Real-Time Driver Emotion Detection Using Convolutional Neural Network and Computer Vision for Road Safety.
本文展示了一个基于 Python 的初步原型，该原型利用 Haar-Cascade 人脸检测和预训练卷积神经网络（CNN）来识别不安全的情绪状态，通过受控测试证明了其可行性，同时明确承认了其局限性，例如缺乏地面真值验证、真实驾驶场景视频以及测量的分类准确度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
驾驶是人与机器之间一种持续且无声的博弈。几十年来，旨在保护我们安全的各种技术几乎完全集中在机器和道路上。传感器监测轮胎，摄像头扫描车道线，雷达追踪前车。然而，任何车辆中最关键的变量仍然是驾驶员本人，特别是他们的内在状态。当驾驶员愤怒、压力大或疲惫时，他们的注意力会下降，反应速度会变慢，从而使日常通勤变成潜在的危险。虽然现有的系统可以通过追踪眼球运动或打哈欠来检测困倦，但人们日益认识到，人类情绪的全谱系也对安全起着作用。问题不再仅仅是驾驶员是否清醒，而是他们是否在情感上能够安全驾驶。
Mayuri Salunke 最近的一项研究探索了一种回答这一问题的新方法，即通过观察驾驶员的面部来推测其情绪。这项工作并不声称已经解决了道路安全问题，也不呈现一个足以应用于当今汽车的成品。相反，它提供了一个初步的视角，即观察简单的现有工具组合是否可以实时协同工作。研究人员构建了一个流水线：获取视频流，定位驾驶员的面部，然后使用被称为“卷积神经网络”的数字大脑来对该面部表达进行分类。这个数字大脑经过数千张图像的训练，以识别七种基本的人类情感：愤怒、厌恶、恐惧、快乐、悲伤、惊讶和中性状态。随后，系统会判断它所看到的表情是安全的还是危险的。在这个特定的设计中，快乐、惊讶和中性表情被视为安全，而愤怒、悲伤、恐惧和厌恶则被标记为潜在不安全。
然而，研究人员明白计算机可能会犯错，而且人类的面部表情会在瞬间发生变化。如果系统每当看到一次转瞬即逝的皱眉或一瞬间的愤怒闪现时就发出警报，那么它将毫无用处。为了解决这个问题，该原型包含了一条规则，即忽略单帧画面。它会等待观察某种不安全的情绪是否持续了一定的时间，才会触发警报。这种方法将警报视为对一种持续状态的响应，而非对单一图像的反应。整个系统是使用标准软件工具构建的，并在普通的计算机处理器上运行，无需专门的、昂贵的硬件。其目标是观察这样一个轻量级的系统能否跟上视频流的速度，同时做出这些复杂的决策。
为了测试他们的想法，团队在一段坐在摄像机前的视频片段上运行了该软件。视频包含 115 帧，系统成功定位了 114 帧中的面部。一旦找到面部，软件就会分析表情并记录结果。系统以约每秒 14.7 帧的速度处理视频，略慢于视频原始的 24.7 帧/秒的速度。在这次特定的测试中，计算机预测该人在大部分时间内是快乐的，但也识别出了悲伤和愤怒的时刻。至关重要的是，由于这些“不安全”的预测仅出现在极短的爆发中，系统的规则并未触发警报。警报机制仅在一次单独的受控测试中触发，当时研究人员将相同的“悲伤”图像重复输入系统两秒钟，证明了其计时逻辑按预期工作。
该研究的结果纯属初步性质。研究人员谨慎地指出，他们并不知道计算机对该人情绪的猜测是否实际上是正确的，因为他们使用的视频没有用于验证真相的标签。视频中的人并没有在开车，且光照和角度也不是真实道路的情况。此外，该系统无法直接检测疲劳或困倦，因为他们使用的特定数字大脑并未经过识别这些状态的训练。再者，系统在视频速度方面略显吃力，这表明在真实的汽车环境中，它可能需要跳过一些帧才能跟上进度。作者强调，这项工作是一个概念验证，展示了可以将这些部件组装起来并在普通硬件上运行，但它还不是一种可靠的实际驾驶工具。
尽管存在这些局限性，该实验仍展示了一条清晰的路径。它表明，将面部检测、情绪分类以及等待持续状态的逻辑规则整合进一个单一且工作的系统中是可行的。研究表明，虽然这项技术尚未准备好取代人类判断或现有的安全功能，但其基本架构是可行的。未来的工作需要将该系统应用于真实车辆中的真实驾驶员，提高情绪检测的准确性，并找到更好地应对移动车辆挑战的方法。目前，这项研究代表了迈向未来的一小步——在那个未来，汽车或许有一天不仅能理解道路，还能理解驾驶它的人。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。