驾驶员注意涣散检测技术研究

通过对注意涣散时驾驶员头部运动及面部表情变化特征的分析,系统实时监测驾驶员眼睛、嘴巴位置和运动状态信息,构建驾驶员注意涣散特征表征参量,实现对驾驶员注意涣散状态信息的检测与提取。驾驶员注意涣散表征量具有复杂的非线性特征,利用BP神经网络非线性识别的优势对驾驶员注意特征进行模式分类,实现驾驶员不同注意涣散状态下的特征捕捉。同时采用Dempster-Shafer证据推理技术,对驾驶注意涣散多源表征信息进行决策融合,实现对驾驶员注意涣散状态的判断。结果表明,BP神经网络与D-S规则多源信息决策融合技术的运用提高了驾驶员注意涣散特征检测的准确性和可靠性。     

基于多信息检测的车辆智能防撞预警技术研究

运用多源信息检测技术对驾驶状态进行综合检测,利用架设在车辆外部的摄像机获取本车与前方车辆之间的相对距离、相对速度信息,利用架设在车辆内部的摄像机获取驾驶人状态信息,通过综合判断降低车辆防撞检测的漏警率、误警率以及冗余报警率;构建车辆行驶安全判定规则,对行车实时危险和潜在危险进行检测、分析与判断,获取可靠的防撞警示提醒;使反应时间、相对距离、相对速度3个方面都能得到优化控制,从而避免车辆碰撞事故;同时也为提高车速、增加道路通行能力、实现自动驾驶等奠定良好的基础。     

不确定背景环境下车道检测技术的研究

针对不确定背景的交通环境,提出一种新的车道检测算法。确定道路路面的色彩范围,提取车道标线的色彩信息,消除光照强度变化对车道标线信息提取过程的影响;通过对比车辆与车道标线在大小、形状和运动模式3方面的差异排除车道中车辆对车道线检测的干扰;单帧图像的车道检测结果存储于车道一致性确认模块中,运用车道标志线一致性确认提高车道检测结果的准确性。试验结果表明,该方法能够有效地检测各种天气条件下车道区域以及解决车道遮挡问题。