CN111325160B - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN111325160B CN111325160B CN202010115832.3A CN202010115832A CN111325160B CN 111325160 B CN111325160 B CN 111325160B CN 202010115832 A CN202010115832 A CN 202010115832A CN 111325160 B CN111325160 B CN 111325160B
- Authority
- CN
- China
- Prior art keywords
- dangerous behavior
- dangerous
- specific
- category
- result
- 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
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:将获取的车载摄像头针对车辆驾驶位置拍摄的图像输入预先建立的目标检测模型,得到检测结果;响应于确定上述检测结果中的目标类别包括驾驶人员,根据上述检测结果中上述驾驶人员的目标位置信息,从上述图像中获取驾驶人员子图像;将上述驾驶人员子图像输入预先建立的危险行为识别模型,得到危险行为识别结果;将上述危险行为识别结果中的、针对特定类别的危险行为的识别结果与上述检测结果进行匹配;响应于确定不匹配,基于上述检测结果修改上述危险行为识别结果,以及将修改后的危险行为识别结果作为危险驾驶行为信息。该实施方式使生成的危险驾驶行为信息更加准确。
Description
技术领域
本公开实施例涉及计算机技术领域,具体涉及用于生成信息的方法和装置。
背景技术
对于车辆尤其是公共运营车辆,例如出租车、公交车、长途大巴车等等,由于涉及乘车人员的安全,因此,驾驶员驾驶车辆的安全性显得尤为重要。实践中,许多公共运营车辆上都安装有车载监控摄像头,以方便车辆的监管部门对驾驶员的驾驶行为进行监控。对于驾驶员驾驶车辆时经常出现的一些危险驾驶行为,如抽烟、打电话、疲劳驾驶等,需要及时发现并进行警告,从而最大限度保证车辆的行驶安全。
发明内容
本公开实施例提出了用于生成信息的方法和装置。
第一方面,本公开实施例提供了一种用于生成信息的方法,该方法包括:将获取的车载摄像头针对车辆驾驶位置拍摄的图像输入预先建立的目标检测模型,得到检测结果,其中,上述检测结果包括目标类别和目标位置信息;响应于确定上述检测结果中的目标类别包括驾驶人员,根据上述检测结果中上述驾驶人员的目标位置信息,从上述图像中获取驾驶人员子图像;将上述驾驶人员子图像输入预先建立的危险行为识别模型,得到危险行为识别结果,其中,上述危险行为识别模型用于表征驾驶人员子图像与危险行为识别结果之间的对应关系;将上述危险行为识别结果中的、针对特定类别的危险行为的识别结果与上述检测结果进行匹配;响应于确定不匹配,基于上述检测结果修改上述危险行为识别结果,以及将修改后的危险行为识别结果作为危险驾驶行为信息。
在一些实施例中,响应于确定相匹配,将上述危险行为识别结果作为危险驾驶行为信息。
在一些实施例中,上述将上述危险行为识别结果中的、针对特定类别的危险行为的识别结果与上述检测结果进行匹配,包括:响应于确定上述危险行为识别结果中的、针对特定类别的危险行为的识别结果为执行上述特定类别的危险行为,确定执行上述特定类别的危险行为时所使用的特定物品类别;响应于确定上述检测结果所包括的物品类别中不包括上述特定物品类别,确定上述危险行为识别结果中的、针对特定类别的危险行为的识别结果与上述检测结果不匹配。
在一些实施例中,上述响应于确定不匹配,基于上述检测结果修改上述危险行为识别结果,包括:响应于确定上述检测结果所包括的物品类别中不包括上述特定物品类别,将上述危险行为识别结果中的、针对特定类别的危险行为的识别结果修改为不执行上述特定类别的危险行为。
在一些实施例中,上述将上述危险行为识别结果中的、针对特定类别的危险行为的识别结果与上述检测结果进行匹配,包括:响应于确定上述危险行为识别结果中的、针对特定类别的危险行为的识别结果为不执行上述特定类别的危险行为,确定上述检测结果中所包括的物品类别对应的特定危险行为;响应于确定上述特定危险行为中包括上述特定类别的危险行为,确定上述危险行为识别结果中的、针对特定类别的危险行为的识别结果与上述检测结果不匹配。
在一些实施例中,上述响应于确定不匹配,基于上述检测结果修改上述危险行为识别结果,包括:响应于确定上述特定危险行为中包括上述特定类别的危险行为,将上述危险行为识别结果中的、针对特定类别的危险行为的识别结果修改为执行上述特定类别的危险行为。
第二方面,本公开实施例提供了一种用于生成信息的装置,上述装置包括:检测单元,被配置成将获取的车载摄像头针对车辆驾驶位置拍摄的图像输入预先建立的目标检测模型,得到检测结果,其中,上述检测结果包括目标类别和目标位置信息;获取单元,被配置成响应于确定上述检测结果中的目标类别包括驾驶人员,根据上述检测结果中上述驾驶人员的目标位置信息,从上述图像中获取驾驶人员子图像;识别单元,被配置成将上述驾驶人员子图像输入预先建立的危险行为识别模型,得到危险行为识别结果,其中,上述危险行为识别模型用于表征驾驶人员子图像与危险行为识别结果之间的对应关系;匹配单元,被配置成将上述危险行为识别结果中的、针对特定类别的危险行为的识别结果与上述检测结果进行匹配;第一生成单元,被配置成响应于确定不匹配,基于上述检测结果修改上述危险行为识别结果,以及将修改后的危险行为识别结果作为危险驾驶行为信息。
