基于模糊的驾驶员监控系统来评估道路上的危险驾驶

科学领域:

• 人工智能
• 计算机视觉
• 道路安全工程

背景情况:

• 交通事故源于司机的疲劳,速度,天气和时间因素.
• 现有的监测系统往往缺乏全面的风险评估.
• 需要先进的系统来主动识别和减轻驾驶风险.

研究的目的:

• 设计和评估用于自动检测危险驾驶行为的模糊驾驶监控系统 (FDMS).
• 通过将多个关键驾驶参数整合到风险评估模型中来提高道路安全.
• 提高驾驶员监控系统的准确性和可靠性.

主要方法:

• 开发了一个包含模糊逻辑的FDMS来评估驾驶风险.
• 使用BlazeFace进行驾驶员面部检测和深度学习 (LSTM,CNN) 进行昏昏欲睡的估计.
• 车辆的整合速度,驾驶员的昏昏欲睡,天气,每周的一天和一天的时间作为输入参数.
• 创建了一个图形用户界面 (GUI),用于实时数据显示和风险水平指示.

主要成果:

• 在模拟和现实条件下,FDMS准确评估了驾驶风险水平.
• 睡眠检测算法达到70. 46%的准确性,F1得分为71. 64%和AUC为0. 75.
• 该系统在向司机提供真实警报时显示了77.5%的准确性, 证实了其在现实世界中的适用性.

结论:

• 通过及时准确的风险估计,FDMS可以准确地检测高风险的驾驶情况.
• 纳入多种风险因素显著提高了预防事故的预测准确性.
• 通过主动警告司机,该系统显示了减少道路交通事故的巨大潜力.