驾驶行为论文阅读记录大汇总

一、使用公开数据集的论文总结

1. Who is behind the wheel? Driver identification and fingerprinting（2018）

论文：论文在这里
公开数据集：Security dataset、UAH‑DriveSet、HciLab dataset
驾驶员验证框架：

关键词：驾驶员识别、车载传感器数据（CAN获取）、特征数目优化、学习时间优化
要解决：识别时间对性能的影响 ---> 搞了一个优化时间的驾驶员识别框架
应用于：防盗、汽车保险、自动驾驶
总结讲：评估已有的驾驶员检测方法并找到最有用的特征集，然后在这个特征集上优化时间并提高精度（要探究精度、特征数和学习时间三者间的关系）。结论：表明车内网络数据，如燃油调节、制动踏板和方向盘数据，与准确识别驾驶员相关；同时在对特征进行选择之后，通过前三分钟的驾驶来识别驾驶员精度非常高！但是数据集少，驾驶员少，不知道提出的模型在驾驶员数目增多的情况下是否可以良好工作，需要更多的研究。

2.

二、使用专门采集且不公开数据集的论文总结

1. Markov Switching Model for Driver Behavior Prediction: Use cases on Smart phones（2021）

论文：论文在这里

关键词：驾驶员行为预测、马尔科夫切换模型、智能手机
要解决：使用智能手机的低成本数据采集方案 ---> 提出驾驶员行为转换模型，在不同的行为（跟车、换道、发短信、看交通灯灯）之间进行转换
应用于：驾驶行为和驾驶过程预测、事故预测、驾驶员安全系统、（模型选择标准、）
总结讲：驾驶行为不是单一出现的，比如驾驶员在跟车时会调整收音机频道或者发信息，因此本文提出的模型可以检测并分类不同的驾驶员模式。用到了期望最大化（EM）和马尔可夫链蒙特卡罗（MCMC）来评估模型参数，并对跟车行为模型进行了校准。

三、困意检测相关的论文总结

1. Real Time Driver Fatigue Detection System Based on Multi-Task ConNN（2020）

论文：论文在这里
公开数据集：YawDD VIDEO DATASET、NTHU-DDD
困意检测框架图：

多任务卷积网络模型：

关键词：driver fatigue、多任务卷积网络、眼睛和嘴部特征变化（PERCLOS闭眼时间、FOM哈欠频率）、Dlib algorithm
要解决：困意检测 ---> 困意程度分为3个类别（not tired, less tired and very tired）
应用于：因疲劳驾驶会造成的严重事故
总结讲：该论文用两个公开数据集，通过多任务卷积网络来将驾驶员困意分为3个类别。在预训练过程通过Dlib算法（面部68个点）来识别视频中的面部图像和眼睛开/闭，随意张嘴或者讲话时候的张嘴和打哈欠时候也是不一样的，对闭眼、哈欠进行标记。困意检测过程分为闭眼率（PERCLOS）和哈欠频率（FOM），总帧数固定。

四、综述

1. Driving Style Recognition for Intelligent Vehicle Control and Advanced Driver Assistance: A Survey

论文：论文在这里

关键词：
要解决：
应用于：
总结讲：

---

持续更新ing...