CN111563468B - 一种基于神经网络注意力的驾驶员异常行为检测方法 - Google Patents

一种基于神经网络注意力的驾驶员异常行为检测方法 Download PDF

Info

Publication number
CN111563468B
CN111563468B CN202010403116.5A CN202010403116A CN111563468B CN 111563468 B CN111563468 B CN 111563468B CN 202010403116 A CN202010403116 A CN 202010403116A CN 111563468 B CN111563468 B CN 111563468B
Authority
CN
China
Prior art keywords
feature map
category
attention
attention feature
highest probability
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
Application number
CN202010403116.5A
Other languages
English (en)
Other versions
CN111563468A (zh
Inventor
唐诗超
杨曙光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010403116.5A priority Critical patent/CN111563468B/zh
Publication of CN111563468A publication Critical patent/CN111563468A/zh
Application granted granted Critical
Publication of CN111563468B publication Critical patent/CN111563468B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/59—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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于神经网络注意力的驾驶员异常行为检测方法，包括以下步骤：通过相机采集原始帧，并对原始帧进行处理，得到待检测图像；构建神经网络模型，并通过神经网络模型对待检测图像进行识别，得到估计行为类别；获取估计行为类别中最高概率类别的注意力特征图，并计算最高概率类别的注意力特征图的匹配度；根据最高概率类别的注意力特征图的匹配度，获取最终的异常行为判定结果。本发明容易实现，经济适用性高，结合了注意力机制验证神经网络判别结果，当网络给出的结果不确定时，不会进行预警，避免了每次检测都必定给出一个分类结果和容易产生误报的问题。

