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
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
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
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
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
疲劳驾驶检测技术基于 YOLOv8 深度学习模型的研究与应用,以有效预防为目标,通过详细讨论模型方法和技术,介绍不同数据集的处理方法和算法原理,致力于提供强大的技术解决方案,减少交通事故和保护生命。
Jun, 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
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
该研究考虑了导致驾驶员疲劳的各种因素,并使用车辆监测数据和驾驶员的生理数据,将本体知识和疲劳检测规则集成到智能系统中,一旦检测到危险疲劳水平的第一个迹象,就会向驾驶员发送警告通知,以促进道路安全驾驶。
Aug, 2022