《博主简介》
小伙伴们好，我是阿旭。
专注于计算机视觉领域，包括目标检测、图像分类、图像分割和目标跟踪等项目开发，提供模型对比实验、答疑辅导等。
《------往期经典推荐------》
二、机器学习实战专栏【链接】 ，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~
《------正文------》
目录
- 引言
- 一、研究背景
- 二、核心方法设计：RT-DASR
-
- [（1）模块 1：BV-DHPE（双目视觉深度补偿头部姿态估计）](#（1）模块 1：BV-DHPE（双目视觉深度补偿头部姿态估计）)
- [（2）模块 2：MSTBi-LSTM（多源时间双向长短期记忆网络）](#（2）模块 2：MSTBi-LSTM（多源时间双向长短期记忆网络）)
- 三、实验验证与关键结果
- 四、研究结论与未来方向
引言
为解决现有基于计算机视觉的驾驶员注意力检测方法中，单目相机精度低、多传感器融合实时性差的问题，本文提出RT-DASR（实时驾驶员注意力状态识别方法） ，其核心包含BV-DHPE（双目视觉深度补偿头部姿态估计） 和MSTBi-LSTM（多源时间双向长短期记忆网络） 两大模块。BV-DHPE 通过双目相机与 YOLO11n Pose 定位面部关键点，利用双目视差计算空间距离补偿单目深度缺陷，使头部姿态估计的平均绝对误差（MAE）较单目方法降低44.7% ；MSTBi-LSTM 融合头部姿态角度、实时车速和注视区域语义，双向提取时间特征实现注意力判别。该方法在 NVIDIA Jetson Orin 部署时，注意力识别准确率达90.4% ，平均延迟仅21.5 ms，经实际矿用卡车驾驶场景测试，为提升驾驶员安全性提供了高精度、低延迟的解决方案。
一、研究背景
-
交通安全需求：驾驶员分心是交通事故核心诱因，美国 2010 年机动车事故社会成本达 836 亿美元，其中 15% 由分心驾驶导致，因此高效可靠的驾驶员注意力检测方法对提升驾驶安全至关重要。
-
现有方法的局限性：
- 生理信号法：通过 EEG（脑电图）、ECG（心电图）等监测，但依赖接触设备，存在成本高、舒适性差、干扰驾驶操作的问题。
- 驾驶行为法：通过方向盘操作、刹车模式等间接推断注意力，但受交通环境、路况、个人驾驶习惯影响大，泛化性和实时性不足。
- 计算机视觉法：因非侵入、低成本、可扩展性强成为主流，但存在两大缺陷 ------ 单目相机缺乏深度信息导致精度低，多传感器融合技术实时性差。
-
场景特殊性：现有研究未适配矿用卡车场景（矿卡体积大、需更广视野、需监控多控制面板），缺乏针对矿卡驾驶员的快速高精度注意力检测技术。
二、核心方法设计：RT-DASR
RT-DASR （实时驾驶员注意力状态识别方法）由两大核心模块构成，通过 "高精度头部姿态估计 + 多源时间特征融合" 实现注意力检测，具体设计如下：
（1）模块 1：BV-DHPE（双目视觉深度补偿头部姿态估计）
-
目标：解决单目相机深度信息缺失导致的头部姿态估计精度低问题。
-
硬件配置：双目相机（基线 43mm，焦距 3.5mm），配备 940nm 近红外 LED 补光器，确保低光照环境稳定工作。
-
关键步骤 ：
-
面部关键点定位 ：采用 YOLO11n Pose 模型，直接回归 17 个面部关键点，筛选 8 个受表情影响小的点（内 / 外眼角、眉外端、鼻孔）作为候选点，避免传统 "人脸检测→关键点定位" 两阶段流程，提升精度与速度。
-
深度计算 ：基于双目视差原理，通过立体匹配生成视差图，结合公式Z =dfB（f 为焦距，B 为基线，d 为视差）将视差转换为深度，获取候选点的 3D 世界坐标。
-
姿态角提取 ：利用相机内参矩阵K =f**x 000f**y 0cxc**y1和外参 [R|t]，通过奇异值分解（SVD）求解旋转矩阵 R，再分解 R 得到头部的 3 个欧拉角（俯仰：绕 x 轴；滚转：绕 y 轴；偏航：绕 z 轴）。
-
-
性能优势 ：头部姿态估计 MAE 较单目方法降低44.7%，极端头部运动时误差更可控（俯仰峰值误差从 12.1°→3.6°，偏航从 9.3°→6.5°）。
（2）模块 2：MSTBi-LSTM（多源时间双向长短期记忆网络）
-
目标：融合多源时序数据，提升注意力状态判别的连续性与准确性。
-
输入特征设计：
特征类型 维度 说明 头部姿态 3 俯仰、偏航、滚转 3 个欧拉角（归一化后） 注视区域 1 cabin 内 12 个分区（用 1-12 数值表示） 实时车速 1 矿用卡车实时行驶速度 总输入维度 16 ------ -
网络结构：
- 双向 LSTM 层：包含前向 LSTM（按时间顺序提取特征）和反向 LSTM（按时间逆序提取特征），捕捉多源数据的长期时间依赖关系，隐藏单元 128 个，序列长度 300。
- 全连接层（FC）+ Softmax：将双向 LSTM 输出拼接后输入 FC 层，再通过 Softmax 分类为 "专注" 或 "分心" 两类。
-
性能优势：多源特征融合后，注意力识别准确率达 93.2%（训练阶段），推理时间仅 0.1ms，兼顾精度与效率。
三、实验验证与关键结果
（1）实验环境与数据集
| 实验类型 | 硬件配置 | 软件配置 | 数据集详情 |
|---|---|---|---|
| 模型训练 | Intel Xeon Silver 4210 + NVIDIA RTX 3090 | Ubuntu 22.04，PyTorch 2.3，CUDA 11.2 | YOLO11n Pose：9798 张图像（6:2:2 分拆）；MSTBi-LSTM：5000 个 60s 样本（3000:1000:1000 分拆） |
| 模型部署 | NVIDIA Jetson Orin（边缘设备） | Ubuntu 20.04，JetPack 5.1.4，TensorRT 8.5 | ------ |
| 实车测试 | 矿用卡车（配备双目相机） | ------ | 40 名司机 1440h 数据（53% 白天，47% 夜间），600 个分心片段 + 3000 个非分心片段 |
（2）关键实验结果
-
YOLO11n Pose 性能（与同类模型对比）：
模型 面部检测 AP50-95（%） 关键点检测 AP50-95（%） 参数量（M） 推理时间（ms） YOLOv8n Pose 89.2 93.0 3.3 1.1 YOLO11n Pose 90.7 94.5 2.9 1.1 YOLO12n Pose 89.2 93.1 2.8 1.7 - 结论：YOLO11n Pose 在检测精度（AP50-95 最高）、参数量（2.9M，低于 YOLOv8n）、推理速度（1.1ms，与 YOLOv8n 相当，快于 YOLO12n）上综合最优。
-
BV-DHPE 与单目方法头部姿态估计误差对比：
评估指标 单目方法（俯仰） BV-DHPE（俯仰） 单目方法（偏航） BV-DHPE（偏航） 单目方法（滚转） BV-DHPE（滚转） MAE（°） 2.0 0.8 1.4 1.0 1.1 0.6 RMSE（°） 2.7 0.9 2.0 1.4 1.3 0.8 最大误差（°） 12.1 3.6 9.3 6.5 7.7 3.5 - 结论：BV-DHPE 在所有维度误差均显著降低，MAE 平均下降 44.7%，抗动态干扰能力更强。
-
RT-DASR 实车测试性能（与单目方法对比）：
方法 准确率（%） F1 分数 TPR（%） FPR（%） 推理延迟（ms） 单目方法 80.1 80.3 80.4 19.8 18.2 RT-DASR 90.4 92.3 90.7 8.8 21.5 - 结论：RT-DASR 准确率提升 10.3%，FPR 降低 11.0%（减少误报警），虽延迟增加 3.3ms，但 21.5ms 仍满足实时预警需求。
四、研究结论与未来方向
-
核心结论：
- RT-DASR 通过 BV-DHPE 补偿深度信息、MSTBi-LSTM 融合多源时序特征，实现了矿用卡车驾驶员注意力的高精度（90.4%）、低延迟（21.5ms）检测。
- 边缘部署时，FP16 精度仅导致 0.3% 准确率损失，兼顾性能与硬件资源限制。
-
局限性：
- 极端头部旋转时，关键点匹配易失效，导致误判；
- 矿用卡车场景方法难以迁移至普通轿车（视野、监控需求不同）；
- 缺乏统一数据集，无法与现有主流方法直接对比。
-
未来方向：采用多相机构建多视图立体视觉系统，覆盖宽角度头部旋转场景，解决关键点缺失导致的姿态估计失效问题。
好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！