[论文解读] Driver Gaze Estimation Without Using Eye Movement
本文提出了一种基于面部特征检测和头部姿态分类而非直接眼动追踪的实时驾驶员注视估计系统。通过将面部特征的空间配置分类为六个注视区域，该系统在50名驾驶员的实路数据集上实现了11 Hz下的91.4%准确率，为在复杂视觉条件下提供了传统眼动追踪的稳健替代方案。
Abstract—Automated estimation of the allocation of adriver’s visual attention may be a critical component offuture Advanced Driver Assistance Systems. In theory,vision-based tracking of the eye can provide a good estimateof gaze location. In practice, eye tracking from videois challenging because of sunglasses, eyeglass reflections,lighting conditions, occlusions, motion blur, and otherfactors. Estimation of head pose, on the other hand, isrobust to many of these effects, but cannot provide as fine-grained of a resolution in localizing the gaze. However,for the purpose of keeping the driver safe, it is sufficientto partition gaze into regions. In this effort, we proposea system that extracts facial features and classifies theirspatial configuration into six regions in real-time. Ourproposed method achieves an average accuracy of 91.4%at an average decision rate of 11 Hz on a dataset of 50drivers from an on-road study.Index Terms—Head pose estimation, gaze tracking, driverdistraction, driver assistance systems, on-road study.
研究动机与目标
- 开发一种不依赖眼动追踪的鲁棒驾驶员注视估计系统。
- 解决传统眼动追踪的局限性，如眼镜反光和光照不良问题。
- 通过估计视觉注意力分布，提升高级驾驶辅助系统中的安全性。
- 仅利用面部特征配置，高精度地将注视分类为离散区域。
- 实现实时性能，适用于实路部署。
提出的方法
- 系统使用实时面部关键点检测算法检测关键面部特征。
- 将这些面部特征的空间配置分类为六个预定义的注视区域。
- 使用头部姿态估计作为注视定位的代理，避免直接眼动追踪。
- 该方法利用面部关键点之间的几何关系推断注视方向。
- 训练机器学习分类器，将面部特征配置映射到注视区域。
- 系统平均决策速率为11 Hz，支持实时性能。
实验结果
研究问题
- RQ1面部特征配置能否可靠地用于无眼动追踪的驾驶员注视估计？
- RQ2仅通过头部姿态和面部关键点，能否高精度地将注视分类为离散区域？
- RQ3在存在视觉遮挡的现实道路条件下，系统的性能如何？
- RQ4系统能否在保持高准确率的同时实现实时运行？
- RQ5与传统眼动追踪相比，该方法在环境因素干扰下的鲁棒性如何？
主要发现
- 所提出的系统在将驾驶员注视分类为六个区域时，平均准确率达到91.4%。
- 系统平均决策速率为11 Hz，适用于实时应用。
- 该方法对眼动追踪中常见挑战（如眼镜反光和光照变化）表现出良好的鲁棒性。
- 在包含50名不同驾驶员的实路研究中，注视估计准确率保持稳定。
- 该方法通过利用面部特征几何结构和头部姿态，有效替代了直接眼动追踪用于注视区域分类。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。