CN111310583B - 一种基于改进的长短期记忆网络的车辆异常行为识别方法 - Google Patents
一种基于改进的长短期记忆网络的车辆异常行为识别方法 Download PDFInfo
- Publication number
- CN111310583B CN111310583B CN202010060420.4A CN202010060420A CN111310583B CN 111310583 B CN111310583 B CN 111310583B CN 202010060420 A CN202010060420 A CN 202010060420A CN 111310583 B CN111310583 B CN 111310583B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- abnormal
- data
- abnormal behavior
- lstm
- 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
Images
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于改进的长短期记忆网络的车辆异常行为识别方法,属于智能监控技术领域。该方法包括:S1:对采集的交通场景视频数据进行预处理,并以此进行模型训练,获取车辆检测模型;S2:利用车辆检测模型对视频数据进行车辆检测,确定每个目标车辆的信息,实时获取目标车辆的运动轨迹;S3:对获取的目标车辆运动轨迹进行预处理,并进行人工标注;S4:构建基于改进的LSTM网络的异常行为识别模型,对得到的目标车辆运动轨迹进行分类,识别出多种异常行为。本发明解决交通管理者需人工处理大量视频源的问题,针对交通道路监控环境中的多种车辆异常行为,能够准确高效地自动识别和报警,减少人力成本。
Description
技术领域
本发明属于智能监控技术领域,涉及一种基于改进的长短期记忆网络的车辆异常行为识别方法。
背景技术
随着社会经济的高速发展,当今汽车的保有量呈现直线式增长,私家车数量的不断增加在方便市民出行的同时,也带来诸如交通事故、交通拥堵等问题。道路资源的有限,使得许多车辆为了争取自己时间出现诸多违法违章行为,带来潜在的交通事故危险,与此同时,还存在不法分子与驾驶员争夺驾驶权等危险行为时导致车辆的行驶状态一反常态,为了应对这一问题,在近年来智能交通系统的高速发展前提下,通过交通监控视频对车辆行为进行自动识别成为热点。因为交通视频中包含了诸如交通流量、车辆行为轨迹、车辆牌照等参数,可以用来对车辆行为和交通事件进行预测和识别。
目前的智能监控系统,在构建车辆异常行为识别模型时,目前主流方法是通过提取目标轨迹的几何参数特征作为模型的输入来训练传统的分类器,特征选取的好坏直接影响到分类器的性能,这些方法未利用轨迹数据的时序信息,且对坐标的精度要求较高,对实际环境下不可控的噪声较为敏感,泛化性能较差。以此同时,当前的异常数据非常少,绝大部分的数据都是车辆正常行驶,数据类别极不平衡,常规的LSTM更是存在训练时间长,收敛慢的问题。
因此,亟需一种使智能监控视频你能够更加准确有效识别车辆异常行为的方法。
发明内容
有鉴于此,本发明的目的在于提供一种基于改进的长短期记忆网络的车辆异常行为识别方法,针对交通道路监控环境中的多种车辆异常行为,能够准确高效地自动识别和报警,从而减少人力成本,解决交通管理者需人工处理大量视频源的问题;还能有效提升道路安全水平和运行效率。
为达到上述目的,本发明提供如下技术方案:
一种基于改进的长短期记忆网络的车辆异常行为识别方法,具体包括以下步骤:
S1:对采集的交通场景视频数据进行预处理,并以此进行模型训练,获取车辆检测模型;
S2:利用步骤S1得到的车辆检测模型对视频数据进行车辆检测,确定每个目标车辆的信息,以此对目标车辆进行在线跟踪,实时获取目标车辆的运动轨迹;
S3:对步骤S2获取的目标车辆运动轨迹进行预处理,保证数据完整,无重复值,并进行人工标注;
S4:构建基于改进的长短期记忆网络(Long Short-Term Memory,LSTM)的异常行为识别模型,对步骤S2得到的目标车辆运动轨迹进行分类,识别出多种异常行为。
进一步,步骤S1中,交通场景视频数据来自道路交通卡口监控系统记录的视频数据;车辆获取车辆检测模型具体包括:利用去雾算法对交通场景图像进行去雾处理,去除雾对于监控视频中车辆检测精度的影响,在采集数据时,收集来自各种光照环境下的视频片段,训练基于深度学习的目标检测网络,使得网络能够提取对光照不敏感的特征,实现道路交通监控视频中的精确车辆检测。
进一步,步骤S2中,在线跟踪即为基于检测的多目标跟踪方法,首先使用Kalman滤波器对上一帧检测到的目标进行预测;然后通过Kalman滤波器利用实际的运动参数不断修正未来运动状态的估计值,能有效改善其他算法在目标运动速度过快、目标被部分遮挡时的跟踪效果;最后结合匈牙利算法,将现有跟踪算法的二阶段匹配算法为一阶段方法,实现在线跟踪。