在一些实施例中,上述装置还包括:第二生成单元,被配置成响应于确定相匹配,将上述危险行为识别结果作为危险驾驶行为信息。
在一些实施例中,上述匹配单元进一步被配置成:响应于确定上述危险行为识别结果中的、针对特定类别的危险行为的识别结果为执行上述特定类别的危险行为,确定执行上述特定类别的危险行为时所使用的特定物品类别;响应于确定上述检测结果所包括的物品类别中不包括上述特定物品类别,确定上述危险行为识别结果中的、针对特定类别的危险行为的识别结果与上述检测结果不匹配。
在一些实施例中,上述第一生成单元进一步被配置成:响应于确定上述检测结果所包括的物品类别中不包括上述特定物品类别,将上述危险行为识别结果中的、针对特定类别的危险行为的识别结果修改为不执行上述特定类别的危险行为。
在一些实施例中,上述匹配单元进一步被配置成:响应于确定上述危险行为识别结果中的、针对特定类别的危险行为的识别结果为不执行上述特定类别的危险行为,确定上述检测结果中所包括的物品类别对应的特定危险行为;响应于确定上述特定危险行为中包括上述特定类别的危险行为,确定上述危险行为识别结果中的、针对特定类别的危险行为的识别结果与上述检测结果不匹配。
在一些实施例中,上述第一生成单元进一步被配置成:响应于确定上述特定危险行为中包括上述特定类别的危险行为,将上述危险行为识别结果中的、针对特定类别的危险行为的识别结果修改为执行上述特定类别的危险行为。
第三方面,本公开实施例提供了一种设备,该设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开实施例提供的用于生成信息的方法和装置,首先,将获取的车载摄像头针对车辆驾驶位置拍摄的图像输入预先建立的目标检测模型,得到检测结果。如果检测结果中的目标类别包括驾驶人员,则根据检测结果中驾驶人员的目标位置信息,从图像中获取驾驶人员子图像。而后,将驾驶人员子图像输入预先建立的危险行为识别模型,得到危险行为识别结果。然后,将危险行为识别结果中的、针对特定类别的危险行为的识别结果与检测结果进行匹配。如果确定不匹配,则基于检测结果修改危险行为识别结果,并将修改后的危险行为识别结果作为危险驾驶行为信息。从而实现了危险驾驶行为信息的自动生成,并在危险行为识别结果中的、针对特定类别的危险行为的识别结果与检测结果不匹配时,可以基于检测结果对危险行为识别结果进行修改,从而使生成的危险驾驶行为信息更加准确。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于生成信息的方法的一个实施例的流程图;
图3是根据本公开的用于生成信息的方法的一个应用场景的示意图;
图4是根据本公开的用于生成信息的方法的又一个实施例的流程图;
图5是根据本公开的用于生成信息的装置的一个实施例的结构示意图;
图6是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开实施例的用于生成信息的方法或用于生成信息的装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如搜索类应用、图像处理类应用、即时通信工具、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有图像处理功能的各种电子设备,包括但不限于智能手机、平板电脑、台式电脑等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的信息提供支持的后台服务器。后台服务器可以对接收到的图像等数据进行分析等处理,并将处理结果反馈给终端设备101、102、103。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的用于处理信息的方法可以由终端设备101、102、103执行,也可以由服务器105执行。相应地,用于处理信息的装置可以设置于终端设备101、102、103中,也可以设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,将获取的车载摄像头针对车辆驾驶位置拍摄的图像输入预先建立的目标检测模型,得到检测结果。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示终端设备101、102、103或者服务器105)首先可以从车载摄像头获取针对车辆驾驶位置拍摄的图像,而后执行主体可以将获取的图像输入预先建立的目标检测模型,得到检测结果。这里,上述目标检测模型可以用于对图像中的目标进行检测,从而得到包括目标类别和目标位置信息的检测结果。举例来说,目标检测模型可以对图像中的目标进行检测,对于检测到的每一个目标,目标检测模型可以输出一条针对该目标的信息,这条信息可以包括目标类别和目标位置信息。作为示例,目标位置信息可以包括目标所对应检测框的左上角的X和Y轴坐标,以及检测框的宽和高。这里,目标类别可以包括物品类别、驾驶人员和非驾驶人员。物品类别可以包括香烟、移动终端(例如,手机、平板、电子阅读器等等)等等。其中,驾驶人员和非驾驶人员针对的是人体的检测结果。香烟、移动终端等针对的是物品的检测结果。
