18、基于CNN和物联网的分心驾驶检测与图像提取研究

基于CNN和物联网的分心驾驶检测与图像提取研究

1. 引言

在英国，高达20%的高速公路和枯燥道路上的严重事故是由驾驶员疲劳导致的，这是交通事故的一个主要因素。根据政府的道路安全战略，若要实现到2023年将交通事故中死亡和重伤人数减少40%的目标，驾驶员疲劳是必须解决的关键驾驶行为问题之一。衡量驾驶员疲劳最准确的方法是观察其困倦程度。本项目旨在创建一个检测困倦的系统，该技术通过分析驾驶员的眼球运动，当检测到驾驶员睡着时发出蜂鸣声提醒。

分心驾驶也是导致交通事故的重要原因。美国汽车协会交通安全基金会的研究表明，十分之六的汽车事故是由分心驾驶造成的。世界卫生组织指出，全球每年有5000万起道路事故和13.5亿人死亡与分心驾驶有关。分心驾驶的定义包括使用手机、吃东西、喝水或打开收音机等导致驾驶员注意力分散的行为。Martin等人将分心分为认知、手动和视觉三类。

机器学习作为一种新兴的选择，可用于监测和分析分心驾驶行为，解决相关问题并找到有效解决方案。为解决注意力不集中驾驶的问题，引入了碰撞时间（TTC）标准，该标准基于车辆及其周围环境计算相对碰撞时间，而忽略驾驶员的行为。

2. 动机

近年来，驾驶员错误是导致汽车事故的主要因素之一。驾驶员的困倦状态可直接反映其驾驶能力的下降，因此检测驾驶员的困倦状态对于保护人员和财产安全至关重要。本研究的目标是提供一个识别困倦的框架，该框架持续收集图像，分析图像以识别眼睛、嘴巴和头部节点的比率，并根据计算参数发出必要的警告。

3. 文献综述

多项研究表明，疲劳驾驶在交通事故中占比颇高。例如，1996年美国国家公路和交通安全管理局的研究发现，睡眠不足可能是56000起