进一步,步骤S3中,对目标车辆运动轨迹进行数据预处理,具体包括:去掉中断时间过长,车辆ID(每一个目标车辆分配的唯一标识该车辆的编号)频繁转换和重复ID等的不良轨迹数据,并人为的根据原视频将其中正常行驶,停滞,逆行,非常规速度行驶,短时间内连续多次变道的轨迹数据打上标签。
进一步,步骤S4中,构建基于改进的LSTM网络的异常行为识别模型,具体包括:
S41:采用无监督的one class SVM算法对轨迹数据的DET表示进行异常点检测,基于离散傅里叶变换的轨迹表示法,将不同维度的轨迹数据都映射到同一高维特征空间中,又不损失轨迹数据所包含的时序信息,利用one class SVM算法对轨迹数据的DET表示进行异常点检测,将正常轨迹数据和异常轨迹数据进行粗分类,剔除掉绝大部分的正常轨迹数据,将异常与正常数据的类别极不均衡变为较为均衡;
S42:将异常轨迹数据输入到改进的LSTM网络即T-LSTM中进行细分类,识别出异常行为的具体种类。
更进一步,步骤S42中,T-LSTM网络具体为:针对常规LSTM进行改进,去除其中的遗忘门,加入一个时间控制权重;则T-LSTM网络的状态更新表达式为:
ct=it*tanh(wc·[Ht-1,Fx(t),Fy(t)]+bc)+tt*ct-1
Ht=ot*tanh(ct)
tt=p,0<p<1
其中,tt表示时控门,it表示输入门,ot表示输出门,Ht-1表示的是上一个cell的输出,Ct表示细胞状态,Fx(t)、Fy(t)表示轨迹的DET系数。
本发明的有益效果在于:
1)本发明针对道路交通监控环境实现低人工力、高效检测识别车辆异常行为,有效提升了道路安全水平和运行效率。
2)本发明提出的基于改进的长短期记忆网络(T-LSTM)的异常行为识别模型,将无监督的one class SVM算法加入到神经网络前对轨迹数据进行粗分类,解决了类别极不平衡的问题,再利用T-LSTM模型取代LSTM,解决其训练时间长,收敛慢的问题,对异常轨迹数据进行细分类,准确识别车辆异常行为的种类。
3)本发明能够识别车辆停滞,逆行,非常规速度行驶,短时间内连续多次变道,掉头等多种异常行为,并对发生异常行为的时间和车辆位置进行精确定位。异常行为与普通的交通违章行为虽有交集,但不尽相同,例如短时间内连续多次变道,虽不是违章行为,但是在异常行为的识别范围内。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明所述的车辆异常行为识别方法的流程框架图;
图2为本发明改进的LSTM网络结构框图;
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1~图2,图1为一种基于改进的LSTM网络的车辆异常行为识别方法流程框图,本发明优选一种实施例,针对画面尺寸为宽高1920x1080、时长20秒、帧率为25fps左右的视频进行检测,具体包括以下步骤:
步骤一:对采集的交通场景视频数据进行预处理,并以此进行模型训练,获取车辆检测模型。具体的,对输入视频的每一帧进行车辆检测,并编号作为目标车辆的唯一标识,用[X,Y,S,R]记录当前帧车辆在图像中所处的位置,其中X,Y表示以图像左上角为原点的车辆位置框中心点坐标(单位为像素),S表示车辆位置框的面积,R表示车辆位置矿的高宽比。
步骤二:对检测到的车辆进行跟踪,并将跟踪到的历史数据保存为track_dict={0:[(x00,y00),(x01,y01),…,(x0i,y0i)],1:[(x10,y10),(x11,y11),…,(x1i,y1i)],…,j:[(xj0,yj0),(xj1,yj1),…,(xji,yji)]},其中0表示对车辆唯一标识的编号,轨迹[(x00,y00),(x01,y01),…,(x0i,y0i)]表示编号为0的车辆从0时刻(被检测到的第一时间)到i时刻的图像位置(单位为像素)。
步骤三:将轨迹数据用基于离散傅里叶变换系数的表示方法表示。假设原始轨迹点表示为(x0,y0),(x1,y1),(x2,y2)…(xn-1,yn-1),n表示轨迹点的个数,那么轨迹的DET系数可表示为:
{Fx(0),…Fx(T),Fy(0),…Fy(T)},(1≤T≤n)
其中,
Fx(0)和Fy(0)均为实数,因此该离散傅里叶变换系数特征矢量维数为2T,参数T设置为常数,这样,即使各条轨迹包含的轨迹点个数不一样,其特征向量的维数是相等的,以此输入到one class SVM算法,轨迹数据即被分为正常(例如,车辆2的轨迹数据当前属于正常,则行车状态为正常行驶)和异常(例如,车辆5的轨迹数据当前属于异常,则将轨迹数据送入下一步细分类,识别具体的异常类型)。
步骤四:上一步识别为异常的轨迹数据为:
anomaly-dict={a:[Fax0(0),…Fax0(T),Fay0(0),…Fay0(T)],