这里,上述目标检测模型可以是基于机器学习算法预先训练得到的。作为示例,上述目标检测模型可以是基于MobileNet-SSD框架训练得到的。
作为示例,上述目标检测模型可以是通过以下方式训练得到的:
首先,获取第一样本集。
这里,用于训练目标检测模型的执行主体可以获取第一样本集,其中,第一样本集中的各第一样本可以包括样本图像以及样本图像中各样本目标的样本目标类别和样本目标位置信息。这里,第一样本集中的各第一样本可以是通过各种方式得到的,例如,人工标注。
然后,将第一样本集中的样本图像作为输入,将与输入的样本图像对应的样本目标类别和样本目标位置信息作为期望输出,训练得到目标检测模型。
可以理解的是,执行主体在将获取的图像输入到目标检测模型之前,还可以根据需要对图像进行预处理,例如,缩放到固定尺寸、进行归一化等等。
步骤202,响应于确定检测结果中的目标类别包括驾驶人员,根据检测结果中驾驶人员的目标位置信息,从图像中获取驾驶人员子图像。
在本实施例中,执行主体可以判断上述目标检测模型所输出的检测结果的目标类别中是否包括驾驶人员,如果包括,则根据检测结果中上述驾驶人员的目标位置信息,从上述图像中获取驾驶人员子图像。举例来说,执行主体可以根据上述驾驶人员的目标位置信息从上述图像中截取部分图像作为驾驶人员子图像。
这里,如果上述目标检测模型所输出的检测结果的目标类别中不包括驾驶人员,则表示图像采集时刻车辆驾驶位置处没有驾驶人员。此时,不需要生成针对驾驶人员的危险驾驶行为信息。
步骤203,将驾驶人员子图像输入预先建立的危险行为识别模型,得到危险行为识别结果。
在本实施例中,执行主体可以将步骤202中获取的驾驶人员子图像输入到预先建立的危险行为识别模型,从而得到危险行为识别结果。这里,危险行为识别结果可以是针对驾驶过程中多种类别的危险行为的识别结果。其中,驾驶过程中的危险行为可以包括但不限于吸烟、使用终端设备(例如,使用手机)、未系安全带、视角偏离前方等等。作为示例,危险行为识别结果可以包括对多种类别的危险行为的识别结果。针对每一种类别的危险行为的识别结果可以包括执行该类别的危险行为和不执行该类别的危险行为。以危险行为“吸烟”为例,针对危险行为“吸烟”的识别结果可以包括“吸烟”和“未吸烟”。
这里,上述危险行为识别模型可以用于表征驾驶人员子图像与危险行为识别结果之间的对应关系。上述危险行为识别模型可以是基于机器学习算法训练得到的。作为示例,可以是基于Resnet-34框架训练得到的。
作为示例,上述危险行为识别模型可以是通过以下方式训练得到的:
首先,获取第二样本集。
这里,用于训练危险行为识别模型的执行主体可以获取第二样本集,第二样本集中的各第二样本可以包括样本子图像以及样本子图像的样本危险行为识别结果。其中,样本子图像为包括人体(例如,驾驶人员)的子图像。
然后,将第二样本集中的样本子图像作为输入,将与输入的样本子图像对应的样本危险行为识别结果作为期望输出,训练得到危险行为识别模型。
可以理解的是,执行主体在将驾驶人员子图像输入到上述危险行为识别模型之前,可以根据实际需要对驾驶人员子图像进行预处理,例如,缩放到固定尺寸、进行归一化等等。
步骤204,将危险行为识别结果中的、针对特定类别的危险行为的识别结果与检测结果进行匹配。
在本实施例中,执行主体可以将步骤203中得到的危险行为识别结果中的、针对特定类别的危险行为的识别结果与检测结果进行匹配。这里,特定类别的危险行为可以是指驾驶人员借助特定物品执行的危险行为。作为示例,特定类别的危险行为可以包括吸烟、使用终端设备等等。其中,特定类别的危险行为“吸烟”是驾驶人员借助特定物品“香烟”才能执行的危险行为。特定类别的危险行为“使用终端设备”是驾驶人员借助特定物品“终端设备”才能执行的危险行为的类别。实际使用中,可以根据实际需要预先定义哪些危险行为是特定类别的危险行为。
步骤205,响应于确定不匹配,基于检测结果修改危险行为识别结果,以及将修改后的危险行为识别结果作为危险驾驶行为信息。
在本实施例中,如果危险行为识别结果中的、针对特定类别的危险行为的识别结果与检测结果不匹配,则执行主体可以基于检测结果修改上述危险行为识别结果,并将修改后的危险行为识别结果作为危险驾驶行为信息。实际使用中,执行主体还可以将生成的危险驾驶行为信息发送给指定设备。这样,使用该指定设备的人员就可以了解驾驶人员的驾驶情况。
在本实施例的一些可选的实现方式中,上述步骤204可以具体如下进行:
首先,响应于确定危险行为识别结果中的、针对特定类别的危险行为的识别结果为执行所述特定类别的危险行为,确定执行特定类别的危险行为时所使用的特定物品类别。
在本实现方式中,如果确定危险行为识别结果中的、针对特定类别的危险行为的识别结果为执行特定类别的危险行为,则执行主体可以确定执行特定类别的危险行为时所使用的特定物品类别。举例来说,以特定类别的危险行为是“吸烟”,危险行为识别结果中的、针对“吸烟”的识别结果为“吸烟”为例,执行主体可以确定执行特定类别的危险行为“吸烟”时所使用的特定物品类别为“香烟”。实际使用中,执行主体内部可以预先记载有执行每一种特定类别的危险行为时,所要使用的特定物品类别。
