CN110103822A - 一种驾驶行为习惯智能检测及安全驾驶评分的装置和方法 - Google Patents
一种驾驶行为习惯智能检测及安全驾驶评分的装置和方法 Download PDFInfo
- Publication number
- CN110103822A CN110103822A CN201910418062.7A CN201910418062A CN110103822A CN 110103822 A CN110103822 A CN 110103822A CN 201910418062 A CN201910418062 A CN 201910418062A CN 110103822 A CN110103822 A CN 110103822A
- Authority
- CN
- China
- Prior art keywords
- module
- driving
- vehicle
- camera
- image information
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
- B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种驾驶行为习惯智能检测及安全驾驶评分的装置,包括:车内摄像头,用于实时采集驾驶员位置的图像信息;人脸识别模块,用于识别并处理车内摄像头采集的图像信息;疲劳驾驶行为检测模块,用于接收并检测分析人脸识别模块识别处理后的图像信息;车外摄像头,ADAS检测模块;核心处理模块,用于用户行为建模和驾驶风险评估,大数据分析模块;其中,人脸识别模块与疲劳驾驶行为检测模块连接,车外摄像头与ADAS检测模块连接;核心处理模块分别与疲劳驾驶行为检测模块、ADAS检测模块和大数据分析模块连接。发明技术方案旨在对用户的驾驶行为进行及时检测并提醒和反馈,减少自身驾驶事故的发生,提高驾驶安全。
Description
技术领域
本发明涉及汽车安全驾驶技术领域,特别涉及一种驾驶行为习惯智能检测及安全驾驶评分的装置和方法。
背景技术
随着汽车的日益普及,开车已成为最重要的出行手段,我国的汽车保有量(包括小汽车和货车)约为3.9亿辆,且每年都在以2000万辆递增,随着汽车的普及,交通事故率也正逐年增加,据权威数据统计,每年交通事故率在每万辆2.23次左右,交通事故导致死亡率在约3万5千人。据权威调查发现,80%的交通事故都是由于开车不规范引起,而这些不规范行车是由于驾驶员的驾驶习惯引起的,比如驾驶过程中注意力不集中、驾驶习惯不规范、驾驶时不遵守交通规则等等。这些不规范行为往往造成较严重的生命、财产损失。
因此,亟需提高汽车安全驾驶。
发明内容
本发明的主要目的是提出一种驾驶行为习惯智能检测及安全驾驶评分的装置和方法,旨在对用户的驾驶行为进行及时检测并提醒和反馈,通过大数据和智能算法分析计算让用户纠正和规范自己的驾驶行为,减少自身驾驶事故的发生,提高驾驶安全。
为实现上述目的,本发明提出的一种驾驶行为习惯智能检测及安全驾驶评分的装置,包括:车内摄像头,用于实时采集驾驶员位置的图像信息;
人脸识别模块,用于识别并处理所述车内摄像头采集的图像信息;
疲劳驾驶行为检测模块,用于接收并检测分析所述人脸识别模块识别处理后的图像信息;
车外摄像头,用于采集车前方的图像信息,
ADAS检测模块,用于接收并检测所述车外摄像头采集到的图像信息;
核心处理模块,用于用户行为建模和驾驶风险评估;
大数据分析模块,用于和云服务器连接,并将从所述云服务器获取的大数据信息反馈给所述核心处理模块;
其中,所述人脸识别模块与疲劳驾驶行为检测模块连接,所述车外摄像头与所述ADAS检测模块连接;所述所述核心处理模块分别与所述疲劳驾驶行为检测模块、所述ADAS检测模块和所述大数据分析模块连接。
优选地,所述车外摄像头为防抖动摄像头,且所述车外摄像头的角度可自动调节±3°。
优选地,所述ADAS检测模块预先导入车辆数据,所述ADAS检测模块还与车载OBD、GPS和G-sensor通讯连接。
优选地,还包括音频输出模块,所述音频输出模块与所述核心处理模块连接,用于播放危险驾驶语音提醒播放。
还提出了一种驾驶行为习惯智能检测及安全驾驶评分的方法,其步骤如下:
S1,所述车内摄像头采集驾驶位图像信息并传送给所述人脸识别模块,所述车外摄像头采集车前方的图像信息并传送给所述ADAS检测模块;
S2,所述人脸识别模块将识别处理后的图像信息传送给所述疲劳驾驶检测模块检测,所述ADAS检测模块对所述车外摄像头采集的图像信息进行检测;
S3,所述疲劳驾驶检测模块和所述ADAS检测模块均将检测结果传送给所述核心处理模块;
S4,所述核心处理模块结合所述大数据模块反馈的大数据信息、所述 ADAS检测模块的检测信息和所述疲劳驾驶模的检测结果进行分析处理,并对用户行为建模和驾驶风险评估。
