导读:本文包含了注视区域论文开题报告文献综述及选题提纲参考文献，主要关键词:交通工程,注视特性,马尔可夫过程,注视分布模式
注视区域论文文献综述
汪帆,程慧婷,刘建蓓,李岩[1]（2018）在《超高海拔区域驾驶人超车注视特性》一文中研究指出为获取驾驶人在海拔超过3 500m的超高海拔区域超车过程中的注视特性,应用头戴式眼动仪在青藏公路展开了实车测试,监控并记录了驾驶人眼动行为数据。通过统计驾驶人在超车各阶段对各注视区域注视及视线转移时长,应用马尔可夫理论计算4个海拔范围内超车4个阶段在7个区域上的注视平稳分布向量,应用超车各阶段注视平稳分布向量间的相关系数评价超车模式的相似性,基于相关系数矩阵的最大特征值建立注视特性的关联指数,并用其分析超车各阶段及不同海拔下驾驶人注视特性的差异。研究结果表明:驾驶人在超高海拔区域超车时,主要关注当前车道和目标车道,关注比例分别为61.8%和26.4%;超车4个阶段的关联指数分别为3.315,2.934,3.102和3.794,表明意图阶段的注视分布差异性最大,跟驰和返回阶段的差异性较小;初上高原驾驶人的平均关联指数是本地驾驶人的1.89倍,显示其更为谨慎,注视离散性更强;海拔超过4 400m后,驾驶人注视特性的相关系数要比其他海拔段低39%,呈现出不同的特性;超高海拔区域驾驶人主要注视当前车道,注视目标车道的比例小于平原微丘区驾驶人,体现出驾驶人未能全面关注驾驶环境信息。研究结果可作为交通设施设计优化、道路主动安全预防等研究的基础。(本文来源于《中国公路学报》期刊2018年04期）
吴泽华[2]（2018）在《面部模仿条件下面孔高兴程度和注视区域对笑容评价的影响》一文中研究指出情绪在日常生活交际中发挥着重要的作用,而面部表情又是情绪外在表现的一部分,因此面部表情在情绪的行为研究中更多的被当做刺激材料。在众多的面部表情中Ekman(1979)认为愤怒、厌恶、高兴、悲伤(或不安)、恐惧、惊讶不存在文化差异,在这六种表情中,只有高兴一种正性情绪,随着积极心理学和认知心理学的发展,表达高兴的笑容面孔越来越受到研究人员的广泛关注。面部模仿(facial mimicry)指在观察者看到被观察者的表情后,其面部肌肉也无意的对该表情的模仿,在行为研究中对于面部模仿进行控制的一种方法是Strack(1988)等人所使用的咬铅笔的方法,被试采用固定的姿势咬铅笔使得其面部肌肉受到控制从而抑制某种情绪的自由模仿。在有关笑容面孔的面部模仿中,大部分集中在国外,而且研究内容也有待细化,因此在该领域的研究中仍然存在一些问题需要深入探讨,如大部分是关于笑容和其他情绪面孔的差异研究,但是很少有直接去对不同高兴程度的笑容面孔的面部模仿进行研究;有理论指出眼睛在面部模仿中也存在重要的作用,但是该种作用很少被探究;本外族笑容面孔的面部模仿是否存在差异等等。本研究对以上叁个问题进行了实验探究:研究一采用高、低两种高兴程度的笑容面孔在面部肌肉自由模仿和抑制条件下对面孔高兴程度的评分和反应时进行考察,即2(高高兴程度和低高兴程度)×2(面部肌肉抑制和面部肌肉自由模仿)混合设计。结果发现在评分上面部自由模仿组和面部抑制组并不存在显着差异,但是在高高兴程度笑容面孔的评分反应时上却存在两组的差异,面部抑制组的反应时显着长于自由模仿组,但是在低高兴程度的笑容面孔评分反应时中却不存在显着差异。表明面部模仿更多的会参与对高高兴程度的加工,而不是低高兴程度笑容面孔的加工。研究二在面部肌肉自由模仿和抑制条件下对注视眼睛和嘴部的笑容面孔进行评分,即2(注视眼睛和嘴部)×2(面部肌肉抑制和面部肌肉自由模仿)混合设计。结果发现在评分上,两组并不存在显着差异,但是在反应时上却观察到了该种差异,即脸部肌肉抑制组的反应时要长于自由模仿组,表明在注视眼部区域时,面部模仿的参与并不显着多于注视嘴部区域。研究叁考察了本族和外族笑容面孔的面部模仿,同样采用2(本族和外族笑容面孔)×2(面部肌肉抑制和面部肌肉自由模仿)混合设计。