基于CNN和SVM的疲劳驾驶闭眼特征实时检测

针对现有疲劳驾驶检测方法中实时性和泛化能力不足的问题, 本文提出了一种基于卷积神经网络(Convolutional Neural Networks, CNN)和支持向量机(Support Vector Machine, SVM)的疲劳驾驶闭眼特征检测方法, 使用CNN获取人脸相关特征点的位置并定位眼部感兴趣区域(Region Of Interest, ROI), 通过灰度化和直方图均衡化操作减弱光照差异的影响, 提取ROI的方向梯度直方图(Histogram of Oriented Gradient, HOG), 并用SVM对HOG进行分类, 相应的判断出原始图像是否包含疲劳驾驶闭眼特征. 本文给出了所提方法在PC平台和ARM平台实现的实时性验证, 在不同光照和背景条件下对多位受测人员进行测试, 实验结果表明该方法对疲劳驾驶闭眼特征检测准确率在94％以上, 处理速度满足实时性要求, 且具有较强的泛化能力.     

营运车辆驾驶行为的研究与应用

我国公路运输里程数居世界前列,且大部分的客货运输工作都是由营运车辆来完成.有数据显示,大部分的重特大运输事故与营运车辆有关.因此需重视营运车辆的运行状况,特别是重视驾驶员的驾驶行为,以减少车辆事故的发生.论文通过对车联网数据进行分析、确定驾驶行为指标及各指标得分细则并使用K-means聚类方法对驾驶行为进行分级,最终建立评估模型,客观评估驾驶行为的优劣.实际结果表明,该评价模型为驾驶员行为习惯的综合分析提供了一种可行的方法.     

基于BiLSTM的智能语音餐厅推荐方法

为了方便人们在就餐前选择餐厅,提高就餐效率,文中提出一种基于双向长短时记忆网络的智能语音餐厅推荐方法。首先利用长短时记忆网络进行意图识别,再利用BiLSTM实现餐厅推荐系统中的实体提取,便于系统根据用户所提供的实体信息结合用户意图做出相应反馈。根据意图识别在餐厅推荐系统中的实际应用情况,准备充分的意图识别数据,确定意图识别方案。同时,文中采用基于Rasa_Core的对话管理机制制定对话场景来训练对话管理模型,在用户意图的指引下利用训练好的模型可以选择最优的反馈动作,达到机器与人的有效沟通。     

一种新的自动驾驶轨迹规划方法

提出了一种轨迹规划算法,该算法可以为自动驾驶生成舒适安全的轨迹,障碍物通过摄像头或车间通讯的协同感知消息（（CAM））和分散化环境通知消息（DENM）方式感知。该算法主要分为3个部分,首先由轨迹生成模块生成舒适的轨迹簇,其次由于传感器可能存在的误差,对其他交通车的位置和速度进行估计,最后由轨迹选择模块选择最适合的轨迹。为了帮助无人车做出决策,建立了碰撞概率模型。在MATLAB环境下的仿真证明了该算法安全可靠。     

论汽车驾驶员的素质与行车安全

机动车驾驶属运输业中一种特殊的工种.由于工种特殊,所以对从事这个行业的人员要求也就特别和十分重视,这是因为当你在驾车处于工作状态所从事驾驶车辆的人员,每时每刻都要保证行人和道路两旁一切物体的安全.本文试对汽车驾驶员的素质与行车安全展开论述.     

隧道口减光罩路段视觉适应性分析

为研究减光罩设置对隧道口光环境及进出隧道口时驾驶视觉安全的影响,基于隧道口减光罩等比例微缩模型仿真及驾驶模拟实验平台构建进出隧道口路段驾驶环境,利用眼动仪测量驾驶员在进出隧道口时瞳孔面积变化速度,对驾驶视觉安全进行评价。对比无减光罩实验结果表明:有减光罩条件下,进出隧道口路段光环境变化相对平缓,有效降低了"黑白洞效应";驾驶员进出隧道口路段瞳孔面积变化速度减小,且驾驶员瞳孔面积变化速度最大值与其持续时间均低于临界值,有效减少光环境突变造成的视觉安全问题。     

汽车驾驶模拟器视觉系统传输延迟补偿

为了减小视觉系统的传输延迟对汽车驾驶模拟器的影响,应用机动目标跟踪理论中的当前统计(CS)模型并结合自适应卡尔曼预测方法,对汽车驾驶模拟器中车辆的位置进行预测,形成针对驾驶模拟器视觉系统传输延迟的当前统计模型补偿器。建立了驾驶员-驾驶模拟器仿真模型,分析了传输延迟对驾驶行为的影响,对比了当前统计模型补偿器与美国国家先进驾驶模拟器(NADS)的补偿器、改进的McFarland补偿器的补偿效果,结果表明当前统计模型补偿器具有更好的补偿效果,并在ASCL开发型汽车驾驶模拟器上对该补偿器进行了验证。     

夜间环境驾驶员精神负荷的生理特性评估与实验

以夜间环境下的驾驶行为为研究对象,基于驾驶模拟器开展了四类驾驶实验,以及白天、夜间单一驾驶任务实验,以及白天、夜间主从驾驶任务实验。在驾驶员脑电、心电、呼吸、皮电等生理数据和精神负荷主观评价的基础上,运用统计学方法综合分析了驾驶模拟实验过程中的生理参数变量变化规律。结果表明:相比白天行车环境,夜间环境下驾驶员的精神负荷有一定的增加,在执行主从任务的夜间行驶实验中被测试对象感知的主观压力显著增加,且主观压力与主从任务难度成正比关系。心率变异性功率谱密度、脑电负荷水平等生理指标呈现显著性差异,呼吸频率也有一定的变化,呼吸幅度和皮电的指标变化不明显。研究成果可用于夜间环境下的道路交通安全评价。     

驾驶员无意识车道偏离识别方法

为了改进车道偏离预警系统的工作效能,本文提出了考虑人-车-路特性的无意识车道偏离识别方法。首先,明确了无意识车道偏离识别的具体含义,将其划分为疲劳车道偏离和次任务车道偏离;其次,利用受试者工作特性曲线(ROC)确定无意识车道偏离的识别时间窗口,保证了无意识偏离样本筛选的有效性;再次,以12名驾驶人为试验对象,采集并对比分析了驾驶员操纵特性、车辆运动状态和车辆与车道线相对运动状态等相关参数,并分别选取作为疲劳车道偏离和次任务车道偏离识别基本特征;最后,采用高斯混合隐马尔科夫模型(GM-HMM)构建无意识车道偏离识别模型。实验结果表明,本文方法具有较好的识别效果。     

基于EEG的驾驶持续性注意水平PSO-SVM识别模型

为了对驾驶持续性注意水平予以有效识别,基于脑电( EEG)信号特征指标构建了一种持续性注意水平识别方法. 以驾驶行为绩效为客观测评指标,提出了一种驾驶持续性注意水平等级划分方法. 在此基础上,选取驾驶员EEG波段 (θ(4~8 Hz)、α(8~13 Hz)、β(13~30 Hz))的频谱幅值及其组合指标(α+β)/β、α/β、(θ+α)/(α+β)、θ/β、(α+β)/θ作为特征指标,将粒子群优化( PSO)算法与支持向量机( SVM)相结合,构建了驾驶持续性注意水平识别算法. 最后,基于驾驶模拟器实验数据对该模型予以试算. 结果表明模型识别平均正确率可达93. 02℅.该方法可用于对驾驶员持续性注意水平的识别.