b:[Fbx0(0),…Fbx0(T),Fby0(0),…Fby0(T)],…,m:[Fmx0(0),…Fmx0(T),Fmy0(0),…Fmy0(T)]}
对于其中的每一条轨迹[Fx0(0),…Fx0(T),Fy0(0),…Fy0(T)],输入训练好的T-LSTM模型中,即可得到一个K维的特征向量[0,0,…,1,…,0],特征向量由0和1表示,用于表示轨迹数据所属分类(由于one class SVM算法可能将正常的轨迹数据划为异常,在T-LSTM模型中的最后分类,依然保留一类为正常行驶),例如在第一位为1,其余位置,0,则表示该轨迹属于停滞的异常行为,实现异常行为的识别,再根据车辆编号,定位到当前视频画面的具体车辆,实现发生异常行为的时间和车辆位置精确定位。
改进的基于长短期记忆网络(LSTM)的异常行为识别模型(即T-LSTM异常行为识别模型),如图2所示,包括将异常轨迹数据输入到T-LSTM中进行细分类,识别出异常行为的具体种类。常规LSTM中的每一层里通过三个叫做门(gates)的结构来实现信息的选择性行通过,分别是遗忘门,输入门和输出门。遗忘门(ft)实现对细胞状态信息遗忘程度的控制,表示为,
ft=σ(wf·[Ht-1,xt]+bf)
输入门(it)实现对细胞状态输入接受程度的控制,表示为,
it=σ(wi·[Ht-1,xt]+bi)
输出门(ot)实现对细胞状态输出认可程度的控制,表示为,
ot=σ(wo·[Ht-1,xt]+bo)
其中,Ht-1表示的是上一个cell的输出,xt表示的是当前细胞的输入,σ表示sigmoid函数。然后结合三个门对状态进行更新,
ct=it*tanh(wc·[Ht-1,Fx(t),Fy(t)]+bc)+ft*ct-1
Ht=ot*tanh(ct)
经过T层模块的处理,最后输出一个K维的二进制向量,表示对车辆当前的行车状态进行K分类。T-LSTM针对常规LSTM进行改进,去除其中的遗忘门,加入一个时间控制权重。在针对车辆轨迹的分析中,我们可以很清楚的知道,当前时刻的前K时刻的状态对当前行车状态有影响,且影响随着时间上地靠近越来越大,因此加入时控门(tt),表示为tt=p(0<p<1)
则状态的更新更改为:
ct=it*tanh(wc·[Ht-1,Fx(t),Fy(t)]+bc)+tt*ct-1
Ht=ot*tanh(ct)
步骤四中,多种异常行为包括停滞,逆行,非常规速度行驶,短时间内连续多次变道等,停滞为在道路同一位置上停留3秒及以上时间,与设置的行车方向相反行驶2秒及以上时间则视为逆行,非常规速度行驶包括慢速行驶(速度小于等于20km/h,但不包括速度为零的情况)和超速行驶(速度大于等于130km/h),在3秒内连续变换车道两次及以上则视为短时间内连续多次变道。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于改进的长短期记忆网络的车辆异常行为识别方法,其特征在于,该方法具体包括以下步骤:
S1:对采集的交通场景视频数据进行预处理,并以此进行模型训练,获取车辆检测模型;
S2:利用步骤S1得到的车辆检测模型对视频数据进行车辆检测,确定每个目标车辆的信息,以此对目标车辆进行在线跟踪,实时获取目标车辆的运动轨迹;
S3:对步骤S2获取的目标车辆运动轨迹进行预处理,并进行人工标注;
S4:构建基于改进的长短期记忆网络(Long Short-Term Memory,LSTM)的异常行为识别模型,对步骤S2得到的目标车辆运动轨迹进行分类,识别出多种异常行为;
改进的LSTM网络即T-LSTM网络具体为:针对常规LSTM进行改进,去除其中的遗忘门,加入一个时间控制权重;则T-LSTM网络的状态更新表达式为:
ct=it*tanh(wc·[Ht-1,Fx(t),Fy(t)]+bc)+tt*ct-1
Ht=ot*tanh(ct)
0<tt<1
其中,tt表示时控门,it表示输入门,ot表示输出门,Ht-1表示的是上一个cell的输出,Ct表示细胞状态,Fx(t)、Fy(t)表示轨迹的DET系数。
2.根据权利要求1所述的一种基于改进的长短期记忆网络的车辆异常行为识别方法,其特征在于,步骤S1中,车辆获取车辆检测模型具体包括:利用去雾算法对交通场景图像进行去雾处理,去除雾对于监控视频中车辆检测精度的影响,在采集数据时,收集来自各种光照环境下的视频片段,训练基于深度学习的目标检测网络,使得网络能够提取对光照不敏感的特征,实现道路交通监控视频中的精确车辆检测。
3.根据权利要求1所述的一种基于改进的长短期记忆网络的车辆异常行为识别方法,其特征在于,步骤S2中,在线跟踪即为基于检测的多目标跟踪方法,首先使用Kalman滤波器对上一帧检测到的目标进行预测;然后通过Kalman滤波器利用实际的运动参数不断修正未来运动状态的估计值;最后结合匈牙利算法,将现有跟踪算法的二阶段匹配算法转换为一阶段方法,实现在线跟踪。
4.根据权利要求1所述的一种基于改进的长短期记忆网络的车辆异常行为识别方法,其特征在于,步骤S3中,对目标车辆运动轨迹进行数据预处理,具体包括:去掉中断时间过长,车辆ID频繁转换和重复ID的不良轨迹数据,并人为的根据原视频将其中正常行驶,停滞,逆行,非常规速度行驶,短时间内连续多次变道的轨迹数据打上标签。
5.根据权利要求1所述的一种基于改进的长短期记忆网络的车辆异常行为识别方法,其特征在于,步骤S4中,构建基于改进的LSTM网络的异常行为识别模型,具体包括:
S41:采用无监督的one class SVM算法对轨迹数据的DET表示进行异常点检测,基于离散傅里叶变换的轨迹表示法,将不同维度的轨迹数据都映射到同一高维特征空间中,利用one class SVM算法对轨迹数据的DET表示进行异常点检测,将正常轨迹数据和异常轨迹数据进行粗分类,剔除掉绝大部分的正常轨迹数据,将异常与正常数据的类别极不均衡变为较为均衡;
S42:将异常轨迹数据输入到改进的LSTM网络即T-LSTM中进行细分类,识别出异常行为的具体种类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010060420.4A CN111310583B (zh) | 2020-01-19 | 2020-01-19 | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010060420.4A CN111310583B (zh) | 2020-01-19 | 2020-01-19 | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310583A CN111310583A (zh) | 2020-06-19 |
CN111310583B true CN111310583B (zh) | 2023-02-10 |
Family
ID=71158252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010060420.4A Active CN111310583B (zh) | 2020-01-19 | 2020-01-19 | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310583B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837512A (zh) * | 2020-06-23 | 2021-12-24 | 中国移动通信集团辽宁有限公司 | 异常用户的识别方法及装置 |
CN113762454A (zh) * | 2020-07-30 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 轨迹异常检测方法及装置 |
CN112202726B (zh) * | 2020-09-10 | 2021-11-19 | 西安交通大学 | 一种基于上下文感知的系统异常检测方法 |
CN112163372B (zh) * | 2020-09-21 | 2022-05-13 | 上海玫克生储能科技有限公司 | 一种动力电池的soc估算方法 |
CN112200046B (zh) * | 2020-09-30 | 2023-09-12 | 平安科技(深圳)有限公司 | 驾驶行为识别方法、装置、电子设备及存储介质 |
CN112329815B (zh) * | 2020-09-30 | 2022-07-22 | 华南师范大学 | 模型训练方法、行驶轨迹异常性检测方法、装置和介质 |
CN113658423B (zh) * | 2020-10-23 | 2023-06-09 | 广西智有锐意科技产业有限公司 | 基于循环门控单元的车辆轨迹异常检测方法 |
CN112389436B (zh) * | 2020-11-25 | 2022-11-15 | 中汽院智能网联科技有限公司 | 基于改进lstm神经网络的安全性自动驾驶换道轨迹规划方法 |
CN112507993B (zh) * | 2021-02-05 | 2021-06-15 | 上海闪马智能科技有限公司 | 一种异常驶离的检测方法、系统、电子设备及存储介质 |
CN113127705B (zh) * | 2021-04-02 | 2022-08-05 | 西华大学 | 一种异构双向生成对抗网络模型及时间序列异常检测方法 |
CN113673412B (zh) * | 2021-08-17 | 2023-09-26 | 驭势(上海)汽车科技有限公司 | 关键目标物的识别方法、装置、计算机设备及存储介质 |
CN113743815A (zh) * | 2021-09-13 | 2021-12-03 | 一汽出行科技有限公司 | 运营车辆的风险监控方法、装置、存储介质及计算机设备 |
CN113985393B (zh) * | 2021-10-25 | 2024-04-16 | 南京慧尔视智能科技有限公司 | 一种目标检测方法、装置及系统 |
CN114004993A (zh) * | 2021-10-25 | 2022-02-01 | 厦门大学 | 基于lstm速度预测优化的ia-svm行驶工况识别方法及装置 |
CN114049610B (zh) * | 2021-12-02 | 2024-06-14 | 公安部交通管理科学研究所 | 一种高速公路上机动车倒车和逆行违法行为主动发现方法 |
CN116242465B (zh) * | 2023-05-12 | 2023-07-18 | 深圳亿维锐创科技股份有限公司 | 一种动态车辆称重方法及系统 |
CN116307743B (zh) * | 2023-05-23 | 2023-08-04 | 浙江安邦护卫科技服务有限公司 | 基于数据处理的押运安全预警方法、系统、设备和介质 |
CN117422935B (zh) * | 2023-12-13 | 2024-03-08 | 深圳市鑫思诚科技有限公司 | 摩托车故障非接触式诊断方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101389004A (zh) * | 2007-09-13 | 2009-03-18 | 中国科学院自动化研究所 | 一种基于在线学习的运动目标分类方法 |
CN102855638A (zh) * | 2012-08-13 | 2013-01-02 | 苏州大学 | 基于谱聚类的车辆异常行为检测方法 |
CN103996051A (zh) * | 2014-05-12 | 2014-08-20 | 上海大学 | 基于运动特征变化的视频运动对象异常行为自动检测方法 |
CN104463244A (zh) * | 2014-12-04 | 2015-03-25 | 上海交通大学 | 基于智能移动终端的异常驾驶行为监测和识别方法及系统 |
CN107909427A (zh) * | 2017-10-25 | 2018-04-13 | 浙江大学 | 一种提升推荐模型时序数据挖掘能力的循环神经网络方法 |
CN107944373A (zh) * | 2017-11-17 | 2018-04-20 | 杭州电子科技大学 | 一种基于深度学习的视频异常行为检测方法 |
CN108399743A (zh) * | 2018-02-07 | 2018-08-14 | 武汉理工大学 | 一种基于gps数据的高速公路车辆异常行为检测方法 |
CN108829766A (zh) * | 2018-05-29 | 2018-11-16 | 苏州大学 | 一种兴趣点推荐方法、系统、设备及计算机可读存储介质 |
CN109284682A (zh) * | 2018-08-21 | 2019-01-29 | 南京邮电大学 | 一种基于stt-lstm网络的手势识别方法及系统 |
CN109285348A (zh) * | 2018-10-26 | 2019-01-29 | 深圳大学 | 一种基于双向长短时记忆网络的车辆行为识别方法及系统 |
CN109583508A (zh) * | 2018-12-10 | 2019-04-05 | 长安大学 | 一种基于深度学习的车辆异常加减速行为识别方法 |
CN110147892A (zh) * | 2019-02-20 | 2019-08-20 | 电子科技大学 | 基于变分轨迹上下文感知的人类移动模式推测模型、训练方法及推测方法 |
CN110543543A (zh) * | 2019-09-10 | 2019-12-06 | 苏州大学 | 一种基于多粒度神经网络的用户移动行为预测方法及装置 |
CN110572362A (zh) * | 2019-08-05 | 2019-12-13 | 北京邮电大学 | 针对多类不均衡异常流量的网络攻击检测方法及装置 |
CN110674999A (zh) * | 2019-10-08 | 2020-01-10 | 国网河南省电力公司电力科学研究院 | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180003123A (ko) * | 2016-06-30 | 2018-01-09 | 삼성전자주식회사 | 메모리 셀 유닛 및 메모리 셀 유닛들을 포함하는 순환 신경망 |
-
2020
- 2020-01-19 CN CN202010060420.4A patent/CN111310583B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101389004A (zh) * | 2007-09-13 | 2009-03-18 | 中国科学院自动化研究所 | 一种基于在线学习的运动目标分类方法 |
CN102855638A (zh) * | 2012-08-13 | 2013-01-02 | 苏州大学 | 基于谱聚类的车辆异常行为检测方法 |
CN103996051A (zh) * | 2014-05-12 | 2014-08-20 | 上海大学 | 基于运动特征变化的视频运动对象异常行为自动检测方法 |
CN104463244A (zh) * | 2014-12-04 | 2015-03-25 | 上海交通大学 | 基于智能移动终端的异常驾驶行为监测和识别方法及系统 |
CN107909427A (zh) * | 2017-10-25 | 2018-04-13 | 浙江大学 | 一种提升推荐模型时序数据挖掘能力的循环神经网络方法 |
CN107944373A (zh) * | 2017-11-17 | 2018-04-20 | 杭州电子科技大学 | 一种基于深度学习的视频异常行为检测方法 |
CN108399743A (zh) * | 2018-02-07 | 2018-08-14 | 武汉理工大学 | 一种基于gps数据的高速公路车辆异常行为检测方法 |
CN108829766A (zh) * | 2018-05-29 | 2018-11-16 | 苏州大学 | 一种兴趣点推荐方法、系统、设备及计算机可读存储介质 |
CN109284682A (zh) * | 2018-08-21 | 2019-01-29 | 南京邮电大学 | 一种基于stt-lstm网络的手势识别方法及系统 |
CN109285348A (zh) * | 2018-10-26 | 2019-01-29 | 深圳大学 | 一种基于双向长短时记忆网络的车辆行为识别方法及系统 |
CN109583508A (zh) * | 2018-12-10 | 2019-04-05 | 长安大学 | 一种基于深度学习的车辆异常加减速行为识别方法 |
CN110147892A (zh) * | 2019-02-20 | 2019-08-20 | 电子科技大学 | 基于变分轨迹上下文感知的人类移动模式推测模型、训练方法及推测方法 |
CN110572362A (zh) * | 2019-08-05 | 2019-12-13 | 北京邮电大学 | 针对多类不均衡异常流量的网络攻击检测方法及装置 |
CN110543543A (zh) * | 2019-09-10 | 2019-12-06 | 苏州大学 | 一种基于多粒度神经网络的用户移动行为预测方法及装置 |
CN110674999A (zh) * | 2019-10-08 | 2020-01-10 | 国网河南省电力公司电力科学研究院 | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 |
Non-Patent Citations (9)
Title |
---|
"Identifying High Quality Document-Summary Pairs through Text Matching";Yongshuai Hou等;《Intelligence Computing Research Center》;20171231;第8卷(第2期);第1-20页 * |
"T-LSTM:A Long short-term Memory Neural Network Enhanced by Temporal Information for Traffic Flow Prediction";Luntian Mou等;《IEEE Access》;20190722;第98053-98060页 * |
"What to Do Next:Modeling User Behaviors by Time-LSTM";Yu Zhu等;《Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence》;20171231;第3602-3608页 * |
"不平衡数据分类方法综述";李艳霞等;《控制与决策》;20190430;第34卷(第4期);第680页左栏第2段 * |
"利用温度信息及深度学习方法实现高精度电力负荷预测";徐先峰等;《智能处理与应用》;20191231(第9期);第97-104页 * |
"基于FT-LSTM模型的临床事件诊断序列预测研究";王露潼等;《计算机应用研究》;20191025;第1-6页 * |
"基于飞行轨迹的飞机飞行异常检测算法";张浩东等;《现代计算机(专业版)》;20180131(第1期);和第28页1.1-1.2节第27页第0节 * |
"移动机器人导航中的楼道场景语义分割";徐风尧等;《计算机应用研究》;20180630;第35卷(第6期);第1863-1886页 * |
"简化LSTM的语音合成";陈宙斯等;《计算机工程与应用》;20181231;第54卷(第3期);第131-135页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111310583A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310583B (zh) | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 | |
Li et al. | Deep neural network for structural prediction and lane detection in traffic scene | |
Li et al. | Line-cnn: End-to-end traffic line detection with line proposal unit | |
CN111062413B (zh) | 一种道路目标检测方法、装置、电子设备及存储介质 | |
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
CN107133974B (zh) | 高斯背景建模与循环神经网络相结合的车型分类方法 | |
Ni et al. | An improved deep network-based scene classification method for self-driving cars | |
Bahlmann et al. | A system for traffic sign detection, tracking, and recognition using color, shape, and motion information | |
CN109558823B (zh) | 一种以图搜图的车辆识别方法及系统 | |
CN110119726B (zh) | 一种基于YOLOv3模型的车辆品牌多角度识别方法 | |
Tao et al. | Scene context-driven vehicle detection in high-resolution aerial images | |
CN105930791A (zh) | 基于ds证据理论的多摄像头融合的路面交通标志识别方法 | |
CN111340855A (zh) | 一种基于轨迹预测的道路移动目标检测方法 | |
Kim | Multiple vehicle tracking and classification system with a convolutional neural network | |
Xie et al. | Deep learning-based computer vision for surveillance in its: Evaluation of state-of-the-art methods | |
CN112883991A (zh) | 对象分类方法、对象分类电路、机动车辆 | |
Chen et al. | Vehicle detection based on multifeature extraction and recognition adopting RBF neural network on ADAS system | |
Gad et al. | Real-time lane instance segmentation using SegNet and image processing | |
Chan et al. | City tracker: Multiple object tracking in urban mixed traffic scenes | |
Lee et al. | License plate detection via information maximization | |
CN107862341A (zh) | 一种车辆检测方法 | |
Ren et al. | Automatic measurement of traffic state parameters based on computer vision for intelligent transportation surveillance | |
CN112559968A (zh) | 一种基于多情境数据的驾驶风格表征学习方法 | |
Sun et al. | Road surface condition classification based on color and texture information | |
Wang et al. | Semi-supervised image-to-image translation for lane detection in rain |
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 |