长途货运司机疲劳驾驶原因分析及对策

为减少长途运输中驾驶员因疲劳驾驶对个人和社会造成的严重损失,从驾驶员生理和心理两大因素、车辆和环境三个角度对货运司机疲劳驾驶原因进行分析,并针对不同问题对驾驶员开展安全教育活动、优化座椅和驾驶室设计、采取多种措施来改善长途运输的环境条件以及在货车上设置主动安全装置等提出了相应的改进对策,为以后的驾驶室设计提供了参考依据。

一种基于面部疲劳驾驶与酒驾检测藏汉双语播报系统的设计与实现

为了提高道路安全性并降低危险驾驶行为,设计了一个集成人脸识别和酒精检测功能的系统,目的在于减少常见的道路风险,例如,疲劳驾驶和酒后驾驶。该系统利用人脸识别追踪面部特征,并通过眼睛和口腔条件评估驾驶员的疲劳程度。系统使用OpenCV和PERCLOS、EAR等算法处理图像,实时识别疲劳并计算疲劳得分。系统还包括一个MQ-3酒精检测器,当酒精超过限制,由树莓派控制,将锁住轮胎以防止驾驶员酒后驾驶。实验结果表明,该系统满足车载、实时和准确性要求,显著减少了危险行为,提高了道路安全性。这项研究对道路安全具有重要价值。

基于深度学习模型的疲劳驾驶行为识别算法

为降低道路交通事故发生率,提出了一种基于深度学习模型的疲劳驾驶行为识别算法。采用照度增强和反射分量均衡化的方法,以提高视频图像质量。将机器视觉工具箱软件用于提取疲劳驾驶人脸行为特征,并通过双流网络构建和训练深度学习模型,实现对疲劳驾驶行为识别。选择了不同睡眠时间段参与者在全封闭路段内的驾驶行为图像,作为实验测试目标。结果表明:用该算法测试1000张疲劳驾驶行为图像时,识别时间为89 ms,精准度为97.6%,召回率为97.0%;算力需求(每秒所执行的浮点运算次数,FLOPS)≤88;该算法能够提高疲劳驾驶行为的识别精度,有助于降低道路交通事故的发生率。

基于FPGA的疲劳驾驶检测硬件加速器设计

随着交通工具大幅使用,交通事故频繁发生,疲劳驾驶是导致交通事故的一项重要原因。该设计采用硬件加速器来处理OV7725摄像头采集的视频流数据,制定肤色阈值来搜索人脸区域的边界,实现视频流实时动态标识人脸,通过人脸特征在阈值内的累计时长来判断疲劳级别并及时预警。得益于硬件加速器的并行处理优势,使得疲劳检测和预警更加快速稳定。该文完成了基于FPGA的人脸识别算法和疲劳驾驶检测的硬件加速器设计,仿真并验证了功能,对性能进行了测试,结果证明可实现快速准确的三级疲劳驾驶判断,并证明了该方案的可行性。

气味干预疲劳驾驶研究综述

随着自动驾驶的发展,如何保证人机协同驾驶紧急情况下驾驶员的顺利接管成为一个重要的研究课题。香氛被证明为一种有效地提高驾驶员注意力水平及驾驶表现的手段。该文从气味对疲劳驾驶的干预机制和不同气味的干预效果2个研究方面对已有文献进行分析。经分析发现各研究普遍采用模拟驾驶方法来实现研究目标,但模拟驾驶实验设计上普遍存在变量控制不够严谨的问题,例如受试控制、试验时间控制、试验环境控制。基于分析结果,该文为研究香氛干预的模拟驾驶实验设计提出建议。

ETC智能化系统疲劳驾驶识别方法浅析

本文主要针对司机疲劳驾驶交通安全行为,提出在服务区基于ETC智能化系统开展疲劳驾驶识别方法应用研究。在充分利用既有ETC门架基础设施的基础上,通过在高速公路服务区入/出口布设ETC天线,ETC天线和车载单元之间进行通讯得到车辆途径收费站及服务区的通行数据,云平台根据接收到的ETC天线上传的车辆通行数据解析出车辆的行驶记录,从而对行驶在高速公路上的ETC车辆进行预警信息提示。通过在高速公路开展基于ETC智能化系统的疲劳驾驶识别方法应用研究,可增强车辆驾驶行为安全性,通过智能化、信息化技术应用,提升服务区的智慧化服务水平。

