马迎杰, 王佳斌, 郑力新, 朱新龙
( 华侨大学 工学院, 福建 泉州 362021 )
根据国际标准化组织(ISO)的定义,分心驾驶是指驾驶时注意力指向与正常驾驶不相关的活动,从而导致驾驶操作能力下降的一种现象.美国运输部表示,分心驾驶是导致危险发生的最大因素.另外,根据美国国家公路交通安全管理局(NHTSA)的数据,2015年,共有35 092人死于美国道路的交通事故,较2014年死亡人数上升了7.2%,其中分心驾驶需要为39.1万名伤者和3 477名死者负责[1].
早期,研究人员运用生理数据[2-4]和车辆控制数据[5]来进行疲劳检测.Zhao等[6]提出了一种使用随机森林(RF)分类器的特征提取方法.Berri等[7]提出了一种基于支持向量机(SVM)的模型,对于视觉系统获得91.57%的成功率.Craye等[8]提出基于有源传感器Kinect和计算机视觉工具,但是他们的解决方案的数据来源于室内的模拟,与真实驾驶环境还是有很大不同.Le等[9]设计了一个快速RCNN(regions with convolutional neural network features)模型来检测驾驶员是否正在使用手机,以及驾驶员的手是否在方向盘上.Ruiz等[10]通过在300W-LP数据集上训练多损耗卷积神经网络来提供一种优雅而稳健的方法来确定姿势.
现有的驾驶人状态检测方法大都基于某一单项指标,在限定条件下能够达到一定的精度.然而,在实际复杂多变的行车环境下,其准确性和可靠性上还存在问题,难以达到预期要求,且大多数模型不易移植到嵌入式系统中.基于此,本文提出基于快速下采样网络结构(MF-Net)的驾驶状态识别系统.
实验数据集……