[论文解读] Drivers' attention detection: a systematic literature review

Luiz Gustavo D. O. Veras, Anna Karina Fontes Gomes+2 more|arXiv (Cornell University)|Apr 6, 2022

Human-Automation Interaction and Safety被引用 4

一句话总结

本篇系统性文献回顾分析了50项基于图像的驾驶员注意力检测研究，识别出22项相关的主要研究，其采用的技术包括面部关键点检测、眼动追踪和头部姿态估计。主要贡献在于对注意力标准、检测技术及传感器使用的综合整合——突出显示头部位置（21篇引用）和眼态（18篇引用）为最常见要素，为未来ADAS开发及驾驶员分心与疲劳检测研究奠定了基础。

ABSTRACT

Countless traffic accidents often occur because of the inattention of the drivers. Many factors can contribute to distractions while driving, since objects or events to physiological conditions, as drowsiness and fatigue, do not allow the driver to stay attentive. The technological progress allowed the development and application of many solutions to detect the attention in real situations, promoting the interest of the scientific community in these last years. Commonly, these solutions identify the lack of attention and alert the driver, in order to help her/him to recover the attention, avoiding serious accidents and preserving lives. Our work presents a Systematic Literature Review (SLR) of the methods and criteria used to detect attention of drivers at the wheel, focusing on those methods based on images. As results, 50 studies were selected from the literature on drivers' attention detection, in which 22 contain solutions in the desired context. The results of SLR can be used as a resource in the preparation of new research projects in drivers' attention detection.

研究动机与目标

• 识别并综合现有基于图像的计算方法，用于检测驾驶员注意力。
• 分析当前研究中使用的注意力标准（例如：分心、疲劳、困倦）。
• 评估驾驶员注意力系统中采用的检测技术、传感器及数据处理方法。
• 为研究人员和开发者提供结构化参考，以避免重复工作并指导未来ADAS研究。
• 识别在多重视觉注意力元素整合方面以及在低功耗平台中嵌入解决方案的可行性方面的研究空白。

提出的方法

• 按照预设的八步协议开展系统性文献回顾（SLR）：主题定义、协议制定、文献检索、重复项检查、选择标准应用、数据提取、验证与结果分析。
• 通过关键词在学术数据库中检索与驾驶员注意力检测、图像处理及ADAS相关的文献，并应用纳入与排除标准筛选出相关研究。
• 从初始的50项研究中提取出版年份、作者、检测技术、注意力标准、所用传感器及检测策略等信息。
• 筛选出22项符合真实驾驶环境中基于图像的驾驶员注意力检测标准的主研究。
• 根据其对注意力要素（如眼睛、头部位置、面部特征）的使用情况进行分类与分析，并利用频次矩阵将技术与要素进行映射。
• 通过团队共识与第三方评估验证回顾过程，以减少评审者偏倚并确保可重现性。

实验结果

研究问题

• RQ1 在基于图像的驾驶员注意力检测系统中，哪些注意力标准（如分心、疲劳、困倦）被最常使用？
• RQ2 当前驾驶员注意力检测研究中，最常采用的检测技术与传感器是什么？
• RQ3 现有解决方案中，不同注意力要素（如眼态、头部位置、面部特征）如何组合使用或单独使用？
• RQ4 当前研究在多重视觉注意力元素整合或系统在嵌入式或云平台中部署方面存在哪些研究空白？
• RQ5 哪些技术在ADAS应用中展现出最高潜力，可实现实时、低资源的部署？

主要发现

• 头部位置是最常被引用的注意力要素，在21项研究中出现，其次是眼态（18项研究），表明对面部运动与眼部行为的强烈依赖。
• Viola-Jones特征检测方法与支持向量机（SVM）是使用最广泛的两种技术，分别出现在11项与10项研究中，表明其在早期检测阶段的成熟地位。
• 多层卷积神经网络（CNNs）与多流神经网络的采用率持续上升，分别出现在7项与6项研究中，反映出近年来向深度学习的转变趋势。
• PERCLOS（眼睑闭合百分比）在11项研究中被用作疲劳检测的关键指标，证实其在困倦评估中的主导地位。
• 仅有7项研究将口部状态或嘴唇状态作为特征使用，表明尽管其在检测认知分心方面具有潜力，但目前仍被严重低估。
• 本研究发现各研究之间缺乏标准化评估，尚未就最佳技术与注意力要素组合达成共识，提示未来研究亟需建立基准测试框架。