基于改进YOLOv5的疲劳驾驶识别技术研究

疲劳驾驶是导致交通事故产生的主要原因之一,也是目前各大汽车厂商在智能驾驶安全领域的研究重点。由于驾驶员面部疲劳特征凸显的时间特性离散且特征稀疏,因此研究提出基于YOLOv5算法提取主干网络浅层特征,并进行多特征融合,增设浅层特征预测头组成多预测头检测层,同时将轻量ECA注意力模块融入到Neck特征增强网络,共同组成改进的M-YOLOXs疲劳驾驶识别算法。通过实验分析统计表明改进算法相比较于原YOLOv5框架检测精度提高了2.68%,有效地提高了驾驶员疲劳状态的识别准确率。

基于深度学习的驾驶员疲劳驾驶检测研究

为解决驾驶过程中出现疲劳的问题,提出了一种基于卷积神经网络的疲劳驾驶检测算法。在原始YOLOv5网络的基础上,提出一种Mosaic-8数据增强的方法提高网络训练的学习效率;并在骨干网络C3层中引入SE注意力机制模块,增加网络中通道之间的相关性;最后通过EIOU损失函数替换原网络中的损失函数。相比于原始算法,改进算法对人体的眼睛和嘴巴部位有着更好的检测效果,可以准确地提取驾驶员的眼睛嘴巴开合特征。在驾驶疲劳的评判标准上选择PERCLOS指标对驾驶员的疲劳进行判定,能够客观准确地对驾驶员的疲劳状态进行预警。相较于其他深度学习的疲劳检测算法,所提方法在精度上有所提高,实验证明其准确率可以达到97.8%。

基于计算机图像处理的防疲劳驾驶预警系统

疲劳驾驶检测技术的难点主要表现在迅速、准确、及时地处理实时图像并对驾驶员发出预警,并通过预警有效改善驾驶员的疲劳驾驶状态。此外,功能优异的疲劳报警装置应具备较好的灵敏度、准确性和优越的价格比。该检测技术引入的防疲劳驾驶控制系统,是以速度为触发条件的。但在速度小于70 km/h后,控制系统就处于休眠模式,无法实时对人眼实施控制,所以要对人脸的主动追踪、人眼开合情况的检测诊断及汽车自动减速等问题提出合理方案。

基于Dlib的疲劳驾驶远程监测系统设计

阐述设计疲劳驾驶远程监测系统,利用Dlib人脸检测模型,通过计算EAR与MAR参数值来判断驾驶员是否闭眼或打哈欠,并通过HPE算法判断驾驶员头部姿态。若发现疲劳驾驶,系统会进行警告提示,并通过云端发送到监测平台进行人为干预,实现“双重保险”。经实验测试,此系统可以准确判定货车驾驶员的疲劳状态,降低事故风险。

基于大数据的疲劳驾驶交通事故预防系统

随着社会经济的发展,货运行业越来越发达。而货车驾驶员驾驶时极易发生疲劳驾驶的现象,一旦发生交通事故还会带来很大的社会影响和社会危害。文章主要介绍了疲劳驾驶的相关定义、产生原因、如何收集、整理、分析疲劳驾驶数据和预防系统的构建。以大数据分析构建一个疲劳驾驶交通事故预防系统。

基于轨迹分析的重点车辆疲劳驾驶线索研究

针对网络预约出租车、“两客一危”和疑似非法营运车辆疲劳驾驶的问题,上海市公安局交通警察总队依托一线民警执法进行监控和预警,取得了一定的成效,但仍存在疲劳驾驶难发现、难取证、难监管等问题。为解决这一问题,依靠信息化手段,利用车辆GPS数据综合研判分析,建立基于轨迹分析的重点车辆疲劳驾驶发现模型,为一线执法部门精准执法提供数据支撑。该模型的应用取得了显著的执法成效,对于预防重特大道路交通事故发生起到一定的积极作用。

