基于机器视觉的驾驶员非驾驶活动状态估计

发布时间：2021-04-29 16:35

　　在现代汽车工业发展过程中,汽车渐渐不再只是人们日常出行的工具,汽车在未来更是一个充满无限遐想的移动互联空间,逐渐满足用户对安全、智能、高效和乐趣等要求。未来汽车智能化、网联化、电动化以及共享化将是行业发展的必然趋势,智能汽车将在这场变革中扮演举足轻重的角色,其涉及到复杂的环境感知、数据处理和决策执行等过程。在智能汽车关键技术包括传感器、信息处理和数据传输技术等完全成熟以及普遍商业化之前,L3级智能车将有望率先获得广泛的应用推广,并为后续更高智能工业化积累海量的数据和经验,进而加快汽车自动化的应用进程。这一阶段的智能汽车涉及到当车辆进入自动驾驶模式,驾驶员参与非驾驶活动如打电话、使用平板等,但是当出现系统无法处理的紧急情况如异常复杂、某子系统失效等,驾驶员需要放弃当前的非驾驶活动,重新接管对车辆的控制权。因此,怎样监测表征驾驶员在自动驾驶模式下的非驾驶活动注意力状态显得尤为重要。目前对驾驶员状态的研究主要集中在传统的驾驶状态监测上,包括驾驶分心和驾驶疲劳等,而对于L3智能驾驶非驾驶活动状态研究较少,因此本文聚焦这一新兴应用场景,进行如下方面的研究:（1）过往的研究主要基于传统的驾驶场景比... 

【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校

【文章页数】：81 页

【学位级别】：硕士

【文章目录】：
中文摘要
英文摘要
1 绪论
    1.1 论文的背景及意义
    1.2 国内外研究现状
        1.2.1 驾驶员状态对汽车安全的影响
        1.2.2 驾驶员驾驶状态检测系统研究现状
    1.3 本文研究目的和主要内容
        1.3.1 研究目的
        1.3.2 主要内容
    1.4 创新之处
2 驾驶员头部姿态估计
    2.1 头部姿态估计方法介绍
    2.2 人脸检测
        2.2.1 基于Harr特征的人脸检测
        2.2.2 基于点对像素比较(PICO)的人脸检测
        2.2.3 回归决策树和分类器
    2.3 人脸特征点检测
        2.3.1 基于局部约束CLM的人脸特征点检测
        2.3.2 基于局部约束神经模型(CLNF)的人脸特征点检测
    2.4 基于EPNP的姿态估计
        2.4.1 针孔透视成像模型
        2.4.2 EPNP(efficient perspective-N-point)算法介绍
    2.5 本章小结
3 基于相关性和支持向量机状态估计
    3.1 基于非驾驶活动的实验设计
        3.1.1 非驾驶活动实验设计
        3.1.2 基于心流体验(Flow)的任务设定
        3.1.3 基于量化指标的监督评价方法
    3.2 基于时变互相关系数估计
    3.3 基于SVM的分类模型建立
    3.4 本章小结
4 非驾驶活动注意力状态估计
    4.1 视觉系统及验证
    4.2 数据收集及模型建立
    4.3 分析验证
    4.4 本章小结
5 总结与展望
    5.1 论文总结
    5.2 展望
参考文献
附录
    A.作者在攻读学位期间发表的论文/专利目录
    B.作者在攻读学位期间参加的科研项目
    C.学位论文数据集
致谢



本文编号：3167808