《任務相關視覺注意機制與非安全駕駛狀態分析方法研究》是依託中國人民解放軍國防科技大學，由安向京擔任項目負責人的面上項目。
基本介紹
- 中文名：任務相關視覺注意機制與非安全駕駛狀態分析方法研究
- 項目類別：面上項目
- 項目負責人：安向京
- 依託單位：中國人民解放軍國防科技大學
中文摘要,結題摘要,
中文摘要
人類駕駛員注意力不集中是導致交通事故的主因。目前用以緩解這一問題的主動安全系統正由原型系統階段向產業化方向邁進。而如何評估駕駛員精神狀態是制約此類系統走向實用的核心和難點問題。研究表明，人類在正常駕駛時可迅速將注意分配到與行駛安全相關的交通事件上，且分配模式有一定規律可循。因此，安全駕駛狀態的判斷標準是駕駛員是否及時注意到當前環境中相關交通事件、且沒有長期被非相關事件吸引。傳統對非安全駕駛狀態分析主要是通過間接、外在的特徵進行疲勞判斷。然而疲勞是漸進過程，當檢測到疲勞時駕駛員已有相當長時間處於非安全駕駛狀態；另外，不疲勞並不意味著一定處於安全駕駛狀態。本項目立足於視覺注意機制建模和智慧型駕駛領域的工作基礎，探索駕駛任務驅動的注意模型，研究基於實測視線分析的駕駛員注意分配模式及其內在規律，從而建立注意計算與眼動實測相匹配的非安全駕駛狀態分析方法，為輔助駕駛和自主駕駛技術儲備理論基礎和關鍵技術。
結題摘要
本項目針對車輛駕駛過程中，駕駛員駕駛狀態以及車輛周邊環境感知問題進行研究，研究了任務相關視覺注意機制與非安全駕駛狀態分析方法。主要研究內容和成果包括：（1）研究了特徵分層與注意機制建模，深入分析與研究了特徵分層基於注意機制建模的方法，進一步探索了這些因素與最終注意形成之間的關係，研究了對駕駛員注意具有重要影響的特定物體（車輛、行人）檢測方法，提出了級聯神經網路和Grid Expending上採樣方法；（2）進行了眼動數據的採集與分析，彌補了當前國際流行的顯著性檢測資料庫在眼動數據和顯著性區域相關性的缺失，使用改進的Intelligent Scissors算法對眼動數據進行了像素級別的高精度顯著性區域標註，為進一步研究視覺注意機制提供了豐富數據支撐；（3）探索了結合眼動數據和實車道路圖像顯著性區域來判斷駕駛員非安全駕駛狀態的基本方法。其中研究了駕駛員預測注意與實測眼動數據的匹配方法，提出了一種基於全局及局部信息的顯著性檢測（GLRCNN）的端到端的深度網路模型，提高了抑制非顯著性干擾的能力，並提出了一種駕駛員非安全駕駛狀態檢測系統方案，利用一種基於神經元活性描述方法的Neural Accumulation算法來觸發告警；（4）提出了研究方案的系統實現方法，項目使用相機捕捉外界環境，同時使用眼動儀獲取駕駛員的注意力狀態。為了提高基於深度學習的注意模型的實時性，提出了一種擴展Haar濾波器的深度學習加速和輕量化算法，有效壓縮了深度模型的計算量和存儲量，為本項目提出的駕駛員非安全狀態監測的部署奠定了基礎。本項目的研究成果既包含任務相關視覺注意機制與非安全駕駛狀態分析模型的理論創新又強調了算法的實際套用價值，相關成果成功地套用於無人駕駛平台，並表現出良好的性能，在中國智慧型車未來挑戰賽、“跨越險阻”等比賽中取得了優異的成績。本項目的研究對解決高級輔助駕駛系統的環境感知問題，以及推動我國無人駕駛技術的發展具有重要意義。
