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

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

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

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

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

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

本文综述了心理疲劳的理论模型、关键的技术手段和最新的人类疲劳生物传感技术，发现 EEG 传感器能够提供对疲劳检测的中等到良好的灵敏度，并讨论了可穿戴 EEG 以及环境传感器相互融合在实时监测方面的关键性作用和未来的发展方向。

Jul, 2023

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

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