Zhang, Meng and Ihme, Klas and Jipp, Meike (2016) Maschinelle Erkennung der Frustration von Autofahrern aus Videoaufnahmen des Gesichts: Vorläufige Ergebnisse. 5. Interdisziplinärer Workshop Kognitive Systeme: Mensch, Teams, Systeme und Automaten, 2016-03-14 - 2016-03-16, Bochum, Deutschland.
Full text not available from this repository.
Abstract
Abstract: Gerade unter Zeitdruck empfinden Autofahrer bestimmte Situationen, wie Baustellen oder lange Rotphasen, als frustrierend. Frustration kann zu aggressivem Verhalten führen und somit das Unfallrisiko massiv erhöhen. Vor diesem Hintergrund könnten zukünftige intelligente Fahrerassistenzsysteme Frustration der Fahrer erkennen und dieser entgegenwirken bevor sie verhaltensrelevant wird. Dies setzt allerdings eine robuste und möglichst nicht-invasive Erkennung von Frustration im Fahrzeug voraus. Besonders vielversprechend scheint die Erkennung von Frustration aus Gesichtsausdrücken der Probanden zu sein. Deshalb setzt sich die hier beschriebene Arbeit zum Ziel mit Methoden der Videoverarbeitung und des maschinellen Lernens Videoaufnahmen des Gesichts von frustrierten Autofahrern während einer Simulatorfahrt von nicht-frustrierten zu trennen. Hierzu wurden einerseits spezifische Merkmale der Gesichtsausdrücke von Frustration bestimmt, andererseits verschiedene Verfahren zur statistischen Abgrenzung der Gesichtsausdrücke evaluiert. Dreißig Probanden fuhren sowohl frustrierende (Frust) als auch nicht-frustrierende (noFrust) Fahrten im Fahrsimulator während ihr Gesicht auf Video aufgenommen wurde. Die Aktivierung der Gesichtsmuskeln wurde auf Basis des Facial Action Coding Systems aus den Videodaten extrahiert. Die daraus resultierende Aktivierung 18 verschiedener Gesichtsmuskeln über die Zeit wurde dann über verschiedene Verfahren zwischen den beiden Bedingungen verglichen. Spezielle Gesichtsmuskeln im Bereich des Mundes wurden häufiger in der Frust- gegenüber der noFrust-Bedingung gezeigt. Erste Ergebnisse mit maschinellen Klassifikatoren deuten an, dass die Klassifikation von Frustration über die Gesichtsmuskelaktivierung möglich ist (mittlerer kreuzvalidierter Fehler bei den Probanden liegt bei 5%). Dies lässt sich langfristig zur Gestaltung von intelligenten Fahrerassistenzsystemen zur Reduktion von Frustration nutzen.
Item URL in elib: | https://elib.dlr.de/100500/ | ||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Document Type: | Conference or Workshop Item (Speech) | ||||||||||||||||
Title: | Maschinelle Erkennung der Frustration von Autofahrern aus Videoaufnahmen des Gesichts: Vorläufige Ergebnisse | ||||||||||||||||
Authors: |
| ||||||||||||||||
Date: | 16 March 2016 | ||||||||||||||||
Refereed publication: | No | ||||||||||||||||
Open Access: | No | ||||||||||||||||
Gold Open Access: | No | ||||||||||||||||
In SCOPUS: | No | ||||||||||||||||
In ISI Web of Science: | No | ||||||||||||||||
Status: | Published | ||||||||||||||||
Keywords: | Emotionserkennung, Nutzerzustandsüberwachung, Autofahren, Maschinelles Lernen, Frustration | ||||||||||||||||
Event Title: | 5. Interdisziplinärer Workshop Kognitive Systeme: Mensch, Teams, Systeme und Automaten | ||||||||||||||||
Event Location: | Bochum, Deutschland | ||||||||||||||||
Event Type: | national Conference, Workshop | ||||||||||||||||
Event Start Date: | 14 March 2016 | ||||||||||||||||
Event End Date: | 16 March 2016 | ||||||||||||||||
HGF - Research field: | Aeronautics, Space and Transport | ||||||||||||||||
HGF - Program: | Transport | ||||||||||||||||
HGF - Program Themes: | Terrestrial Vehicles (old) | ||||||||||||||||
DLR - Research area: | Transport | ||||||||||||||||
DLR - Program: | V BF - Bodengebundene Fahrzeuge | ||||||||||||||||
DLR - Research theme (Project): | V - Fahrzeugintelligenz (old) | ||||||||||||||||
Location: | Braunschweig | ||||||||||||||||
Institutes and Institutions: | Institute of Transportation Systems > Human Factors | ||||||||||||||||
Deposited By: | Ihme, Klas | ||||||||||||||||
Deposited On: | 31 Mar 2016 08:12 | ||||||||||||||||
Last Modified: | 24 Apr 2024 20:05 |
Repository Staff Only: item control page