同时记录评分及其反应时,在评分上在两个组之间并不存在显着的差异,而且,在反应时上两组的差异也只达到了边缘显着,只有在民族维度上反应时存在显着差异,表明在高兴面孔中存在本民族优势加工。除此之外,在研究一和叁中每张图片呈现了两次,对两次反应时进行分析发现第二次反应时普遍长于第一次,对两次反应时差值进行分析发现,存在显着的面部肌肉控制效应,即面部肌肉抑制组的反应时差值显着长于面部自由模仿组,对部分被试回访表明,被试在第二次时在回忆第一次时的评分,这样的结果可能表明面部肌肉的模仿可能涉及到对笑容面孔的记忆加工,但该假设还需继续考察验证。(本文来源于《吉林大学》期刊2018-04-01）
朱国蕾,靳慧斌,张静,蔡亚敏[3]（2017）在《区域管制中注视转移特征》一文中研究指出为研究区域管制员在管制过程中的注视转移特征,利用雷达管制模拟机和眼动仪搭建试验平台,设计飞机架次数目(3架、7架)不同的两种模拟管制场景,并划分动态兴趣区,应用马尔可夫链模型分析被试在不同飞机数目下的注视转移特征。结果表明:飞机数量增加后,被试的注视转移范围缩小,且被试当前注视某架飞机时,其下一注视点的注视转移范围仅限某几架飞机之间;而当前注视非飞机区域时,其下一注视点的注视转移范围更广,注意力的分配较前者更为合理。对区域管制员在航班流量较大下注意力分配方面的培训具有重要的参考价值。(本文来源于《科学技术与工程》期刊2017年33期）
宫萍[4]（2017）在《基于BP神经网络的无校准驾驶员注视区域估计》一文中研究指出二十世纪以来,汽车的拥有量显着增长,随之而来的交通事故也发生的越来越频繁,人们对交通安全问题的关注与日俱增,世界各国的交通部正积极采取一些有效措施,减少交通事故的发生。因此,基于驾驶员的视线追踪系统便应运而生。但现有的系统一般局限于简单场景,且必须在前期做好校准工作的情况下进行的,而对于不加约束的人、无校准、光照变化等问题仍存在很大的研究空间,其实时性、精确性和鲁棒性与实际应用之间还存在很大距离。针对这些问题,本文提出基于BP神经网络的无校准驾驶员注视区域估计方法,将重点从头部姿态和瞳孔视线角度参数获取、BP神经网络注视区域估计算法,及实验对比评估叁个部分进行研究,主要工作如下:首先,本文需要先获取头部姿态和视线方向的角度参数,在此过程中,针对驾驶员身体出现左右晃动,或者不同驾驶员身高不同,而发生相对于摄像机的左右偏移和上下偏移问题,提出一种基于几何关系的头部姿态校正算法。同时,本文通过建立3D眼球模型进行瞳孔视线方向估计。然后,构建了一个基于BP神经网络的无校准驾驶员注视区域估计系统。通过BP神经网络模型对驾驶员在驾驶过程中的头部姿态及视线角度参数进行训练并构建区域分类器,并通过该网络模型进行驾驶员无校准注视区域估计。最后,对本文方法进行评估。通过对比实验表明,本文提出的方法不仅能满足学术研究的要求,而且能实现在复杂环境下驾驶员的注视区域估计,满足了对实验的实时性,精确度和鲁棒性的要求,并为安全驾驶的辅助系统打下良好的基础。(本文来源于《大连海事大学》期刊2017-06-01）
钟念曾[5]（2016）在《第一注视点的区域选择对面孔识别种族效应的影响》一文中研究指出人们知觉和识别不同种族的面孔的能力是不一样的,有一个普遍存在的现象是人们知觉和识别本族面孔的能力显着好于知觉和识别他族面孔。这一现象被称为种族效应(ORE, the Other-Race Effect)。面孔区域专家化假说认为,在面孔专家化的过程中,人们在提取面孔信息上表现出区域选择性,眼睛区域是专家化区域。种族效应是由于人们提取本族面孔眼睛区域信息的效率比他族面孔高。有研究发现,面孔知觉和面孔识别都是非常快速的过程,可能一个注视点,也就是第一注视点,就足够了。那么,第一注视点所在区域与种族效应是否有关?