驾驶人注意力分散的图像检测与分级预警

针对当前驾驶人注意力分散(DAD)图像检测的研究中,眼睛、嘴唇等目标易受到光照与遮挡的干扰,头部姿态模型的鲁棒性与准确性不易保证的问题,提出基于鼻孔图像识别的注意力区域识别方法与DAD层级预警.首先建立基于BF-SSR光照均衡法的Adaboost-肤色模型来识别驾驶人脸区域,在此范围内根据色度、面积与圆度的聚类特征来检测鼻孔,依据成像面上的鼻孔坐标变化来建立头部俯仰与横摆姿态模型,并解决头部平动时的参数初始化问题;然后定义头部横摆角、俯仰角、鼻孔中心坐标偏移量作为特征向量集,建立注意力区域的SVM分类模型;最后根据注意力偏离的时长、分配比例以及偏离的必要性建立DAD分级预警.实验结果表明,该方法对光照、眼镜、头部运动等干扰的鲁棒性好,头部横摆与俯仰姿态的平均误差为5.5°和4.9°,SVM对驾驶人注意力区域的分类准确率为85.8%,DAD预警准确率为85.4%.

基于HOG特征提取与SVM驾驶员注意力分散行为检测方法研究

驾驶员注意力分散是导致交通事故的主要原因。该文以驾驶员注意力分散行为图像为分类目标,提出了一种基于方向梯度直方图(Histogram of Oriented Gradient,HOG)与支持向量机(Support Vector Machine,SVM)的行为检测方法。首先,获取图像中的感兴趣区域,并对图像进行增强、去噪及归一化处理;然后,提取图像HOG特征,进而采用交叉验证法对SVM分类器中的参数进行优化;最后,对视频图像中驾驶员的不同行为进行分类识别。实验中,通过与传统SVM算法以及基于局部二值模式的SVM算法进行对比,验证了所提方法具有更好的识别准确率。

基于多尺度特征融合的驾驶员注意力分散检测方法

近年来,道路交通事故的发生逐年增加。驾驶员注意力不集中是造成交通事故的主要原因之一。该项工作利用多源数据来检测驾驶员是否注意力分散。由于每个数据源能为其余数据源提供一定的信息,即多源数据之间的关联性较强,因此对不同来源的数据进行同等处理或对多源特征进行简单的连接整合会导致特征耦合度高,不能保证挖掘任务的有效性。另外,注意力分散驾驶可能受到许多因素的影响,当已知类别的集合中不存在驾驶员注意力分散的类型时,常见的有监督方法可能会导致分类错误。对此,提出了一种基于多尺度特征融合的驾驶员注意力分散检测方法(Multi-Scale Feature Fusion Network,MSFFN)。首先,通过多个嵌入式子网络从多源数据中学习低维表示。然后,提出一种多尺度特征融合方法,从时空关联性的角度聚合这些特征表示,降低多源特征之间的耦合度。最后,设计基于卷积长短期记忆的编解码模型进行无监督检测。在训练阶段,模型仅对正常驾驶实例进行训练,确定正常数据的一类分类边界。在检测阶段,计算模型重构误差并将其作为每一个测试数据的评分,从而做出细粒度的检测决策。该方法在公开的驾驶员行为数据集上取得了很好的实验结果,优于现有方法。

驾驶员注意涣散检测技术研究

通过对注意涣散时驾驶员头部运动及面部表情变化特征的分析,系统实时监测驾驶员眼睛、嘴巴位置和运动状态信息,构建驾驶员注意涣散特征表征参量,实现对驾驶员注意涣散状态信息的检测与提取。驾驶员注意涣散表征量具有复杂的非线性特征,利用BP神经网络非线性识别的优势对驾驶员注意特征进行模式分类,实现驾驶员不同注意涣散状态下的特征捕捉。同时采用Dempster-Shafer证据推理技术,对驾驶注意涣散多源表征信息进行决策融合,实现对驾驶员注意涣散状态的判断。结果表明,BP神经网络与D-S规则多源信息决策融合技术的运用提高了驾驶员注意涣散特征检测的准确性和可靠性。

基于机器视觉的驾驶员注意力状态监测技术研究

在将头部朝向近似为视线方向的前提下,研究了驾驶员头部朝向角度与注意力分散之间的关系;提出了头部朝向偏离路面的持续时间和时间比例两个注意力分散指标,建立了基于驾驶员面部特征点(如眼睛,鼻孔)的模型以进行头部朝向角度的估算和注意力分散程度的判别。实验结果表明,对驾驶员面部朝向角度的估计精度达到了较高水平,对注意力分散的检测也达到了较高的准确率。