Oct, 2019

使用条件自适应表示学习框架检测司机疲劳

PDF
TL;DR我们提出了一种基于 3D 深度卷积神经网络的驾驶员疲劳检测的条件自适应表示学习框架。该框架通过四个模型实现，包括时空特征表示、场景条件理解、特征融合和疲劳检测。实验结果显示，该框架优于现有的基于视觉分析的疲劳检测方法。
driver drowsiness detection3d-deep convolutional neural networkrepresentation learningfeature fusionnthu drowsy driver detection
发现论文，激发创造
  • 基于 1D 时间卷积网络的汽车驾驶员疲劳评估

    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

  • 多关注融合的疲劳驾驶检测模型

    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

  • 连接车辆中的疲劳检测的联邦学习

    通过观察视觉线索，驾驶员监控系统可以辅助确定驾驶员的状态。我们提出了一种基于联邦学习框架的嗜睡检测方法，在车辆网络中利用 YawDD 数据集，实现了 99.2% 的准确率，证明了其在与传统深度学习技术比较时的可行性和可比性。

    May, 2024

  • 早期疲劳检测的现实数据集与基线时间模型

    本文提出用于早期疲劳检测的多层次多尺度长短时记忆网络 (HM-LSTM)，结合测量到的眨眼特征，对大型真实数据集进行了测试，发现基于眼睑特征的检测方法比人类判断更准确。

    Apr, 2019

  • VigilEye：基于人工智能的实时驾驶员疲劳检测

    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

  • 使用来自视觉 - 语言模型的通用表示进行驾驶员活动分类

    使用视觉 - 语言模型的通用表征，在司机活动分类中利用语义表示延迟融合神经网络（SRLF-Net）的新方法，通过对多个视角的同步视频帧进行处理，对每个帧进行预训练的视觉 - 语言编码器进行编码，并融合生成类别概率预测，利用对比学习的视觉 - 语言表示，方法在自然驾驶行为识别数据集上得到了鲁棒的性能，证明视觉 - 语言表示为司机监控系统提供了准确性和可解释性。

    Apr, 2024

  • 使用 LSTM 自编码器作为异常检测工具来检测驾驶员疲劳

    该研究利用基于 LSTM 自编码器架构和 ResNet-34 作为特征提取器的方法进行嗜睡检测，考虑单一主体的异常检测，只学习正常行驶的表示，并期望根据网络的知识区分出生成更高重构损失的嗜睡表示，通过标签分配方法研究了正常和异常剪辑的置信水平，实验表明所提出的模型在 NTHU-DDD 数据集上实现了 0.8740 的检测率 (AUC)，并能在某些场景下提供显着的改进。

    Sep, 2022

  • SleepyWheels：一种用于检测瞌睡导致事故预防的集成模型

    本文提出了一种名为 SleepyWheels 的革命性方法，该方法使用轻量级神经网络结合面部特征识别来实时识别司机疲劳。该模型采用 EfficientNetV2 和面部标记检测器进行训练，利用驾驶员疲劳数据集，实现了 97% 的准确性。

    Nov, 2022

  • 使用机器学习改进驾驶员疲劳和注意力分散的自动检测

    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

  • 使用生成对抗网络进行驾驶员疲劳检测系统中的偏差修正

    该研究介绍了一种使用生成强化学习网络进行数据扩充的新框架，旨在改善用于司机疲劳检测的卷积神经网络的性能，尤其是针对受欢迎的族裔群体。

    Dec, 2019