elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Imprint | Privacy Policy | Contact | Deutsch
Fontsize: [-] Text [+]

Maschinelle Erkennung der Frustration von Autofahrern aus Videoaufnahmen des Gesichts: Vorläufige Ergebnisse

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, 14. - 16. März 2016, 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:
AuthorsInstitution or Email of AuthorsAuthors ORCID iD
Zhang, MengDLRUNSPECIFIED
Ihme, KlasDLRUNSPECIFIED
Jipp, MeikeMeike.Jipp (at) dlr.deUNSPECIFIED
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 Dates:14. - 16. März 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:10 May 2016 23:37

Repository Staff Only: item control page

Browse
Search
Help & Contact
Information
electronic library is running on EPrints 3.3.12
Copyright © 2008-2017 German Aerospace Center (DLR). All rights reserved.