优选地,所述疲劳驾驶检测模块通过深度神经网络识别算法及边沿检测算法进行检测识别。
与现有技术相比,本发明的有益效果是:
1.实时对用户的驾驶行为习惯进行及时提醒和反馈,通过大数据和智能算法分析计算让用户纠正和规范自己的驾驶行为,减少自身驾驶事故的发生,提高驾驶安全。
2.可作为相关行业的驾驶征信,比如驾校教练、运营车队驾驶员、特种车辆驾驶员等,另外保险机构亦可根据系统完善的个人驾驶行为库及客观智能的驾驶行为画像(驾驶评分、驾驶风险系数)作为车险评估的参考,降低保险行业的理赔率;
3.对于政府及社会机构,也可以利用本发明的驾驶评分系统作为交通知识定向培训对象,能较有针对性的进行交通普法,降低交通事故的发生率。
附图说明
为了更清楚地说明发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是发明的一些实施例,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示出的结构获得其他的附图。
图1为发明装置的模块示意图;
图2为发明装置的电路示意图;
图3为GBDT(全梯度下降树)机器学习算法示意图;
图4为GBDT(全梯度下降树)机器学习算法的训练过程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
本发明实施例提出的一种驾驶行为习惯智能检测及安全驾驶评分的装置,如图1所示,包括:车内摄像头,用于实时采集驾驶员位置的图像信息;
人脸识别模块,用于识别并处理车内摄像头采集的图像信息;
疲劳驾驶行为检测模块,用于接收并检测分析人脸识别模块识别处理后的图像信息;
车外摄像头,用于采集车前方的图像信息,
ADAS检测模块,用于接收并检测车外摄像头采集到的图像信息;
核心处理模块,用于用户行为建模和驾驶风险评估;
大数据分析模块,用于和云服务器连接,并将从云服务器获取的大数据信息反馈给核心处理模块;
其中,人脸识别模块与疲劳驾驶行为检测模块连接,车外摄像头与ADAS 检测模块连接;核心处理模块分别与疲劳驾驶行为检测模块、ADAS检测模块和大数据分析模块连接。
在本发明实施例中,车外摄像头为防抖动摄像头,且车外摄像头的角度可自动调节±3°。
在本发明实施例中,ADAS检测模块预先导入车辆数据,ADAS检测模块还与车载OBD、GPS和G-sensor通讯连接。
在本发明实施例中,还包括音频输出模块,音频输出模块与核心处理模块连接,用于播放危险驾驶语音提醒播放。
还提出了一种驾驶行为习惯智能检测及安全驾驶评分的方法,其步骤如下:
S1,车内摄像头采集驾驶位图像信息并传送给人脸识别模块,车外摄像头采集车前方的图像信息并传送给ADAS检测模块;
S2,人脸识别模块将识别处理后的图像信息传送给疲劳驾驶检测模块检测,ADAS检测模块对车外摄像头采集的图像信息进行检测;
S3,疲劳驾驶检测模块和ADAS检测模块均将检测结果传送给核心处理模块;
S4,核心处理模块结合大数据模块反馈的大数据信息、ADAS检测模块的检测信息和疲劳驾驶模的检测结果进行分析处理,并对用户行为建模和驾驶风险评估。
优选地,疲劳驾驶检测模块通过深度神经网络识别算法及边沿检测算法进行检测识别。
具体的,本发明装置通过车内摄像头实时采集车内驾驶员位置的图像信息,通过对图像进行滤波、去燥、增强等预处理,去除白噪声、逆光等对图像质量的影响,将预处理后得到的信噪比较好的图像送入人脸识别模块,在识别到人脸后开启疲劳驾驶行为检测模块检测异常驾驶行为,如未识别到人脸后继续采集图像进行人脸捕捉。检测到人脸打开疲劳驾驶行为检测模块,通过深度神经网络识别算法及边沿检测算法识别和提取人脸眉、眼皮、鼻子、嘴巴(上、下嘴皮)、下巴等轮廓线,综合物体特征检测来识别检测疲劳预警 (瞌睡闭眼)、注意力预警(左顾右盼)、接打电话、抽烟提醒预警。
同时,通过车外摄像头采集车外图像,需要调整摄像头角度,需将摄像头的U轴上的尺度因子、V轴上的尺度因子、U轴上的主点坐标、V轴上的主点坐标、径向畸变系数及切向畸变系数,将ADAS摄像头校准到合适的位置,调整好摄像头位置后为防止摄像头抖动,增加内部自校正,调整摄像头内部数据,使其在±3°范围内能自动调整。校准完后进行ADAS各检测模块的配置,预置车辆数据,如车宽、轴距、后车位置、摄像头水平位置、高度等。配置成功后,可通过OBD、GPS、G-sensor等进行位置速度计算,开启ADAS 检测模块,用于识别车道线、车辆(客车、货车、半挂车)检测等综合识别前车碰撞(FCW)、车距保持(HMW)、车道线偏离(LDW)、前车起步(FSVA) 等。