基于时空脑电特征与并行神经网络的疲劳驾驶检测

鉴于疲劳驾驶是交通事故的主要诱因之一,探索客观准确的疲劳驾驶检测方法具有重要应用价值。考虑到不同类型特征之间的信息互补,不同机器学习算法之间在信息挖掘过程中的优势互补,本文提出一种基于时空脑电(Electroencephalogram,EEG)特征与并行神经网络的疲劳驾驶检测框架。减少容积导体效应,基于锁相值(Phase Locked Value,PLV)将时序EEG数据映射到空间脑功能网络(Brain Functional Network,BFN),先后提取时序EEG数据和BFN中与驾驶过程相关的时域EEG特征和空域度量特征。通过对特征与目标类之间关系的分析,设计特征贡献度算法,为时域EEG特征和空域BFN度量特征赋予不同的贡献系数,分别将两类加权特征作为长短期记忆(Long Short Term Memory,LSTM)网络和二维卷积神经网络(Two-dimensional Convolutional Neural Network,2D-CNN)的输入,充分发挥LSTM网络时序数据处理优势和CNN空间数据处理优势,实现时空EEG特征信息互补以及两类神经网络算法数据挖掘能力的优势互补。在公开数据集上进行系列对比实验,结果表明并行神经网络框架的疲劳检测性能优于其他方法,获得了最高96.47%的准确率。此结果意味着本方法能够为疲劳驾驶预警和辅助安全驾驶提供一种有效的解决方案。

融合机器视觉与高精度定位的高速公路疲劳驾驶行为检测方法

为提高高速公路场景下疲劳驾驶检测的准确率,降低在驾驶员面部易受遮挡、光线复杂的驾驶舱内的疲劳驾驶检测的误判率,提出一种兼顾检测精度与实时性、结合高精度定位与机器视觉的高速公路疲劳驾驶行为检测方法。首先,使用多任务卷积神经网络与FaceNet算法实现驾驶员身份识别,运用改进的实用面部特征点检测器(Practical Facial Landmark Detector,PFLD)算法检测人脸关键点。然后,考虑视频设备工作状态不稳定对疲劳驾驶行为识别产生干扰的场景,基于行驶车辆的轨迹数据,提出纵向位移波动斜率(Slope of Longitudinal Displacement Fluctuation,SLDF),以弥补单一视频设备检测易受光线、遮挡等干扰因素影响的缺陷。随后,使用SLDF指标和3个面部疲劳特征识别疲劳驾驶,并在传统支持向量机(Support Vector Machines,SVM)中加入量子粒子群优化算法,提升SVM分类准确度和缩短运算时间。最后,为验证模型性能进行实车试验,结果表明,复杂场景下疲劳驾驶识别准确率达86.8%,计算时间为3.017 s,与现有其他数据融合算法相比,改进后的SVM分类准确度和运算效率均有提升。融合轨迹、人脸面部多维度、多源的信息有效提高了该系统识别疲劳驾驶的检测精度及其工作的鲁棒性,可为后续高速公路场景下的疲劳特征的检测提供有力支持。

疲劳驾驶检测中低照度图像增强算法

为了解决现有的疲劳状态检测算法在光线不足时准确率较低的问题,提出了一种在光照不足环境下疲劳驾驶检测的算法。首先对采集到的人脸图像进行低照度图像增强处理,以此来提升图像的曝光度;然后采用YOLO人脸目标检测算法获取到人脸的区域;之后采用人脸特征点检测算法勾画出脸部特征点进行睁闭眼和打哈欠的判断;最后统计单位时间内眼睛闭上的比值与上打哈欠的次数,以此判断驾驶员是否在疲劳状态。实验结果表明,在较暗的环境中,提出的检测算法相较于传统算法取得了更好的效果。

