基于视觉的驾驶人疲劳及注意力监测方法

对驾驶人疲劳状态监测技术进行了深入研究,分析了在实际应用中存在的问题,在此基础上提出基于灰度方差定位驾驶人面部,利用投影曲线极点位置分割面部器官独立区域,对每一个独立区域进行OSTU计算和轮廓提取,最终获得眼睛的轮廓状态,利用PERCLOS判断驾驶人的精神状态。利用驾驶人面部器官定位的结果,对人体头部旋转运动模型进行分析,提出了计算驾驶人面部旋转角度的计算方法。最后给出判断驾驶人的注意力是否分散的判断策略。试验结果表明,该算法实时性好,具有较好的鲁棒性,可以为驾驶人疲劳状态及注意力状态的判断提供较为准确的依据。     

智能网联汽车基础(九)--ADAS驾驶员疲劳监测系统

(接2022年第7期)一、驾驶员疲劳监测相关术语GB/T39263-2020《道路车辆先进驾驶辅助系统(ADAS)术语及定义》对驾驶员疲劳监测(DFM)和驾驶员注意力监测(DAM)都给出了定义。《驾驶员注意力监测系统性能要求及试验方法》中对驾驶员注意力监测系统及相关的表述和定义如下:1.注意力分散驾驶员在驾驶车辆时因疲劳驾驶、受外界环境干扰或从事与驾驶无关的动作,导致其无法专注执行驾驶任务的状态。     

适用驾驶员疲劳状态监测的人眼定位方法研究

驾驶员在车辆行驶过程中是否疲劳驾驶可以从眼睛的状态反映出来，利用驾驶员眼睛的状态信息来判断驾驶员疲劳状况是一种可行的方法。在采用计算机视觉对驾驶员进行驾驶行为监控时，驾驶员面部眼睛定位是判断驾驶员是否疲劳驾驶的关键。为了解决面部眼睛定位的实时性以及头部旋转不确定性等问题，本文在人脸面部定位的基础上，给出了一种基于区域标示算法的面部人眼定位算法。试验验证了上述算法的有效性。     

均胜安全创新技术助力通用汽车超级巡航系统

正均胜电子旗下均胜汽车安全系统(简称均胜安全)近日宣布,公司将为通用汽车超级巡航系统(Super Cruise)提供多项创新技术,包括驾驶员注意力保持系统。驾驶员注意力保持系统用以判断驾驶员的专注度。在一家澳大利亚前沿视觉技术公司的支持下,均胜安全为通用汽车提供了先进的驾驶员注意力保持系统,该机器视觉系统用以监测驾驶员的头部姿势、眼部动态,并准确判断在超级巡航状态下驾驶人员的注意力。     

深谋远虑 防疲劳辅助制动系统

防疲劳辅助制动系统是由沃尔沃公司刚刚研发出来的新技术,并且在沃尔沃S80等轿车上已经得到了应用.防疲劳辅助制动系统不仅能够记录汽车在道路上的行驶情况并向注意力分散的驾驶员发出警示,还能够帮助驾驶员对一些突发交通事故提前做出判断,保护驾驶员的人身安全.     

日本的汽车安全技术研究动向

困倦驾驶预警。采用1台摄像机监视驾驶员的面部表情以及驾驶员的眼睛睁开程度，一旦监测到驾驶员困倦的表情和眼神，系统便发出声音警告。系统还可在驾驶员的视线离开道路时发出警告。也有的采用1台道路传感摄像机和车轮角度控制传感器，不断地监测驾驶过程中驾驶状况的变化，根据车轮操纵状况和汽车行驶等情况，判断驾驶员注意力是否集中，必要时产生声音或其它形式的警告。     

安全行车必读

一、警惕出现挑衅驾驶行为 驾驶员在行车途中往往容易遭遇被他人挑衅或者挑衅他人的行为.安全专家近日提醒,挑衅行为属于一种认知干扰,都会分散驾驶员的注意力,甚至酿成交通事故造成人员伤亡.     

