本發(fā)明涉及駕駛安全領(lǐng)域，尤其是涉及一種基于車內(nèi)和車外環(huán)境匹配的駕駛忽視風(fēng)險(xiǎn)檢測(cè)方法。

背景技術(shù)：

1、隨著自動(dòng)駕駛技術(shù)的發(fā)展，駕駛安全成為了一個(gè)至關(guān)重要的研究方向?，F(xiàn)有技術(shù)主要集中于外部環(huán)境的檢測(cè)與分析，如障礙物識(shí)別、車道偏離檢測(cè)等。然而，這些技術(shù)通常忽略了駕駛員的注意力和凝視方向等車內(nèi)因素，導(dǎo)致在關(guān)鍵時(shí)刻無法準(zhǔn)確評(píng)估駕駛風(fēng)險(xiǎn)。此外，雖然有些系統(tǒng)嘗試結(jié)合內(nèi)部和外部數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)評(píng)估，但在數(shù)據(jù)融合與匹配的精度和實(shí)時(shí)性上仍存在較大挑戰(zhàn)。本發(fā)明提出了一種新的方法，通過整合車內(nèi)的凝視數(shù)據(jù)和外部的環(huán)境檢測(cè)數(shù)據(jù)，能夠更全面地評(píng)估駕駛風(fēng)險(xiǎn)，提升了系統(tǒng)的檢測(cè)精度和反應(yīng)速度，從而提高駕駛安全性。

2、中國(guó)專利申請(qǐng)公布號(hào)cn?114026611?a《使用熱圖檢測(cè)駕駛員注意力》提出了一種基于熱圖分析的駕駛員注意力檢測(cè)方法。該方法通過收集車輛數(shù)據(jù)和場(chǎng)景信息生成參考熱圖，通過駕駛員分心系統(tǒng)捕獲駕駛員的注視數(shù)據(jù)以生成注視熱圖。然而，該專利提到的車內(nèi)駕駛員數(shù)據(jù)和車外環(huán)境數(shù)據(jù)是獨(dú)立處理的，沒有考慮車外目標(biāo)到車內(nèi)圖像的映射和車內(nèi)熱圖到車外圖像的映射，生成的車內(nèi)熱圖無法準(zhǔn)確反映實(shí)際的駕駛場(chǎng)景。這種方法在駕駛員的注意力分布和實(shí)際外部環(huán)境之間缺乏直接的聯(lián)系，很可能導(dǎo)致凝視熱圖的偏差。

3、中國(guó)專利申請(qǐng)公布號(hào)cn?115082895?a《一種基于注意力神經(jīng)網(wǎng)絡(luò)的智能汽車視覺目標(biāo)檢測(cè)方法》該專利提供一種基于注意力神經(jīng)網(wǎng)絡(luò)的智能汽車視覺目標(biāo)檢測(cè)方法。該專利包含駕駛員圖像和車外圖像，但并未考慮到將車外目標(biāo)到車內(nèi)圖像的映射，這將導(dǎo)致車內(nèi)凝視熱圖的誤差。

4、然而，在基于車內(nèi)車外環(huán)境匹配的駕駛忽視風(fēng)險(xiǎn)檢測(cè)中，我們需要充分考慮車內(nèi)駕駛員數(shù)據(jù)和車外環(huán)境數(shù)據(jù)相互結(jié)合的問題。我們通過將車外目標(biāo)映射到車內(nèi)坐標(biāo)系中，構(gòu)建凝視關(guān)系圖模型，從而構(gòu)建更精確的凝視熱圖。不僅如此，我們將車內(nèi)凝視熱圖轉(zhuǎn)換到車外坐標(biāo)系中，與車外目標(biāo)進(jìn)行匹配。這樣一來，我們可以更加精確地檢測(cè)駕駛員無視車外風(fēng)險(xiǎn)的情況，在檢測(cè)駕駛員的駕駛風(fēng)險(xiǎn)時(shí)具有更強(qiáng)的表征能力。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明目的就是為了彌補(bǔ)已有技術(shù)的缺陷，提供一種基于車內(nèi)車外環(huán)境匹配的駕駛忽視風(fēng)險(xiǎn)檢測(cè)方法。本發(fā)明通過將車外目標(biāo)轉(zhuǎn)換到車內(nèi)坐標(biāo)系中，構(gòu)建精確的凝視錐體，并生成更精確的凝視熱圖。首先獲取車外環(huán)境中的目標(biāo)數(shù)據(jù)并將其轉(zhuǎn)換至車內(nèi)坐標(biāo)系下，隨后利用這些數(shù)據(jù)與駕駛員的凝視信息結(jié)合，生成凝視熱圖，構(gòu)建并訓(xùn)練車內(nèi)和車外環(huán)境相匹配的風(fēng)險(xiǎn)察覺模型，最后使用風(fēng)險(xiǎn)察覺模型，基于車內(nèi)和車外的匹配情況，獲得風(fēng)險(xiǎn)察覺得分并評(píng)估駕駛風(fēng)險(xiǎn)，若超過閾值，則發(fā)出警告提醒駕駛員存在安全隱患。

