CN108550301A - 一种基于深度学习的道路驾驶技能考试自动打分的方法和装置 - Google Patents
一种基于深度学习的道路驾驶技能考试自动打分的方法和装置 Download PDFInfo
- Publication number
- CN108550301A CN108550301A CN201810366941.5A CN201810366941A CN108550301A CN 108550301 A CN108550301 A CN 108550301A CN 201810366941 A CN201810366941 A CN 201810366941A CN 108550301 A CN108550301 A CN 108550301A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- examination
- driving path
- technical ability
- auto
- 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
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B19/00—Teaching not covered by other main groups of this subclass
- G09B19/16—Control of vehicles or other craft
- G09B19/167—Control of land vehicles
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Multimedia (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的道路驾驶技能考试自动打分的方法和装置,属于机器视觉技术领域,在道路驾驶技能考试中,车载端通过深度学习模型实现对考生的操作行为进行自动打分。本发明和现有技术相比,通过使用深度学习的Faster R‑CNN模型,实现考生操作行为的准确评价,并且实现紧急情况的紧急避让。进而提高了道路驾驶技能考试的智能化以及安全性和准确度。
Description
技术领域
本发明涉及机器视觉技术领域,具体地说是一种基于深度学习的道路驾驶技能考试自动打分的方法和装置。
背景技术
目前道路驾驶技能考试的打分系统分为电子打分和安全员打分两个部分,电子打分只是检测考生对车辆的操作情况进行打分,比如是否熄火,灯光使用是否正确,速度和档位是否匹配等。安全员打分为是否礼让行人和车辆,是否安全驾驶等。但安全员打分有很大的不确定性,遇到紧急状况,安全员在副驾驶座位,只能踩制动器,而无法紧急避让,就让道路驾驶技能考试产生很大的安全隐患。
发明内容
本发明的技术任务是针对以上不足之处,提供一种提高驾驶技能考试结果准确性与安全性的一种基于深度学习的道路驾驶技能考试自动打分的方法和装置。
本发明解决其技术问题所采用的技术方案是:一种基于深度学习的道路驾驶技能考试自动打分的方法,在道路驾驶技能考试中,车载端通过深度学习模型实现对考生的操作行为进行自动打分。
进一步,优选的方法,具体方法如下:
S1、服务器端采集考试道路环境的视频信息;
S2、对采集到的视频信息中的特征向量进行人工标记;
S3、对人工标记后的数据进行训练,生成深度学习模型;
S4、将深度学习模型加载至车载端;
S6、车载端实时获取考试道路环境信息,利用深度学习模型检索并识别出特征向量的状态信息;
S7、结合道路环境的状态信息,对考生的操作行为进行评价。
进一步,优选的方法,所述的特征向量包括,行人、车辆及路标。
一种基于深度学习的道路驾驶技能考试自动打分的装置,自动打分装置在道路驾驶技能考试中应用于车载端,包括数据采集模块、图像检索与识别模块、自动打分模块;
所述的数据采集模块,用于实时获取考试道路环境信息;
所述的图像检索与识别模块,用于利用深度学习模型检索并识别出道路环境中的特征向量的状态信息;
所述的自动打分模块,用于结合道路环境的状态信息,基于深度学习模型对考生的操作行为进行评价。
进一步的,优选的结构为,还包括紧急避让模块,所述的紧急避让模块用于识别紧急状况,并控制操作车辆采取紧急避让动作。
本发明的一种基于深度学习的道路驾驶技能考试自动打分的方法和装置和现有技术相比,有益效果为,通过使用深度学习的的Faster R-CNN模型,实现考生操作行为的准确评价,并且实现紧急情况的紧急避让。进而提高了道路驾驶技能考试的智能化以及安全性和准确度。
附图说明
下面结合附图对本发明进一步说明。
附图1为一种基于深度学习的道路驾驶技能考试自动打分的装置的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
分析客户的动线轨迹,首先在图像中需要对客户进行定位检索。Faster R-CNN模型是一个通用的物体检测模型,该模型能够自动识别图像中可识别对象在图像中的像素位置和对象类别。是基于深度学习的目标检测中应用最广泛的模型。
本发明为一种基于深度学习的道路驾驶技能考试自动打分的方法和装置,通过使用深度学习的的Faster R-CNN模型,实现考生操作行为的准确评价,并且实现紧急情况的紧急避让。进而提高了道路驾驶技能考试的智能化以及安全性和准确度。
实施例1:
一种基于深度学习的道路驾驶技能考试自动打分的方法,在道路驾驶技能考试中,车载端通过深度学习模型实现对考生的操作行为进行自动打分。具体方法如下:
S1、服务器端采集考试道路环境的视频信息;
S2、对采集到的视频信息中的特征向量进行人工标记;所述的特征向量包括,行人、车辆及路标;
S3、对人工标记后的数据进行训练,生成深度学习模型;
S4、将深度学习模型加载至车载端;
S6、车载端实时获取考试道路环境信息,利用深度学习模型检索并识别出特征向量的状态信息;
S7、结合道路环境的状态信息,对考生的操作行为进行评价。
一种基于深度学习的道路驾驶技能考试自动打分的装置,自动打分装置在道路驾驶技能考试中应用于车载端,包括数据采集模块、图像检索与识别模块、自动打分模块;
所述的数据采集模块,用于实时获取考试道路环境信息;
所述的图像检索与识别模块,用于利用深度学习模型检索并识别出道路环境中的特征向量的状态信息;
所述的自动打分模块,用于结合道路环境的状态信息,基于深度学习模型对考生的操作行为进行评价。
还包括紧急避让模块,所述的紧急避让模块用于识别紧急状况,并控制操作车辆采取紧急避让动作。
具体的实施方法为:
1.使用摄像头采集行人、车辆、路标等道路环境的视频信息。
2.使用深度学习的Faster R-CNN模型对道路环境视频进行检索,识别出行人,车辆,路标等状态信息,提高了识别的准确程度;
3.根据实时的道路环境状况信息对考试的操作行为进行判断,并对其打分。比如根据图像识别模块的出的道路环境信息对判断考试有没有避让行人,车辆,有无按照交通标志行驶,并对其打分。
4.实时识别道路环境状况,若遇到紧急状况,考试车辆自动进行紧急避让。比如采取紧急制动,以避免意外的发生。
本发明基于深度学习的道路驾驶技能考试自动打分的方法和装置可以提高打分的准确性以及考生的安全性。
通过上面具体实施方式,所述技术领域的技术人员可容易的实现本发明。但是应当理解,本发明并不限于上述的几种具体实施方式。在公开的实施方式的基础上,所述技术领域的技术人员可任意组合不同的技术特征,从而实现不同的技术方案。
Claims (5)
1.一种基于深度学习的道路驾驶技能考试自动打分的方法,其特征在于, 在道路驾驶技能考试中,车载端通过深度学习模型实现对考生的操作行为进行自动打分。
2.根据权利要求1所述的一种基于深度学习的道路驾驶技能考试自动打分的方法,其特征在于,具体方法如下:
S1、服务器端采集考试道路环境的视频信息;
S2、对采集到的视频信息中的特征向量进行人工标记;
S3、对人工标记后的数据进行训练,生成深度学习模型;
S4、将深度学习模型加载至车载端;
S6、车载端实时获取考试道路环境信息,利用深度学习模型检索并识别出特征向量的状态信息;
S7、结合道路环境的状态信息,对考生的操作行为进行评价。
3.根据权利要求2所述的一种基于深度学习的道路驾驶技能考试自动打分的方法,其特征在于,所述的特征向量包括,行人、车辆及路标。
4.一种基于深度学习的道路驾驶技能考试自动打分的装置,其特征在于,自动打分装置在道路驾驶技能考试中应用于车载端,包括数据采集模块、图像检索与识别模块、自动打分模块;
所述的数据采集模块,用于实时获取考试道路环境信息;
所述的图像检索与识别模块,用于利用深度学习模型检索并识别出道路环境中的特征向量的状态信息;
所述的自动打分模块,用于结合道路环境的状态信息,基于深度学习模型对考生的操作行为进行评价。
5.根据权利要求4所述的一种基于深度学习的道路驾驶技能考试自动打分的装置,其特征在于,还包括紧急避让模块,所述的紧急避让模块用于识别紧急状况,并控制操作车辆采取紧急避让动作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810366941.5A CN108550301A (zh) | 2018-04-23 | 2018-04-23 | 一种基于深度学习的道路驾驶技能考试自动打分的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810366941.5A CN108550301A (zh) | 2018-04-23 | 2018-04-23 | 一种基于深度学习的道路驾驶技能考试自动打分的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108550301A true CN108550301A (zh) | 2018-09-18 |
Family
ID=63512279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810366941.5A Pending CN108550301A (zh) | 2018-04-23 | 2018-04-23 | 一种基于深度学习的道路驾驶技能考试自动打分的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108550301A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201417516Y (zh) * | 2009-06-22 | 2010-03-03 | 南京多伦科技有限公司 | 机动车驾驶员科目三自动化考试系统 |
CN102768811A (zh) * | 2012-06-18 | 2012-11-07 | 柳州桂通科技有限公司 | 汽车驾驶人驾驶技能练习辅导和考试评分装置及实现方法 |
CN102971175A (zh) * | 2011-07-11 | 2013-03-13 | 丰田自动车株式会社 | 车辆的紧急退让装置 |
CN105575119A (zh) * | 2015-12-29 | 2016-05-11 | 大连楼兰科技股份有限公司 | 路况气候深度学习及识别方法和装置 |
CN106339683A (zh) * | 2016-08-27 | 2017-01-18 | 浙江维尔科技股份有限公司 | 一种路考红绿灯识别方法及装置 |
CN106683530A (zh) * | 2017-02-21 | 2017-05-17 | 南京多伦科技股份有限公司 | 一种基于三维激光视觉和高精度车道模型的计算机评判系统和方法 |
CN107139721A (zh) * | 2017-05-11 | 2017-09-08 | 济南浪潮高新科技投资发展有限公司 | 一种车载安全驾驶系统 |
CN107368890A (zh) * | 2016-05-11 | 2017-11-21 | Tcl集团股份有限公司 | 一种以视觉为中心的基于深度学习的路况分析方法及系统 |