本研究中,我们通过操控第一注视点所在区域和记录被试的眼动情况来考察面孔知觉和面孔识别的种族效应与面孔区域及第一注视点的关系。研究一中,我们使用知觉匹配范式考察了亚洲被试在面孔知觉任务中的种族效应。结果发现：(1)在自由观看任务中,被试识别本族面孔的正确率显着高于他族面孔,即存在种族效应；(2)在改变第一注视点所在区域的任务中,当第一注视点在眼睛区域时种族效应的效应量最大,当第一注视点在嘴巴区域时种族效应减弱,当第一注视点在鼻子区域时种族效应消失。研究一的结果表明,眼睛区域对面孔知觉种族效应的贡献最大,并且第一注视点所在区域可以调节种族效应的大小。研究二中,我们使用眼动技术和记忆再认范式考察了亚洲被试在面孔识别任务中的种族效应以及在完成识别任务过程中的眼动特征。结果发现：(1)在自由观看任务中,不论是识别本族面孔还是他族面孔,被试识别面孔时第一注视点都是在眼睛区域,而总的注视时间上,对鼻子区域的注视最多,并且此时种族效应存在；(2)在改变第一注视点的任务中,当提示点在眼睛区域时识别本族面孔的绩效显着高于识别他族面孔的绩效,提示点在鼻子区域时种族效应减弱甚至消失；(3)改变第一注视点所在区域使得被试的注视模式也发生了改变,表现在总的注视时长上对鼻子区域的注视时间不再是最多的。研究二的结果表明,第一注视点所在区域可以调节种族效应的大小,并且面孔识别种族效应的出现与总的注视时长的分布无关。综上所述,本研究的结果(1)支持了面孔区域专家化理论,以及眼睛区域是专家化区域；(2)表明第一注视点所在区域可以调节面孔知觉和面孔识别的种族效应。(本文来源于《浙江理工大学》期刊2016-03-01）
冮俊冶[6]（2016）在《基于单目摄像头的驾驶员注视区域估计方法》一文中研究指出据研究表明,大多数的交通事故是由于驾驶员的注意力不集中造成的。同时,视线追踪技术近几年也有飞速发展,特别在对驾驶员注意力和疲劳程度检测方面起到了重要作用,驾驶员注视区域估计已经成为解决交通事故关键点和热点问题。目前,大多数视线追踪方法在实验室环境具有良好的效果,但是由于驾驶员在行驶过程中会遇到光线强烈变化和头部的大幅度转动等一系列复杂场景,大多数视线追踪方法在驾驶员环境下表现较差。并且目前大多数驾驶员注视区域估计方法仅仅采用头部姿态来估计注视区域忽视眼睛转动,结果并不理想。为了解决复杂环境下驾驶员注视区域估计问题,本文提出一种采用头部姿态与视线角度结合估计驾驶员注视区域方法,方法主要包含以下几个部分。(1)获得驾驶员图像后采用面部检测方法找到感兴趣区域。(2)在获得的感兴趣区域采用基于梯度下降的SDM方法提取人脸特征点。(3)通过提取的特征点使用本文优化的POSIT方法求解头部姿态,得到的结果比原始结果更加准确稳定。(4)在利用面部特征点通过正六边形方式限定作为视线检测感兴趣区域,根据梯度信息获得瞳孔中心,通过3D眼球模型估计出视线角度,利用线性SVM方法进行眼睛检测得到视线置信参数。(5)通过视线角度与头部姿态结合方式求出驾驶员注视角度,估计出驾驶员的注视区域。开发完成一个用于验证本文算法的驾驶员注视区域实时检测系统,该系统可以实时检测出驾驶员的驾驶注视区域以及驾驶员面部状态并将实时信息导入到文档中,利用得到的数据对驾驶员驾驶行为进行分析。通过测试结果表明,本文提出的方法能够在驾驶员复杂环境中有着较高的准确率,满足研究需要,为驾驶员辅助系统打下了良好的基础。(本文来源于《大连海事大学》期刊2016-03-01）
孙文财,杨志发,李世武,徐艺,郭梦竹[7]（2015）在《面向驾驶员注视区域划分的DBSCAN-MMC方法》一文中研究指出针对典型密度聚类(DBSCAN)受参数影响较大和数学形态学聚类(MMC)需大量人工干预的问题,将DBSCAN与改进的MMC相结合,提出面向驾驶员注视点离散、注视集中区域不规则特点的DBSCAN-MMC聚类方法.实例验证结果表明,该方法充分利用DBSCAN和MMC的不规则形状聚类优势并较好地弥补2种聚类方法的缺陷.通过比较证明DBSCAN-MMC在进行驾驶员注视区域划分时聚类效果优于常规K-means聚类方法和DBSCAN聚类方法,提高驾驶员注视区域划分质量.(本文来源于《浙江大学学报(工学版)》期刊2015年08期）
