据集,并提出了一种可靠的基因加权集成方法,可以在现实环境中实现 84.64%分类准确率。
Jan, 2019
该研究引入了一种利用多视角驾驶员行为图像检测驾驶员分心的新方法,该方法基于姿态估计和动作推理的视觉变换器框架,名为 PoseViNet。通过将姿势信息添加到变换器中,使其更加专注于关键特征,从而更好地识别关键动作。通过与现有模型在两个不同的数据集上的比较,证明了 PoseViNet 的优越性。在具有挑战性的 SynDD1 数据集上,PoseViNet 实现了 97.55%的验证准确率和 90.92%的测试准确率。
Dec, 2023
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
通过比较分析卷积神经网络结构,本研究旨在识别出最有效的实时检测驾驶员分心的模型,以提升车辆安全系统的能力,从而预防因不注意引发的事故。
May, 2024
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
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
2021 年与 2020 年相比,车辆事故率上升 20%,其中 45%的车祸是由于疲劳和分心驾驶所致。这项研究使用计算机视觉设计了低成本、精度高且侵入性小的检测方法,探讨了使用视觉变换器来优于 3D-CNNs 的最新准确性,针对分心和疲劳驾驶分别训练了两个变压器。其中,分心的模型表现超越最先进的模型,达到 97.5%的准确度。建议未来的研究使用新的和更强大的模型来实现更高的准确性和效率,在现有数据集的基础上扩展到检测醉酒驾驶和道路愤怒,以创建全面的解决方案来防止交通事故。
Jul, 2022
驾驶行为相关事故的避险技术对于风险缓解至关重要。我们提供了一种新的多类驾驶员分心风险评估(MDDRA)模型,该模型在旅程中考虑了车辆、驾驶员和环境数据。MDDRA 通过风险矩阵将驾驶员分类为安全、不小心或危险。我们使用 Field Operation Test(TeleFOT)收集了在英国东米德兰地区使用相同路线的真实数据。结果显示,通过减少由驾驶员分心引起的道路事故是可能的。我们还研究了分心(驾驶员、车辆和环境)与基于连续分心严重程度评分的分类严重程度之间的相关性。此外,我们应用机器学习技术对驾驶员分心进行分类和预测,以在情况被认为存在风险时帮助控制从驾驶员转移到车辆(接管车辆)。集成袋装树算法表现最佳,准确率为 96.2%。
Feb, 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