高脑力负荷下基于深度学习的驾驶人认知分心识别研究.pdfVIP

摘要

高脑力负荷下的认知分心严重危害驾驶安全，随着驾乘环境电子化和辅助驾驶系统的普

及驾驶情景中的认知分心高频发生，当前驾驶人的认知分心识别研究仍不够充分，因此本研

究聚焦于驾驶人高脑力负荷下的认知分心状态识别，并结合深度学习图像分析方法和机器学

习算法构建了一套完整的驾驶人认知分心状态识别框架。研究主要分为三部分：搭建基于深

度学习的驾驶人头眼运动模型、高脑力负荷下实车场地认知分心驾驶实验以及基于极端提升

树算法的分心状态识别模型。

首先，基于深度学习的驾驶人头眼运动建模是通过图像分割算法得到驾驶人人脸、眼睑

和虹膜轮廓数据，然后分别通过几何分析和头部姿态预测算法建立头眼运动模型。构建包含

实景拍摄和公开面部图像数据的驾驶人面部实例分割数据库，接着基于MaskR-CNN、

SOLOv2YOLOv5/8n-segYOLOv8n-seg

、算法开展面部分割实验后选择算法实现驾驶人面部

图像分割，并通过优化分割方案、算法轻量化和大型可分离核注意力机制策略来提升精度表

现和降低算力资源占用。将驾驶人人脸、眼睑和虹膜