基于VR的驾驶仿真及安全教育系统开发

针对全国道路交通事故高发现状及传统驾驶安全教育方式单一、培训效果差的缺点,基于虚拟现实技术（VR）,在引发交通事故人为因素理论基础上,开发驾驶仿真及安全教育系统。系统基于Unity3D引擎,构建了基于道路实景数据的虚拟场景,并联合SUMO实现了道路交通流仿真,通过VR技术仿真驾驶环境及驾驶行为;基于碰撞检测原理,建立了关卡违规触发机制,编码自定义屏幕空间渲染方式模拟驾驶员视觉效果,并构建了基于图像的交通事故现场三维全景,从认知、感知层面培训驾驶员安全驾驶。实用性测试结果表明,系统实现了不同道路场景、气象条件与交通状况下的驾驶模拟及安全培训,增强了使用者的学习兴趣,提高了使用者驾驶安全素养,具有较强的实用性。     

安全驾驶中驾驶员视线方向的检测研究

研究了安全驾驶中驾驶员视线方向的分析与判断;在初步得到人脸区域的情况下采用Canny算子进行边缘检测,再利用Hough变换定位瞳孔,最后对驾驶员视线方向进行分析和判断;通过大量数据的研究以及函数图像拟合,得出了瞳孔位置与偏转角度的关系,并由此得到注意力分散的阈值,当超出此范围时检测系统报警,并且通过实验证明了该方法对注意力分散监测的实时性和有效性。     

智能安全驾驶监测系统设计与实现

针对当下发生的交通事故中及大部分是由于驾驶员酒后驾驶、违规驾驶或是突发身体疾病所导致的,设计出一种智能安全驾驶检测系统；系统以树莓派为和核心搭配智能手表、APP、酒精检测模块；系统可以实现监测驾驶员的酒精浓度,驾驶员的违规驾驶行为以及驾驶中的健康状况等功能,并通过移动端APP进行可视化展示；经测验,整个系统能够在驾驶途中稳定的运行,能够满足实时监测驾驶员的驾驶行为以及健康信息的需求。     

虚拟驾驶员视觉感知模型研究

视觉是驾驶员获得驾驶信息的主要通道,虚拟驾驶员的视觉感知模型是驾驶行为建模与仿真的重要内容,直接影响驾驶行为仿真的逼真度。介绍了四种视觉感知建模方法,根据视觉感知系统的反馈性和选择性,建立了视觉感知模型。在模型中,将视觉感知分为感觉和知觉两个过程,并引入了注意力、记忆力、驾驶疲劳和驾驶经验等因素,对每个因素进行分析。通过对虚拟驾驶员视觉感知模型的仿真实验,验证了该模型的可靠性和有效性,为驾驶行为研究提供了基础。     

虚拟驾驶环境中车辆智能体的驾驶行为模型

建立虚拟交通环境的多智能体结构,分析车辆智能体的驾驶行为分层模型以及感知、决策和操作等过程。采用模糊专家系统建立车辆智能体的驾驶行为模型。为模拟现实中的驾驶员行为特性,加入驾驶员因子,使驾驶模拟器的虚拟交通环境更符合现实。运用OpenGVS产生和显示实时交互的虚拟驾驶场景。结果表明该模型能体现实际驾驶行为的多样性、随机性和模糊性。该模型通用有效,它使驾驶模拟器的虚拟交通场景更真实满意。     

三维模拟驾驶仿真系统的研究与实现

为了解决模拟驾驶仿真系统中开发成本昂贵、缺乏二次开发特性等问题,研究并实现了一种结合3DMAX建模软件、开放源代码的Newton物理引擎和OSG图像渲染引擎的三维模拟驾驶仿真系统.硬件系统采用多传感器融合技术来采集驾驶员模拟驾驶时的操作行为,软件系统根据所采集的操作数据实现对车辆的运动和碰撞反应的控制以及对场景视角的切换.实验结果表明,该方法具有软件开发成本低,场景逼真度高,动态效果好等特点,可以满足对驾驶员的驾驶行为进行记录并分析的需要.     

基于多特征融合的瞌睡检测与预警系统

针对驾驶疲劳瞌睡检测识别效果不佳及被试差异性所致的性能不稳问题，该文提出了一种使用单通道脑电信号进行瞌睡检测与预警的模型架构。首次利用注意力熵刻画清醒与瞌睡状态对应脑电动态演化的复杂度。使用小波包分解法提取相对能量特征，采用Relief算法筛选出适合不同个体的显著时频特征。最后将融合特征矢量送入支持向量机完成分类判别。将所提方法在脑电公开数据集上进行验证，得到95.9%的准确率及96.8%的敏感度。在LabVIEW平台上进行了虚拟仪器的设计，结果表明，所提方法可为驾驶疲劳的检测与预警设备开发提供有效模型。     

基于改进DenseNet的驾驶行为识别

为提高道路交通安全，解决司机分心驾驶问题，对基于卷积神经网络的驾驶员行为识别模型进行了改进。首先对基于DenseNet的驾驶行为识别模型进行研究，在其基础上引入注意力机制对其进行改进；将注意力机制模块化后设计了三种改进模型；最后将实验结果进行对比分析，确定性能较优的改进模型为SE-PRE模型。实验结果显示，提出的改进模型在相关数据集上达到了94.21%的准确率，上述模型能够准确且高效的识别驾驶行为，为后续的车辆智能化研究奠定了基础。     

基于通道注意力YOLOV5s的驾驶行为识别研究

设计了一种集成通道注意力机制的YOLOV5s检测网络的驾驶行为识别方法，用以实时检测并识别驾驶员在驾驶室内的驾驶行为，从而有利于纠正驾驶员的不良驾驶行为，减少交通事故发生的概率。建立了驾驶室内驾驶员手部动作的图像数据集；在YOLOv5s网络结构中引入通道注意力机制，通过对比实验、消融实验研究了通道注意力模块嵌入YOLOv5s中的较佳作用位置、配置数量的影响及其检测识别性能效果；论证了带通道注意力的改进YOLOV5s可保留信息量大的特征、抑制不相关的特征，模型参数量和复杂度降低，从而加快检测速度。测试结果显示，较原YOLOV5s网络，改进的YOLOV5s在平均精确度和召回率上相当，而检测速度提升了26.08%，该方法能够较好地满足驾驶员手部动作的实时监控需求。     

提取驾驶员面部特征的疲劳驾驶检测研究综述

疲劳驾驶是威胁驾驶员人身安全以及道路交通安全的主要因素之一。高效精准的疲劳驾驶检测方法可以有效地保障驾驶员及其周围交通安全,维护交通秩序,减少财产损失和人员伤亡。由于基于驾驶员生理特征和基于车辆行驶信息的疲劳驾驶检测方法具有对驾驶员不友好、影响因素较多等局限性,使得基于驾驶员面部特征的疲劳驾驶检测方法成为研究热点。首先简述了疲劳驾驶面部特征表现,总结了疲劳驾驶领域常用公开数据集的优缺点和应用场景;其次使用公开数据集,通过对比实验,分析研究了疲劳驾驶检测领域常用人脸检测算法的优势和不足;随后给出了基于驾驶员面部特征的疲劳驾驶检测方法流程,总结分析了流程中关键步骤所使用的方法和技术;另外归纳整理了疲劳驾驶领域常用的疲劳判别参数和疲劳驾驶结果预测方法;最后对全文进行总结,给出了基于驾驶员面部特征的疲劳驾驶检测方法目前所面临的挑战,并对未来研究进行了展望。