應用人工智慧分析技術探勘高風險路段(2/4)—車內異常事件影像辨識技術開發[112綠] | 拾書所

應用人工智慧分析技術探勘高風險路段(2/4)—車內異常事件影像辨識技術開發[112綠]

$ 399 元 原價 420

過去由於鮮少蒐集駕駛過程的資料,在肇因判斷上多以事故發生當下的近因為主,然近因並不一定為肇事主因,僅預防近因也未必能有效預防肇事。本計畫之目標在將目前以事故資料為基礎的道路交通安全管理程序,提升為以事故資料、異常事件及駕駛行為等為基礎的道路交通安全管理程序。本計畫為4年期計畫之第2年計畫,以第1期計畫為基礎,加入車內影像辨識技術,討論現有車載設備與數位行車記錄器限制時,同時考量車內外異常事件分析之需求,建立異常事件影像辨識技術訓練,整合資料集合找出車內外異常事件型態與空間特性等關聯,最後提供業者駕駛人管理及主管機關易肇事地點管理。
本期計畫訪談五家國道客運業者,以車內設備裝設現況、常見車內異常行為、駕駛安全管理、從駕駛安全管理角度對ADAS警示系統之期望之四個面向探討,觀察出業者皆將使用手機視為分心事件,而業界尚無統一界定疲勞標準,透過文獻回顧將分心行為分為三類:認知分心、眼部分心、手部分心,而車內異常行為定義為在分析手部分心行為與事件異常程度之關聯後,判定與事件異常程度相關之行為,並將車內駕駛行為綜整成三大項:頭部方向、偏離程度;手是否在方向盤上、手部位置;動作項目。
本期計畫接著發展車內影像辨識分析架構,透過OpenPose辨識駕駛18 個關節點資料集,以進行深度學習影像辨識,推論駕駛手和方向盤、頭部動作、手部動作,及其身體動作,結果受環境光影變化與成像效果影響,因此在光影辨化大的傍晚和夜間時段,以及在成像不佳的鏡頭畫面在辨識率上表現較差。透過人工真值與影像辨識比較結果,顯示雖各項手部分心動作在人工辨識及影像辨識兩種模式的顯著性不盡相同,但參數的符號大多一致,影像辨識技術確能有效辨識駕駛車內行為,並協助偵測異常事件,建議業者在考量技術、規格、功能與成本等四層面下,能進行車內駕駛行為影像辨識之技術開發與建置,以達到車隊管理與交通安全之成效。
本期計畫沿用前期計畫之2,558事件,分別進行車內行為與行車動態、車內行為與異常事件之分析,再接續分析車內行為、車行動態及異常事件的整體關聯性。研究發現駕駛員於開車中所有行為除操作車內設備外,皆與駕駛員分心有顯著正相關。在事件動作序列分析中,不同行車動態的條件下,駕駛若出現特定動作或是動作組合,則容易發生異常事件。在前車變換車道的情境下,駕駛只要高速接近前車(FCWH),就容易發生異常事件;在本車變換車道的情境下,本車離前車太近(SDW0.4)且駕駛有操作非撥桿的車內設備動作,容易發生異常事件;在本車車道偏移的情境下,當駕駛有身體前傾、雙手離開方向盤、拿東西等無法即時適當控制車輛的動作,容易發生異常事件。異常事件的時空分析結果指出,分心行為不論從巨觀至微觀的角度,都對警示事件、異常事件造成顯著正向之影響。意即,時空環境有部分條件使分心事件較為好發,而分心事件又會顯著使警示與異常事件發生。

Brand Slider