如图3所示,核心处理模块对进行用户行为建模、驾驶风险评估:本发明技术可以统计主动驾驶安全、被动驾驶安全、驾驶行为习惯、驾驶统计信息等提醒,通过大数据分析驾驶员的不良驾驶行为习惯,在驾驶过程中在识别到相关行为前做出预警,提醒用户规范驾驶,避免不良驾驶习惯导致车祸发生。具体用户行为模型预测为通过大量样本跟踪,将检测到的用户不良行为习惯、驾驶评分进行年度整理,将这些数据分为实验组和对照组,利用GBDT (全梯度下降树)机器学习算法,该算法对于分类的各因素进行回归拟合,能很好的筛选用户画像特征。
如图4所示,GBDT的核心是通过多轮迭代,每轮迭代都将上述主被动驾驶安全及驾驶行为习惯送入迭代弱分类器,在每个弱分类器上进行上轮残差基础上进行训练,本发明弱分类器采用分类回归树(CART TREE),最终总分类器是将每轮训练得到的弱分类器加权求和得到,本发明是根据主被动驾驶安全及驾驶行为习惯进行综合驾驶行为风险画像,通过模型建立进行加权 (加法模型)。
模型最终描述为:
模型总共训练N轮,每轮产生一个弱分类器,弱分类器的损失函数为:Fm-1(x)为当前模型,GBDT通过极小的风险来确定下个弱分类器的参数,我们可以选择是以平方损失函数还是 0-1损失,对数损失等等,这样我们就能尽可能快的沿梯度方向减小,提升树算法中的残差近似值来拟合一个回归树。GBDT算法的核心就是先遍历每个特征点,然后对每个特征遍历所有的可能切分点,找到最优特征m和最优切分点j。由此类推经过N次迭代和自主学习后得到最终预测函数:
y1,y2...yn为权重, I(χεRi)
为影响因素。
由此即可得到我们在驾驶时检测到的某种驾驶行为发生交通事故的概率为:
由此可以评估用户的驾驶行为习惯及驾驶风险。
驾驶结束后通过对本次驾驶检测到的主被动驾驶安全提醒及不良驾驶习惯进行驾驶评分,评估该次驾驶的是否规范同时给出风险系数。
则根据大数据拟合得到驾驶评分公式为:
其中F为当天的驾驶评分,F0为常量,α、β、χ、δ、ε、φ为各影响因子的影响系数。
本发明要解决的是利用深度神经网络图像学习算法,结合驾驶行为特征检测算法综合识别驾驶员的主被动驾驶安全,如疲劳驾驶(疲劳预警(瞌睡闭眼)、注意力预警(左顾右盼)、接打电话、抽烟提醒),驾驶辅助(前车碰撞(FCW)、车距保持(HMW)、车道线偏离(LDW)、前车起步(FSVA)),驾驶不良习惯(急加速、急刹车、急转方向、频繁变道等)。通过对这些行为的检测,利用大数据及人工智能算法对用户的驾驶进行评分,另外对用户的驾驶行为进行画像,分析评估该用户的驾驶风险。
本发明的有益效果有:
1.实时对用户的驾驶行为习惯进行及时提醒和反馈,通过大数据和智能算法分析计算让用户纠正和规范自己的驾驶行为,减少自身驾驶事故的发生,提高驾驶安全。
2.可作为相关行业的驾驶征信,比如驾校教练、运营车队驾驶员、特种车辆驾驶员等,
另外保险机构亦可根据系统完善的个人驾驶行为库及客观智能的驾驶行为画像(驾驶评分、驾驶风险系数)作为车险评估的参考,降低保险行业的理赔率;
3.对于政府及社会机构,也可以利用本发明的驾驶评分系统作为交通知识定向培训对象,能较有针对性的进行交通普法,降低交通事故的发生率。
以上仅为发明的优选实施例,并非因此限制发明的专利范围,凡是利用发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在发明的专利保护范围内。
Claims (6)
1.一种驾驶行为习惯智能检测及安全驾驶评分的装置,其特征在于,包括:车内摄像头,用于实时采集驾驶员位置的图像信息;
人脸识别模块,用于识别并处理所述车内摄像头采集的图像信息;
疲劳驾驶行为检测模块,用于接收并检测分析所述人脸识别模块识别处理后的图像信息;
车外摄像头,用于采集车前方的图像信息,
ADAS检测模块,用于接收并检测所述车外摄像头采集到的图像信息;
核心处理模块,用于用户行为建模和驾驶风险评估;
大数据分析模块,用于和云服务器连接,并将从所述云服务器获取的大数据信息反馈给所述核心处理模块;
其中,所述人脸识别模块与疲劳驾驶行为检测模块连接,所述车外摄像头与所述ADAS检测模块连接;所述所述核心处理模块分别与所述疲劳驾驶行为检测模块、所述ADAS检测模块和所述大数据分析模块连接。
2.如权利要求1所述的驾驶行为习惯智能检测及安全驾驶评分的装置,其特征在于,所述车外摄像头为防抖动摄像头,且所述车外摄像头的角度可自动调节±3°。
3.如权利要求1所述的驾驶行为习惯智能检测及安全驾驶评分的装置,其特征在于,所述ADAS检测模块预先导入车辆数据,所述ADAS检测模块还与车载OBD、GPS和G-sensor通讯连接。
4.如权利要求1所述的驾驶行为习惯智能检测及安全驾驶评分的装置,其特征在于,还包括音频输出模块,所述音频输出模块与所述核心处理模块连接,用于播放危险驾驶语音提醒播放。
5.一种驾驶行为习惯智能检测及安全驾驶评分的方法,其特征在于,基于如权利要求1至3所述的驾驶行为习惯智能检测及安全驾驶评分的装置,其步骤如下:
