駕駛員輔助系統和電子設備（如導航器、手機等）吸引了越來越多的駕駛員注意力。因此，汽車行業正在努力營造一種駕駛環境，在這種環境中，攝像頭輸入輸出設備被巧妙地安排，讓駕駛員有足夠的時間將注意力集中在周圍的交通上。要啟用智能人機界面（HMI），需要測量駕駛員的瞬時狀態。本文介紹了一種監控駕駛員注意力分散的干擾器設備，并給出了一些早期評估結果。該模塊通過融合立體視覺和車道跟蹤數據，運行基于規則和支持向量機（SVM）的分類方法，能夠檢測駕駛員的視覺和認知負荷。
該模塊已經用一輛卡車和一輛客車的數據監控進行了測試。結果顯示，在檢測視覺分心時，成功率超過80%，在檢測認知分心時，成功率為68-86%，這是令人滿意的結果。在本文中，我們提出了一種算法來檢測場景變化，這表明相機重新校準是必要的。這項工作支持使用屏蔽器未校準的交通管理路邊攝像頭進行自動速度估計。我們使用移動的車輛邊緣構造活動區域，并將連續圖像中活動區域的微小差異用作重新校準相機的決策標準。
攝像頭運動檢測使用10秒視頻序列的訓練集，并使用監控攝像頭幀差分檢測移動車輛。我們使用真實的交通場景驗證了我們的算法。保持攝像機長時間正常工作而不被篡改是視頻監控系統的基本要求。傳統的攝像頭篡改檢測由監控系統操作員應用。這是巨大的人力資源消耗和效率低下。本文提出了一種基于SIFT干擾屏蔽器的視頻監控攝像機篡改自動檢測算法。當攝像頭被篡改時，實時幀會發生很大變化。因此，采用基于Sift特征的決策函數來檢測攝像機篡改。仔細選擇閾值以減少假警報。實驗證明了該方法的有效性和魯棒性。
該模塊已經用一輛卡車和一輛客車的數據監控進行了測試。結果顯示，在檢測視覺分心時，成功率超過80%，在檢測認知分心時，成功率為68-86%，這是令人滿意的結果。在本文中，我們提出了一種算法來檢測場景變化，這表明相機重新校準是必要的。這項工作支持使用屏蔽器未校準的交通管理路邊攝像頭進行自動速度估計。我們使用移動的車輛邊緣構造活動區域，并將連續圖像中活動區域的微小差異用作重新校準相機的決策標準。
攝像頭運動檢測使用10秒視頻序列的訓練集，并使用監控攝像頭幀差分檢測移動車輛。我們使用真實的交通場景驗證了我們的算法。保持攝像機長時間正常工作而不被篡改是視頻監控系統的基本要求。傳統的攝像頭篡改檢測由監控系統操作員應用。這是巨大的人力資源消耗和效率低下。本文提出了一種基于SIFT干擾屏蔽器的視頻監控攝像機篡改自動檢測算法。當攝像頭被篡改時，實時幀會發生很大變化。因此，采用基于Sift特征的決策函數來檢測攝像機篡改。仔細選擇閾值以減少假警報。實驗證明了該方法的有效性和魯棒性。
上一篇：不同監控型號布局科學方法
下一篇：有效監控核燃料的使用途徑