驾车请勿吸烟

吸烟有害健康,这句话几乎人人皆知。可不少驾驶员却认为吸烟可以解除疲劳,增强注意力,所以边吸烟边驾车成了一些驾驶员的普遍现象。然而吸烟对安全行车构成的潜在威胁却得不到人们的重视。 驾驶员在车辆行驶过程中吸烟会分散注意力,特别是点烟、弹烟灰等动作会使驾驶员视线发生转移,这一转移需要2—3秒的时间。这短短     

"光污染"危及行车安全

驾驶员朋友可能已经注意到:在城市繁华地带,不仅交通情况复杂,而且周围景物五光十色,交相辉映,很容易分散驾驶员的注意力,引起视觉疲劳,甚至由此引发交通事故.其实这是城市"光污染"引起公害的一种表现.     

安全气囊系统的正确使用

为了减少汽车发生正面碰撞时由于巨大的惯性力所造成的对驾驶员和乘员的伤害,在驾驶员前端转向盘中央普遍装有安全气囊,有些汽车在驾驶员副座前的工具箱上端和乘员座位上也装有安全气囊。据统计,在汽车相撞时,气囊可使乘员头部受伤率减少25％,面部受伤率减少80％左右。     

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。     

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。     

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。     

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。     

基于视频图像和RBF神经网络的疲劳驾驶监测系统

采用视频采集方式和神经网络方法实现了驾驶员疲劳驾驶的非接触式监测。应用车头前端和车厢内部双路视频摄像头分别采集车辆相对于车道线的行驶轨迹和驾驶员的睁闭眼状态,应用Radon变换提取5 s内车头与车道线间的最大和最小偏离、相邻2帧间车头与车道线的最大角度变化量和平均角度差,应用AdaBoost算法提取驾驶员眼睛闭合帧数比例,并将上述各参数作为RBF神经网络的输入来实现驾驶员疲劳状态的动态监测,实验数据表明监测效果良好。     

Driver behavior formulation in intersection dilemma zones with phone use distraction via a logit-Bayesian network hybrid approach

Use of cellular phone while driving is one of the top contributing factors that induce traffic crashes, resulting in significant loss of life and property. A dilemma zone is a circumstance near signalized intersections where drivers hesitate when making decisions related to their driving behaviors. Therefore, the dilemma zone has been identified as an area with high crash potential. This article utilizes a logit-based Bayesian network (BN) hybrid approach to investigate drivers' decision patterns in a dilemma zone with phone use, based on experimental data from driving simulations from the National Advanced Driving Simulator (NADS). Using a logit regression model, five variables were found to be significant in predicting drivers' decisions in a dilemma zone with distractive phone tasks: older drivers (50–60 years old), yellow signal length, time to stop line, handheld phone tasks, and driver gender. The identified significant variables were then used to train a BN model to predict drivers' decisions at a dilemma zone and examine probabilistic impacts of these variables on drivers' decisions. The analysis results indicate that the trained BN model was effective in driver decision prediction and variable influence extraction. It was found that older drivers, a short yellow signal, a short time to stop line, nonhandheld phone tasks, and female drivers are factors that tend to result in drivers proceeding through intersections in a dilemma zone with phone use distraction. These research findings provide insight in understanding driver behavior patterns in a dilemma zone with distractive phone tasks.     

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.     

面向安全预警的机动车驾驶意图研究现状与展望

简述当前开展面向安全预警的机动车驾驶意图研究的目的和意义.分析国内外研究现状,得出从驾驶员行为及驾驶动作序列角度开展驾驶意图研究的可行性和有效性,同时介绍了 2种基于概率与数理统计的机动车驾驶意图建模方法.结合驾驶员在直线封闭路段实施驾驶行为特征,阐述使用隐马尔科夫模型(HMM)理论建立驾驶意图模型的步骤以及模型参数学习和系统在线优化算法等内容.对驾驶意图模型网络结构、动态性能方面相关研究方向进行展望.