基于多传感器的电动轮椅驾驶状态检测

电动轮椅的主要用户为老年及残障人士,这类人因认知和体能衰退,在驾驶时易疲劳、注意力不集中,有较高的驾驶风险。为提升电动轮椅的驾驶安全性,本文提出了一种基于多特征融合的驾驶状态检测方法。该方法通过惯性传感器和单目相机采集驾驶者的头部姿态和面部图像,提取头部、眼部特征,融合数据,最后利用多特征联合判定驾驶状态是否处于疲劳、分心状态。实验结果表明,电动轮椅驾驶状态检测系统具有良好的识别效果。

激进驾驶状态识别算法研究

为识别和量化激进驾驶这一极易导致交通事故的驾驶状态,建立了激进驾驶状态识别算法。首先根据驾驶的操作特点提出驾驶状态-驾驶行为-驾驶模式3层结构并建立其数学描述。然后基于Stevens幂定律提出驾驶模式激进程度的量化指标——激进指数,并在此基础上建立了激进驾驶状态识别算法以区分不同驾驶状态的激进程度。最后通过不同驾驶状态的实车实验样本完成算法参数确定和算法验证,结果显示该算法能有效识别激进驾驶状态。

基于驾驶状态识别的自动紧急制动控制策略

针对自动紧急制动系统缺乏对驾驶员实际需求与个性化考虑的问题,提出一种基于驾驶状态识别的自动紧急制动控制策略。引入驾驶状态识别系数将驾驶状态分为激进型、标准型和保守型3类,并将其用于最小安全距离修正。结果表明,基于驾驶状态识别的自动紧急制动系统可以更好地协调车辆起始制动距离,车辆制动后与前车的最小安全距离更符合驾驶员的心理预期,提高了驾驶员的认可度与信任度。

机动车驾驶员驾驶状态监测方法研究

驾驶员的驾驶状态对行车安全有着很重要的影响。准确、实时地监测到驾驶员驾驶状态是预防交通事故发生的前提条件。重点介绍了驾驶状态监测技术的研究现状,比较分析了几种目前较为流行的监测方法,提出了监测驾驶状态的有效方案。

基于多传感器信息融合技术的驾驶状态监控研究

对基于多传感器信息融合技术的驾驶状态监控进行了研究,阐述了该技术中传感信息的选择原则,并就监控系统的结构、系统处理模型和监控系统的工作过程进行了探讨。

城市轨道交通列车司机驾驶状态监测研究

该文为了降低轨道交通列车运行的安全风险,提出了基于视觉识别和智能手环的能够监测司机注意力集中程度、规范操作手势和关键身体指标的司机驾驶状态监测方法。首先根据列车司机的工作内容和工作特点,提出了监测对象。然后研究了关键检测技术和司机状态的判别方法,并设计了多数据的融合方法。最后在模拟环境中验证了监测方法的准确性和可靠性。

基于面部特征与深度学习的疲劳驾驶状态检测研究

在驾驶机动车时,驾驶员的面部信息尤其是眼睛和嘴巴最能够反映驾驶员的疲劳状态。为了提高机动车驾驶的安全性,本文提出了一种基于面部特征和深度学习的疲劳驾驶状态检测研究模型。首先设计一种改进的三级级联卷积神经网络检测驾驶员人脸图像,再使用轻量级特征提最小单元结构定位人脸关键点,通过基于眼睛纵横比(Eye Aspect Ratio,EAR)和基于嘴唇纵横比(Mouth Aspect Ratio,MAR)的方法判定眼睛疲劳和嘴部疲劳状态,最后利用支持向量机(SVM)融合眼部和嘴部疲劳特征进行疲劳驾驶状态检测。通过实验表明,该算法可以准确地定位出人脸关键点,且具有较高的疲劳检测准确率和较好的鲁棒性。

