CN106845393A - 安全带识别模型构建方法及装置 - Google Patents
安全带识别模型构建方法及装置 Download PDFInfo
- Publication number
- CN106845393A CN106845393A CN201710038749.9A CN201710038749A CN106845393A CN 106845393 A CN106845393 A CN 106845393A CN 201710038749 A CN201710038749 A CN 201710038749A CN 106845393 A CN106845393 A CN 106845393A
- Authority
- CN
- China
- Prior art keywords
- safety belt
- training set
- head
- area image
- shoulder area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种安全带识别模型构建方法及装置,该方法包括:采集头肩区域图像,根据该头肩区域图像获取系安全带训练集和未系安全带训练集,根据各个系安全带训练集确定正样例特征,根据各个未系安全带训练集确定负样例特征,利用该正样例特征和该负样例特征训练分类器,获取安全带识别模型。通过本发明解决了现有技术中未系安全带行为检测准确率低的问题,实现了构建安全带识别模型,提高了识别未系安全带的准确率。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种安全带识别模型构建方法及装置。
背景技术
智能交通系统是未来交通系统的发展方向,也是目前世界交通运输领域的前沿研究课题。汽车事故调查表明,在发生正面撞车时,如果系了安全带,可使死亡率减少57%,侧面撞车时可减少44%,翻车时可减少80%。因此如何有效的监管驾驶员是否系安全带并促使驾驶员有意识的养成安全文明驾车的习惯,从而最终达到减少交通事故中的人员伤亡是一个有意义的课题。近些年来,基于图像处理技术的智能交通系统目前已经取得了非常广泛的应用,但通过高清监控摄像机采集的卡口图像数据来分析驾驶员是否系了安全带仍然面临着诸多困难,没有非常成熟的算法。如何通过图像识别的高端技术手段,辅助交警通过强制执法处罚不系安全带的驾驶行为,来提高驾驶员自觉系安全带的意识是一个全新的研究方向。
发明内容
有鉴于此,本发明实施例提供了一种安全带识别模型构建方法及装置,以解决现有技术中未系安全带行为检测准确率低的问题。
为此,本发明实施例提供了如下技术方案:
本发明实施例提供了一种安全带识别模型构建方法,包括:采集头肩区域图像;根据所述头肩区域图像获取系安全带训练集和未系安全带训练集;根据各个所述系安全带训练集确定正样例特征;根据各个所述未系安全带训练集确定负样例特征;利用所述正样例特征和所述负样例特征训练分类器,获取安全带识别模型。
可选地,根据所述头肩区域图像获取系安全带训练集和未系安全带训练集包括获取所述头肩区域图像的特征信息;将所述特征信息输入线性分类器;根据所述线性分类器的输出结果获取所述系安全带训练集和所述未系安全带训练集。
可选地,根据所述线性分类器的输出结果获取所述系安全带训练集和所述未系安全带训练集包括:当所述线性分类器的输出结果大于零时,确定所述头肩区域图像属于所述系安全带训练集;当线性分类器输出结果小于零时,确定所述头肩区域图像属于所述未系安全带训练集。
可选地,采集头肩区域图像之后,所述方法还包括:通过高斯滤波对所述头肩区域图像进行平滑处理。
本发明实施例还提供了一种安全带识别模型构建装置,包括:采集模块,用于采集头肩区域图像;第一获取模块,用于根据所述头肩区域图像获取系安全带训练集和未系安全带训练集;确定模块,用于根据各个所述系安全带训练集确定正样例特征;根据各个所述未系安全带训练集确定负样例特征;第二获取模块,用于利用所述正样例特征和所述负样例特征训练分类器,获取安全带识别模型。
可选地,所述第一获取模块包括:第一获取单元,用于获取所述头肩区域图像的特征信息;输入单元,用于将所述特征信息输入线性分类器;第二获取单元,用于根据所述线性分类器的输出结果获取所述系安全带训练集和所述未系安全带训练集。
可选地,所述第二获取单元还用于:当所述线性分类器的输出结果大于零时,确定所述头肩区域图像属于所述系安全带训练集;当线性分类器输出结果小于零时,确定所述头肩区域图像属于所述未系安全带训练集。
可选地,所述装置还包括:处理模块,用于所述采集模块采集头肩区域图像之后,通过高斯滤波对所述头肩区域图像进行平滑处理。
本发明实施例技术方案,具有如下优点:
本发明实施例提供了一种安全带识别模型构建方法及装置,在该方法中,采集头肩区域图像,根据该头肩区域图像获取系安全带训练集和未系安全带训练集,根据各个系安全带训练集确定正样例特征,根据各个未系安全带训练集确定负样例特征,利用该正样例特征和该负样例特征训练分类器,获取安全带识别模型。通过本发明实施例解决了现有技术中未系安全带行为检测准确率低的问题,实现了构建安全带识别模型,提高了识别未系安全带的准确率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的安全带识别模型构建方法的流程图;
图2是根据本发明实施例的安全带识别模型构建装置的一个结构框图;
图3是根据本发明实施例的安全带识别模型构建装置的另一个结构框图;
