基于眼睛状态识别的驾驶员疲劳实时监测

提出了一种基于眼睛状态识别的驾驶员疲劳状态实时监测的方法。为了实现眼睛状态的检测,首先通过计算累计背景和当前帧的差分图像的质心确定脸部范围,然后通过二值化和轮廓检测确定眼睛的搜索区域。在利用启发式规则进行筛选定位之后,计算眼睛骨架曲线和两眼角连线之间的距离得到眼睛的睁开程度。通过计算相应的疲劳指标如PERCLOS、平均睁眼程度、最长眼睛闭合时间来推测驾驶员的疲劳状态。以驾驶员面部视频的主观评分作为评价依据对检测方法进行评价,结果显示上述3个指标在不同的疲劳等级下均存在显著性差异,通过对不同指标的融合可达到较好的疲劳检测准确率。     

驾驶员要有好心态

心态，即一个人的内心状态和心理活动。人每时每刻都具有不同的心态。 一位名人这样说：“播下一种心态，收获一种行为。”科学和实践证明，一个人的心态直接影响和制……     

基于深度强化学习的驾驶员跟车模型研究

为提升智能驾驶系统的纵向跟车性能,本文构建了一种基于深度强化学习的驾驶员跟车模型.首先,设计了跟车场景截取准则并从自然驾驶数据中筛选出符合条件的典型跟车场景,并对其数据进行统计分析,即采用相关系数法分析了车间距、相对速度和车头时距等因素对驾驶员跟车行为的影响机理,得出驾驶员跟车行驶过程的行为特性及其影响因素.接着,基于...     

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。     

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.     

男女驾驶员大比拼

女性比男性心细，他们对车辆的日常保养和行车前的准备工作较细致周密，可为安全驾驶奠定重要的基础。     

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。     

汽车驾驶员应激情绪状态与行车安全分析

就驾驶员的应激情绪状态对行车安全的影响，给予了必要的分析，提出了减少应激状态的措施。     

驾驶员自言自语有利安全

驾驶员朋友，如果你心烦意躁的时候，不妨自言自语，如果你紧张不安的时候，不妨自言自语……笔者建议驾驶员朋友没事的时候，不妨自言自语，医学研究认为自言自……     

基于神经网络的疲劳驾驶识别系统

驾驶疲劳识别系统主要依据驾驶员眼部信号、驾驶行为、生理信号等来判断疲劳状态.文章通过BP神经网络与疲劳驾驶相结合,对疲劳参数进行分析,建立基于神经网络的疲劳驾驶实时识别系统,从而提高疲劳检测的准确率.     

基于眼睛状态的驾驶员疲劳识别

有效防止和监督驾驶员疲劳驾驶,对降低交通事故具有重要意义。文章提出了一种基于眼睛状态识别的驾驶员疲劳状态的识别方法。首先通过计算累计背景和当前帧的差分图像的质心确定脸部范围,然后采用了二值边缘图像的人眼定位方法,计算出眼睛区域的面积和持续闭合时间,依据PERCLOS准则,判断驾驶员是否处于疲劳状态。实验表明,系统能够实时准确地定位人眼及检测眼睛的开闭状态,从而有效地检测驾驶员的疲劳程度。     

基于深度学习的车辆目标检测算法综述

车辆目标检测是自动驾驶环境感知的重要组成部分。近年来随着深度学习在目标识别领域取得重大突破,基于深度学习的车辆目标检测算法逐渐成为该领域的研究热点。论文对当前主流的两阶段车辆目标检测算法和单阶段车辆目标检测算法进行简要介绍,分析了其中几种具有代表性的卷积神经网络算法的优缺点,最后总结目前车辆目标检测存在的问题以及未来的发展方向。     

