CN107357762A - 一种基于驾驶人眼动特性的交通潜在危险判别方法 - Google Patents

一种基于驾驶人眼动特性的交通潜在危险判别方法 Download PDF

Info

Publication number
CN107357762A
CN107357762A CN201710428150.6A CN201710428150A CN107357762A CN 107357762 A CN107357762 A CN 107357762A CN 201710428150 A CN201710428150 A CN 201710428150A CN 107357762 A CN107357762 A CN 107357762A
Authority
CN
China
Prior art keywords
potential danger
data
value
eye
scene
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
Application number
CN201710428150.6A
Other languages
English (en)
Inventor
孙健
山岩
吕安平
楚彭子
刘隼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN201710428150.6A priority Critical patent/CN107357762A/zh
Publication of CN107357762A publication Critical patent/CN107357762A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/013—Eye tracking input arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种基于驾驶人眼动特性的交通潜在危险判别方法，包括以下步骤：数据采集、采集眼动数据并提出干扰项、建立匹配库、交通潜在危险判别数据准备、交通潜在危险场景识别和输出结果；本发明通过采集驾驶人性别、驾龄、精神质型人格特性量值、掩饰性型人格特性量值和危险场景下的眼部水平活动和眼部垂直活动范围的数据，建立多元线性回归模型，其数据集为匹配区域，通过比较匹配值与匹配区域的对比，判别是否属于潜在危险场景。