2、本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的：一種基于車內(nèi)車外環(huán)境匹配的駕駛忽視風(fēng)險(xiǎn)檢測(cè)方法，具體包括以下步驟：

3、s1：定義坐標(biāo)系和數(shù)據(jù)集；

4、s2：檢測(cè)車外環(huán)境；

5、s3：構(gòu)建凝視關(guān)系圖模型；

6、s4：計(jì)算車內(nèi)凝視熱圖；

7、s5：匹配車內(nèi)車外環(huán)境；

8、s6：判斷風(fēng)險(xiǎn)警報(bào)；

9、步驟s1所述的定義坐標(biāo)系和數(shù)據(jù)集，具體步驟如下：

10、s1-1：定義車內(nèi)坐標(biāo)系sin＝{oin，xin，yin，zin}；

11、s1-1-1：定義原點(diǎn)oin為車內(nèi)相機(jī)的中心；

12、s1-1-2：定義坐標(biāo)系的x軸(xin)為水平軸；

13、s1-1-3：定義坐標(biāo)系的y軸(yin)為垂直軸；

14、s1-1-4：定義坐標(biāo)系的z軸(zin)為深度軸；

15、s1-2：定義車外坐標(biāo)系sout＝{oout，xout，yout，zout}：

16、s1-2-1：定義原點(diǎn)oout為車外相機(jī)的中心；

17、s1-2-2：定義坐標(biāo)系的x軸(xout)為水平軸；

18、s1-2-3：定義坐標(biāo)系的y軸(yout)為垂直軸；

19、s1-2-4：定義坐標(biāo)系的z軸(zout)為深度軸，指向道路盡頭；

20、s1-3：定義車內(nèi)/車外圖像坐標(biāo)系simage：

21、s1-3-1：定義原點(diǎn)oimage為車內(nèi)/車外圖像的左上角頂點(diǎn)；

22、s1-3-2：定義坐標(biāo)系的x軸(ximage)為水平軸；

23、s1-3-3：定義坐標(biāo)系的y軸(yimage)為垂直軸；

24、s1-4：定義數(shù)據(jù)集，具體步驟如下：

25、s1-4-1：定義駕駛員頭部數(shù)據(jù)集{drivert}：使用rgb-d攝像頭，獲取駕駛員頭部視頻幀，記為drivert：

26、

27、其中，

28、drivert為在時(shí)間t的rgbd視頻幀，t＝1,2，...，t

29、為像素點(diǎn)的坐標(biāo)；

30、rgb_inn為像素點(diǎn)的rgb顏色信息；

31、depth_inn為像素點(diǎn)的深度值；

32、n為視頻幀的像素總數(shù)；

33、s1-4-2：定義車外數(shù)據(jù)集{ft}：使用rgb-d攝像頭，獲取車外rgb-d視頻幀，記為ft：

34、

35、其中，ft為在時(shí)間t的rgbd視頻幀，t＝1,2，...，t；

36、為像素點(diǎn)的坐標(biāo)；

37、rgb_outn為像素點(diǎn)的rgb顏色信息；

38、depth_outn為像素點(diǎn)的深度值；

39、n為視頻幀的像素總數(shù)；

40、s1-4-3：定義真實(shí)凝視熱圖數(shù)據(jù)集為

41、步驟s2所述的檢測(cè)車外環(huán)境，具體步驟如下：

42、s2-1：提取車外目標(biāo)：

43、s2-1-1：輸入視頻幀ft，使用detr(detection?transformer)模型，提取車外目標(biāo)的集合ot＝{objectb|b＝1,2，...，b}，其中，t為時(shí)間，b為目標(biāo)的索引，b為目標(biāo)的總數(shù)；