然后,响应于确定检测结果所包括的物品类别中不包括特定物品类别,确定危险行为识别结果中的、针对特定类别的危险行为的识别结果与检测结果不匹配。
在本实现方式中,执行主体可以判断步骤201的检测结果所包括的物品类别中是否包括上述步骤所确定的特定物品类别,如果不包括,则执行主体可以确定上述危险行为识别结果中的、针对特定类别的危险行为的识别结果与检测结果不匹配。
在一些可选的实现方式中,上述步骤205可以具体如下进行:
响应于确定检测结果所包括的物品类别中不包括特定物品类别,将危险行为识别结果中的、针对特定类别的危险行为的识别结果修改为不执行特定类别的危险行为。
在本实现方式中,如果确定检测结果所包括的物品类别中不包括上述特定物品类别,则执行主体可以将危险行为识别结果中的、针对特定类别的危险行为的识别结果修改为不执行特定类别的危险行为。即将危险行为识别结果中的、针对特定类别的危险行为的识别结果“执行特定类别的危险行为”,修改为“不执行特定类别的危险行为”。
举例来说,假设特定类别的危险行为是“吸烟”,而危险行为识别结果中的、针对“吸烟”的识别结果为“吸烟”,则执行主体可以确定执行特定类别的危险行为“吸烟”时所使用的特定物品类别为“香烟”。如果检测结果所包括的物品类别中不包括“香烟”,则执行主体可以确定危险行为识别结果中的、针对“吸烟”的识别结果与检测结果不匹配。此时,执行主体可以将危险行为识别结果中的、针对“吸烟”的识别结果“吸烟”修改为“未吸烟”。
在本实施例的一些可选的实现方式中,上述步骤204还可以具体如下进行:
首先,响应于确定危险行为识别结果中的、针对特定类别的危险行为的识别结果为不执行特定类别的危险行为,确定检测结果中所包括的物品类别对应的特定危险行为。
在本实现方式中,如果确定步骤203中得到的危险行为识别结果中的、针对特定类别的危险行为的识别结果为不执行特定类别的危险行为,则执行主体可以确定步骤201中得到的检测结果中所包括的物品类别对应的特定危险行为。这里,执行主体内部可以预先记载有多种物品类别对应的特定危险行为。举例来说,物品类别“香烟”对应的特定危险行为为“吸烟”,物品类别“终端设备”对应的特定危险行为为“使用终端设备”。这样,执行主体可以根据所记载的内容确定检测结果中所包括的物品类别对应的特定危险行为。
然后,响应于确定特定危险行为中包括特定类别的危险行为,确定危险行为识别结果中的、针对特定类别的危险行为的识别结果与检测结果不匹配。
在本实现方式中,如果判断检测结果中所包括的物品类别对应的特定危险行为中包括上述特定类别的危险行为,则执行主体可以确定危险行为识别结果中的、针对特定类别的危险行为的识别结果与检测结果不匹配。
在一些可选的实现方式中,上述步骤205可以具体如下进行:
响应于确定特定危险行为中包括所述特定类别的危险行为,将危险行为识别结果中的、针对特定类别的危险行为的识别结果修改为执行特定类别的危险行为。
在本实现方式中,如果确定检测结果中所包括的物品类别对应的特定危险行为中包括上述特定类别的危险行为,则执行主体可以将上述危险行为识别结果中的、针对特定类别的危险行为的识别结果修改为执行特定类别的危险行为。即将危险行为识别结果中的、针对特定类别的危险行为的识别结果“不执行特定类别的危险行为”,修改为“执行特定类别的危险行为”。
举例来说,假设特定类别的危险行为是“吸烟”,而危险行为识别结果中的、针对“吸烟”的识别结果为“未吸烟”,执行主体确定的检测结果中所包括的物品类别“香烟”和“终端设备”对应的特定危险行为是“吸烟”和“使用终端设备”。由于特定危险行为中包括特定类别的危险行为,因此可以确定危险行为识别结果中的、针对特定类别的危险行为的识别结果与检测结果不匹配。此时,执行主体可以将危险行为识别结果中的、针对“吸烟”的识别结果“未吸烟”修改为“吸烟”。
继续参见图3,图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中,终端设备301首先可以将获取的车载摄像头针对车辆驾驶位置拍摄的图像302输入预先建立的目标检测模型,得到检测结果,其中,检测结果包括终端设备和终端设备在图像302中的位置信息,以及驾驶人员和驾驶人员的位置信息。其次,响应于确定检测结果中包括驾驶人员,终端设备301根据检测结果中驾驶人员的目标位置信息,从图像302中获取驾驶人员子图像。之后,终端设备301将驾驶人员子图像输入预先建立的危险行为识别模型,得到危险行为识别结果,其中,危险行为识别结果包括未使用终端设备。然后,终端设备301将危险行为识别结果中的、针对特定类别的危险行为“使用终端设备”的识别结果“未使用终端设备”与检测结果进行匹配。最后,响应于确定不匹配,终端设备301基于检测结果将危险行为识别结果中的“未使用终端设备”修改为“使用终端设备”,并将修改后的危险行为识别结果作为危险驾驶行为信息。
本公开的上述实施例提供的方法,在危险行为识别结果中的、针对特定类别的危险行为的识别结果与检测结果不匹配时,可以基于检测结果对危险行为识别结果进行修改,从而使生成的危险驾驶行为信息更加准确。
进一步参考图4,其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400,包括以下步骤:
步骤401,将获取的车载摄像头针对车辆驾驶位置拍摄的图像输入预先建立的目标检测模型,得到检测结果。