Description

一种基于驾驶人眼动特性的交通潜在危险判别方法
技术领域
本发明属于交通潜在危险判别领域，特别涉及一种基于驾驶人眼动特性的交通潜在危险判别方法。
背景技术
目前我国道路交通事故死亡率居世界第一，其中由于驾驶人的因素引发的事故占道路交通事故的90％以上，很多交通事故的发生都源于驾驶人不能判断交通环境中潜在的危险；现有技术中大多都还是一些有经验的道路交通潜在危险评估专家通过自己的经验主观判断，这种判断方法主观因素占主导地位，缺少判断标准，导致判断不准确，同时该方法不能有效推广；现在的驾驶人培训中也缺少道路交通潜在危险判断的培训，很多新的驾驶人在潜在危险判断的领域还是一片空白。
发明内容
本发明的目的在于提供一种基于驾驶人眼动特性的交通潜在危险判别方法，以解决现有判别方法主观性太强，判断不准确，驾驶人潜在危险培训空白的问题。
为实现上述目的，本发明采用以下技术方案：
一种基于驾驶人眼动特性的交通潜在危险判别方法，包括以下步骤：
步骤一：采集被试者性别和驾龄信息，性别记为X，驾龄记为J；记采集到的集合分别为X＝X1，X2…Xk，J＝J1，J2…Jk，其中Xk取0或1,k＝1…20；采集精神质型人格特性量值和掩饰性型人格特性量值，精神质型人格特性量值记为N，掩饰性型人格特性量值记为L；记采集到的集合分别为N＝N1，N2…Nk，L＝L1，L2…Lk，并剔除干扰数据；
步骤二：使用驾驶人模拟器、Dikablis眼动仪和D-Lab3.0 Valid for version3.0软件对驾驶人视觉数据进行采样，在潜在危险场景下，被试者随机进行若干次模拟测试，每次测试包含若干种潜在危险场景，采集被试者在测试中潜在危险场景下的眼部水平活动和眼部垂直活动，剔除干扰数据后对测试数据取均值，分别记为U＝U1，U2…Uk，V＝V1，V2…Vk，k＝1…20；
步骤三：对上述采集数据，以被试者性别X＝X1，X2…Xk、驾龄J＝J1，J2…Jk、精神质型人格特性量值N＝N1，N2…Nk、掩饰性型人格特性量值L＝L1，L2…Lk、眼部水平活动U＝U1，U2…Uk和眼部垂直活动V＝V1，V2…Vk为自变量，分别记为X1，X2，X3，X4，X5，X6；以被试者潜在危险场景识别率为因变量Y，将上述数据导入软件SPSS 19.0回归分析模块，拟合并建立多元线性回归模型：Y＝αX1+βX2+γX3+δX4+εX5+θX6+η，作为匹配模型，并取Y的数据集为匹配区域，记为Φ；η为常数项；
步骤四：交通潜在危险判别数据准备：在驾驶模拟器中插入需判别的潜在场景，并进行步骤一、步骤二、步骤三，取得若干被试者的性别X＝X1，X2…Xn、驾龄J＝J1，J2…Jn、精神质型人格特性量值N＝N1，N2…Nn、掩饰性型人格特性量值L＝L1，L2…Ln、眼部水平活动U＝U1，U2…Un和眼部垂直活动V＝V1，V2…Vn数据，剔除干扰数据后，得到数据X′，J′，N′，L′，U′，V′；
步骤五：取步骤四得到的数据令X′＝X1，J′＝X2，N′＝X3，L′＝X4，U′＝X5，V′＝X6导入步骤三中的多元线性回归匹配模型：Y＝αX1+βX2+γX3+δX4+εX5+θX6+η，得到的Y值并与匹配库中值比较；若Y∈Φ，则此潜在场景属于危险场景，若则此潜在场景未达到潜在危险场景判别的指标，不属于潜在危险场景；
步骤六：输出结果。
进一步的，步骤三中α、β、γ、δ、ε、θ分别为导入SPSS 19.0建立回归分析变量X1，X2，X3，X4，X5，X6的系数，其回归分析拟合优度R2＞0.8，F分布整体显著性水平达到P＜0.01，T分布系数显著性水平均要求达到P＜0.01。
进一步的，若满足拟合优度R2＞0.8，则判断整体显著性水平是否达到P＜0.01，若不满足拟合优度R2＞0.8，则删除不显著变量；若整体显著性水平达到P＜0.01，则判断系数显著性水平均要求是否达到P＜0.01，若整体显著性水平没达到P＜0.01，则删除不显著变量；若系数显著性水平均要求达到P＜0.01，则建立多元线性回归模型，若系数显著性水平均要求没达到P＜0.01，则删除不显著变量。
进一步的，步骤一中使用DPS软件根据格拉布斯准则进行数据的异常值检验以剔除干扰数据。
进一步的，步骤二中的眼部水平活动和眼部垂直活动为驾驶人在水平和垂直方向上的视觉搜索范围，用计算机屏幕上图像最小的单元像素来表示。
进一步的，步骤一中的精神质型人格特性量值和掩饰性型人格特性量值是通过中国版艾森克简式量表获得。