蔡晓洁[8]（2013）在《驾驶员注视区域估计算法研究》一文中研究指出近几年,随着机动车数量的日益增多,驾驶员数量的飞速增长,道路交通事故的发生频率逐年上升。研究表明,绝大多数的交通事故是由驾驶员注意力不集中引起的,其中一部分可以通过检测注视方向的变化来提醒驾驶员以避免事故的发生。视线跟踪技术对研究驾驶员的注意力、检测疲劳和提高驾驶员辅助安全有着至关重要的作用,受到国内外研究学者的广泛关注。虽然一些传统的视线跟踪方法在简单环境下已经取得了较好的效果,但在行驶过程中,由于受到光线变化、头部大范围运动和不能采用校准屏幕手动校准等因素的影响,难以进行注视跟踪。为了解决驾驶员注视区域估计问题,本文提出了一种新的可以自动校准的注视区域估计算法。该方法采用单摄像头采集驾驶员脸部图像,利用脸部检测算法进行人脸定位,确定驾驶员脸部中心位置作为特征点,然后根据车辆环境和驾驶行为的特点,采用头部朝向代替视线方向,利用侧视镜、后视镜、仪表盘和挡风玻璃中划分的不同区域作为校准点,利用自我学习算法,确定面部特征在12个注视区域内所对应的头部姿势分类器,最后利用粒子滤波跟踪和估计当前驾驶员的头部姿势,根据置信度估计获得准确的注视区域,实现了对驾驶员视线的自动校准和跟踪过程。实验结果表明,这种不需要驾驶员干预的自动校准的注视区域估计算法可以达到与人工校准方法相同的精度,注视方向的误差率在5度以下,可以满足安全驾驶和驾驶行为研究的需要。(本文来源于《大连海事大学》期刊2013-05-28）
高翠翠[9]（2010）在《城市道路驾驶员注视区域熵率值研究》一文中研究指出道路交通系统中,驾驶员因素是引发交通事故的首要因素,驾驶员在驾驶车辆过程中,主要依靠视觉来感知各种交通信息。为了减少交通事故的发生,有必要对驾驶员的视觉特性进行深入研究。从资料回顾看来,以往对驾驶员动态视觉特性的研究主要从分析眼动参数方面展开。本文提出了注视区域熵率值的概念,判断能否从另一个角度分析驾驶员的视觉扫描特性。熵率是一个在信息论中表示信源输出信号所携带信息的效率的概念,目前广泛应用于数理领域。通过用眼动仪对12位驾驶员在城市道路实车试验的注视点数据记录,结合试验录像,将驾驶员的注视区域划分为7个区域。试验采用KF2型动态多参数生理检测仪记录驾驶员在试验过程中的心率数据。在此基础上,参考国外研究中熵率的定义式计算出每个驾驶员的熵率值。本文首先分析了驾驶员熵率值的个体差异性,探讨熵率值能否反映驾驶员视觉扫描的个体特征。结果表明个体的熵率值存在显着差异；其次用回归分析的方法分析了驾驶员熵率值和相应心率增长率的关系,结果表明两者的相关程度较高,因此认为熵率值在一定程度上反应了驾驶员的工作负荷。本文从驾驶员不同熟练程度、不同交通量和不同转向方式几个方面讨论了驾驶员熵率值的影响因素。结果表明,相同条件下,非熟练驾驶员的熵率值略高于熟练驾驶员；交通量较大时,驾驶员的熵率值较大；在不同转向方式上,左转时驾驶员熵率值最大,直行时最小。由此可知,驾驶员注视区域熵率值是反应驾驶员扫描的随意性一个指标。当交通环境越复杂,驾驶任务对驾驶员的视觉需求越高,驾驶员熵率值越大,驾驶员的扫描随意性就越大。通过试验录像发现,交通量、有无信号灯、信号灯等待时间的长短、行驶速度等因素都会影响驾驶员熵率值的大小。(本文来源于《长安大学》期刊2010-05-24）
注视区域论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