在本实施例中,步骤401与图2所示实施例的步骤201类似,此处不再赘述。
步骤402,响应于确定检测结果中的目标类别包括驾驶人员,根据检测结果中驾驶人员的目标位置信息,从图像中获取驾驶人员子图像。
在本实施例中,步骤402与图2所示实施例的步骤202类似,此处不再赘述。
步骤403,将驾驶人员子图像输入预先建立的危险行为识别模型,得到危险行为识别结果。
在本实施例中,步骤403与图2所示实施例的步骤203类似,此处不再赘述。
步骤404,将危险行为识别结果中的、针对特定类别的危险行为的识别结果与检测结果进行匹配。
在本实施例中,步骤404与图2所示实施例的步骤204类似,此处不再赘述。
步骤405,响应于确定不匹配,基于检测结果修改危险行为识别结果,以及将修改后的危险行为识别结果作为危险驾驶行为信息。
在本实施例中,步骤405与图2所示实施例的步骤205类似,此处不再赘述。
步骤406,响应于确定相匹配,将危险行为识别结果作为危险驾驶行为信息。
在本实施例中,如果步骤403得到的危险行为识别结果中的、针对特定类别的危险行为的识别结果与步骤401得到的检测结果相匹配,则执行主体可以将步骤403得到的危险行为识别结果作为危险驾驶行为信息。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于生成信息的方法的流程400突出了在危险行为识别结果中的、针对特定类别的危险行为的识别结果与检测结果相匹配时,生成危险驾驶行为信息的步骤。由此,本实施例描述的方案可以在危险行为识别结果中的、针对特定类别的危险行为的识别结果与检测结果相匹配时,生成准确的危险驾驶行为信息。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于生成信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于生成信息的装置500包括:检测单元501、获取单元502、识别单元503、匹配单元504和第一生成单元505。其中,检测单元501被配置成将获取的车载摄像头针对车辆驾驶位置拍摄的图像输入预先建立的目标检测模型,得到检测结果,其中,上述检测结果包括目标类别和目标位置信息;获取单元502被配置成响应于确定上述检测结果中的目标类别包括驾驶人员,根据上述检测结果中上述驾驶人员的目标位置信息,从上述图像中获取驾驶人员子图像;识别单元503被配置成将上述驾驶人员子图像输入预先建立的危险行为识别模型,得到危险行为识别结果,其中,上述危险行为识别模型用于表征驾驶人员子图像与危险行为识别结果之间的对应关系;匹配单元504被配置成将上述危险行为识别结果中的、针对特定类别的危险行为的识别结果与上述检测结果进行匹配;第一生成单元505被配置成响应于确定不匹配,基于上述检测结果修改上述危险行为识别结果,以及将修改后的危险行为识别结果作为危险驾驶行为信息。
在本实施例中,用于生成信息的装置500的检测单元501、获取单元502、识别单元503、匹配单元504和第一生成单元505的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203、步骤204和步骤205的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述装置500还包括:第二生成单元(图中未示出),被配置成响应于确定相匹配,将上述危险行为识别结果作为危险驾驶行为信息。
在本实施例的一些可选的实现方式中,上述匹配单元504进一步被配置成:响应于确定上述危险行为识别结果中的、针对特定类别的危险行为的识别结果为执行上述特定类别的危险行为,确定执行上述特定类别的危险行为时所使用的特定物品类别;响应于确定上述检测结果所包括的物品类别中不包括上述特定物品类别,确定上述危险行为识别结果中的、针对特定类别的危险行为的识别结果与上述检测结果不匹配。
在本实施例的一些可选的实现方式中,上述第一生成单元505进一步被配置成:响应于确定上述检测结果所包括的物品类别中不包括上述特定物品类别,将上述危险行为识别结果中的、针对特定类别的危险行为的识别结果修改为不执行上述特定类别的危险行为。
在本实施例的一些可选的实现方式中,上述匹配单元504进一步被配置成:响应于确定上述危险行为识别结果中的、针对特定类别的危险行为的识别结果为不执行上述特定类别的危险行为,确定上述检测结果中所包括的物品类别对应的特定危险行为;响应于确定上述特定危险行为中包括上述特定类别的危险行为,确定上述危险行为识别结果中的、针对特定类别的危险行为的识别结果与上述检测结果不匹配。
