司机分心驾驶检测研究进展

随着车辆工业和世界经济的快速发展,私家汽车数量不断增加,导致交通事故越来越多,且交通安全问题已经成为全球关注的焦点问题。司机分心驾驶检测的研究主要分为传统计算机视觉（CV）算法和深度学习算法两种。基于传统CV算法的司机分心检测通过尺度不变特征转换（SIFT）、方向梯度直方图（HOG）等特征算子提取图像特征,然后结合支持向量机（SVM）建立模型并对图像进行分类。然而传统CV算法具有对环境的要求高、运用范围较窄、参数多、计算量大的缺点。近年来深度学习在提取数据特征方面表现出速度快、精度高等优异的性能,因此研究人员开始将深度学习引入到司机分心驾驶检测中。基于深度学习的方法可以实现端到端的司机分心驾驶检测网络,而且取得了很高的准确度。介绍了传统CV算法和深度学习算法在司机分心驾驶检测的研究现状,首先,阐释了传统CV算法用于图像领域和司机分心驾驶检测研究的情况;接着,介绍了基于深度学习的司机分心驾驶研究;而后,从准确度、模型参数量等方面对不同司机分心驾驶检测方法进行比较分析;最后,对现有的研究进行了总结并提出了未来司机分心驾驶检测需要解决的三个问题：驾驶过程中司机分心状态以及分心程度划分规范需进一步完善,需要综合考虑人－车－路三者以及如何才能更有效地减少神经网络参数。     

基于ZigBee和GSM的高速公路自适应限速系统

为了让驾驶员及时获得不良天气下高速公路车辆限速信息,设计了基于Zig Bee和GSM的高速公路自适应限速系统。系统中MSP430对气象数据进行处理,并根据限速准则计算出当前天气条件下的限速信息,若判断和上1 min计算的值不同则通过GSM网络更新路边装置限速信息。当车辆行驶至路边装置的Zig Bee网络范围内时就会收到限速信息,若限速信息发生变化则车载装置液晶显示并语音播报。测试结果表明:在路边装置Zig Bee网络范围内车载装置能够正常接收到限速信息。