与现有技术相比，本发明有以下技术效果：
本发明通过采集驾驶人性别、驾龄、精神质型人格特性量值、掩饰性型人格特性量值和危险场景下的眼部水平活动和眼部垂直活动范围的数据，建立多元线性回归模型，其数据集为匹配区域，通过比较匹配值与匹配区域的对比，判别是否属于潜在危险场景；本发明的判别方法不同于现有技术中通过主观意识判断，该方法判断更为准确；本发明的判别方法能够用于驾驶人的培训中，弥补新驾驶员在危险判别领域的空白，降低道路交通潜在危险带来的交通事故的发生。
附图说明
图1为多元回归分析模型建立的流程图；
图2为潜在危险场景判别流程图。
具体实施方式
以下结合附图，对本发明进一步说明：
一种基于驾驶人眼动特性的交通潜在危险判别方法，包括以下步骤：
步骤一：采集被试者性别和驾龄信息，性别记为X，驾龄记为J；记采集到的集合分别为X＝X1，X2…Xk，J＝J1，J2…Jk，其中Xk取0或1,k＝1…20；采集精神质型人格特性量值和掩饰性型人格特性量值，精神质型人格特性量值记为N，掩饰性型人格特性量值记为L；记采集到的集合分别为N＝N1，N2…Nk，L＝L1，L2…Lk，并剔除干扰数据；
步骤二：使用驾驶人模拟器、Dikablis眼动仪和D-Lab3.0Valid for version3.0软件对驾驶人视觉数据进行采样，在30种常见潜在危险场景下，被试者随机进行若干次模拟测试，每次测试包含若干种潜在危险场景，采集被试者在测试中潜在危险场景下的眼部水平活动和眼部垂直活动，剔除干扰数据后对测试数据取均值，分别记为U＝U1，U2…Uk，V＝V1，V2…Vk，k＝1…20；
步骤三：对上述采集数据，以被试者性别X＝X1，X2…Xk、驾龄J＝J1，J2…Jk、精神质型人格特性量值N＝N1，N2…Nk、掩饰性型人格特性量值L＝L1，L2…Lk、眼部水平活动U＝U1，U2…Uk和眼部垂直活动V＝V1，V2…Vk为自变量，分别记为X1，X2，X3，X4，X5，X6；以被试者潜在危险场景识别率为因变量Y，将上述数据导入软件SPSS 19.0回归分析模块，拟合并建立多元线性回归模型：Y＝αX1+βX2+γX3+δX4+εX5+θX6+η，作为匹配模型，并取Y的数据集为匹配区域，记为Φ；η为常数项；
步骤四：交通潜在危险判别数据准备：在驾驶模拟器中插入需判别的潜在场景，并进行步骤一、步骤二、步骤三，取得若干被试者的性别X＝X1，X2…Xn、驾龄J＝J1，J2…Jn、精神质型人格特性量值N＝N1，N2…Nn、掩饰性型人格特性量值L＝L1，L2…Ln、眼部水平活动U＝U1，U2…Un和眼部垂直活动V＝V1，V2…Vn数据，剔除干扰数据后，得到数据X′，J′，N′，L′，U′，V′；
步骤五：取步骤四得到的数据令X′＝X1，J′＝X2，N′＝X3，L′＝X4，U′＝X5，V′＝X6导入步骤三中的多元线性回归匹配模型：Y＝αX1+βX2+γX3+δX4+εX5+θX6+η，得到的Y值并与匹配库中值比较；若Y∈Φ，则此潜在场景属于危险场景，若则此潜在场景未达到潜在危险场景判别的指标，不属于潜在危险场景；
步骤六：输出结果。
步骤三中α、β、γ、δ、ε、θ分别为导入SPSS 19.0建立回归分析变量X1，X2，X3，X4，X5，X6的系数，其回归分析拟合优度R2＞0.8，F分布整体显著性水平达到P＜0.01，T分布系数显著性水平均要求达到P＜0.01。
步骤二中，若满足拟合优度R2＞0.8，则判断整体显著性水平是否达到P＜0.01，若不满足拟合优度R2＞0.8，则删除不显著变量；若整体显著性水平达到P＜0.01，则判断系数显著性水平均要求是否达到P＜0.01，若整体显著性水平没达到P＜0.01，则删除不显著变量；若系数显著性水平均要求达到P＜0.01，则建立多元线性回归模型，若系数显著性水平均要求没达到P＜0.01，则删除不显著变量。
步骤一中使用DPS软件根据格拉布斯准则进行数据的异常值检验以剔除干扰数据。
步骤二中的眼部水平活动和眼部垂直活动为驾驶人在水平和垂直方向上的视觉搜索范围，用计算机屏幕上图像最小的单元像素来表示。
步骤一中的精神质型人格特性量值和掩饰性型人格特性量值是通过中国版艾森克简式量表获得。
潜在危险场景：由于驾驶人心理生理状态、道路设计、交通环境等主客观因素的影响和作用，使驾驶人的驾驶能力不能达到驾驶任务的要求而可能导致交通事故的一种状态。由于驾驶人职业自身的特殊性，驾驶的潜在危险场景的产生也可理解为驾驶人对潜在在危险的感受、预测与安全驾驶之间产生的不协调所致。