车辆驾驶状态监控预警系统设计

为了监控和预警运营车辆的驾驶员不良驾驶行为,降低交通事故发生的概率,笔者设计了驾驶状态监控预警系统,介绍了该系统的硬件设计方法和软件设计流程。该系统通过采集车辆内部各路传感器信号,可以监控驾驶员的不良驾驶行为、车距、车速、车道偏移状态等,实现对车辆驾驶人的驾驶行为动态监管和驾驶行为安全预警。

城市轨道交通列车司机驾驶状态监测系统设计

针对轨道交通列车司机人为因素对列车运行安全带来的风险,设计了一种司机驾驶状态监测系统.首先,根据轨道交通发展趋势,采用两级架构设计该监测系统;然后,对监测系统的关键技术进行了研究;最后,使用列车模拟驾驶平台,对监测系统的功能进行了验证.仿真结果表明系统功能稳定,对异常驾驶状态识别率高.

基于计算机视觉的驾驶状态监控实验平台

基于计算机视觉,构建了一个驾驶状态监控实验平台,平台硬件部分包含CCD摄像机、嵌入式计算机、告警装置等,软件部分包含图像采集模块、图像特征提取模块等。该系统可安装在普通汽车上,实时地定位驾驶员的脸部、眼睛的位置,为进行驾驶行为分析、实时监控等实验提供基础数据。系统的应用,对防止不安全驾驶行为,提高交通安全有着重要意义。

驾驶状态监测法规的实施与探究

从测试要求、步骤、试验结果判定标准、可靠性验证方法等方面,研究了标准T/JSATL13—2017中驾驶员状态监测设备的检测方法,分析了当前该标准在驾驶员状态监测这一功能实施过程中存在的难题,提出了建议和应对措施。

基于计算机视觉的车道识别及驾驶状态监测方法

文章介绍了利用计算机视觉技术实现车载摄像头对车道识别分析、驾驶员驾驶状态实时监控的监测方法,并将监测方法结合具体应用场景开展实践研究;通过OpenCV实现了驾驶员人脸识别和道路直线检测,为驾驶员驾驶提供一定辅助功能;使用Yolov5进行疲劳检测和对手机、水杯等物品进行检测,以提高驾驶员专注程度和驾驶安全性。

基于联邦学习的司机驾驶状态识别

目前,各项新技术不断被应用于各个行业,对于人工智能技术在交通行业的应用方面,目前有许多车辆拥有的数据资源并未被充分利用,移动的车辆可以为人工智能网络模型训练提供丰富的数据资源。因此,以司机驾驶识别场景为例,提出一种基于联邦学习的司机驾驶状态识别的方法,利用联邦学习“数据不动,模型动”的特点,在保护车辆数据隐私的情况下,充分利用现有车载数据资源训练出性能好的模型应用于实际交通场景。

深度可分离卷积网络的驾驶状态识别算法

针对嵌入式设备内存小及多分类准确率低等导致驾驶员检测问题,提出经过深度可分离卷积网络改进而成的,快速下采样网络(fast downsampling network,MF-Net)驾驶状态识别系统.即将快速下采样策略应用于深度可分离卷积网络,在12层内执行32倍下采样,以有效降低计算成本、增加信息容量并实现性能改进.实验结果表明:与VGG(visual geometry group)和ResNet 50等其他卷积神经网络(CNN)模型相比,所提出的MF-Net模型深度可分离卷积大大减少参数量,快速下采样方案的运用增加了网络的信息容量,不仅模型较小且在驾驶员状态分类方面能够表现出更好的性能.同时,信息容量的增加可以对更多信息进行编码,加深对图像内容的理解,有利于之后的嵌入式系统移植.

