随着汽车保有量的增多,道路交通安全受到越来越多的重视,而作为影响交通安全最主要的因素,驾驶员自身行为一直是提高交通安全最重要的考虑方面之一。因此,判断驾驶员自身驾驶行为是否安全能为避免车祸的发生提供重要信息。本文基于此出发点进行了视觉建模相关研究,并结合眼动仪建立了一套驾驶员非安全状态监测系统。本文取得的研究成果包括:1.组织构建了一种视觉显著性数据库,该数据库不仅具有高精度的眼动信息,并且通过眼动点指导人工标注得到显著性区域,将眼动信息和显著性区域统一到同一个数据库中。该数据库还进一步对显著性区域进行语义层级的人工标注,以利于开展人类认知和显著性区域关系的相关研究。另外该数据库首次实现了实车行驶过程中驾驶员眼动点的采集,并利用车载相机记录了对应的道路交通场景图像并进行了显著性区域的人工标注,为交通场景这一特定条件下的显著性检测算法设计与测试提供支撑;2.提出了一种基于改进的Intelligent Scissors算法辅助的半人工标注方法,不仅大幅度提高了标注精度,而且使得标注的效率大大提高;3.通过对共计16种经典视觉显著性模型进行测试与分析,揭示了颜色信息对显著性算法的影响;4.提出了一种实时性较高的基于深度神经网络的视觉显著性检测算法。该算法利用ZF网络提取特征图,并通过RPN网络进行ROI(Region of Interest)区域的提取。通过将全局特征同依据ROI区域从特征空间中提取出的局部特征进行结合,得到一种端到端的显著性检测算法。利用本文提出的实车采集的道路交通场景视觉显著性数据库进行训练得到了针对驾驶员视觉注意预测的显著性检测算法。该算法达到了每秒15帧的检测速度,基本满足实时系统的需要,为基于视觉注意机制的驾驶员非安全状态检测系统的构建提供支撑;5.利用Tobbi眼动仪及其SDK开发工具构建了一套基于视觉注意机制的驾驶员非安全驾驶状态检测系统。该系统结合了基于车载相机图像的显著性检测结果和眼动仪采集到的眼动信息,并通过本文提出的一种驾驶员非安全驾驶状态判断算法,实时监控驾驶员驾驶状态且必要时提出告警信息。