图4是根据本发明实施例的安全带识别模型构建装置的另一个结构框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
在本实施例中提供了一种安全带识别模型构建方法,图1是根据本发明实施例的安全带识别模型构建方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101:采集头肩区域图像。当前大多数车内装有记录行驶状况的前置摄像头,该摄像头可以对驾驶员和副驾驶员所在整体区域进行图像采集,在不影响驾驶员驾驶安全的前提下,可以很清晰的拍摄到驾驶员的行为状态;
步骤S102:根据该头肩区域图像获取系安全带训练集和未系安全带训练集。为了适应各种复杂的环境,收集10万张驾驶员系安全带样本图像,10万张驾驶员未系安全带样本图像;
步骤S103:根据各个系安全带训练集确定正样例特征;根据各个未系安全带训练集确定负样例特征。具体地,通过系安全带训练集获取系安全带图像及其特征信息,作为正样例特征,通过未系安全带训练集获取未系安全带图像及其特征信息,作为负样例特征;
步骤S104:利用该正样例特征和该负样例特征训练分类器,获取该安全带识别模型。通过将驾驶员头肩区域图像输入该驾驶员安全带识别模型,可以准确判定该驾驶员是否系安全带。
通过上述步骤,采集头肩区域图像,根据该头肩区域图像获取系安全带训练集和未系安全带训练集,根据各个系安全带训练集确定正样例特征,根据各个未系安全带训练集确定负样例特征,利用该正样例特征和该负样例特征训练分类器,获取安全带识别模型。通过本发明实施例解决了现有技术中未系安全带行为检测准确率低的问题,实现了构建安全带识别模型,提高了识别未系安全带的准确率。
上述步骤S102涉及到根据该头肩区域图像获取系安全带训练集和未系安全带训练集,在一个可选实施例中,该方法包括:获取该头肩区域图像的特征信息,将该特征信息输入线性分类器,根据该线性分类器的输出结果获取该系安全带训练集和该未系安全带训练集,当该线性分类器的输出结果大于零时,确定该头肩区域图像属于系安全带训练集;当该线性分类器输出结果小于零时,确定该头肩区域图像属于未系安全带训练集。具体地,通过线性分类器预先训练系安全带训练集和未系安全带训练集,得到权值参数WT和W0,该线性分类器具体是线性判别函数:g(x)=wTx+w0,首先将该头肩区域图像翻译成特征信息,输入该线性判别函数中,如果g(x)>0,则判定该头肩区域图像属于系安全带训练集,如果g(x)<0,则判定该头肩区域图像属于未系安全带训练集,如果g(x)=0,则对该头肩区域图像不判定或者除去。在实际应用中,由于行车过程中未系安全带为小概率事件,而且希望判别为是未系安全带行为的正确率高,因此,在实际应用中识别为是未系安全带的但得分(置信度)低的,将其排除。无法判定的图像对于惩处违规行为并无太大意义,而将“未系安全带的但得分(置信度)低的情况”排除,能保证是未系安全带行为的正确率。
上述步骤S101涉及到采集头肩区域图像,为了更精确地获得安全带识别模型,在一个可选实施例中,通过高斯滤波对该头肩区域图像进行平滑处理。具体地,采用3*3高斯加权滤波器扫描图像中的每一个像素,更改其像素值为其本身和其3*3领域内的其他像素值的加权平均值,图像平滑对点状噪声和干扰脉冲具有良好的抑制作用。
实施例2
在本实施例中还提供了一种安全带识别模型构建装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本施例提供一种安全带识别模型构建装置,如图2所示,包括采集模块21,用于采集头肩区域图像;第一获取模块22,用于根据该头肩区域图像获取系安全带训练集和未系安全带训练集;确定模块23,用于根据各个系安全带训练集确定正样例特征;根据各个未系安全带训练集确定负样例特征;第二获取模块24,用于利用该正样例特征和该负样例特征训练分类器,获取该安全带识别模型。
图3是根据本发明实施例的驾驶员安全带识别模型构建装置的另一个结构框图,如图3所示,在一个可选实施例中,该第一获取模块22包括第一获取单元221,用于获取该头肩区域图像的特征信息;输入单元222,用于将该特征信息输入线性分类器;第二获取单元223,用于根据该线性分类器的输出结果获取该系安全带训练集和该未系安全带训练集。
可选地,该第二获取单元223还用于:当该线性分类器的输出结果大于零时,确定该头肩区域图像属于系安全带训练集;当该线性分类器输出结果小于零时,确定该头肩区域图像属于未系安全带训练集。
图4是根据本发明实施例的安全带识别模型构建装置的另一个结构框图,为了得到更清晰的头肩区域图像,如图4所示,在一个可选实施例中,该装置还包括处理模块25,用于该采集模块21采集头肩区域图像之后,通过高斯滤波对该头肩区域图像进行平滑处理。
上述各个模块的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (8)
1.一种安全带识别模型构建方法,其特征在于,包括:
采集头肩区域图像;
根据所述头肩区域图像获取系安全带训练集和未系安全带训练集;
根据各个所述系安全带训练集确定正样例特征;根据各个所述未系安全带训练集确定负样例特征;
利用所述正样例特征和所述负样例特征训练分类器,获取安全带识别模型。
2.根据权利要求1所述的方法,其特征在于,根据所述头肩区域图像获取系安全带训练集和未系安全带训练集包括:
获取所述头肩区域图像的特征信息;
将所述特征信息输入线性分类器;
