—駕駛行為模式研析及車外異常事件影像辨識技術發展（繁） 2025)
过去由于很少搜集驾驶过程的资料，在事故原因判断上多以事故发生当下的近因为主，但近因并不一定是肇事主因，仅预防近因也未必能有效预防事故发生。本计划的目标在于将目前以事故资料为基础的道路交通安全管理程序，提升为以事故资料、异常事件以及驾驶行为为基础的道路交通安全管理程序。
本计划为四年期计划的第一年计划，以车外影像分析为主；主要工作内容是应用影像辨识技术，借助车外行车影像资料分析筛选异常事件，并据此找出可能造成事件及提高事故风险的高风险驾驶行为。
本期计划首先访谈财团法人车辆安全审验中心及九家客货运业者与设备商，同时以问卷调查 25 家国内客运业者，了解先进驾驶辅助系统（ADAS）的法规趋势，以及业者对 ADAS 设备的应用现状与需求。接着通过事故分析与文献回顾，定义未保持安全距离、车道偏移、过弯或匝道车速过快等三大类国道客运常见异常事件；各类事件并依照各种可能发生的情境，衍生出数个事件发生序列与子序列，同时按照事件发生当下的危险程度、与前车相对距离以及驾驶人应对动作等三个准则，定义异常事件的三个风险等级：不视为异常、可能异常、异常。
本计划随后发展车外影像辨识分析架构，横向以车道、纵向以 20 米为单位，以本车为核心划分出 12 宫格的行车动态区域，并制定每一宫格的影像辨识指标，例如该格位车辆与本车相对距离、该格位是否有大型车辆等。通过 Canny 边缘检测、Cascade Mask R-CNN、YOLO（You Only Look Once）等算法的研发，开展实际影像的辨识训练。通过近两万帧影像真值的比对，本计划研发的影像辨识算法，在各宫格各指标的辨识正确率可达九成或以上；但在匝道、该格位有三台或以上车辆、雨天以及本车低速行驶的情况下，正确率可能下降至六到八成。
经分析本计划搜集的国内某客运业 200 趟次行车资料、2531 个警示事件，其中仅有 102 件（约 4%）的警示事件为异常事件；若客运业者单纯以 ADAS 设备警示，作为行车即时警示或事后驾驶教育培训的参考，恐怕存在伪阳性过高的情况。经 XGBoost 分析发现，以影像为主的异常事件预测召回率与以 ADAS 为主的异常事件预测召回率相仿，由此可见本研究提出的 12 宫格架构，确实能有效分析国道客运行车动态异常。若将 ADAS 及影像资料同时纳入预测模型，可进一步提高异常事件的预测准确度。另外经由时空分析结果发现，内侧路肩狭窄、直线段未保持安全距离的警示较多，事故也较多；驾驶资历丰富的驾驶人即使发生异常事件，其严重程度相对较轻，但 72 小时内排班越多，若发生异常事件，其严重程度则可能较高。
点击文后阅读原文，可获得下载资料的方法。
欢迎加入智能交通技术群！扫码进入。
点击文后阅读原文，可获得下载资料的方法。
联系方式：微信号18515441838
