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

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

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

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

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

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

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

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

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。

Oct, 2019

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