Description

一种基于神经网络注意力的驾驶员异常行为检测方法
技术领域
本发明属于驾驶员异常行为检测领域，具体涉及一种基于神经网络注意力的驾驶员异常行为检测方法。
背景技术
随着经济和科技的发展，交通网络变得越来越发达，路上的车辆也越来也越多，这也大大增加交通事故的发生频率。据调查，驾驶员在驾驶过程中时常发生一些与驾驶无关的异常行为，这可能会导致驾驶员无法及时观察车辆周围快速变化的情况，在遇到危机时来不及做出正确的反应，从而发生交通事故。为了应对这种情况，更好地监管和提醒驾驶员按规章安全地驾驶车辆，有关驾驶员行为识别的研究也应运而生。目前许多车辆管理平台已经开始投入了对监管驾驶员行为技术的研发和应用。通过非人工的方式辅助监管司机，可以通过记录司机的行为，以备作为奖惩的依据，也可以实时提醒司机，纠正违规的行为动作，保障其安全。这种方式可以大大节省平台的管理成本。许多研究致力于提高识别的准确率，这种研究固然重要，然而要想达这个目的确实一件十分困难的事。对于投入应用的产品，需要达到一个较高的识别准确度，否则频繁的误报和错误分类记录会对驾驶司机和监管平台带来困扰。为了提高准确度往往需要伴随着数据采集量的增加和识别模型的优化及改进，前者需要投入不小的资源成本，而后者往往伴随着模型复杂度的提高，这种方式对于计算能力较弱的平台，在实时识别的要求下也可能难以满足实时性需求。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于神经网络注意力的驾驶员异常行为检测方法解决了现有技术中准确度不高或高准确度下经济性低及实时性不够的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于神经网络注意力的驾驶员异常行为检测方法，包括以下步骤：
S1、通过相机采集原始帧，并对原始帧进行处理，得到待检测图像；
S2、构建神经网络模型，并通过神经网络模型对待检测图像进行识别，得到估计行为类别；
S3、获取估计行为类别中最高概率类别的注意力特征图，并计算最高概率类别的注意力特征图的匹配度；
S4、根据最高概率类别的注意力特征图的匹配度，获取最终的异常行为判定结果。
进一步地，所述步骤S1包括以下分步骤：
S1.1、通过相机每N秒采集一帧图像，获取原始帧；
S1.2、通过人脸检测模型检测原始帧中驾驶员人脸区域；
S1.3、将驾驶员人脸区域扩大设定倍数，得到待检测的活动区域；
S1.4、在原始帧中截取待检测的活动区域，得到待检测图像。
进一步地，所述步骤S1.2具体为：
S1.21、通过人脸检测模型对原始帧中人脸进行检测，得到人脸检测结果；
S1.22、判断人脸检测结果中是否只有一张人脸，若是，则得到原始帧中驾驶员人脸区域，否则选择人脸检测结果中区域面积最大的人脸作为驾驶员人脸区域。
进一步地，所述步骤S2中神经网络模型包括依次连接的输入层、若干计算单元、全局池化层、全连接层、softmax层和输出层；
每个所述计算单元均包括依次连接的卷积层、池化层、归一化层和激活函数层。
进一步地，所述步骤S3中获取估计行为类别中最高概率类别的注意力特征图的具体方法为：
A1、将待检测图像及其对应的估计行为类别同时输入神经网络模型；
A2、通过若干计算单元获取待检测图像对应的n张特征图，并将特征图标记为Ai＝{A1,A2,...,An}；
A3、通过全局池化层对n张特征图进行平均计算，得到特征图的平均值为ai＝{a1,a2,...,an}；
A4、根据特征图的平均值，通过全连接层和softmax层获取最高概率类别，并计算最高概率类别的注意力特征图CS；
A5、将最高概率类别的注意力特征图CS缩放至神经网络模型的输入大小，并对其进行归一化处理；
其中，Ai表示特征图，ai表示特征图平均值，i＝1,2,…,n，n表示特征图总数，CS表示与类别s对应的注意力特征图。
进一步地，所述注意力特征图CS的计算公式为：
Figure BDA0002490254820000031
所述对注意力特征图CS进行归一化处理的公式为：
Figure BDA0002490254820000032
其中，Wi s表示全连接层中连接类别s与第i个特征图均值的权重参数，C′表示归一化后的注意力特征图CS，C表示未归一化的注意力特征图CS，Cmin表示所有注意力特征图CS中的最小值，Cmax表示所有注意力特征图CS中的最大值。
进一步地，所述步骤S3中计算最高概率类别的注意力特征图匹配度的具体方法为：
B1、采集若干图像样本，使用步骤S1-步骤S2相同的方法获取每个图像样本的估计行为类别；
B2、根据图像样本及其估计行为类别，使用步骤A1-A4相同的方法获取图像样本的最高概率类别的注意力特征图；
B3、筛选出最高概率类别与真实类别相同的注意力特征图，分别对每个类别的所有注意力特征图求取平均值，得到每个类别的标准注意力特征图；
B4、根据标准注意力特征图，计算最高概率类别的注意力特征图匹配度。
进一步地，所述计算最高概率类别的注意力特征图的匹配度M的公式为：
Figure BDA0002490254820000041