驾驶员状态智能检测系统设计

疲劳驾驶和酒后驾驶是国内外交通事故的主要原因,如何从根本上阻止事故的发生,值得我们深思。据此,主要运用眼动仪和酒精检测仪,结合电信号转换与电路闭锁功能,达到汽车闭锁的目的。根据眼动仪技术捕捉驾驶员的眼动参数与轨迹,并结合传统气体检测技术,达到准确检测驾驶员驾驶状态的目的,并能够较为智能地控制车辆做出相应的动作,以达到保护驾驶员的人身安全与财产安全,减少交通事故的发生,从而创造出更加安全、高效的交通环境。

基于云模型的驾驶员驾驶状态评估方法

为了满足智能车辆辅助驾驶系统对驾驶员状态监测的要求,提出了一种以云模型理论为基础的评估机动车辆驾驶员驾驶状态的方法。介绍了云模型定义、云模型的3个数字特征和云发生器。通过云模型对实际道路上采集的驾驶员不同驾驶状态下的视频录像进行了建模和比较。在清华大学室外移动机器人平台THM R-V上进行了简单实验,实验结果表明,该方法可以识别驾驶员的异常驾驶行为并且给出报警信息。

驾驶员状态监测目标动作报警阈值的确定

当前驾驶员状态监测目标动作报警阈值的确定多根据技术能力及驾驶员驾驶习惯讨论得出,缺乏理论依据。为此,论文通过设计实验通过驾驶模拟器采集车辆操纵及运行状态参数,建立车辆运行状态评价指标体系。提出一种通过K-means算法对驾驶人不安全驾驶行为数据集进行聚类确定报警动作阈值的方法,可以为驾驶员状态监控系统的开发及相关测试标准的制定提供参考。

驾驶员状态监测系统测试评价方法分析

随着智能驾驶汽车的高速发展,L2级别的高级辅助驾驶系统装车率也越来越高,L3级自动驾驶已逐步实现,而安全自动驾驶还尚未完全落地,当前正处于人机共驾阶段,尽管ADAS系统可以降低交通事故发生率,但疲劳驾驶、分心驾驶和危险驾驶等交通安全“隐形杀手”仍长期存在,给驾驶员和乘客带来生命安全,驾驶员状态监测系统能有效避免疲劳或者分心驾驶引发的交通事故,已经成为避免事故和改善道路驾驶安全的一项关键技术。本文介绍了驾驶员状态监测系统工作原理,分析了目前国内外驾驶员监测系统的测试评价方法,并总结了该系统的未来发展动向。

嵌入式驾驶员状态检测算法的实现与优化

提出了一种可以在嵌入式平台上实时运行的驾驶员状态检测算法.状态检测采用了基于统计学习的Adaboost算法与动态建模算法.与传统的采用主动红外光的方法相比,本系统采用对人眼更为安全的被动式方法,且对光线的变化有更好的鲁棒性.算法的主要创新点是:1)提出了检测区域自适应调整的单双眼检测相结合的Adaboost人眼检测算法,提高了人眼检测的准确性与速度;2)提出基于高斯混合模型的人眼动态建模跟踪算法,自动提取驾驶员眼睛区域灰度分布的信息,实现了对不同驾驶员人眼的建模与跟踪定位.在多个公共数据集以及实车采集的视频上进行的实验表明,该算法能够准确判断驾驶员的状态,满足实时处理的要求.

基于迁移学习和AlexNet的驾驶员行为状态识别方法

为了解决传统基于神经网络算法的驾驶员行为状态识别系统精度过于依赖大量训练样本的问题,提出将迁移学习理论和Alex Net引入到驾驶员行为状态的识别研究中。首先对驾驶员行为特征及状态进行深入分析,对驾驶员7种驾驶状态进行了定义,构建了驾驶员状态信息采集系统;然后对基于卷积神经网络的驾驶员状态识别方法研究,建立了驾驶员状态数据集,构建了基于Alex Net卷积神经网络的状态监测系统,通过迁移学习完成了卷积神经网络识别模型。最后通过实验验证了提出的驾驶员状态识别算法对7种驾驶员状态识别的有效性。实验表明:该系统准确率达到97. 8%,且在实验设备中运行速度达到70帧/min,满足较高的准确率要求与实时性要求。