为量化疲劳驾驶提供可能

“两客一危”车辆因载人/载货众多,部分物品易燃易爆,一旦出现险情,极可能引发群死群伤交通事故,造成巨大社会经济损失,引起媒体广泛关注。“基于深度学习的‘两客一危’疲劳驾驶辨识与云控平台研发及应用”项目针对“两客一危”疲劳驾驶,充分利用车载摄像头采集视频,提取驾驶员多源特征信息,为疲劳驾驶的量化提供可能。

基于改进YOLOv7的疲劳驾驶检测算法研究

疲劳驾驶是一种常见的危险驾驶行为,准确检测驾驶员是否处于疲劳驾驶状态对于道路安全至关重要。提出一种基于YOLOv7的疲劳驾驶检测算法,该方法使用改进的YOLOv7模型识别驾驶员的眼部、嘴部疲劳状态,再通过计算眼睑纵横比(Eye Aspect Ratio,EAR)、嘴巴纵横比(Mouth Aspect Ratio,MAR)、头部3个欧拉角来判别驾驶员是否疲劳驾驶。实验结果表明,使用MobileOne轻量化的网络作为主干网络,使模型检测速度达到每秒71帧,在Neck部分引入卷积块注意力模块(Convolutional Block Attention Module,CBAM)和Focal EIoU Loss损失函数,在基本不影响速度的情况下使检测精度达到95.35%。本方法在公开数据集NTHU-DDD上取得了较好的疲劳检测效果,可应用于实际场景中的实时安全监测。

复杂环境下多模态特征融合的疲劳驾驶检测

为了避免因疲劳驾驶而导致交通事故的发生,维护城市道路交通和驾乘人员生命安全,该项目针对传统疲劳驾驶检测方法存在着精度低、参数复杂、泛化能力差等核心问题,采用MTCNN模型和基于红外的rPPG等理论,在光照变化、部分遮挡和头部偏转等复杂行车环境下精确提取驾驶员面部与生理信息;同时在深层挖掘多模态的特定疲劳信息后,结合多损失重构(MLR)的特征融合模块利用各模态间的互补信息,避免了单模态检测方法存在的局限性,进一步构建了多模态特征融合模型,增强模型的准确性与鲁棒性;最后考虑到疲劳的时序性,基于Bi-LSTM模型建立了疲劳驾驶检测模块。在自制数据集FAHD上展开实验,证明了红外生理特征提取模型的可靠性,多模态特征输入的有效性,同时与现有融合方法相比,本文方法融合后的预测结果与疲劳标定值间的相关系数提高了5.6%,均方根误差减少25%,疲劳检测系统准确率达到了96.7%,在推动智慧交通发展的同时对维护交通安全也有较好的积极意义。

基于迁移学习的跨被试脑电疲劳驾驶检测

在利用脑电信号进行疲劳驾驶跨被试检测中,克服脑电的个体差异是一项重大挑战,欧氏空间对齐是一种解决方法,然而该方法要求目标域上有大量数据。为降低跨被试检测中对目标域数据的依赖,我们提出一种基于模型迁移学习和改进欧式空间对齐的方法,以提高模型在有少量目标域数据时的分类能力。所提出的方法首先对源域数据进行欧式空间对齐以降低个体间差异,接着对目标域数据进行参考矩阵相似度加权平均对齐,使用深度卷积神经网络用于特征提取和分类,在源域上预训练后在目标域上微调。测试结果显示所提出的对齐方法能有效提高少量目标域数据可用时的跨被试分类准确率,最好的准确率达到96.12%。

基于跨尺度EEG特征融合的疲劳驾驶检测

疲劳驾驶是交通事故及其所导致死亡的主要原因之一。传统基于生理信号的疲劳驾驶检测方法往往使用单一尺度,使得部分有价值信息丢失。为此,提出了一种基于跨时空尺度脑电(electroencephalogram,EEG)特征融合的疲劳驾驶检测方法。基于可视图理论映射时序EEG信号到空间网络,以实现时空EEG转化;分别提取时域和空域EEG特征,发掘不同时空EEG特征对疲劳驾驶检测的潜力,设计基于特征权重系数的时空EEG特征融合方法,进而实现疲劳驾驶检测。实验结果表明:该方法可以有效地实现疲劳驾驶检测,最高检测准确率能够达到95.15%。