在本实施例的一些可选的实现方式中,上述第一生成单元505进一步被配置成:响应于确定上述特定危险行为中包括上述特定类别的危险行为,将上述危险行为识别结果中的、针对特定类别的危险行为的识别结果修改为执行上述特定类别的危险行为。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的终端设备或者服务器)600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:将获取的车载摄像头针对车辆驾驶位置拍摄的图像输入预先建立的目标检测模型,得到检测结果,其中,上述检测结果包括目标类别和目标位置信息;响应于确定上述检测结果中的目标类别包括驾驶人员,根据上述检测结果中上述驾驶人员的目标位置信息,从上述图像中获取驾驶人员子图像;将上述驾驶人员子图像输入预先建立的危险行为识别模型,得到危险行为识别结果,其中,上述危险行为识别模型用于表征驾驶人员子图像与危险行为识别结果之间的对应关系;将上述危险行为识别结果中的、针对特定类别的危险行为的识别结果与上述检测结果进行匹配;响应于确定不匹配,基于上述检测结果修改上述危险行为识别结果,以及将修改后的危险行为识别结果作为危险驾驶行为信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括检测单元、获取单元、识别单元、匹配单元和第一生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,匹配单元还可以被描述为“将危险行为识别结果中的、针对特定类别的危险行为的识别结果与所述检测结果进行匹配的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种用于生成信息的方法,包括:
将获取的车载摄像头针对车辆驾驶位置拍摄的图像输入预先建立的目标检测模型,得到检测结果,其中,所述检测结果包括目标类别和目标位置信息;
响应于确定所述检测结果中的目标类别包括驾驶人员,根据所述检测结果中所述驾驶人员的目标位置信息,从所述图像中获取驾驶人员子图像;
将所述驾驶人员子图像输入预先建立的危险行为识别模型,得到危险行为识别结果,其中,所述危险行为识别模型用于表征驾驶人员子图像与危险行为识别结果之间的对应关系,所述识别结果包括对驾驶过程中多种类别的危险行为的识别结果,针对每一种类别的危险行为的识别结果包括执行该类别的危险行为和不执行该类别的危险行为;
将所述危险行为识别结果中的、针对特定类别的危险行为的识别结果与所述检测结果进行匹配,其中,所述特定类别的危险行为包括驾驶人员借助特定物品执行的危险行为;
响应于确定不匹配,基于所述检测结果修改所述危险行为识别结果,以及将修改后的危险行为识别结果作为危险驾驶行为信息。
2.根据权利要求1所述的方法,其中,所述方法还包括:
响应于确定相匹配,将所述危险行为识别结果作为危险驾驶行为信息。
3.根据权利要求1所述的方法,其中,所述将所述危险行为识别结果中的、针对特定类别的危险行为的识别结果与所述检测结果进行匹配,包括:
响应于确定所述危险行为识别结果中的、针对特定类别的危险行为的识别结果为执行所述特定类别的危险行为,确定执行所述特定类别的危险行为时所使用的特定物品类别;
响应于确定所述检测结果所包括的物品类别中不包括所述特定物品类别,确定所述危险行为识别结果中的、针对特定类别的危险行为的识别结果与所述检测结果不匹配。
4.根据权利要求3所述的方法,其中,所述响应于确定不匹配,基于所述检测结果修改所述危险行为识别结果,包括:
响应于确定所述检测结果所包括的物品类别中不包括所述特定物品类别,将所述危险行为识别结果中的、针对特定类别的危险行为的识别结果修改为不执行所述特定类别的危险行为。
5.根据权利要求1所述的方法,其中,所述将所述危险行为识别结果中的、针对特定类别的危险行为的识别结果与所述检测结果进行匹配,包括:
响应于确定所述危险行为识别结果中的、针对特定类别的危险行为的识别结果为不执行所述特定类别的危险行为,确定所述检测结果中所包括的物品类别对应的特定危险行为;
响应于确定所述特定危险行为中包括所述特定类别的危险行为,确定所述危险行为识别结果中的、针对特定类别的危险行为的识别结果与所述检测结果不匹配。
6.根据权利要求5所述的方法,其中,所述响应于确定不匹配,基于所述检测结果修改所述危险行为识别结果,包括:
响应于确定所述特定危险行为中包括所述特定类别的危险行为,将所述危险行为识别结果中的、针对特定类别的危险行为的识别结果修改为执行所述特定类别的危险行为。
7.一种用于生成信息的装置,包括:
检测单元,被配置成将获取的车载摄像头针对车辆驾驶位置拍摄的图像输入预先建立的目标检测模型,得到检测结果,其中,所述检测结果包括目标类别和目标位置信息;
获取单元,被配置成响应于确定所述检测结果中的目标类别包括驾驶人员,根据所述检测结果中所述驾驶人员的目标位置信息,从所述图像中获取驾驶人员子图像;
识别单元,被配置成将所述驾驶人员子图像输入预先建立的危险行为识别模型,得到危险行为识别结果,其中,所述危险行为识别模型用于表征驾驶人员子图像与危险行为识别结果之间的对应关系,所述识别结果包括对驾驶过程中多种类别的危险行为的识别结果,针对每一种类别的危险行为的识别结果包括执行该类别的危险行为和不执行该类别的危险行为;
匹配单元,被配置成将所述危险行为识别结果中的、针对特定类别的危险行为的识别结果与所述检测结果进行匹配,其中,所述特定类别的危险行为包括驾驶人员借助特定物品执行的危险行为;
第一生成单元,被配置成响应于确定不匹配,基于所述检测结果修改所述危险行为识别结果,以及将修改后的危险行为识别结果作为危险驾驶行为信息。
8.根据权利要求7所述的装置,其中,所述装置还包括:
第二生成单元,被配置成响应于确定相匹配,将所述危险行为识别结果作为危险驾驶行为信息。
9.根据权利要求7所述的装置,其中,所述匹配单元进一步被配置成:
响应于确定所述危险行为识别结果中的、针对特定类别的危险行为的识别结果为执行所述特定类别的危险行为,确定执行所述特定类别的危险行为时所使用的特定物品类别;
响应于确定所述检测结果所包括的物品类别中不包括所述特定物品类别,确定所述危险行为识别结果中的、针对特定类别的危险行为的识别结果与所述检测结果不匹配。
10.根据权利要求9所述的装置,其中,所述第一生成单元进一步被配置成:
响应于确定所述检测结果所包括的物品类别中不包括所述特定物品类别,将所述危险行为识别结果中的、针对特定类别的危险行为的识别结果修改为不执行所述特定类别的危险行为。
11.根据权利要求7所述的装置,其中,所述匹配单元进一步被配置成:
响应于确定所述危险行为识别结果中的、针对特定类别的危险行为的识别结果为不执行所述特定类别的危险行为,确定所述检测结果中所包括的物品类别对应的特定危险行为;
响应于确定所述特定危险行为中包括所述特定类别的危险行为,确定所述危险行为识别结果中的、针对特定类别的危险行为的识别结果与所述检测结果不匹配。
12.根据权利要求11所述的装置,其中,所述第一生成单元进一步被配置成:
响应于确定所述特定危险行为中包括所述特定类别的危险行为,将所述危险行为识别结果中的、针对特定类别的危险行为的识别结果修改为执行所述特定类别的危险行为。
13.一种用于生成信息的电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010115832.3A CN111325160B (zh) | 2020-02-25 | 2020-02-25 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010115832.3A CN111325160B (zh) | 2020-02-25 | 2020-02-25 | 用于生成信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325160A CN111325160A (zh) | 2020-06-23 |
CN111325160B true CN111325160B (zh) | 2023-08-29 |
Family
ID=71167182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010115832.3A Active CN111325160B (zh) | 2020-02-25 | 2020-02-25 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325160B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506436A (zh) * | 2021-05-19 | 2021-10-15 | 海南师范大学 | 一种用于监管的检测车内驾驶员玩手机的系统及方法 |
CN116189117B (zh) * | 2023-04-24 | 2023-07-28 | 天翼交通科技有限公司 | 一种危险驾驶行为识别方法、系统、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004074832A (ja) * | 2002-08-09 | 2004-03-11 | Mitsubishi Automob Eng Co Ltd | 車両管理方法、車両管理システム、中央管理装置、車両制御装置及びコンピュータプログラム |
CN105279493A (zh) * | 2015-10-22 | 2016-01-27 | 四川膨旭科技有限公司 | 车辆行驶过程中驾驶人视觉识别系统 |
CN107180535A (zh) * | 2017-07-12 | 2017-09-19 | 安徽金赛弗信息技术有限公司 | 一种基于深度学习的自动声检测的飙车行为自动识别装置及方法 |
CN108596064A (zh) * | 2018-04-13 | 2018-09-28 | 长安大学 | 基于多信息融合的驾驶人低头操作手机行为检测方法 |
CN108960067A (zh) * | 2018-06-05 | 2018-12-07 | 北京华纵科技有限公司 | 基于深度学习的实时的列车驾驶员动作识别系统和方法 |
CN109389068A (zh) * | 2018-09-28 | 2019-02-26 | 百度在线网络技术(北京)有限公司 | 用于识别驾驶行为的方法和装置 |
CN109902624A (zh) * | 2019-02-27 | 2019-06-18 | 百度在线网络技术(北京)有限公司 | 用于呈现信息的方法和装置 |
CN110110707A (zh) * | 2019-05-24 | 2019-08-09 | 苏州闪驰数控系统集成有限公司 | 人工智能cnn、lstm神经网络动态识别系统 |
CN110751054A (zh) * | 2019-09-26 | 2020-02-04 | 江苏大学 | 一种异常驾驶行为的检测系统 |
CN110765807A (zh) * | 2018-07-25 | 2020-02-07 | 阿里巴巴集团控股有限公司 | 驾驶行为分析、处理方法、装置、设备和存储介质 |
-
2020