根据所述线性分类器的输出结果获取所述系安全带训练集和所述未系安全带训练集。
3.根据权利要求2所述的方法,其特征在于,根据所述线性分类器的输出结果获取所述系安全带训练集和所述未系安全带训练集包括:
当所述线性分类器的输出结果大于零时,确定所述头肩区域图像属于所述系安全带训练集;当所述线性分类器输出结果小于零时,确定所述头肩区域图像属于所述未系安全带训练集。
4.根据权利要求1至3中任一所述的方法,其特征在于,采集头肩区域图像之后,所述方法还包括:
通过高斯滤波对所述头肩区域图像进行平滑处理。
5.一种安全带识别模型构建装置,其特征在于,包括:
采集模块,用于采集头肩区域图像;
第一获取模块,用于根据所述头肩区域图像获取系安全带训练集和未系安全带训练集;
确定模块,用于根据各个所述系安全带训练集确定正样例特征;根据各个所述未系安全带训练集确定负样例特征;
第二获取模块,用于利用所述正样例特征和所述负样例特征训练分类器,获取安全带识别模型。
6.根据权利要求5所述的装置,其特征在于,所述第一获取模块包括:
第一获取单元,用于获取所述头肩区域图像的特征信息;
输入单元,用于将所述特征信息输入线性分类器;
第二获取单元,用于根据所述线性分类器的输出结果获取所述系安全带训练集和所述未系安全带训练集。
7.根据权利要求6所述的装置,其特征在于,所述第二获取单元还用于:当所述线性分类器的输出结果大于零时,确定所述头肩区域图像属于所述系安全带训练集;当所述线性分类器输出结果小于零时,确定所述头肩区域图像属于所述未系安全带训练集。
8.根据权利要求5至7中任一所述的装置,其特征在于,所述装置还包括:
处理模块,用于所述采集模块采集头肩区域图像之后,通过高斯滤波对所述头肩区域图像进行平滑处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710038749.9A CN106845393A (zh) | 2017-01-19 | 2017-01-19 | 安全带识别模型构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710038749.9A CN106845393A (zh) | 2017-01-19 | 2017-01-19 | 安全带识别模型构建方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106845393A true CN106845393A (zh) | 2017-06-13 |
Family
ID=59124185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710038749.9A Pending CN106845393A (zh) | 2017-01-19 | 2017-01-19 | 安全带识别模型构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845393A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533056A (zh) * | 2018-05-24 | 2019-12-03 | 广东技术师范学院 | 一种基于计算机视觉的车内安全检测方法 |
CN111209854A (zh) * | 2020-01-06 | 2020-05-29 | 苏州科达科技股份有限公司 | 司乘人员未系安全带识别方法、装置及存储介质 |
CN111539360A (zh) * | 2020-04-28 | 2020-08-14 | 重庆紫光华山智安科技有限公司 | 安全带佩戴识别方法、装置及电子设备 |
CN112949379A (zh) * | 2020-12-30 | 2021-06-11 | 南京佑驾科技有限公司 | 一种基于视觉的安全带检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331687A (zh) * | 2014-10-30 | 2015-02-04 | 安徽国华光电技术有限公司 | 一种基于车载式视频分析的未系安全带行为检测方法 |
CN204156996U (zh) * | 2014-10-30 | 2015-02-11 | 安徽国华光电技术有限公司 | 一种车载式视频分析未系安全带装置 |
CN105109448A (zh) * | 2015-08-26 | 2015-12-02 | 安徽工程大学 | 一种汽车安全带正确佩戴的检测系统及其检测方法 |
CN105488453A (zh) * | 2015-11-30 | 2016-04-13 | 杭州全实鹰科技有限公司 | 一种基于图像处理的驾驶员未系安全带检测识别方法 |
CN106203499A (zh) * | 2016-07-07 | 2016-12-07 | 青岛大学 | 一种基于深度cnn的安全带检测方法 |
-
2017
- 2017-01-19 CN CN201710038749.9A patent/CN106845393A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331687A (zh) * | 2014-10-30 | 2015-02-04 | 安徽国华光电技术有限公司 | 一种基于车载式视频分析的未系安全带行为检测方法 |