44、s2-1-2：每個(gè)目標(biāo)objectb為一個(gè)矩形區(qū)域，該矩形區(qū)域的左上角頂點(diǎn)為右下角頂點(diǎn)為為目標(biāo)左上角的x軸車外圖像坐標(biāo)，為目標(biāo)左上角的y軸車外圖像坐標(biāo)；為目標(biāo)右下角的x軸車外圖像坐標(biāo)，為目標(biāo)右下角的y軸車外圖像坐標(biāo)；

45、s2-2：計(jì)算車外目標(biāo)的3d車內(nèi)坐標(biāo)，具體步驟如下：

46、s2-2-1：計(jì)算目標(biāo)的平均深度，

47、

48、其中，|objectb|為目標(biāo)objectb中像素的總數(shù)，depth_outn為像素點(diǎn)的深度值，n為像素點(diǎn)的索引；

49、s2-2-2：計(jì)算目標(biāo)中心的2d車外圖像坐標(biāo)：

50、s2-2-2-1：輸入目標(biāo)左上角頂點(diǎn)輸入目標(biāo)右下角頂點(diǎn)

51、s2-2-2-2：計(jì)算目標(biāo)中心的2d車外圖像坐標(biāo)

52、s2-2-3：使用相機(jī)內(nèi)參，將2d車外圖像坐標(biāo)轉(zhuǎn)換到車外坐標(biāo)系sout，得到目標(biāo)中心的3d車外坐標(biāo)

53、

54、其中，db是目標(biāo)的平均深度，rimage_to_out是旋轉(zhuǎn)矩陣，二者構(gòu)成內(nèi)部參數(shù)，用于從車外圖像坐標(biāo)系轉(zhuǎn)換到車外坐標(biāo)系；

55、s2-2-4：使用外部參數(shù)，將車外目標(biāo)中心，從車外坐標(biāo)系sout轉(zhuǎn)換到車內(nèi)坐標(biāo)系sin，得到目標(biāo)中心的3d車內(nèi)坐標(biāo)

56、

57、其中，rout_to_in是旋轉(zhuǎn)矩陣，tout_to_in是平移向量，二者構(gòu)成外部參數(shù)，用于從車外坐標(biāo)系轉(zhuǎn)換到車內(nèi)坐標(biāo)系；

58、s2-3：定義風(fēng)險(xiǎn)類型：

59、s2-3-1：定義風(fēng)險(xiǎn)類型1為前車距離過近風(fēng)險(xiǎn)；

60、s2-3-2：定義風(fēng)險(xiǎn)類型2為前車側(cè)身變道風(fēng)險(xiǎn)；

61、s2-3-3：定義風(fēng)險(xiǎn)類型3為自車偏移車道風(fēng)險(xiǎn)；

62、s2-4：計(jì)算危險(xiǎn)目標(biāo)風(fēng)險(xiǎn)值，具體步驟如下

63、s2-4-1：計(jì)算前車距離過近風(fēng)險(xiǎn)值：

64、s2-4-1-1：輸入單幀車外圖像ft，提取自車深度值，提取前車深度值，計(jì)算深度距離dzb，t；

65、s2-4-1-2：計(jì)算自車和前車相對(duì)速度，具體步驟如下：

66、s2-4-1-2-1：輸入連續(xù)兩幀車外圖像ft、ft-1；

67、s2-4-1-2-2：計(jì)算每幀中自車中心的y軸坐標(biāo)，計(jì)算每幀中前車中心的y軸坐標(biāo)；

68、s2-4-1-2-3：計(jì)算每幀中二者的y軸坐標(biāo)差值δyt、δyt-1，計(jì)算時(shí)間差δt；

69、s2-4-1-2-4：計(jì)算自車和前車相對(duì)速度，

70、

71、s2-4-1-3：計(jì)算前車距離過近風(fēng)險(xiǎn)值，

72、

73、其中，深度距離dzb，t越大，風(fēng)險(xiǎn)越??；相對(duì)速度v_relb，t越大，風(fēng)險(xiǎn)越大；

74、s2-4-2：計(jì)算前車側(cè)身變道風(fēng)險(xiǎn)值：

75、s2-4-2-1：輸入單幀車外圖像ft，提取自車x軸坐標(biāo)，提取前車x軸坐標(biāo)，計(jì)算自車和前車之間的水平距離dxb，t；

76、s2-4-2-2：輸入單幀車外圖像ft，提取自車深度值，提取前車深度值，計(jì)算自車和前車之間的深度距離dzb，t；

77、s2-4-2-3：計(jì)算前車變道速度，具體步驟如下：

78、s2-4-2-3-1：輸入連續(xù)兩幀車外圖像ft、ft-1；

79、s2-4-2-3-2：計(jì)算每幀中前車的中心x軸坐標(biāo)

80、s2-4-2-3-3：計(jì)算前車變道速度，

81、

82、s2-4-2-4：計(jì)算前車側(cè)身變道風(fēng)險(xiǎn)值，

83、

84、其中，前車變道速度v_changeb,t越大，風(fēng)險(xiǎn)越大，水平距離dxb,t越大；風(fēng)險(xiǎn)越??；深度距離dzb,t越大，風(fēng)險(xiǎn)越小，λchange，λz為權(quán)重，；

85、s2-4-3：計(jì)算自車偏移車道風(fēng)險(xiǎn)值：

86、s2-4-3-1：計(jì)算偏移車道速度，具體步驟如下：

87、s2-4-3-1-1：輸入連續(xù)兩幀車外圖像ft、ft-1；

88、s2-4-3-1-2：計(jì)算每幀的車道偏移距離d_laneb,t和d_laneb,t-1；

89、s2-4-3-1-3：計(jì)算偏移車道速度，

90、

91、s2-4-3-2：計(jì)算自車偏移車道風(fēng)險(xiǎn)值，

92、risk_deviationb＝v_deviationb,t

93、其中，偏移車道速度v_deviationb,t越大，風(fēng)險(xiǎn)越大；

94、s2-4-4：計(jì)算各目標(biāo)總風(fēng)險(xiǎn)值：

95、risk_maxb＝max(risk_changeb，risk_deviationb，risk_sb)

96、s2-4-5：輸入每個(gè)目標(biāo)objectb的風(fēng)險(xiǎn)值，若其risk_maxb大于閾值，則該目標(biāo)b判斷為風(fēng)險(xiǎn)目標(biāo)，設(shè)置其風(fēng)險(xiǎn)標(biāo)記risk_predb為1，反之為0；

97、步驟s3所述的構(gòu)建凝視關(guān)系圖模型，具體步驟如下：

98、s3-1：輸入駕駛員頭部視頻幀drivert；

99、s3-2：計(jì)算圖模型的節(jié)點(diǎn)特征，具體步驟如下：

100、s3-2-1：輸入駕駛員頭部圖像塊，計(jì)算駕駛員的頭部特征；

101、s3-2-1-1：計(jì)算駕駛員頭部中心點(diǎn)的3d車內(nèi)坐標(biāo)

102、s3-2-1-1-1：使用yolo模型，計(jì)算駕駛員頭部中心點(diǎn)的2d車內(nèi)圖像坐標(biāo)，得到

103、s3-2-1-1-2：從drivert中提取駕駛員頭部中心點(diǎn)的深度depth_inhead；

104、s3-2-1-1-3：用相機(jī)內(nèi)參，將2d車內(nèi)圖像坐標(biāo)轉(zhuǎn)換到車內(nèi)坐標(biāo)系sin，得到駕駛員頭部中心點(diǎn)的3d車內(nèi)坐標(biāo)

105、

106、其中，rimage_to_in是旋轉(zhuǎn)矩陣，二者構(gòu)成內(nèi)部參數(shù)，用于從車內(nèi)圖像坐標(biāo)系轉(zhuǎn)換到車內(nèi)坐標(biāo)系；

107、s3-2-1-2：使用resnet50網(wǎng)絡(luò)，計(jì)算頭部外觀特征ahead；

108、s3-2-1-3：計(jì)算駕駛員的頭部特征，

109、

110、s3-2-2：輸入車外目標(biāo)圖像塊，計(jì)算車外目標(biāo)b的特征；

111、s3-2-2-1：計(jì)算車外目標(biāo)b的3d車外坐標(biāo)

112、s3-2-2-2：轉(zhuǎn)換車外目標(biāo)b到車內(nèi)坐標(biāo)系下，得到

113、s3-2-2-3：使用resnet50網(wǎng)絡(luò)，計(jì)算車外目標(biāo)b的外觀特征a_objectb；

114、s3-2-2-4：計(jì)算車外目標(biāo)b的特征

115、s3-2-3：構(gòu)建節(jié)點(diǎn)集合v＝{fhead}∪{f_objectb}，b＝1,2，...，b；

116、s3-3：構(gòu)建圖模型的關(guān)系邊特征：

117、s3-3-1：拼接駕駛員頭部特征和車外目標(biāo)特征，得到初步特征：

118、fhead，b＝concat(fhead，f_objectb)

