Feb, 2024

驾驶模拟器中基于 Kinect 和 Oculus 的凝视区域估计方法的比较分析

PDF
TL;DR本文介绍了两个嵌入在驾驶模拟器中的凝视区域估计模块，一个使用 3D Kinect 设备，另一个使用虚拟现实 Oculus Rift 设备。通过实验发现，Oculus Rift 是用于凝视估计的最佳硬件，其凝视区域估计方法表现最佳，准确度达到 97.94%。这一凝视信息丰富了驾驶模拟器数据，使得除了提供虚拟现实体验外，还能实现多模态驾驶表现分析。
driver's gazegaze region estimationdriving simulatoroculus riftgaze estimation
发现论文，激发创造
  • 驾驶员视线估计与视线行为理解应用综述

    本文旨在全面回顾驾驶员凝视基础知识、估计驾驶员凝视的方法以及其在现实世界驾驶场景中的应用，包括了算法、数据集、驾驶行为等方面，并讨论了现有文献中的局限性、挑战和未来的研究方向。

    Jul, 2023

  • 驾驶员注意力跟踪和分析

    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

  • 车载环境中的全面视觉解决方案：车内凝视估计

    该研究使用 IVGaze 数据集，提出了一种车内注视估计方法并引入了新的注视金字塔变换器和双流注视金字塔变换器，展示了目前最先进的表现，并探索了注视区域分类的新策略。

    Mar, 2024

  • 使用 RGB-D 传感器进行驾驶员分心检测和识别

    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

  • 外貌为基础的方法的评估及其对凝视应用的影响

    本研究评估了最先进的基于外观的凝视估计，涉及不同的感应距离，室内和室外的交互场景，带和不带眼镜的用户，并讨论了其在具有重要凝视为基础的应用程序中的应用，因此，我们呈现了 “OpenGaze”，这是外观凝视估计和交互的第一个软件工具包，以使其在人机交互中广泛使用。

    Jan, 2019

  • 使用深度学习提高虚拟现实中眼动追踪的鲁棒性、准确性和精度

    通过比较不同机器学习方法在眼部特征追踪中的表现，本研究客观评估了这些方法对最终注视估计质量的影响。

    Mar, 2024

  • 眼神追踪估计模型分析

    探讨了利用机器学习技术进行眼部凝视估计的技术，论文中提出了在不受限制的场景下，通过使用眼部地标来预测凝视方向的方法，并讨论了采用合成数据进行眼部地标本地化训练的学习方法，并提出了使用该模型进行个性化凝视估计的方法。

    Jul, 2022

  • 辅助生活环境下的凝视估计

    本文提出了一种基于单个姿态估计模型采集的面部关键点的相对位置来估计个体注视方向的神经网络回归器，结合目标遮挡情况下的置信度门控单元，实现了对复杂辅助生活环境中居民与周围物体互动的自动推理；实验结果表明，该模型与数据集特定的复杂基线模型相媲美。

    Sep, 2019

  • CrossGaze：野外三维凝视估计的强大方法

    CrossGaze 是一个强大的注视估计基准，利用计算机视觉架构和基于注意力的模块，通过集成并适应于 3D 注视估计任务的已建立模型，实现了对非受限环境下注视方向的准确预测，并在 Gaze360 基准测试中展现出优于多种最新方法的性能，均方角误差达到 9.94 度。该模型为未来的注视估计研究与发展提供了坚实的基础，为实际场景中的准确注视预测铺平了道路。

    Feb, 2024

  • MPIIGaze: 实际场景数据集与深度外貌取向估计

    我们提出了 MPIIGaze，包括 213659 个人的实验数据，并对现有的三个数据集进行了广泛的评估，研究了目标视线范围、光照条件和面部外观变化等关键挑战，提出了第一种深度外观估计方法 GazeNet，并将平均误差从 13.9 度提高到 10.8 度，这是当前技术水平的改进。

    Nov, 2017