- 2020-02-25 CN CN202010115832.3A patent/CN111325160B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004074832A (ja) * | 2002-08-09 | 2004-03-11 | Mitsubishi Automob Eng Co Ltd | 車両管理方法、車両管理システム、中央管理装置、車両制御装置及びコンピュータプログラム |
CN105279493A (zh) * | 2015-10-22 | 2016-01-27 | 四川膨旭科技有限公司 | 车辆行驶过程中驾驶人视觉识别系统 |
CN107180535A (zh) * | 2017-07-12 | 2017-09-19 | 安徽金赛弗信息技术有限公司 | 一种基于深度学习的自动声检测的飙车行为自动识别装置及方法 |
CN108596064A (zh) * | 2018-04-13 | 2018-09-28 | 长安大学 | 基于多信息融合的驾驶人低头操作手机行为检测方法 |
CN108960067A (zh) * | 2018-06-05 | 2018-12-07 | 北京华纵科技有限公司 | 基于深度学习的实时的列车驾驶员动作识别系统和方法 |
CN110765807A (zh) * | 2018-07-25 | 2020-02-07 | 阿里巴巴集团控股有限公司 | 驾驶行为分析、处理方法、装置、设备和存储介质 |
CN109389068A (zh) * | 2018-09-28 | 2019-02-26 | 百度在线网络技术(北京)有限公司 | 用于识别驾驶行为的方法和装置 |
CN109902624A (zh) * | 2019-02-27 | 2019-06-18 | 百度在线网络技术(北京)有限公司 | 用于呈现信息的方法和装置 |
CN110110707A (zh) * | 2019-05-24 | 2019-08-09 | 苏州闪驰数控系统集成有限公司 | 人工智能cnn、lstm神经网络动态识别系统 |
CN110751054A (zh) * | 2019-09-26 | 2020-02-04 | 江苏大学 | 一种异常驾驶行为的检测系统 |
Non-Patent Citations (1)
Title |
---|
基于ASM的驾驶员面部疲劳状态识别方法;闫河等;《计算机工程与设计》;第39卷(第10期);3240-3245 * |
Also Published As
Publication number | Publication date |
---|---|
CN111325160A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308681B (zh) | 图像处理方法和装置 | |
CN107862339B (zh) | 用于输出信息的方法和装置 | |
CN110059623B (zh) | 用于生成信息的方法和装置 | |
CN110674788A (zh) | 车辆定损方法和装置 | |
US20210295015A1 (en) | Method and apparatus for processing information, device, and medium | |
CN111325160B (zh) | 用于生成信息的方法和装置 | |
CN111598006B (zh) | 用于标注对象的方法和装置 | |
CN110287810B (zh) | 车门动作检测方法、装置和计算机可读存储介质 | |
CN114373047A (zh) | 一种基于数字孪生监控物理世界的方法、装置及存储介质 | |
CN112487871B (zh) | 笔迹数据处理方法、装置及电子设备 | |
CN111401423B (zh) | 用于自动驾驶车辆的数据处理方法和装置 | |
CN111311358B (zh) | 信息处理方法、装置和电子设备 | |
CN111310595B (zh) | 用于生成信息的方法和装置 | |
CN110853364B (zh) | 数据监控方法和装置 | |
CN110060477B (zh) | 用于推送信息的方法和装置 | |
CN109766089B (zh) | 基于动图的代码生成方法、装置、电子设备及存储介质 | |
CN112309389A (zh) | 信息交互方法和装置 | |
CN111310858B (zh) | 用于生成信息的方法和装置 | |
CN112231023A (zh) | 一种信息显示方法、装置、设备及存储介质 | |
CN112315463B (zh) | 一种婴幼儿听力测试方法、装置及电子设备 | |
CN111832354A (zh) | 目标对象年龄识别方法、装置及电子设备 | |
CN110334763B (zh) | 模型数据文件生成、图像识别方法、装置、设备及介质 | |
CN113849416A (zh) | 测试方法、装置、存储介质及电子设备 | |
CN111291199B (zh) | 信息查询方法和装置 | |
CN114613355B (zh) | 视频处理方法、装置、可读介质及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |