Apr, 2024

驾驶员注意力跟踪和分析

PDF
TL;DR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。
driver's points-of-gazeconvolutional networkcamera systemcalibration moduledriving dataset
发现论文，激发创造
  • 预测驾驶员的注意力焦点：DR (eye) VE 项目

    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

  • 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

  • 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

  • 在关键情况下预测驾驶员的注意力

    提出一种新的驾驶员注意力数据收集协议并介绍了一个新的驾驶员注意力数据集 BDD-A，进一步提出了人工加权采样（HWS）方法来构建驾驶员注意力预测模型，该模型不仅表现出比现有模型更好的性能，而且还是基于常规驾驶过程中的实际数据预测的。

    Nov, 2017

  • CUEING：一项为自动驾驶编码人类凝视的先驱工作

    该论文提出了一种自适应的方法来清洗现有的人类凝视数据集，并提出了一个健壮的卷积自我注意凝视预测模型，实验证明我们的清洗方法和模型能够显著提高 ADS 性能和泛化能力。

    May, 2023

  • 汽车驾驶员注意力损失的基于视觉的监测系统

    本文提出了一种基于计算机视觉和机器学习的实时嵌入式平台，通过检测驾驶员的 PERCLOS 指标实现对日夜驾驶状态下驾驶员注意力损失的监测，并使用支持向量机（SVM）对眼睛状态进行分类。实验结果表明该算法稳健可靠，并已在单板计算机上实现。

    May, 2015

  • 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

  • 理解和建模任务与环境对驾驶员注视分配的影响

    驾驶员注意力、注视预测、任务和环境、显著性和 DR (eye) VE 数据集是该研究的主要关键词和研究领域。

    Oct, 2023

  • 瞄准正确的物品：自动驾驶的引导性语义凝视

    该论文提出了一种基于场景语义和注视信息相结合的自动驾驶注意力预测方法 SAGE，并通过修改自动驾驶的关键预测参数，设计了一个完整的预测框架 SAGE-Net，实验证明 SAGE 在不增加计算量的情况下，可以优于现有技术 87.5% 的案例。

    Nov, 2019

  • 实时分析分心驾驶员的姿势分类

    本文介绍一种新的基于卷积神经网络集成学习和遗传算法优化的 “分心驾驶” 姿势估计系统，能够高效检测和识别驾驶人员的姿态，同时降低交通事故风险。

    Jun, 2017