CN110705502B - 一种驾驶员监控设备优化方法 - Google Patents
一种驾驶员监控设备优化方法 Download PDFInfo
- Publication number
- CN110705502B CN110705502B CN201910973567.XA CN201910973567A CN110705502B CN 110705502 B CN110705502 B CN 110705502B CN 201910973567 A CN201910973567 A CN 201910973567A CN 110705502 B CN110705502 B CN 110705502B
- Authority
- CN
- China
- Prior art keywords
- driver monitoring
- vehicle
- monitoring device
- data
- driver
- 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.)
- Active
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
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
- G07C5/0866—Registering performance data using electronic data carriers the electronic data carrier being a digital video recorder in combination with video camera
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开的驾驶员监控设备优化方法，涉及智能设备测试技术领域，通过在不同环境下得到的测试结果，根据测试结果对驾驶员监控设备进行优化，减少了驾驶员监控设备的误报率和漏报率，提高了驾驶员监控设备的识别精度。
Description
技术领域
本发明属于智能设备测试技术领域，具体涉及一种驾驶员监控设备优化方法。
背景技术
随着网约车驾驶安全越来越受到相关部门重视，目前大量网约车上已经开始安装智能监控设备，相比较原有的监控设备需要大量人力去抽查录像，实施成本很高而且效果不好。近几年来包含驾驶员注意监控系统的智能设备已经开始逐渐推广，对司机进行实时的驾驶注意力监测，该智能设备可以自动检测疲劳驾驶行为、不规范行为上报云端或者给司机，比如闭眼、打哈欠、抽烟、打电话等等，免去了大量人工成本的同时，极大的提高了驾驶安全。但该智能设备需要不断地进行才能保障行为识别准确，同时又不漏报事件、不误报事件，使之达到真正可用，需要通过完整的优化方案去保障。
目前的优化方案是让测试人员在车内作出不同行为事件，设备正确检测到行为做为正样本，设备检测到错误行为或者没有上报作为负样本，把这些数据不断训练后提高设备识别准确度，当准确的提升到一定比例后即测试通过。该优化方案存在以下缺陷：
测试场景单一，基本是基于算法的测试，仅在特定的场景下识别准确率高。但由于没有完全考真实情况下的影响因素，在复杂的场景下，存在漏报数据及误报数据的情况，导致智能设备识别精确度不高。
发明内容
针对现有技术存在的缺陷，本发明实施例提供了一种驾驶员监控设备优化方法，该系统包括：
将车辆的行驶状态数据与驾驶员的行为数据相关联并根据所述行驶状态数据及所述行为数据，对所述驾驶员的驾驶行为进行标识，生成第一训练数据；
利用所述第一训练数据，对所述驾驶员监控设备进行优化；
在无外界因素影响的车内环境下，按照一定的比例，对司机各个习惯性动作进行单独测试，将驾驶员监控设备错误及未识别出单个习惯性动作的次数及发生单个习惯动作的总次数，分别计算监控设备识别各个习惯动作的误报率及漏报率；
根据所述误报率及所述漏报率，确定是否对所述驾驶员监控设备进行优化；
获取车辆在不同的环境下驾驶员监控设备识别的数据，生成第二训练数据，其中，所述车辆包括不同品牌及型号的车辆；
利用所述第二训练数据，对所述驾驶员监控设备进行优化。
优选地，在利用所述第一训练数据，对所述驾驶员监控设备进行优化之前，所述方法还包括：
根据摄像头拍摄的各个角度的图像的清晰度，对摄像头进行测试，确定摄像头的性能是否满足要求；
若所述性能满足要求，则根据所述图像的来源及车辆的车型，确定所述摄像头在车辆中的安装位置。
优选地，获取车辆在不同的环境下驾驶员监控设备识别的数据，生成第二训练数据包括：
在不同光线强度下，获取车辆的驾驶员监控设备识别的数据。
优选地，获取车辆在不同的环境下驾驶员监控设备识别的数据，生成第二训练数据还包括：
在不同温度下，获取车辆的驾驶员监控设备识别的数据。
优选地，获取车辆在不同的环境下驾驶员监控设备识别的数据，生成第二训练数据包括：
在不同行驶方向下，获取车辆的驾驶员监控设备识别的数据。
优选地，获取车辆在不同的环境下驾驶员监控设备识别的数据，生成第二训练数据包括：
在不同行驶道路下，获取车辆的驾驶员监控设备识别的数据。
优选地，根据摄像头拍摄的各个角度的图像的清晰度，对摄像头进行测试包括：
利用摄像头拍摄不同相貌、身高及衣着的驾驶员的图像；
根据所述图像的清晰度，确定摄像头是否满足需求。
本发明实施例提供的驾驶员监控设备优化方法具有以下有益效果：
通过在不同环境下得到的测试结果，根据测试结果对驾驶员监控设备进行优化，减少了驾驶员监控设备的误报率和漏报率，提高了驾驶员监控设备的识别精度。
具体实施方式
以下结合具体实施例对本发明作具体的介绍。
本发明实施例提供的驾驶员监控设备优化方法包括以下步骤：
S101，将车辆的行驶状态数据与驾驶员的行为数据相关联并根据行驶状态数据及行为数据，对驾驶员的驾驶行为进行标识，生成第一训练数据。
作为一个具体的实施例，通过不同的面孔对准摄像头做各式各样的抽烟动作，然后将该图片标记为抽烟，算法通过数据训练将此图片定义为抽烟。
作为一个具体的实施例，针对驾驶员的不同行为做测试，行为发生在不同的行车速度下，对事件检测时间的长短进行线性了标定，确保事件发生时，驾驶员有足够的反应时间。
首先，定义驾驶行为，从疲劳驾驶的角度来定义闭眼，真正检测的是驾驶员是否疲劳驾驶，而人闭眼的情况有很多种，如正常眨眼、连续眨眼、闭一只眼、眯眼等都可能产生非疲劳驾驶的闭眼，前期需要模拟这些情况进行测试排除防止误报。
其次，结合车辆的行驶状态对疲劳驾驶进行标定，车辆在静止状态和低速状态下不需要进行疲劳驾驶预警，尤其是拥堵状态下不易产生疲劳，且发生事故危害性较小，经过测试汇总数据得出在拥堵状态最高能达到40km/h，所以闭眼预警运行的启动速度需要大于40km/h，然后每增加20km/h进行区间划分，结合当前速度区间的刹车距离进行标定，比如40-60km/h将闭眼持续时间设定为1.5s，因此当车速在 40-60km/h之间且司机闭眼状态持续时间在1.5s以上时启动预警，司机有足够反应时间进行制动操作，以此方法进行标定。当车辆速度越高时，闭眼持续时间越短，可以有效检测出疲劳驾驶行为，能够在事件发生时起到提醒作用。
其中，驾驶行为还包括低头、打哈欠、抽烟、打电话。
S102，利用第一训练数据，对驾驶员监控设备进行优化。
S103，在无外界因素影响的车内环境下，按照一定的比例，对司机各个习惯性动作进行单独测试，将驾驶员监控设备错误及未识别出单个习惯性动作的次数及发生单个习惯动作的总次数，分别计算监控设备识别各个习惯动作的误报率及漏报率。
作为一个具体的实施例，创建一个无外界因素影响的车内理想环境，对不同的触发事件动作进行单独测试，将司机习惯性的动作按照比例分配执行，计算准确率、错误率、漏报率。比如执行标准抽烟动作50次，其中左手抽烟15次、右手抽烟15次、叼烟20次，如果2次动作没有上报，就计算漏报率为2/50＝4％。若错报率大于5％或者部分常规动作完全无法识别，则证明驾驶员监控设备存在缺陷，需要继续优化。
S104，根据误报率及漏报率，确定是否对驾驶员监控设备进行优化。
S105，获取车辆在不同的环境下驾驶员监控设备识别的数据，生成第二训练数据，其中，该车辆包括不同品牌及型号的车辆。
S106，利用第二训练数据，对驾驶员监控设备进行优化。
可选地，在利用所述第一训练数据，对所述驾驶员监控设备进行优化之前，该方法还包括：
根据摄像头拍摄的各个角度的图像的清晰度，对摄像头进行测试，确定摄像头的性能是否满足要求；
若所述性能满足要求，则根据所述图像的来源及车辆的车型，确定所述摄像头在车辆中的安装位置。
其中，摄像头在不同光照、不同人脸下图像的清晰度会产生变化，通过整体测试确认摄像头的性能是否满足需求。由于摄像头需要在夜间运行图像识别行为。摄像头一般由镜头、红外灯、滤光片组成。
首先，对红外灯下的成像效果进行测试，调整红外灯位置和泡棉高度，避免图像产生光圈和边角的黑块；其次，调整车辆位置使阳光从不同方向射向车内镜头(比如阳光直射镜头，阳光从侧面射向镜头)，同时使人脸处于阳光下或者车内阴影中，看是否出现人脸过黑或过曝现象，然后根据图像效果是否可用来调整红外灯功率。车内摄像头安装位置有很多个(比如前挡风玻璃紧贴A柱、仪表盘上方、右前方中控台上等等)，需要根据训练数据来确定摄像头的安装位置，如果训练数据源都是从中控台位置采集而来，则安装相同位置区域效果最佳，以前挡风玻璃A柱区域为例，安装时紧贴A柱不断调整摄像头与司机人脸的水平位置，测试不同位置下，摄像头采集的图像的效果来确定最佳安装区域。
可选地，获取车辆在不同的环境下驾驶员监控设备识别的数据，生成第二训练数据包括：
在不同光线强度下，获取车辆的驾驶员监控设备识别的数据。
作为一个具体的实施例，车辆在实际道路行驶过程中并不存在真正的理想环境，随着行驶方向、行驶道路、道路周边、车内场景变化等等影响，可以逐步检测出算法训练缺失的场景。车辆在白天行驶过程中，由于光照方向不同对摄像头的成像以及人脸产生影响。当车辆逆光行驶时，司机由于看不清前方放下遮光板，有的摄像头位置在此情况下就被遮挡住了，有的摄像头位置未被遮挡，但却拍到人脸一半有阴影，如果没有此方面的数据训练，可能会产生大量误报或者找不到人脸。不同环境因素的引入测试，会不断挖掘出数据训练缺失的部分，使得识别准确率进一步提升。
针对不同的品牌及车型的车辆，同样的安装位置效果上会产生一定差别，对目标安装车辆车内环境的测试，有助于调整摄像头安装到最佳位置避免差异。需要真实的道路动态测试，早中午晚不同的道路情况，阳光照射到车内，车内光线变化很可能对识别产生影响。在车辆经过桥下、隧道、树林外都会对车内光线产生影响，镜头无法适应光线快速变化，很可能产生识别丢失或错误识别的情况。
可选地，获取车辆在不同的环境下驾驶员监控设备识别的数据，生成第二训练数据还包括：
在不同温度下，获取车辆的驾驶员监控设备识别的数据。
作为一个具体的实施例，夏天车内高温可能会导致驾驶员监控设备部分功能关闭、产生死机等情况，这里需要进行高低温测试，在高低温箱中持续运行算法。首先将各种类型报警图片导入到设备中，然后开启驾驶员监控设备将图片持续传入算法程序，进行不间断的计算。长时间的满负荷运算可以检测出设备的耐受能力，如果出现异常情况则需要优化算法的消耗以及驾驶员监控设备的散热性能，最终保障驾驶员监控设备在不同温度下正常运行。
可选地，获取车辆在不同的环境下驾驶员监控设备识别的数据，生成第二训练数据包括：
在不同行驶方向下，获取车辆的驾驶员监控设备识别的数据。
可选地，获取车辆在不同的环境下驾驶员监控设备识别的数据，生成第二训练数据包括：
在不同行驶道路下，获取车辆的驾驶员监控设备识别的数据。
可选地，根据摄像头拍摄的各个角度的图像的清晰度，对摄像头进行测试包括：
利用摄像头拍摄不同相貌、身高及衣着的驾驶员的图像；
根据所述图像的清晰度，确定摄像头是否满足需求。
本发明实施例提供的驾驶员监控设备优化方法，通过在不同环境下得到的测试结果，根据测试结果对驾驶员监控设备进行优化，减少了驾驶员监控设备的误报率和漏报率，提高了驾驶员监控设备的识别精度。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法及装置中的相关特征可以相互参考。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM) 或闪存(flash RAM)，存储器包括至少一个存储芯片。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存 (flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
需要说明的是，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (7)
1.一种驾驶员监控设备优化方法，其特征在于，包括：
将车辆的行驶状态数据与驾驶员的行为数据相关联并根据所述行驶状态数据及所述行为数据，对所述驾驶员的驾驶行为进行标识，生成第一训练数据；
根据摄像头拍摄的各个角度的图像的清晰度，对摄像头进行测试，确定摄像头的性能是否满足要求；
若所述性能满足要求，则根据所述图像的来源及车辆的车型，确定所述摄像头在车辆中的安装位置；
利用所述第一训练数据，对所述驾驶员监控设备进行优化；
在无外界因素影响的车内环境下，按照一定的比例，对司机各个习惯性动作进行单独测试，将驾驶员监控设备错误及未识别出单个习惯性动作的次数及发生单个习惯动作的总次数，分别计算监控设备识别各个习惯动作的误报率及漏报率；
根据所述误报率及所述漏报率，确定是否对所述驾驶员监控设备进行优化；
获取车辆在不同的环境下驾驶员监控设备识别的数据，生成第二训练数据，其中，所述车辆包括不同品牌及型号的车辆；
利用所述第二训练数据，对所述驾驶员监控设备进行优化。
2.根据权利要求1所述的驾驶员监控设备优化方法，其特征在于，获取车辆在不同的环境下驾驶员监控设备识别的数据，生成第二训练数据包括：
在不同光线强度下，获取车辆的驾驶员监控设备识别的数据。
3.根据权利要求1所述的驾驶员监控设备优化方法，其特征在于，获取车辆在不同的环境下驾驶员监控设备识别的数据，生成第二训练数据还包括：
在不同温度下，获取车辆的驾驶员监控设备识别的数据。
4.根据权利要求1所述的驾驶员监控设备优化方法，其特征在于，获取车辆在不同的环境下驾驶员监控设备识别的数据，生成第二训练数据包括：
在不同行驶方向下，获取车辆的驾驶员监控设备识别的数据。
5.根据权利要求1所述的驾驶员监控设备优化方法，其特征在于，获取车辆在不同的环境下驾驶员监控设备识别的数据，生成第二训练数据包括：
在不同行驶道路下，获取车辆的驾驶员监控设备识别的数据。
6.根据权利要求1所述的驾驶员监控设备优化方法，其特征在于，根据摄像头拍摄的各个角度的图像的清晰度，对摄像头进行测试包括：
利用摄像头拍摄不同相貌、身高及衣着的驾驶员的图像；
根据所述图像的清晰度，确定摄像头是否满足需求。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任意一项所述的驾驶员监控设备优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910973567.XA CN110705502B (zh) | 2019-10-14 | 2019-10-14 | 一种驾驶员监控设备优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910973567.XA CN110705502B (zh) | 2019-10-14 | 2019-10-14 | 一种驾驶员监控设备优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110705502A CN110705502A (zh) | 2020-01-17 |
| CN110705502B true CN110705502B (zh) | 2023-07-28 |
Family
ID=69199390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910973567.XA Active CN110705502B (zh) | 2019-10-14 | 2019-10-14 | 一种驾驶员监控设备优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110705502B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI805925B (zh) * | 2020-06-05 | 2023-06-21 | 財團法人車輛研究測試中心 | 駕駛者狀態監控器測試方法及其測試系統 |
| CN112669583B (zh) * | 2020-12-31 | 2022-11-04 | 上海商汤临港智能科技有限公司 | 报警阈值调整方法及装置、电子设备和存储介质 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101722852A (zh) * | 2008-10-28 | 2010-06-09 | 深圳富泰宏精密工业有限公司 | 行车安全监控装置及方法 |
| CN102263937B (zh) * | 2011-07-26 | 2013-07-24 | 华南理工大学 | 基于视频检测的驾驶员驾驶行为监控装置及监控方法 |
| US9351019B2 (en) * | 2012-12-27 | 2016-05-24 | Automotive Research & Testing Center | System for detecting vehicle driving state |
| DE102015008150A1 (de) * | 2015-06-24 | 2016-12-29 | Audi Ag | Verfahren zum Betrieb eines Fahrerassistenzsystems eines Kraftfahrzeugs und Kraftfahrzeug |
| FR3051757B1 (fr) * | 2016-05-25 | 2020-05-01 | Valeo Comfort And Driving Assistance | Dispositif de suivi des habitudes de conduite d'un conducteur d'un vehicule de transport et procede correspondant |
| KR20180104235A (ko) * | 2017-03-10 | 2018-09-20 | 만도헬라일렉트로닉스(주) | 운전자 상태 모니터링 방법 및 장치 |
| EP3456599A1 (en) * | 2017-09-18 | 2019-03-20 | The Hi-Tech Robotic Systemz Ltd | Monitoring drivers and external environment for vehicles |
| CN107742399B (zh) * | 2017-11-16 | 2022-02-22 | 百度在线网络技术（北京）有限公司 | 用于发出告警信号的方法及装置 |
-
2019
- 2019-10-14 CN CN201910973567.XA patent/CN110705502B/zh active Active
Non-Patent Citations (4)
| Title |
|---|
| A review on driver drowsiness based on image, bio-signal,and driver behavior;Bagus G.Pratama等;《2017 3rd international conference on science and technology-computer(ICST))》;全文 * |
| 基于复杂驾驶环境下面部特征识别技术的防疲劳驾驶系统;詹红梅;《电子测试》(17);全文 * |
| 智能汽车环境感知算法测试评价系统开发;隗寒冰等;《中国机械工程》(19);全文 * |
| 驾驶员疲劳状态监测系统综述;于立娇等;《汽车文摘》(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110705502A (zh) | 2020-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705502B (zh) | 一种驾驶员监控设备优化方法 | |
| CN111191697B (zh) | 基于传感器融合的adas道路测试验证优化方法和装置 | |
| US10121083B2 (en) | Vehicle exterior environment recognition apparatus | |
| CN109559519A (zh) | 监控设备及其违章停车检测方法、装置、可读存储介质 | |
| CN107005680B (zh) | 一种感兴趣区域切换方法及装置 | |
| TW202011253A (zh) | 車輛的零件檢測方法、裝置及設備 | |
| US20220277486A1 (en) | Testing and validation of a camera under electromagnetic interference | |
| CN111915852B (zh) | 一种车辆剐蹭报警系统、方法、设备及介质 | |
| WO2019165614A1 (zh) | 一种车辆周边环境分析方法、装置及车载设备 | |
| CN103377537A (zh) | 上空坠物预警系统及方法 | |
| US11303817B2 (en) | Active sensor, object identification system, vehicle and vehicle lamp | |
| CN104442399B (zh) | 一种车辆部件显示方法及装置 | |
| US20130039576A1 (en) | Method and device for analyzing an image of an image recording device for a vehicle | |
| CN116580551A (zh) | 车辆驾驶行为评估方法、装置、设备及存储介质 | |
| CN117490710A (zh) | 针对目标融合的调参方法、装置及目标融合系统 | |
| CN111756987B (zh) | 一种车载摄像头的控制方法、装置及车载图像捕捉系统 | |
| TWI505706B (zh) | 應用近紅外線與遠紅外線之物體偵測方法、裝置以及其電腦可讀取記錄媒體 | |
| WO2023170912A1 (ja) | 情報処理装置、生成方法、情報処理方法、及びコンピュータ可読媒体 | |
| CN116310665B (zh) | 一种图像环境分析方法、设备及介质 | |
| CN118486172B (zh) | 一种针对隧道内车辆行为监测与预警的方法、设备及介质 | |
| US11166003B1 (en) | Dynamic vibration sensor optics distortion prediction | |
| JP7270866B2 (ja) | 逆光判定装置、逆光判定方法、及び逆光判定プログラム | |
| CN107465883A (zh) | 一种具有强光抑制功能的车载摄像头 | |
| US20240199017A1 (en) | Method for controlling vehicles, electronic device, and storage medium | |
| Ma et al. | Lens Flare-Aware Detector in Autonomous Driving. |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |