基于人体姿态估计的分心驾驶行为检测

为弥补现有驾驶特征提取方法的不足,提高分心驾驶行为检测的准确性和鲁棒性,将2D/3D人体姿态估计应用于驾驶人行为检测,提出一种适用于驾驶舱环境下的驾驶特征提取方法。首先通过将2D姿态估计网络Simple Baseline和分类网络ResNet进行融合,构建基于2D姿态估计的分心驾驶行为检测模型,并在分心驾驶数据集State Farm上分析不同数据增强方法、不同超参数、不同分类网络对模型性能的影响。其次,融合3D密集姿态估计网络DensePose与分类网络ResNet,构建基于3D姿态估计的分心驾驶行为检测模型。接着,在State Farm数据集上,针对模型的实时性和泛化能力,对比分析基于原始图像和基于2D/3D姿态的分心驾驶行为检测模型。最后,针对效果更优的基于2D姿态估计的分心驾驶行为检测模型,在分心驾驶数据集State Farm上,对使用不同姿态估计算法和分类网络的分心驾驶行为检测模型做了交叉试验,对比分析4个不同检测模型的优缺点。进一步地,将基于2D姿态估计的分心驾驶行为检测模型应用于实际采集的驾驶图片,对模型的泛化能力和有效性进行了测试验证。研究结果表明:与基于原始图像的检测模型相比,基于2D和3D姿态的检测模型都能显著提高分心驾驶行为的检测准确率;基于3D姿态的检测模型在检测精度方面略优,但基于2D姿态的检测实时性更好,检测效率是基于3D姿态检测的4倍;在驾驶舱单一环境下,基于2D姿态估计的分心驾驶行为检测模型能够满足分心驾驶行为检测的需求,在分心驾驶行为检测方面具有重要应用价值。     

手机使用对驾驶员行为影响研究综述

驾驶中使用手机通话存在安全隐患,可能直接或间接地导致交通事故.从驾驶时使用手机的原因切入,分析了手机使用对驾驶的影响.手机使用引起驾驶分心从而影响驾驶行为.总结国内外手机对驾驶影响的研究,得出结论.      

基于深度学习的分心驾驶行为检测方法

针对现有分心驾驶行为检测方法存在的检测精度低、实时性差等问题，利用基于深度学习的目标检测方法进行了驾驶员分心驾驶行为检测，首先构建分心驾驶行为数据集，包括驾驶员使用手机、饮水和吸烟3种行为的图像，并进行目标物的标注，然后选用轻量化目标检测模型NanoDet进行训练验证，结果表明，该方法可以准确并快速地识别出驾驶员在驾驶过程中使用手机、饮水和吸烟的行为。     

驾驶分心检测方法综述

道路交通事故已经成为世界人民非自然死亡的主要原因,有学者认为90％的交通事故与驾驶员自身因素关联,而其中又有超过50％与驾驶分心相关.为了对驾驶员分心进行识别以及为下一步的分心预警干预提供结果判断,文章介绍了常见的驾驶分心检测与识别方法,包括人脸识别方法,眼睛瞳孔位置识别以及基于驾驶员生理信号(EEG)的分心监测方法....     

基于MobileViT-CA模型的营运车辆驾驶人分心行为检测

营运车辆驾驶人因其职业特殊性,驾驶过程中易产生分心驾驶行为从而引发重大交通事故。为提高营运车辆驾驶人分心驾驶行为的检测准确性和泛化性,提出一种基于改进MobileViT网络的驾驶人分心行为检测方法。首先,基于自然驾驶实车试验,构建包含安全驾驶、使用手机、喝水、整理仪容和与副驾驶交谈5类行为的营运车辆驾驶人分心行为数据集。其次,将注意力机制引入轻量型MobileViT网络,通过选择有效的网络主干MobileViT、注意力模块CA、网络嵌入位置从而设计出最优分类模型MobileViT-CA。研究结果表明：所提出的MobileViT-CA分类模型可以有效提升分类网络的性能,在正常光照条件下的营运车辆驾驶人分心行为数据集和State Farm数据集上分别达到了96.57%和99.89%的准确率,且模型具有体积小、检测精度高的优势,有较高的可靠性和泛化能力。     

认知分心对车辆跟驰过程操控安全性的影响

为了研究车辆跟驰过程中驾驶人认知分心与驾驶安全的关系,采用驾驶模拟器构建城市道路车辆跟驰场景,并设计3种难度等级的认知分心次任务,采集35名被试驾驶人在试验过程中的方向盘转角、油门开度、制动踏板力等操作参数,以及车辆位置、速度、加速度等车辆运动参数。采用重复测量一般线性模型,分析不同等级认知分心对上述参数的影响。研究结果表明：在横向操控方面,随着认知分心程度增高,方向盘回转率增大,但车辆横向位置标准差减小,表明驾驶人处于认知分心时,采取频繁修正方向盘的补偿方式,降低车辆横向位置波动,过度补偿车辆横向安全性,且该补偿行为与认知分心程度正相关;在纵向操控方面,认知分心时,油门开度、制动踏板位置方差增大,且制动踏板位置均值增大,同时车头间距及时距未观察到显著性变化,表明认知分心时驾驶人采取频繁操作油门、制动踏板,增大制动幅度等方式进行补偿,使车头间距及车头时距等表征车辆纵向跟车安全性参数处于正常驾驶水平,但加速度标准差增大,表明跟车稳定性降低。研究结果为涉及分心的人车交互装置优化设计及考虑分心状态的驾驶人状态管理系统开发提供了一定的理论依据。     

基于驾驶人分心影响程度的驾驶分心任务评级

为了进行驾驶分心任务评级,以选择反应判断检测和处置判断检测为试验平台,分析分心任务对驾驶人的影响.对13名被试驾驶人施加分心任务,包括视线遮挡、交谈、回忆、数学计算及部分任务的组合,并将各种分心状态下的反应时间及操作错误次数与无分心任务时进行对比.研究表明,在无驾驶操作的情况下,视线偏离1 s和交谈所产生的分心对驾驶人反应时间和操作准确度影响的差异不显著;认知分心任务比视觉分心任务产生更高的精神负荷;视觉分心与认知分心形成的复合分心任务对驾驶人的反应时间和操作准确度影响最大;基于对驾驶人的影响程度,可将常见分心试验任务大致划分为5个等级,依次为:无分心,视觉分心1 s/交谈,回忆,视觉分心3 s/计算,复合分心.     

基于类间距优化的分心驾驶行为识别模型训练方法

分心驾驶行为识别任务可以看作细粒度图像分类任务,即图像中较小区域所包含的特征决定了该图像的类别,如一张图像是正常驾驶还是与副驾驶聊天完全由驾驶员的脸部朝向来决定.对于那些图像差异很小的类别,图像分类通常训练方法训练出的模型无法高精度地区分.针对这一问题,提出了基于类间距优化的分心驾驶行为识别模型训练方法,通过增大模型从...     

驾驶行为与驾驶风险国际研究进展

驾驶人在驾驶车辆的过程中总会面临由自身或外界条件所带来的或高或低的风险,即驾驶风险,通过对驾驶风险进行识别、分析及评估是对风险进行管理的有效对策,明确由人为因素（即驾驶人个体特征及驾驶行为）所带来的驾驶风险并对驾驶人进行安全管理尤为重要。为了全面了解各类危险驾驶行为和各种驾驶人群体的驾驶风险行为研究进展,对驾驶风险领域重点问题进行了总体概述。从驾驶人个体特征及驾驶行为的角度出发,探究了驾驶风险领域目前的研究现状,并利用科学知识图谱展示驾驶风险领域研究的发展进程与结构关系。通过Web of Science核心合集数据库获取了3 406篇在1986~2020年（截至2020年2月29日）间出版的驾驶风险研究相关英文文献,共涵盖8 684位作者及6 018个关键词,基于科学知识图谱对该领域文献进行梳理与分析。结果表明：驾驶风险领域的国外研究在驾驶人选择方面主要从年轻驾驶人、老年驾驶人、新手驾驶人及职业驾驶人的角度进行切入,重点围绕酒驾、药驾、分心驾驶及疲劳驾驶等主题开展研究。与国外研究相比,中国在分心驾驶、疲劳驾驶领域的研究相对丰富,而针对酒驾、药驾的研究试验手段较为单一,研究不够全面;在研究对象的选取上,有必要进一步增加老年驾驶人及新手驾驶人的深入研究,包括老年驾驶人适驾性评估与教育培训,以及新手驾驶人驾照分级制度的可行性探索。在研究方法方面,国外常见研究方法包括问卷调查、驾驶模拟器试验、实车试验以及自然驾驶研究等,而中国在自然驾驶研究领域尚未充分开发利用;未来应考虑多种方法相结合并从不同角度促进对驾驶行为及驾驶风险的全面理解。     

考虑分心驾驶行为的高速公路合流区安全性评价方法

现有的公路项目安全性评价主要基于车辆运行速度的协调性,并未考虑交通状况和驾驶人可能出现的注意力不集中情况。考虑驾驶人分心驾驶和交通状况,提出一种高速公路合流区安全性评价方法：将驾驶行为、交通流及合流区几何设计等因素纳入到安全评价模型中,构建高速公路合流区的Vissim仿真模型,通过设置临时走神的持续时长和发生概率这两个参数实现对分心驾驶行为的模拟;采用灰色聚类方法综合评价高速公路合流区的交通安全性,构建入口匝道合流区的风险预测模型,并应用该模型预测依托工程高速公路入口匝道合流区的交通安全风险。研究发现入口匝道合流区的风险预测值符合多元线性回归,在相似的交通流状态下随着走神时间、走神概率的增加而单调递增。除了驾驶行为因素,交通量、主线与匝道运行速度差是影响合流区交通安全的另外两个主要因素。当高速公路主线交通量较大时,合理的限速可以降低合流区的风险水平。提出的考虑分心驾驶行为的安全性评价方法可快速、全面地评价合流区的风险水平,为制定合理的交通管制措施、改善公路合流区交通安全提供理论依据。     

基于自然驾驶数据的分心驾驶行为识别方法

大量证据表明，驾驶人分心是导致交通事故的主要原因之一。当前基于侵入式（如脑电波等）或半侵入式（如视频等）检测驾驶人分心的方法，不仅对驾驶任务造成一定干扰，且受多种环境因素的制约，误报率较高。基于此，只考虑非侵入式车辆运动特征，提出一种基于深度学习的驾驶人分心状态识别方法：首先，从自然驾驶数据集中获得大量的跟驰片段，采用态势感知方法，提取典型的分心驾驶片段，并建立仅包含车辆运动学特征的分心判别指标集；其次，利用梯度提升决策树-递归特征消除算法（GBDT-RFE）和随机森林-递归特征消除算法（RF-RFE）对特征进行重要度排序，得到重要度较高的分心监测指标；最后，采用长短时记忆神经网络（LSTM-NN）实现分心驾驶的分类识别，并与支持向量机和AdaBoost的模型结果进行对比。研究结果表明：LSTM-NN在判别分心或正常状态时F₁分别为89%、91%，高于SVM和AdaBoost对应二分类结果；进行多分类任务时，判别分心情景的平均F₁较SVM和AdaBoost分别提升了12%和7%，不同类别分心识别的误报率在15%以下，说明LSTM-NN能够有效学习分心序列的前后信息，有利于准确估计驾驶人的状态。研究结果可为车辆分心预警系统和驾驶风险倾向性评估提供方法基础。     

分心对驾驶人交通冲突反应时间的影响(双语出版)

为了研究分心对交通冲突状态下驾驶人反应时间的影响,采用驾驶模拟器构建城市道路交通环境下2种典型冲突形态：侧向行人冲突和纵向追尾冲突,设计认知、视觉以及发短信（认知+视觉复合分心）3种分心任务,在不同行驶车速、跟车时距、前车减速度等紧迫度条件下,采集30名驾驶人应对交通冲突的制动反应时间,分别采用重复测量一般线性模型及线性混合模型进行统计分析。研究结果表明：认知分心使驾驶人应对侧向行人冲突的制动反应时间增加0.09 s,但未观察到其对纵向追尾冲突反应时间的显著性影响;视觉分心与发短信都会延缓驾驶人应对侧向行人（分别增加0.31 s和0.27 s）以及纵向追尾冲突（分别增加0.47 s和0.38 s）的制动反应时间;此外,在纵向追尾冲突中,随着冲突紧迫度提高（前车减速度增大、车头时距减小以及自车速度增大）,驾驶人制动反应时间显著减小。表明驾驶分心延长了驾驶人应对交通冲突的反应时间,容易导致事故的发生,具体而言,认知分心主要延长驾驶人应对侧向冲突的反应时间,涉及视觉的分心同时延长驾驶人应对侧向及纵向冲突的反应时间;视觉分心对驾驶人反应时间的延长显著性高于认知分心,说明视觉分心对行车安全影响更大。     

Which factors lead to driving errors? A structural equation model analysis through a driving simulator experiment

As driving error is a main contributory factor of road accidents, its causes and consequences are of great interest in the road safety decision making process. This paper investigates several factors (including driver distraction, driver characteristics and road environment) that affect overall driving error behaviour and estimates a new unobserved variable which underlines driving errors. This estimation is performed with data obtained from a driving simulation experiment in which 95 participants covering all ages were asked to drive under different types of distraction (no distraction, conversation with passenger, cell phone use) in rural and urban road environment, as well as in both low and high traffic conditions. Driving error was then modeled as a latent variable based on several individual driving simulator parameters. Subsequently, the impact of several risk factors such as distraction, driver characteristics as well as road environment on driving error were estimated directly. The results of this complex model reveal that the impact of driver characteristics and area type are the only statistically significant factors affecting the probability of driving errors. Interestingly, neither conversing with a passenger nor talking on the cell phone have a statistically significant impact on driving error behaviour which highlights the importance of the present analysis and more specifically the development of a measure that represents overall driving error behaviour instead of individual driving errors variables.     

手机操作类型对驾驶人跟车行为的影响（双语出版）

为了探究行车过程中手机使用模式对驾驶人跟车行为的影响,依据功能类型及使用模式将手机操作分为8类,利用驾驶模拟器开展试验,提取跟车速度、跟车间距、车头时距、横向偏移距离、方向盘转角5项指标表征车辆的横向、纵向运行状态,定义驾驶人的注视点分布信息熵、注视点区域分布比例、注视时长、扫视频率、扫视时长、眨眼频率、眨眼时长7项指标表征驾驶人眼动特性,分析驾驶人进行不同手机操作时的车辆运行特性与驾驶人视觉特性,并利用方差分析法验证上述指标作为驾驶人跟车行为衡量指标的有效性。应用灰色关联分析法对8类手机操作对驾驶人跟车行为的影响程度进行量化,并结合具体手机操作的分心内容、形式和动作时间,对具有相近功能的两两操作进行对比分析。结果表明：特定的手机操作行为对选取的各项车辆运行指标与驾驶人视觉特性指标有显著影响;对驾驶人跟车绩效影响由大到小的手机分心操作依次是发送文字信息、阅读文字信息、手持接听电话、发送语音信息、按键拨打电话、听取语音信息、语音拨打电话、免提接听电话,文字信息的编辑和阅读等操作对驾驶人跟车行为的影响大于其他手机操作;研究结果可帮助驾驶人明确不同手机操作对行车安全的危害程度。     

模拟驾驶环境下驾驶人分心状态判别

为了探寻驾驶人分心判别方法,构建了驾驶人分心状态判别模型。首先设计分心模拟驾驶试验,采集正常驾驶和发送语音信息过程中的驾驶绩效特征和驾驶人眼动特征数据,建立驾驶人分心状态判别指标备选集;其次,采用基因选择算法对备选指标进行筛选,得到29个备选指标的重要度排序;然后,依次选取重要度较高的部分指标作为BP神经网络的输入指标,利用遗传算法（GA）全局搜索的性能优化BP神经网络的初始权值和阈值,将优化后的GA-BP神经网络作为弱分类器,再将多个弱分类器组合成Adaboost强分类器,建立基于Adaboost-GA-BP组合算法的驾驶人分心状态判别模型;最后,利用模拟驾驶器试验平台采集的数据计算不同判别指标数量下模型的性能,从而确定最优判别指标,并对模型进行验证和评价。结果表明：模型最优判别指标为重要度排序中前14个指标;模型能够准确识别驾驶人分心状态,判别精度为95.09%;与BP神经网络算法、GA-BP神经网络算法和Adaboost-BP神经网络算法相比,Adaboost-GA-BP组合算法在准确率、精准率、召回率、F₁值和ROC曲线等模型性能方面均最优。建立的模型能够有效判别驾驶人分心状态,可为驾驶人分心预警系统和分心控制策略提供依据。     

汽车驾驶模拟器在交通安全中的应用综述

汽车驾驶模拟器是1种研究“人‐车‐路‐环境”交通特性的重要工具,由于具有重现性好、安全性高、成本低等优势,被广泛应用于交通研究方面,尤其因其能够在危险场景中采集多种车辆数据,近年来汽车驾驶模拟器在交通安全方面的研究进展飞速。文中简要介绍了汽车驾驶模拟器的国内外发展历史,从驾驶分心、道路设计、交通设计、交通事故和驾驶疲劳5个方面梳理出汽车驾驶模拟器在交通安全领域的应用研究,并分析了这5个方面研究领域中驾驶模拟器实验的其中利弊,探讨了汽车驾驶模拟器在中国交通安全研究中的应用前景及存在的问题。      

国内汽车市场驾驶人眼动行为检测技术分析

为研究不同认知分心等级时的驾驶人眼动行为,通过数理统计的分析方法,对实车道路试验采集的驾驶人完成不同等级认知次任务时的眼动行为特性指标进行了对比分析,定量研究了不同认知分心等级时驾驶人的眨眼、扫视及注视的变化规律。结果表明:认知次任务复杂度、眨眼频率、扫视幅度、视野广度之间显著相关。随着认知次任务难度的增加,驾驶人眨眼频率显著增加、搜索广度明显缩小、注视点分布更加集中。可见本文的研究可以为基于眼动行为的驾驶辅助系统的开发提供理论支持。     

驾驶人在手机通话行为中的认知分心图像识别研究

在手机通话（MPC）行为中，驾驶人极易陷入认知分心（DCD）状态，对此提出了一种基于头-眼行为特性的DCD图像识别方法。为适应自然驾驶中的波动光照和复杂背景，首先建立基于YCbCr色彩空间的在线肤色模型，提取待检肤色区域的PCA-HOG特征并建立支持向量机分类器来识别MPC手势；与此同时，采用多尺度局部模极大值方法检测嘴部显著边缘，并通过边缘活跃度来识别驾驶人说话行为，综合MPC手势和说话行为建立MPC行为的判别逻辑。最后，以5 s为时间窗口获取驾驶人的眼球活跃度、眨眼指数、头部横摆和俯仰运动活跃度，采用D-S证据理论建立融合头-眼行为特性的DCD识别方法。试验结果表明：融合手势和说话行为图像检测的MPC识别率为92.8%；对于不佩戴眼镜的驾驶人，眼球活跃度是DCD识别率最高的单一指标，“眼球活跃度-头部横摆活跃度-头部俯仰活跃度”融合证据的DCD识别率最高，为86.2%；对于佩戴眼镜的驾驶人，“头部横摆活跃度-头部俯仰活跃度”融合证据的DCD识别率最高，为83.2%；算法对熟练驾驶人的DCD识别率略高于非熟练驾驶人。