情绪在日常生活交际中发挥着重要的作用,而面部表情又是情绪外在表现的一部分,因此面部表情在情绪的行为研究中更多的被当做刺激材料。在众多的面部表情中Ekman(1979)认为愤怒、厌恶、高兴、悲伤(或不安)、恐惧、惊讶不存在文化差异,在这六种表情中,只有高兴一种正性情绪,随着积极心理学和认知心理学的发展,表达高兴的笑容面孔越来越受到研究人员的广泛关注。面部模仿(facial mimicry)指在观察者看到被观察者的表情后,其面部肌肉也无意的对该表情的模仿,在行为研究中对于面部模仿进行控制的一种方法是Strack(1988)等人所使用的咬铅笔的方法,被试采用固定的姿势咬铅笔使得其面部肌肉受到控制从而抑制某种情绪的自由模仿。在有关笑容面孔的面部模仿中,大部分集中在国外,而且研究内容也有待细化,因此在该领域的研究中仍然存在一些问题需要深入探讨,如大部分是关于笑容和其他情绪面孔的差异研究,但是很少有直接去对不同高兴程度的笑容面孔的面部模仿进行研究;有理论指出眼睛在面部模仿中也存在重要的作用,但是该种作用很少被探究;本外族笑容面孔的面部模仿是否存在差异等等。本研究对以上叁个问题进行了实验探究:研究一采用高、低两种高兴程度的笑容面孔在面部肌肉自由模仿和抑制条件下对面孔高兴程度的评分和反应时进行考察,即2(高高兴程度和低高兴程度)×2(面部肌肉抑制和面部肌肉自由模仿)混合设计。结果发现在评分上面部自由模仿组和面部抑制组并不存在显着差异,但是在高高兴程度笑容面孔的评分反应时上却存在两组的差异,面部抑制组的反应时显着长于自由模仿组,但是在低高兴程度的笑容面孔评分反应时中却不存在显着差异。表明面部模仿更多的会参与对高高兴程度的加工,而不是低高兴程度笑容面孔的加工。研究二在面部肌肉自由模仿和抑制条件下对注视眼睛和嘴部的笑容面孔进行评分,即2(注视眼睛和嘴部)×2(面部肌肉抑制和面部肌肉自由模仿)混合设计。结果发现在评分上,两组并不存在显着差异,但是在反应时上却观察到了该种差异,即脸部肌肉抑制组的反应时要长于自由模仿组,表明在注视眼部区域时,面部模仿的参与并不显着多于注视嘴部区域。研究叁考察了本族和外族笑容面孔的面部模仿,同样采用2(本族和外族笑容面孔)×2(面部肌肉抑制和面部肌肉自由模仿)混合设计。同时记录评分及其反应时,在评分上在两个组之间并不存在显着的差异,而且,在反应时上两组的差异也只达到了边缘显着,只有在民族维度上反应时存在显着差异,表明在高兴面孔中存在本民族优势加工。除此之外,在研究一和叁中每张图片呈现了两次,对两次反应时进行分析发现第二次反应时普遍长于第一次,对两次反应时差值进行分析发现,存在显着的面部肌肉控制效应,即面部肌肉抑制组的反应时差值显着长于面部自由模仿组,对部分被试回访表明,被试在第二次时在回忆第一次时的评分,这样的结果可能表明面部肌肉的模仿可能涉及到对笑容面孔的记忆加工,但该假设还需继续考察验证。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
注视区域论文参考文献
[1].汪帆,程慧婷,刘建蓓,李岩.超高海拔区域驾驶人超车注视特性[J].中国公路学报.2018
[2].吴泽华.面部模仿条件下面孔高兴程度和注视区域对笑容评价的影响[D].吉林大学.2018
[3].朱国蕾,靳慧斌,张静,蔡亚敏.区域管制中注视转移特征[J].科学技术与工程.2017
[4].宫萍.基于BP神经网络的无校准驾驶员注视区域估计[D].大连海事大学.2017
[5].钟念曾.第一注视点的区域选择对面孔识别种族效应的影响[D].浙江理工大学.2016
[6].冮俊冶.基于单目摄像头的驾驶员注视区域估计方法[D].大连海事大学.2016
[7].孙文财,杨志发,李世武,徐艺,郭梦竹.面向驾驶员注视区域划分的DBSCAN-MMC方法[J].浙江大学学报(工学版).2015
[8].蔡晓洁.驾驶员注视区域估计算法研究[D].大连海事大学.2013
[9].高翠翠.城市道路驾驶员注视区域熵率值研究[D].长安大学.2010