S1,所述车内摄像头采集驾驶位图像信息并传送给所述人脸识别模块,所述车外摄像头采集车前方的图像信息并传送给所述ADAS检测模块;
S2,所述人脸识别模块将识别处理后的图像信息传送给所述疲劳驾驶检测模块检测,所述ADAS检测模块对所述车外摄像头采集的图像信息进行检测;
S3,所述疲劳驾驶检测模块和所述ADAS检测模块均将检测结果传送给所述核心处理模块;
S4,所述核心处理模块结合所述大数据模块反馈的大数据信息、所述ADAS检测模块的检测信息和所述疲劳驾驶模的检测结果进行分析处理,并对用户行为建模和驾驶风险评估。
6.如权利要求5所述的驾驶行为习惯智能检测及安全驾驶评分的方法,其特征在于,所述疲劳驾驶检测模块通过深度神经网络识别算法及边沿检测算法进行检测识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910418062.7A CN110103822A (zh) | 2019-05-17 | 2019-05-17 | 一种驾驶行为习惯智能检测及安全驾驶评分的装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910418062.7A CN110103822A (zh) | 2019-05-17 | 2019-05-17 | 一种驾驶行为习惯智能检测及安全驾驶评分的装置和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110103822A true CN110103822A (zh) | 2019-08-09 |
Family
ID=67491020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910418062.7A Pending CN110103822A (zh) | 2019-05-17 | 2019-05-17 | 一种驾驶行为习惯智能检测及安全驾驶评分的装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110103822A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110588512A (zh) * | 2019-09-25 | 2019-12-20 | 武汉极目智能技术有限公司 | 一种危险驾驶识别与预警装置、方法及系统 |
CN111126232A (zh) * | 2019-12-18 | 2020-05-08 | 紫光云(南京)数字技术有限公司 | 一种基于深度学习的不良驾驶行为检测系统 |
CN111209797A (zh) * | 2019-12-19 | 2020-05-29 | 广州航天海特系统工程有限公司 | 一种驾驶行为监控的方法、装置、设备和存储介质 |
CN111210620A (zh) * | 2019-12-19 | 2020-05-29 | 广州航天海特系统工程有限公司 | 一种驾驶员画像的生成方法、装置、设备及存储介质 |
CN113255833A (zh) * | 2021-06-24 | 2021-08-13 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、设备及存储介质 |
CN113479211A (zh) * | 2021-07-27 | 2021-10-08 | 广东机电职业技术学院 | 基于机器视觉的汽车驾驶安全行为识别和提醒方法及系统 |
CN114419880A (zh) * | 2021-12-28 | 2022-04-29 | 深圳市航天无线通信技术有限公司 | 一种基于人车和环境的驾驶行为分析方法及系统 |
CN115358576A (zh) * | 2022-08-18 | 2022-11-18 | 武汉奥恒翱贸易有限公司 | 一种基于gps定位的车辆调派智能服务平台 |
WO2024087204A1 (zh) * | 2022-10-28 | 2024-05-02 | 深圳市锐明技术股份有限公司 | 设备端的驾驶风险行为干预方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205059422U (zh) * | 2015-09-14 | 2016-03-02 | 广州微牌智能科技有限公司 | 一种驾驶辅助平台装置 |
CN105743902A (zh) * | 2016-03-08 | 2016-07-06 | 江苏大学 | 一种面向智能互联的多cpu硬隔离的辅助驾驶车载网关 |