基于深度学习网络模型的车辆类型识别方法研究

为了将有效地识别车辆类型用于智慧交通系统,本文在分析Inception V3模型的基础上,提出了一种基于迁移学习理论的车型分类深度学习模型。该模型首先在Inception V3模型的基础上去除最后的全连接层,并加入参数优化层,然后采用Dropout和全局平均池化层。理论分析和试验结果表明,该模型的性能优于基于VGG-16的车型分类模型、基于Xception的车型分类模型和基于Resnet50的车型分类模型,其训练精度优于96.48%、测试精度优于83.86%。     

道路标志图案识别方法研究

针对道路标志图案自动识别,以转弯道路标志图案为例,通过颜色空间变换,将道路标志图像的RGB量值转换为H(hue,色度)S(saturation,饱和度)I(Intensity,亮度)量值,利用H、I作为分类器的特征值,设计了欧式距离分类器,实现道路标志背景颜色的识别。采用固定阈值法分割道路标志图像的图案区域,并对分割后的区域进行Daubech ies-4正交小波变换,利用小波变换系数的能量值和方差比值作为道路标志图案的纹理特征。最后,设计了BP神经网络道路标志图案分类器,实现道路标志图案的自动识别。实验结果表明,文中提出的方法可行。     

基于ITS技术的汽车驾驶安全辅助系统

基于ITS技术的汽车驾驶安全辅助系统是提高道路交通安全的有效手段,本文介绍了清华大学汽车安全与节能国家重点实验室在此领域的研究与开发工作。在研究行驶环境感知和信息融合、驾驶员特性和安全距离模型、车辆运动控制及系统集成等关键技术的基础上,研制了汽车驾驶安全辅助系统试验平台和试验样车,实现了行车前撞预警、安全车距保持、智能车道保持等功能,并完成了相关试验分析与评价,为进一步开展基于ITS的汽车主动安全辅助技术的研究以及汽车驾驶辅助系统的产业化奠定了基础。     

基于1(1/2)维谱熵的发动机状态识别研究

在分析1(1/2)维谱的定义与其计算方法的基础上,结合信息熵理论,提出了一种1(1/2)维谱熵的特征提取方法。通过建立评价发动机状态的特征熵指标,真实反映了机械故障信号的复杂性程度。应用结果表明,该方法对不同状态的信号具有较好的分类能力,实现了对发动机状态的有效识别。     

基于多分类监督学习的驾驶风格特征指标筛选

交通事故与驾驶风格具有强烈的相关性,而驾驶风格的直观体现是驾驶行为。为深入分析驾驶行为与驾驶风格的关联性,探索不同驾驶风格群体之间的差异,筛选驾驶风格分类与识别影响因素,建立驾驶风格识别模型并验证有效性。依托车联网实验数据,利用K-means++算法对驾驶员样本数据集进行驾驶风格聚类,设计支持向量机-递归特征消除（SVC-RFE）与随机森林-递归特征消除（RF-RFE）算法进行驾驶特征重要度排序,利用筛选出的特征指标搭建神经网络驾驶风格识别模型。结果表明：①特征个数n = 6时,2种特征排序算法的排序正确率均高于85%,其中RF-RFE的正确率可达90%;②特征排序中重要度最高的指标为最大速度,其在3种驾驶风格群体中的差异可达10 m/s;③仅以最大速度作为输入,驾驶风格识别模型精度为86.1%,表明最大速度可有效区分驾驶风格。

     

基于机器学习的锂离子电池荷电状态多步预测

先进电池管理技术依赖于对未来一段时间荷电状态变化的预测,难点在于误差积累和时间依赖性降低引起的预测精度下降。提出采用机器学习结合多步预测策略来提升荷电状态多步预测精度,利用实际锂电池数据研究了不同多步预测策略的效果。结果表明,实际锂电池荷电状态预测在充电过程中具有显著线性特性,放电过程表现出非线性特性。预测步长为 15个时,LR模型、KNN模型、RF模型的 MAPE均低于 6%,R2均大于 0.90。线性回归结合 MIMO策略具有最大的实际应用潜力。