Claims (6)

1.一种基于驾驶人眼动特性的交通潜在危险判别方法，其特征在于，包括以下步骤：
步骤一：采集被试者性别和驾龄信息，性别记为X，驾龄记为J；记采集到的集合分别为X＝X1，X2…Xk，J＝J1，J2…Jk，其中Xk取0或1，k＝1…20；采集精神质型人格特性量值和掩饰性型人格特性量值，精神质型人格特性量值记为N，掩饰性型人格特性量值记为L；记采集到的集合分别为N＝N1，N2…Nk，L＝L1，L2…Lk，并剔除干扰数据；
步骤二：使用驾驶人模拟器、Dikablis眼动仪和D-Lab3.0Valid for version3.0软件对驾驶人视觉数据进行采样，在潜在危险场景下，被试者随机进行若干次模拟测试，每次测试包含若干种潜在危险场景，采集被试者在测试中潜在危险场景下的眼部水平活动和眼部垂直活动，剔除干扰数据后对测试数据取均值，分别记为U＝U1，U2…Uk，V＝V1，V2…Vk，k＝1…20；
步骤三：对上述采集数据，以被试者性别X＝X1，X2…Xk、驾龄J＝J1，J2…Jk、精神质型人格特性量值N＝N1，N2…Nk、掩饰性型人格特性量值L＝L1，L2…Lk、眼部水平活动U＝U1，U2…Uk和眼部垂直活动V＝V1，V2…Vk为自变量，分别记为X1，X2，X3，X4，X5，X6；以被试者潜在危险场景识别率为因变量Y，将上述数据导入软件SPSS 19.0回归分析模块，拟合并建立多元线性回归模型：Y＝αX1+βX2+γX3+δX4+εX5+θX6+η，作为匹配模型，并取Y的数据集为匹配区域，记为Φ；η为常数项；
步骤四：交通潜在危险判别数据准备：在驾驶模拟器中插入需判别的潜在场景，并进行步骤一、步骤二、步骤三，取得若干被试者的性别X＝X1，X2…Xn、驾龄J＝J1，J2…Jn、精神质型人格特性量值N＝N1，N2…Nn、掩饰性型人格特性量值L＝L1，L2…Ln、眼部水平活动U＝U1，U2…Un和眼部垂直活动V＝V1，V2…Vn数据，剔除干扰数据后，得到数据X′，J′，N′，L′，U′，V′；
步骤五：取步骤四得到的数据令X′＝X1，J′＝X2，N′＝X3，L′＝X4，U′＝X5，V′＝X6导入步骤三中的多元线性回归匹配模型：Y＝αX1+βX2+γX3+δX4+εX5+θX6+η，得到的Y值并与匹配库中值比较；若Y∈Φ，则此潜在场景属于危险场景，若则此潜在场景未达到潜在危险场景判别的指标，不属于潜在危险场景；
步骤六：输出结果。
2.根据权利要求1所述的一种基于驾驶人眼动特性的交通潜在危险判别方法，其特征在于，步骤三中α、β、γ、δ、ε、θ分别为导入SPSS 19.0建立回归分析变量X1，X2，X3，X4，X5，X6的系数，其回归分析拟合优度R2＞0.8，F分布整体显著性水平达到P＜0.01，T分布系数显著性水平均要求达到P＜0.01。
3.根据权利要求2所述的一种基于驾驶人眼动特性的交通潜在危险判别方法，其特征在于，若满足拟合优度R2＞0.8，则判断整体显著性水平是否达到P＜0.01，若不满足拟合优度R2＞0.8，则删除不显著变量；若整体显著性水平达到P＜0.01，则判断系数显著性水平均要求是否达到P＜0.01，若整体显著性水平没达到P＜0.01，则删除不显著变量；若系数显著性水平均要求达到P＜0.01，则建立多元线性回归模型，若系数显著性水平均要求没达到P＜0.01，则删除不显著变量。
4.根据权利要求1所述的一种基于驾驶人眼动特性的交通潜在危险判别方法，其特征在于，步骤一中使用DPS软件根据格拉布斯准则进行数据的异常值检验以剔除干扰数据。
5.根据权利要求1所述的一种基于驾驶人眼动特性的交通潜在危险判别方法，其特征在于，步骤二中的眼部水平活动和眼部垂直活动为驾驶人在水平和垂直方向上的视觉搜索范围，用计算机屏幕上图像最小的单元像素来表示。
6.根据权利要求1所述的一种基于驾驶人眼动特性的交通潜在危险判别方法，其特征在于，步骤一中的精神质型人格特性量值和掩饰性型人格特性量值是通过中国版艾森克简式量表获得。
CN201710428150.6A 2017-06-08 2017-06-08 一种基于驾驶人眼动特性的交通潜在危险判别方法 Pending CN107357762A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710428150.6A CN107357762A (zh) 2017-06-08 2017-06-08 一种基于驾驶人眼动特性的交通潜在危险判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710428150.6A CN107357762A (zh) 2017-06-08 2017-06-08 一种基于驾驶人眼动特性的交通潜在危险判别方法

Publications (1)

Publication Number Publication Date
CN107357762A true CN107357762A (zh) 2017-11-17

Family

ID=60272446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710428150.6A Pending CN107357762A (zh) 2017-06-08 2017-06-08 一种基于驾驶人眼动特性的交通潜在危险判别方法

Country Status (1)

