驾驶素质缺失测试眼状态的深度学习分类方法研究.pdfVIP

第51卷第2期/2025年2月/计算机工程研究论文

驾驶素质缺失测试眼状态的深度学习分类方法研究

杨旺达，万亚平1*，邹刚1-2,闵晓珊23,王沂23，陆宇程4

（1.南华大学计算机学院，湖南衡阳421001；2.南华大学湖南中科助英智能科技研究院，湖南长沙410000；

3.中南大学湘雅医院眼科学科室，湖南长沙410008；4.北京邮电大学国际学院，北京100876)

摘要：由驾驶员的不安全行为导致的交通事故占多数，针对驾驶认知素质特性的研究，搭建虚拟驾驶场景评估

驾驶者的驾驶素质，可以最大限度地贴近现实环境和操作，唤醒驾驶者的潜在驾驶能力和应对能力。眼球运动可

以极大程度地反映出驾驶者的认知状态，但目前多数眼动状态识别研究主要关注在自然状态中基本视觉运动方

向或者眼脸的闭合，识别类别的能力和效果对于驾驶场景的认知状态评估有限。收集了10类静态眼动方向的双

眼数据，并提出融合注意力机制的多尺度眼状态图像识别模型。首先，使用部分卷积设计双分支特征融合模块，

在加强模型特征提取能力的同时减少计算穴余；然后，在双分支特征融合的残差模块中嵌人改进的坐标注意力

(CA)机制，提升模型对不同尺度特征的信息表征能力；最后，对模型的通道结构和数量进行调整，平衡模型的参

数量与识别准确率。实验结果表明，所提方法在构建的10类眼动状态数据集上识别准确率达到95.1%，相比改

进前的网络提高3.4个百分点；在EyeChimera数据集和MRL眼睛数据集上的识别准确率分别为95.1%和

98.95%，可以满足在虚拟驾驶测试环境下眼动状态识别的要求，并为进一步结合多参数分析驾驶素质缺失任务

奠定基础。

关键词：驾驶认知；眼状态；图像分类；特征融合；注意力模块

源代码链接：/USC490/FasterNet_ER/tree/master

中图分类号：TP391文献标志码：AD0I:10.19678/j.issn.1000-3428.0068461

ResearchonDeepLearningClassificationMethodforTestingEyeStatusof

DrivingQualityDeficiency

YANGWangda,WANYaping*,ZOUGangl2,MINXiaoshan?3,WANGYi3,LUYucheng?

(1.SchoolofComputer,UniversityofSouthChina,Hengyang421001,Hunan,China;

2.HunanZKHIIntelligentTechnologyResearchInstitute,UniversityofSouthChina,Changsha410000,Hunan,China;

3.OphthalmologyDepartment,XiangyaHospitalofCentralSouthUniversity,Changsha410008,Hunan,China;

4,InternationalCollege,BeijingUniversityofPostsandTelecommunications,Beijing100876,China)

[Abstract)Unsafedriverbehaviorsaccountforthemajorityoftrafficaccidents.Forthepurposesofinvestigating

drivercognitivequalitycharacteristics,virtualdrivingscenesareconstructedtomimictherealenvironmentand

operation.Thishelpsassessthedriversdrivingandcoping