Personalized Temporal Fatigue Analysis and Adaptive Risk Scoring for Camera-Based Driver Monitoring: Prototype and Evaluation Framework
本文提出并评估了一种用于基于摄像头的驾驶员监测原型框架，该框架结合了针对每位驾驶员的校准、时间指标以及基于持久性的逻辑，与固定阈值或单帧方法相比，显著降低了误报率，同时为未来在真实数据集上的验证建立了一套与受试者无关的评估协议。
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
疲劳驾驶是一种无形的危险，它会减缓反应速度并模糊判断力，将日常通勤变成一场高风险的赌博。多年来，工程师们一直试图制造能够识别疲劳早期征兆的摄像头，希望能在此之前向驾驶员发出警告。挑战始终在于如何将真正的睡眠迹象与正常的、无害的行为区分开来。驾驶员可能会缓慢地眨眼、打哈欠或在说话时歪头，而简单的摄像头系统往往会将这些日常动作误认为是危险睡眠的征兆。这导致了大量的误报，即当驾驶员其实状态良好时，系统却大声尖叫“危险”，从而导致人们完全忽略这些警告。研究人员面临的核心问题是，一个系统是否能够学习识别每个驾驶员独特的习惯，并观察随时间变化的模式，而不是仅仅对单张面部快照做出反应。
一位名叫 Anshuman Gaikwad 的研究人员开发了一个原型系统，旨在通过将每位驾驶员视为一个独特的案例，而非对所有人应用统一的标准，来解决这个问题。该系统并没有使用固定的标准来评判每一张脸，而是首先在驾驶员处于完全清醒状态时观察一分钟，以了解他们正常的眨眼、眼形和头部位置是什么样的。这建立了一个个人基准。一旦系统了解了该特定人员的正常状态，它就会开始观察三十秒窗口内的变化，寻找像长时间闭眼或重复打哈欠这样的持续模式，而不是对单次眨眼做出反应。该系统还包含一个安全机制，如果摄像头视野被遮挡或驾驶员的面部丢失，系统将停止做出判断，从而防止系统在看不清的情况下进行盲目猜测。
为了测试这种方法是否真的有效，研究人员并没有依赖真实的道路驾驶者，因为那很难控制和测量。相反，他创建了九个精心设计的计算机模拟程序，用以模拟真实的驾驶情况。这些模拟场景包括驾驶员只是在说话、正常眨眼或短暂移动头部的情况，以及驾驶员确实变得昏昏欲睡的情况。他还加入了一个棘手的案例，即眼睛天生较窄的驾驶员，这类人群经常会触发标准系统的误报。模拟结果显示，这种新方法在避免误报方面非常有效。虽然旧的、更简单的系统在正常眨眼或面对窄眼驾驶员时每小时会发出数百次误报，但这个新系统却保持了冷静和准确。它能正确识别真正的疲劳时刻，而不被正常行为所迷惑，在这些特定的测试中实现了避免误报的完美记录。
研究还对比了不同版本的系统，以观察哪些部分最为重要。其中一个版本对所有人使用固定规则，另一个版本使用了个人基准但仅观察单帧画面，第三个版本使用了基于时间的模式但没有个性化处理。结合了个人基准和基于时间模式的完整系统表现最好。它能够高精度地区分疲劳驾驶员和正常驾驶员。然而，研究人员谨慎地指出，这些结果来自计算机模拟，而非观察真实的人在驾驶真实的汽车。该系统尚未在公开数据集或现实交通环境中进行测试，因此，尽管其逻辑在受控环境中成立，但在实际道路上的表现仍有待观察。
该原型包含一个实时仪表盘，显示驾驶员当前的风险水平，随着系统检测到疲劳迹象，仪表盘上的刻度会从“警觉”移动到“昏昏欲睡”。它追踪特定的指标，例如眼睛闭合的时间百分比、打哈欠的频率以及头部低垂的程度。当系统检测到问题时，它会等待征兆持续几秒钟后再发出警报，以确保瞬间的失误不会引发恐慌。研究人员强调，这是一个研究工具，而非经过认证的安全设备，下一步是将它与现有的真实驾驶员视频集进行对比测试，以观察模拟中的成功是否能转化为应对复杂现实道路的能力。目前，这项工作证明了这样一个通过学习个体并观察随时间变化的模式来工作的系统，比起过去那种僵化的、一刀切的方法，提供了一种更智能的疲劳检测方式。
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。