CN106651602A (zh) * | 2016-12-28 | 2017-05-10 | 清华大学苏州汽车研究院(吴江) | 一种基于adas智能车载终端的车险管理服务系统 |
CN206171365U (zh) * | 2016-11-11 | 2017-05-17 | 圣码智能科技(深圳)有限公司 | 多功能的adas设备 |
US20170262770A1 (en) * | 2016-03-11 | 2017-09-14 | Uber Technologies, Inc. | Cascaded boosted predictive models |
CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
CN107738642A (zh) * | 2017-11-15 | 2018-02-27 | 长春理工大学 | 一种基于折反全景相机的驾驶辅助系统 |
CN108492053A (zh) * | 2018-04-11 | 2018-09-04 | 北京汽车研究总院有限公司 | 驾驶员风险评估模型训练、风险评估方法和装置 |
CN208344074U (zh) * | 2018-04-27 | 2019-01-08 | 南京行车宝智能科技有限公司 | 一种基于机器视觉的汽车综合辅助驾驶系统 |
CN109284698A (zh) * | 2018-09-03 | 2019-01-29 | 深圳市尼欧科技有限公司 | 一种基于图像识别技术的疲劳驾驶行为检测方法 |
-
2019
- 2019-05-17 CN CN201910418062.7A patent/CN110103822A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205059422U (zh) * | 2015-09-14 | 2016-03-02 | 广州微牌智能科技有限公司 | 一种驾驶辅助平台装置 |
CN105743902A (zh) * | 2016-03-08 | 2016-07-06 | 江苏大学 | 一种面向智能互联的多cpu硬隔离的辅助驾驶车载网关 |
US20170262770A1 (en) * | 2016-03-11 | 2017-09-14 | Uber Technologies, Inc. | Cascaded boosted predictive models |
CN206171365U (zh) * | 2016-11-11 | 2017-05-17 | 圣码智能科技(深圳)有限公司 | 多功能的adas设备 |
CN106651602A (zh) * | 2016-12-28 | 2017-05-10 | 清华大学苏州汽车研究院(吴江) | 一种基于adas智能车载终端的车险管理服务系统 |
CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
CN107738642A (zh) * | 2017-11-15 | 2018-02-27 | 长春理工大学 | 一种基于折反全景相机的驾驶辅助系统 |
CN108492053A (zh) * | 2018-04-11 | 2018-09-04 | 北京汽车研究总院有限公司 | 驾驶员风险评估模型训练、风险评估方法和装置 |
CN208344074U (zh) * | 2018-04-27 | 2019-01-08 | 南京行车宝智能科技有限公司 | 一种基于机器视觉的汽车综合辅助驾驶系统 |
CN109284698A (zh) * | 2018-09-03 | 2019-01-29 | 深圳市尼欧科技有限公司 | 一种基于图像识别技术的疲劳驾驶行为检测方法 |
Non-Patent Citations (4)
Title |
---|
姚占虎等: "《水下隧道盾构检测与维修技术》", 31 January 2019, 上海科学技术出版社 * |
张潇等: "GBDT组合模型在股票预测中的应用", 《海南师范大学学报(自然科学版)》 * |
杨露菁等: "《智能图像处理及应用》", 31 March 2019, 中国铁道出版社 * |
青岛英谷教育科技股份有限公司德州学院: "《车载终端应用开发技术》", 28 February 2018, 西安电子科技大学出版社 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110588512A (zh) * | 2019-09-25 | 2019-12-20 | 武汉极目智能技术有限公司 | 一种危险驾驶识别与预警装置、方法及系统 |
CN111126232A (zh) * | 2019-12-18 | 2020-05-08 | 紫光云(南京)数字技术有限公司 | 一种基于深度学习的不良驾驶行为检测系统 |
