基于概率置信区域从头部位置与朝向估计驾驶员注视区域

智能车辆应能够理解人类行为并预测其动作，以避免危险情况。人类行为中的特定特征可被自动预测，这有助于车辆做出决策，从而提高安全性。与驾驶任务最相关的方面之一是驾驶员的视觉注意。预测驾驶员的视觉注意可帮助车辆理解驾驶员的警觉状态，提供重要的上下文信息。虽然在车内环境中估计精确的注视方向较为困难，但可通过跟踪头部的位置与朝向获得视觉注意的粗略估计。由于头部姿态与注视方向之间并非一一对应关系，本文提出一种基于概率模型的表述，以创建描述驾驶员视觉注意的显著区域。当模型对预测具有高置信度时，预测区域的面积较小，该置信度直接从数据中学习得到。我们使用高斯过程回归（GPR）来实现该框架，并将其性能与线性回归和基于神经网络的方法等不同回归表述进行比较。我们利用 UTDrive 平台采集的自然驾驶记录，通过研究概率图的空间分辨率与精度之间的权衡来评估这些框架。我们观察到 GPR 方法产生了最佳结果，以局部化显著区域创建了准确的预测。例如，95% 置信区域由一个覆盖驾驶员周围球体 3.77% 区域的面域所定义。