CN204156996U (zh) * | 2014-10-30 | 2015-02-11 | 安徽国华光电技术有限公司 | 一种车载式视频分析未系安全带装置 |
CN105109448A (zh) * | 2015-08-26 | 2015-12-02 | 安徽工程大学 | 一种汽车安全带正确佩戴的检测系统及其检测方法 |
CN105488453A (zh) * | 2015-11-30 | 2016-04-13 | 杭州全实鹰科技有限公司 | 一种基于图像处理的驾驶员未系安全带检测识别方法 |
CN106203499A (zh) * | 2016-07-07 | 2016-12-07 | 青岛大学 | 一种基于深度cnn的安全带检测方法 |
Non-Patent Citations (2)
Title |
---|
朱平芳 等: "《统计学理论前沿》", 31 July 2016, 上海社会科学院出版社 * |
金光: "《数据分析与建模方法》", 31 August 2013, 国防工业出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533056A (zh) * | 2018-05-24 | 2019-12-03 | 广东技术师范学院 | 一种基于计算机视觉的车内安全检测方法 |
CN111209854A (zh) * | 2020-01-06 | 2020-05-29 | 苏州科达科技股份有限公司 | 司乘人员未系安全带识别方法、装置及存储介质 |
CN111539360A (zh) * | 2020-04-28 | 2020-08-14 | 重庆紫光华山智安科技有限公司 | 安全带佩戴识别方法、装置及电子设备 |
CN111539360B (zh) * | 2020-04-28 | 2022-11-22 | 重庆紫光华山智安科技有限公司 | 安全带佩戴识别方法、装置及电子设备 |
CN112949379A (zh) * | 2020-12-30 | 2021-06-11 | 南京佑驾科技有限公司 | 一种基于视觉的安全带检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105488453B (zh) | 一种基于图像处理的驾驶员未系安全带检测识别方法 | |
WO2019223655A1 (zh) | 非机动车载人的检测 | |
CN106845393A (zh) | 安全带识别模型构建方法及装置 | |
CN104573646A (zh) | 基于激光雷达和双目相机的车前行人检测方法及系统 | |
CN112712057B (zh) | 交通信号识别方法、装置、电子设备及存储介质 | |
CN112339773B (zh) | 一种基于单目视觉的非主动车道偏离预警方法及系统 | |
CN104574993B (zh) | 一种道路监控的方法及装置 | |
CN110610153A (zh) | 一种用于自动驾驶的车道识别方法及系统 | |
DE102022128437A1 (de) | Aggregationsbasierte LIDAR-Datenausrichtung | |
CN113705427B (zh) | 基于车规级芯片SoC的疲劳驾驶监测预警方法及系统 | |
CN111931644A (zh) | 一种车载人数检测的方法、系统、设备及可读存储介质 | |
CN114973212A (zh) | 一种基于视觉特征、方向盘操作检测并主动干预的制止疲劳驾驶方法 | |
CN114141022B (zh) | 应急车道占用行为检测方法、装置、电子设备及存储介质 | |
CN106355329A (zh) | 驾驶员对标能力的测试方法与系统 | |
CN106874855A (zh) | 头肩区域定位方法及装置 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
WO2016096446A1 (de) | Vordergrund-hintergrund differenzierung im fahrzeug | |
CN111191603B (zh) | 车内人员识别方法、装置、终端设备及介质 | |
US20230237584A1 (en) | Systems and methods for evaluating vehicle insurance claims | |
CN106886756A (zh) | 未系安全带行为检测方法及装置 | |
CN108399357A (zh) | 一种人脸定位方法及装置 | |
DE102021101717A1 (de) | Verfahren zum Bereitstellen von fusionierten Daten, Assistenzsystem und Kraftfahrzeug | |
CN106778665A (zh) | 一种车窗检测方法及装置 | |
CN110956064A (zh) | 基于大数据的驾驶员行为分析预测系统 | |
CN111341106A (zh) | 交通预警方法、装置和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170613 |
|
RJ01 | Rejection of invention patent application after publication |