基于视觉道路场景的驾驶员压力估计研究

学术背景

驾驶员压力是导致交通事故、伤害和死亡的重要因素。研究表明，94%的交通事故与驾驶员相关，其中注意力不集中、内外部分心、速度控制不当等都与驾驶员的压力密切相关。因此，识别和管理驾驶员的压力状态对于提升驾驶体验和安全性至关重要。然而，现有的驾驶员压力识别方法主要依赖于生理数据（如心率、皮肤电活动等）或车辆操作数据（如方向盘和踏板活动），这些方法通常需要佩戴设备或缺乏对驾驶环境的全面考虑。相比之下，基于视觉道路场景的分析为驾驶员压力估计提供了一种无侵入式且具有广泛适用性的解决方案。本研究旨在探讨视觉道路场景对驾驶员压力估计的贡献，并通过机器学习模型验证其有效性。

论文来源

本论文由Cristina Bustos、Albert Sole-Ribalta、Neska Elhaouij、Javier Borge-Holthoefer、Agata Lapedriza和Rosalind Picard共同撰写，作者分别来自Universitat Oberta de Catalunya (UOC)和MIT Media Lab。论文于2023年发表在IEEE Transactions on Affective Computing期刊上。

研究流程与结果

1. 数据来源与预处理

研究使用了公开的AffectiveRoad数据集，该数据集包含13次真实驾驶实验的视频数据，涵盖城市、高速等多种道路场景。数据集还包括驾驶员自我报告的压力值（从0到1），并通过语义分割技术对道路场景中的对象（如车辆、行人、交通标志等）进行标注。研究将这些压力值离散化为低、中、高三个类别，构建了一个包含110,000帧视频帧的数据集。

2. 模型设计与训练

研究评估了多种机器学习模型的性能，包括：
- 单帧基线模型：随机森林（Random Forest）、支持向量机（SVM）和卷积神经网络（CNN）。
- 时序分段网络（TSN）及其变体：包括基于学习权重的TSN-W和基于长短期记忆（LSTM）的TSN-LSTM。
- 视频分类Transformer：包括基于Transformer的视频分类模型和VideoMAE模型。

研究采用“留一驾驶员”交叉验证策略，将数据划分为训练集、验证集和测试集，确保模型在未见过的驾驶员数据上的泛化能力。

3. 实验结果

实验结果表明，TSN-W模型的平均准确率最高，达到0.77，显著优于单帧基线模型。TSN-LSTM和Transformer模型的性能与TSN-W相当，但TSN-W在计算效率和可解释性上更具优势。研究还通过类激活映射（Grad-CAM）和图像分割技术分析了模型对高压力场景的关注点，发现交通拥堵、行人、大型车辆等对象是导致高压力预测的主要因素。

4. 可解释性分析

通过Grad-CAM和图像分割技术的结合，研究量化了模型在不同压力类别中对道路场景对象的关注程度。结果表明，模型在预测高压力时更关注行人、交通标志和大型车辆等对象，而在低压力场景中更关注植被和围栏等对象。这些发现为理解驾驶员压力的视觉触发因素提供了重要见解。

结论与意义

本研究证明了基于视觉道路场景的驾驶员压力估计的可行性，并通过TSN-W模型实现了较高的分类准确率。研究不仅验证了视觉上下文信息对驾驶员压力估计的重要性，还为未来开发更安全的城市道路环境和驾驶辅助技术提供了理论支持。此外，研究的可解释性分析揭示了道路场景中与驾驶员压力相关的关键对象，为相关领域的研究提供了新的方向。

研究亮点

• 创新性方法：首次系统地评估了视觉道路场景对驾驶员压力估计的贡献，并提出了高效的TSN-W模型。
  
• 高准确率：TSN-W模型在AffectiveRoad数据集上实现了0.77的平均准确率，显著优于基线模型。
  
• 可解释性分析：通过Grad-CAM和图像分割技术，揭示了道路场景中与驾驶员压力相关的关键对象。
  
• 实际应用价值：研究结果为开发基于视觉上下文的驾驶辅助系统和更安全的道路设计提供了科学依据。
  

其他有价值的信息

研究还探讨了模型在不同道路场景（如城市、高速、停车场）中的表现，发现模型在城市场景中的表现尤为突出。此外，研究对比了多种视频长度和帧率对模型性能的影响，确定40秒视频序列和3帧/秒的配置为最佳参数。

通过本研究的深入分析，我们不仅加深了对驾驶员压力来源的理解，也为未来相关研究提供了重要的技术和方法支持。