CN107516354A (zh) * | 2017-08-17 | 2017-12-26 | 南京多伦科技股份有限公司 | 基于规则脚本的驾驶员考试系统、辅助驾驶系统及方法 |
CN107885214A (zh) * | 2017-11-22 | 2018-04-06 | 济南浪潮高新科技投资发展有限公司 | 一种基于fpga的加速自动驾驶视觉感知的方法及装置 |
-
2018
- 2018-04-23 CN CN201810366941.5A patent/CN108550301A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201417516Y (zh) * | 2009-06-22 | 2010-03-03 | 南京多伦科技有限公司 | 机动车驾驶员科目三自动化考试系统 |
CN102971175A (zh) * | 2011-07-11 | 2013-03-13 | 丰田自动车株式会社 | 车辆的紧急退让装置 |
CN102768811A (zh) * | 2012-06-18 | 2012-11-07 | 柳州桂通科技有限公司 | 汽车驾驶人驾驶技能练习辅导和考试评分装置及实现方法 |
CN105575119A (zh) * | 2015-12-29 | 2016-05-11 | 大连楼兰科技股份有限公司 | 路况气候深度学习及识别方法和装置 |
CN107368890A (zh) * | 2016-05-11 | 2017-11-21 | Tcl集团股份有限公司 | 一种以视觉为中心的基于深度学习的路况分析方法及系统 |
CN106339683A (zh) * | 2016-08-27 | 2017-01-18 | 浙江维尔科技股份有限公司 | 一种路考红绿灯识别方法及装置 |
CN106683530A (zh) * | 2017-02-21 | 2017-05-17 | 南京多伦科技股份有限公司 | 一种基于三维激光视觉和高精度车道模型的计算机评判系统和方法 |
CN107139721A (zh) * | 2017-05-11 | 2017-09-08 | 济南浪潮高新科技投资发展有限公司 | 一种车载安全驾驶系统 |
CN107516354A (zh) * | 2017-08-17 | 2017-12-26 | 南京多伦科技股份有限公司 | 基于规则脚本的驾驶员考试系统、辅助驾驶系统及方法 |
CN107885214A (zh) * | 2017-11-22 | 2018-04-06 | 济南浪潮高新科技投资发展有限公司 | 一种基于fpga的加速自动驾驶视觉感知的方法及装置 |
Non-Patent Citations (3)
Title |
---|
张慧 等: "深度学习在目标视觉检测中的应用进展与展望", 《自动化学报》 * |
李勇 等: ""深度学习技术教育应用: 现状和前景"", 《开放教育研究》 * |
熊昌镇 等: "图切技术和卷积网络的交通标志数据集构建方法", 《计算机应用》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10885777B2 (en) | Multiple exposure event determination | |
CN106919915B (zh) | 基于adas系统的地图道路标记及道路质量采集装置及方法 | |
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
US20220327406A1 (en) | Systems and methods for classifying driver behavior | |
CN101739829B (zh) | 一种基于视频的车辆超速监控方法及系统 | |
CN109711285B (zh) | 识别模型的训练、测试方法和装置 | |
CN107004347A (zh) | 驾驶判定装置和检测装置 | |
CN110866479A (zh) | 一种检测摩托车驾驶员未戴头盔的方法、装置及系统 | |
CN111126171A (zh) | 一种车辆逆行检测方法及系统 | |
CN103359020A (zh) | 一种机动车驾驶培训或考试监控方法和系统 | |
WO2021142944A1 (zh) | 车辆行为识别方法、装置 | |
CN110435672A (zh) | 一种基于场景预判安全驾驶辅助方法及其系统 | |
CN113055649A (zh) | 一种隧道智能视频监控方法、装置、智能终端及存储介质 | |
CN112149595A (zh) | 一种利用无人机检测车道线及车辆违规的方法 | |
CN106548627A (zh) | 一种基于车联网的rfid传感道路监控系统 | |
CN113562005A (zh) | 轨道列车司机行为智能监测和障碍物侵限智能侦测系统 | |
CN116128360A (zh) | 道路交通拥堵等级评估方法、装置、电子设备及存储介质 | |
Harkous et al. | Application of hidden Markov model on car sensors for detecting drunk drivers | |
CN111383248A (zh) | 一种行人闯红灯判断方法、装置和电子设备 | |
CN105118054B (zh) | 一种基于ccd单目测距的驾驶考试系统 | |
CN110070724A (zh) | 一种视频监控方法、装置、摄像机及图像信息监管系统 | |
CN108550301A (zh) | 一种基于深度学习的道路驾驶技能考试自动打分的方法和装置 | |
CN111241918B (zh) | 一种基于人脸识别的车用防跟踪方法及系统 | |
CN109101908B (zh) | 驾驶过程感兴趣区域检测方法及装置 | |
CN115416651A (zh) | 行车过程障碍物监控方法、装置和电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180918 |