Country Link
CN (1) CN107357762A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111643077A (zh) * 2020-06-19 2020-09-11 北方工业大学 一种基于脑电数据的交通动态因素复杂度的辨识方法
CN111803065A (zh) * 2020-06-23 2020-10-23 北方工业大学 一种基于脑电数据的危险交通场景辨识方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103035140A (zh) * 2012-12-24 2013-04-10 吉林大学 汽车驾驶员危险驾驶行为矫正及评价系统
CN103268426A (zh) * 2013-06-05 2013-08-28 北京宣爱智能模拟技术股份有限公司 一种汽车驾驶人安全驾驶水平测评的方法
CN105205443A (zh) * 2015-08-13 2015-12-30 吉林大学 一种基于驾驶人眼动特征的交通冲突识别方法
CN105844913A (zh) * 2016-04-15 2016-08-10 苏州爱诺信信息科技有限公司 基于车联网的车、路状况与驾驶安全大数据相关性分析法
CN106682394A (zh) * 2016-11-30 2017-05-17 北京拓明科技有限公司 一种生存风险的大数据分析方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103035140A (zh) * 2012-12-24 2013-04-10 吉林大学 汽车驾驶员危险驾驶行为矫正及评价系统
CN103268426A (zh) * 2013-06-05 2013-08-28 北京宣爱智能模拟技术股份有限公司 一种汽车驾驶人安全驾驶水平测评的方法
CN105205443A (zh) * 2015-08-13 2015-12-30 吉林大学 一种基于驾驶人眼动特征的交通冲突识别方法
CN105844913A (zh) * 2016-04-15 2016-08-10 苏州爱诺信信息科技有限公司 基于车联网的车、路状况与驾驶安全大数据相关性分析法
CN106682394A (zh) * 2016-11-30 2017-05-17 北京拓明科技有限公司 一种生存风险的大数据分析方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
卜猛猛等: "基于人格和人口统计学变量的驾驶风险差异分析研究", 《华东交通大学学报》 *
袁伟: "城市道路环境中汽车驾驶员动态视觉特性试验研究", 《中国博士学位论文全文数据库》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111643077A (zh) * 2020-06-19 2020-09-11 北方工业大学 一种基于脑电数据的交通动态因素复杂度的辨识方法
CN111643077B (zh) * 2020-06-19 2024-05-07 北方工业大学 一种基于脑电数据的交通动态因素复杂度的辨识方法
CN111803065A (zh) * 2020-06-23 2020-10-23 北方工业大学 一种基于脑电数据的危险交通场景辨识方法及系统
CN111803065B (zh) * 2020-06-23 2023-12-26 北方工业大学 一种基于脑电数据的危险交通场景辨识方法及系统

Similar Documents

Publication Publication Date Title
CN105872477B (zh) 视频监控方法和视频监控系统
CN103345617B (zh) 中药识别的方法及其系统
CN105430367B (zh) 一种自动白平衡的方法和装置
CN105138954B (zh) 一种图像自动筛选查询识别系统
CN105279483A (zh) 一种基于深度图像的跌倒行为实时检测方法
CN106778614B (zh) 一种人体识别方法和装置
CN110135282B (zh) 一种基于深度卷积神经网络模型的考生回头抄袭作弊检测方法
CN105160346B (zh) 一种基于纹理和分布特征的舌苔腐腻识别方法
CN101706445A (zh) 牛肉大理石花纹等级评分方法及装置
CN108198176A (zh) 一种基于图像分析烟草成熟度的判别方法
CN105740779A (zh) 人脸活体检测的方法和装置
CN110047591B (zh) 一种针对外科手术过程中医生姿态评估方法
CN110400293A (zh) 一种基于深度森林分类的无参考图像质量评价方法
CN105022999A (zh) 一种人码伴随实时采集系统
Ke et al. Active contour and hill climbing for tree crown detection and delineation
CN106650606A (zh) 人脸图像的匹配及处理方法、人脸图像模型构建系统
CN107357762A (zh) 一种基于驾驶人眼动特性的交通潜在危险判别方法
CN110120032A (zh) 基于相对总变差模型与mser的织物毛球等级评价方法
CN112472089A (zh) 一种基于眼动技术判断心理测试可靠性的系统及方法
FI3719807T3 (fi) Patologisen tilan ennustaminen lääketieteellisestä kuvasta
CN102609728B (zh) 特定类敏感图像检测方法
CN108550146A (zh) 一种基于roi的图像质量评价方法
CN110032932A (zh) 一种基于视频处理和决策树设定阈值的人体姿态识别方法
CN109579092A (zh) 一种根据工作环境进行烟灶联动的油烟机
CN105740752A (zh) 敏感图片过滤方法和系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20171117