119、s3-3-2：計(jì)算圖模型的邊特征，

120、ehead，b＝sigmoid(wedge·fhead，b+biasedge)

121、其中，sigmoid為激活函數(shù)，wedge為全連接層的權(quán)重矩陣，biasedge為全連接層的偏置向量；

122、s3-3-3：構(gòu)建邊集合

123、s3-4：構(gòu)建凝視關(guān)系圖模型

124、s3-5：計(jì)算圖模型的邊得分，具體步驟如下；

125、s3-5-1：輸入邊特征e_headb；

126、s3-5-2：計(jì)算邊得分，

127、score_ehead，b＝sigmoid(wscore·ehead，b+biasscore)

128、其中，sigmoid為激活函數(shù)，wscore為得分計(jì)算的權(quán)重矩陣，biasscore為偏置向量；

129、s3-5-3：輸出邊得分序列{score_ehead，b}；

130、步驟s4所述的構(gòu)建凝視熱圖，具體步驟如下：

131、s4-1：計(jì)算凝視方向：

132、s4-1-1：排序邊得分序列，選擇得分最高的邊，

133、[b*，socre_max]＝argmaxb({score_ehead，b})

134、則定義得分最高的車外目標(biāo)點(diǎn)為gaze＝b*，得到駕駛員的凝視點(diǎn)為

135、s4-1-2：計(jì)算凝視方向

136、s4-2：構(gòu)建凝視錐體，具體步驟如下：

137、s4-2-1：設(shè)置凝視錐體頂點(diǎn)為駕駛員頭部中心點(diǎn)

138、s4-2-2：設(shè)置凝視錐體的方向?yàn)?/p>

139、s4-2-3：設(shè)置凝視錐體頂角為θ(0＜θ＜π)，錐體底面的一條直徑與頂點(diǎn)連成一個(gè)三角形，該三角形的頂角就是錐體的頂角；

140、s4-2-4：設(shè)置凝視錐體的最大凝視距離為h，表示駕駛員視線的有效范圍；

141、s4-2-5：生成凝視錐體

142、

143、其中，(x，y，z)為車內(nèi)坐標(biāo)系下三維空間中的一個(gè)點(diǎn)；

144、為從點(diǎn)(x，y，z)到錐體頂點(diǎn)的向量；

145、為點(diǎn)(x，y，z)到錐體頂點(diǎn)的向量與凝視方向的點(diǎn)積，該點(diǎn)積用于計(jì)算兩個(gè)向量間的夾角；

146、計(jì)算點(diǎn)(x，yz)到頂點(diǎn)的向量和凝視方向之間的夾角的余弦值，該余弦值用于判斷該點(diǎn)是否在錐體內(nèi)；

147、為點(diǎn)(x，y，z)到錐體頂點(diǎn)的距離，用于驗(yàn)證點(diǎn)(x，y，z)到錐體頂點(diǎn)的距離在0和最大凝視距離h之間；

148、s4-3：生成凝視熱圖，具體步驟如下：

149、s4-3-1：輸入車外圖像中目標(biāo)的集合

150、s4-3-2：計(jì)算凝視錐體region內(nèi)的凝視目標(biāo)集合，

151、

152、s4-3-3：初始化凝視熱圖，heatmapin(x，y，z)＝0，(x，y，z)為車內(nèi)坐標(biāo)；

153、s4-3-4：計(jì)算每個(gè)凝視目標(biāo)的凝視值，

154、

155、其中，b∈focusobjects，為駕駛員的凝視點(diǎn)，σ是一個(gè)高斯標(biāo)準(zhǔn)差參數(shù)；

156、s4-3-5：重復(fù)步驟s3-3-4，對(duì)b∈focusobjects更新熱圖矩陣，得到凝視熱圖heatmapin(x，y，z)；

157、s4-3-6：輸出凝視熱圖heatmapin(x，y，z)；

158、s4-4：計(jì)算凝視熱圖損失，具體步驟如下：

159、s4-4-1：輸入真實(shí)的凝視熱圖

160、s4-4-2：計(jì)算凝視熱圖損失：

161、

162、其中，n為熱圖中的像素總數(shù)；

163、步驟s5所述的車內(nèi)車外環(huán)境匹配，具體步驟如下：

164、s5-1：輸入車內(nèi)凝視熱圖heatmapin(x，y，z)；

165、s5-2：轉(zhuǎn)換heatmapin(x，y，z)到車外坐標(biāo)系，得到heatmapout(x，y，z)，具體步驟為：

166、使用外部參數(shù)，將heatmapin(x，y，z)的每個(gè)點(diǎn)，從車內(nèi)坐標(biāo)系sin轉(zhuǎn)換到車外坐標(biāo)系sout：

167、

168、其中，rin_to_out是旋轉(zhuǎn)矩陣，tin_to_out是平移向量，構(gòu)成外部參數(shù)，用于從車內(nèi)坐標(biāo)系轉(zhuǎn)換到車外坐標(biāo)系；

169、s5-3：計(jì)算目標(biāo)察覺得分，具體步驟如下：

170、s5-3-1：輸入每個(gè)車外目標(biāo)點(diǎn)

171、s5-3-2：計(jì)算每個(gè)車外目標(biāo)的目標(biāo)察覺得分：

172、

173、s5-4：計(jì)算風(fēng)險(xiǎn)察覺損失：

174、

175、其中，b為車外目標(biāo)總數(shù)；risk_predb為車外目標(biāo)b的風(fēng)險(xiǎn)標(biāo)記，risk_predb值為1表示風(fēng)險(xiǎn)目標(biāo)，risk_predb值為0表示非風(fēng)險(xiǎn)目標(biāo)；

176、s5-5：計(jì)算總損失：

177、ltotal＝lgaze+lrisk

178、其中，lgaze由s4-4-2得到；

179、s5-6：使用損失ltotal，進(jìn)行模型訓(xùn)練，得到最優(yōu)參數(shù)，參數(shù)包含s3-4-3、s4-3-4中的參數(shù)；

180、步驟s6所述的判斷風(fēng)險(xiǎn)警告，具體步驟如下：

181、s6-1：使用s2-4計(jì)算車外風(fēng)險(xiǎn)目標(biāo)的3d車內(nèi)坐標(biāo)

182、s6-2：使用s3-4-3的模型參數(shù)，執(zhí)行s3，計(jì)算凝視關(guān)系圖模的邊得分

183、score_ehead，b：

184、s6-3：使用s4-3-4的模型參數(shù)，執(zhí)行s4，生成凝視熱圖heatmapin(x，y，z)；

185、s6-4：使用s5計(jì)算目標(biāo)察覺得分：

186、s6-4-1：使用s5-2轉(zhuǎn)換凝視熱圖到車外坐標(biāo)系下，得到heatmapout(x，y，z)；

187、s6-4-2：使用s5-3計(jì)算車外目標(biāo)和駕駛員的凝視點(diǎn)的目標(biāo)察覺得分score_riskb；

188、s6-5：輸出警報(bào)信號(hào)，對(duì)每個(gè)車外目標(biāo)b，依次進(jìn)行如下判斷：

189、s6-5-1：若risk_predb＝0，表示該目標(biāo)b為非風(fēng)險(xiǎn)目標(biāo)，不觸發(fā)警報(bào)；

190、s6-5-2：若risk_predb＝1，且score_riskb大于閾值δ，表示該目標(biāo)b為風(fēng)險(xiǎn)目標(biāo)，且車外目標(biāo)b和駕駛員的凝視點(diǎn)匹配度高，即駕駛員注意到風(fēng)險(xiǎn)目標(biāo)，不觸發(fā)警報(bào)；

191、s6-5-3：若risk_predb＝1，且score_riskb小于閾值δ，表示該目標(biāo)b為風(fēng)險(xiǎn)目標(biāo)，但車外目標(biāo)b和駕駛員的凝視點(diǎn)匹配度低，即駕駛員忽略風(fēng)險(xiǎn)目標(biāo)，觸發(fā)警報(bào)。

192、本發(fā)明的優(yōu)點(diǎn)是：本發(fā)明通過將車外環(huán)境目標(biāo)數(shù)據(jù)轉(zhuǎn)換至車內(nèi)坐標(biāo)系，構(gòu)建駕駛員的凝視錐體，以生成更精確的車內(nèi)凝視熱圖；為了提高車內(nèi)與車外環(huán)境數(shù)據(jù)匹配的精度，本發(fā)明整合了車外目標(biāo)與內(nèi)部凝視信息，實(shí)現(xiàn)了兩者的精確匹配和熱圖生成；本發(fā)明通過在現(xiàn)有駕駛風(fēng)險(xiǎn)評(píng)估模型中添加上述數(shù)據(jù)轉(zhuǎn)換和匹配模塊，顯著提高了駕駛風(fēng)險(xiǎn)檢測(cè)的準(zhǔn)確性，可應(yīng)用于駕駛輔助系統(tǒng)中，提升整體駕駛安全性。