排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
驾驶人的视觉特性引起的人因隐患是引发交通事故的核心原因,其表现为驾驶人观察不当、注意力不集中、动态视敏度较差,由视觉特性引起的驾驶疲劳和觉醒水平研究受到国内外学者的广泛关注。纵观近30年,驾驶疲劳检测的方法大致分为车辆状态检测、驾驶员生理信号检测、驾驶行为检测以及驾驶员眼动特征检测4种。前3种检测方法条件要求苛刻、过程复杂,而且和驾驶人因中重要的视觉特性没有直接关联,所以成效不高且不易推广使用。近十年来随着视线跟踪技术的发展,基于视觉特性的驾驶安全眼动研究以其准确性、可靠性和非接触性成为检测驾驶疲劳的首选。文章就眼动技术在驾驶安全研究中的应用进行了广泛的调查与分析,总结了有关驾驶疲劳的检测方法及其优缺点,并将其与基于视觉的眼动技术进行了对比分析;提炼了眼动态特征、静态特征和眼动视线特征等3大类5种指标对于驾驶安全的检测方法;同时指出了目前基于视觉特性的驾驶安全眼动研究中存在的一些问题,并对未来的发展方向进行了展望,以期对进行交通工程,人因研究和视觉特性研究的科研工作提供参考。 相似文献
2.
近视会导致用户眼球发生形状畸变,近视用户眼球与视线估计中眼球参考模型的差异导致基于固定模型法得到的视线位置与用户实际视线位置不一致,这影响了视线跟踪的数据精度。针对以上问题,文中提出了一种基于眼球误差模型的眼动数据校正方法。结合眼动仪使用中例行的视线标定,通过计算视线标定过程中参考点与对应的视线估计点之间关系求得近视用户眼球与视线跟踪中眼球参考模型之间的眼球误差,然后根据眼球误差计算跟踪数据误差,最后将误差量补偿于眼动数据,并进行了计算机仿真验证。实验结果表明:近视用户眼球发生形状畸变时其眼动数据偏差不仅与近视程度有关而且与用户观察点位置密切相关。数据校正前,视线估计点与真实值平均偏离误差为48. 66pixels;数据校正后,视线估计点均匀分布在真实值周围,平均跟踪误差为28. 02pixels,并且可以验证,随着观察对象位置不同及近视程度变化,矫正后的数据偏差始终小于48pixels。说明以上提出的方法可以很好校正近视造成的眼动数据偏差。 相似文献
1