CN111209797A (zh) * | 2019-12-19 | 2020-05-29 | 广州航天海特系统工程有限公司 | 一种驾驶行为监控的方法、装置、设备和存储介质 |
CN111210620A (zh) * | 2019-12-19 | 2020-05-29 | 广州航天海特系统工程有限公司 | 一种驾驶员画像的生成方法、装置、设备及存储介质 |
CN113255833A (zh) * | 2021-06-24 | 2021-08-13 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、设备及存储介质 |
WO2022267456A1 (zh) * | 2021-06-24 | 2022-12-29 | 平安科技(深圳)有限公司 | 车辆定损方法、装置、设备及存储介质 |
CN113479211A (zh) * | 2021-07-27 | 2021-10-08 | 广东机电职业技术学院 | 基于机器视觉的汽车驾驶安全行为识别和提醒方法及系统 |
CN113479211B (zh) * | 2021-07-27 | 2022-03-18 | 广东机电职业技术学院 | 基于机器视觉的汽车驾驶安全行为识别和提醒方法及系统 |
CN114419880A (zh) * | 2021-12-28 | 2022-04-29 | 深圳市航天无线通信技术有限公司 | 一种基于人车和环境的驾驶行为分析方法及系统 |
CN115358576A (zh) * | 2022-08-18 | 2022-11-18 | 武汉奥恒翱贸易有限公司 | 一种基于gps定位的车辆调派智能服务平台 |
WO2024087204A1 (zh) * | 2022-10-28 | 2024-05-02 | 深圳市锐明技术股份有限公司 | 设备端的驾驶风险行为干预方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110103822A (zh) | 一种驾驶行为习惯智能检测及安全驾驶评分的装置和方法 | |
CN103956028B (zh) | 一种汽车多元驾驶安全防护方法 | |
CN110119676A (zh) | 一种基于神经网络的驾驶员疲劳检测方法 | |
CN107092881B (zh) | 一种驾驶人员更换系统及方法 | |
CN108960065A (zh) | 一种基于视觉的驾驶行为检测方法 | |
CN103714660B (zh) | 基于图像处理融合心率特征与表情特征实现疲劳驾驶判别的系统 | |
CN106956591A (zh) | 一种用于判断驾驶人员驾驶权限的系统 | |
CN108791299A (zh) | 一种基于视觉的驾驶疲劳检测及预警系统及方法 | |
CN105956548A (zh) | 驾驶员疲劳状况检测方法和装置 | |
CN202142160U (zh) | 一种疲劳驾驶预警系统 | |
CN110143202A (zh) | 一种危险驾驶识别与预警方法及系统 | |
CN109345770A (zh) | 一种孩童遗留车内报警系统及孩童遗留车内报警方法 | |
CN111753674A (zh) | 一种基于深度学习的疲劳驾驶的检测识别方法 | |
CN108268887B (zh) | 基于虚拟驾驶与eeg检测的驾驶人安全意识评估方法 | |
CN108926352B (zh) | 一种驾驶疲劳检测方法及系统 | |
CN109987102A (zh) | 一种基于卷积神经网络的高精度自动识别驾驶员不安全行为的方法与装置 | |
CN110472511A (zh) | 一种基于计算机视觉的驾驶员状态监测装置 | |
CN108446645A (zh) | 基于深度学习的车载人脸识别方法 | |
CN114092922A (zh) | 一种基于特异性的驾驶员情绪识别及行为干预方法 | |
CN103700220A (zh) | 一种疲劳驾驶监控装置 | |
CN112370037B (zh) | 一种基于情绪识别的安全驾驶方法及系统 | |
CN108256307A (zh) | 一种智能商务旅居房车的混合增强智能认知方法 | |
CN110264670A (zh) | 基于客运车辆司机疲劳驾驶状态分析装置 | |
CN110379443A (zh) | 声音识别装置和声音识别方法 | |
CN106295474A (zh) | 船舶驾驶员的疲劳检测方法、系统和服务器 |
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: 20190809 |