其中，xk＝{x1,x2,...,xt}，xk表示最高概率类别的注意力特征图中数值大于0.3的点，k＝1,2,…,t，t表示最高概率类别的注意力特征图中数值大于0.3的点个数，yk表示标准注意力特征图中与点xk对应的点。
进一步地，所述步骤S4包括以下分步骤：
S4.1、判断最高概率类别的注意力特征图的匹配度M是否大于0.6，若是，则判定此注意力特征图对应的估计类别为异常行为判定结果，否则进入步骤S4.2；
S4.2、对待检测图像的其他估计行为类别进行匹配度计算，将待检测图像的其他估计行为类别中匹配度M大于0.6的行为类别作为异常行为判定结果。
本发明的有益效果为：
(1)本发明提出的神经网络模型兼顾了计算能力和计算复杂度，能够满足实时性的要求，也能够保障较高的准确度，并且在这基础之上，增加检验机制，能够有效地降低误报率。
(2)本发明容易实现，经济适用性高，结合了注意力机制验证神经网络判别结果，当网络给出的结果不确定时，不会进行预警，避免了每次检测都必定给出一个分类结果和容易产生误报的问题。
附图说明
图1为本发明提出的一种基于神经网络注意力的驾驶员异常行为检测方法流程图；
图2本发明中神经网络模型示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
下面结合附图详细说明本发明的实施例。
如图1所示，一种基于神经网络注意力的驾驶员异常行为检测方法，包括以下步骤：
S1、通过相机采集原始帧，并对原始帧进行处理，得到待检测图像；
S2、构建神经网络模型，并通过神经网络模型对待检测图像进行识别，得到估计行为类别；
S3、获取估计行为类别中最高概率类别的注意力特征图，并计算最高概率类别的注意力特征图的匹配度；
S4、根据最高概率类别的注意力特征图的匹配度，获取最终的异常行为判定结果。
在本实施例中，行为类别包括：正常驾驶、左手打电话、右手打电话、喝水、抽烟、侧头、打哈欠和闭眼。
在本实施例中，构建神经网络模型同时需要对其进行训练，训练的具体方法为：采集图像样本，使用步骤S1所述的方法生成若干样本图像，对样本图像打上对应的类别标签生成训练数据集。
根据训练数据集，采用小批量梯度下降法对神经网络模型进行训练，设置初始学习率为0.001，使用Adam算法作为优化算法，采用N批且批量大小为B的样本图像对神经网络模型进行训练，训练至损失函数不再下降时，训练完成。训练的损失函数为交叉熵函数
Figure BDA0002490254820000061
所述交叉熵函数
Figure BDA0002490254820000062
为：
Figure BDA0002490254820000063
其中
Figure BDA0002490254820000064
表示损失值，M为类别总数，
Figure BDA0002490254820000065
表示样本v属于类别m的概率，
Figure BDA0002490254820000066
表示样本v的类别标签，与样本v相同的类别标记为1，不同的类别标记为0。
在每一批样本图像对神经网络模型进行训练前，对该批次样本进行随机的数据增强，数据增强方式包括旋转、左右翻转、亮度调节和色相调节。
所述步骤S1包括以下分步骤：
S1.1、通过相机每N秒采集一帧图像，获取原始帧；
S1.2、通过人脸检测模型检测原始帧中驾驶员人脸区域；
S1.3、将驾驶员人脸区域扩大设定倍数，得到待检测的活动区域；
S1.4、在原始帧中截取待检测的活动区域，得到待检测图像。
在本实施例中，相机设置在驾驶员右前方，同时朝向驾驶员位置的方向，视角避开副驾驶区域，N设置为2，人脸识别模型采用yolov3-tiny模型，所述yolov3-tiny模型基于wider_face数据集训练得到。将驾驶员人脸区域扩大设定倍数具体为：对得到的人脸区域进行比例扩大，区域左右分别扩大至原始宽度的60％，上下分别扩大至原始高度的80％。
所述步骤S1.2具体为：
S1.21、通过人脸检测模型对原始帧中人脸进行检测，得到人脸检测结果；
S1.22、判断人脸检测结果中是否只有一张人脸，若是，则得到原始帧中驾驶员人脸区域，否则选择人脸检测结果中区域面积最大的人脸作为驾驶员人脸区域。
如图2所示，所述步骤S2中神经网络模型包括依次连接的输入层、若干计算单元、全局池化层、全连接层、softmax层和输出层；每个所述计算单元均包括依次连接的卷积层、池化层、归一化层和激活函数层。
在本实施例中，输入层的输入尺寸为224×224×3，计算单元的个数设置为12，并在后面三个计算单元中的卷积层后添加一个最大池化层。激活函数层采用relu函数。
所述步骤S3中获取估计行为类别中最高概率类别的注意力特征图的具体方法为：
A1、将待检测图像及其对应的估计行为类别同时输入神经网络模型；
A2、通过若干计算单元获取待检测图像对应的n张特征图，并将特征图标记为Ai＝{A1,A2,...,An}；
A3、通过全局池化层对n张特征图进行平均计算，得到特征图的平均值为ai＝{a1,a2,...,an}；
A4、根据特征图的平均值，通过全连接层和softmax层获取最高概率类别，并计算最高概率类别的注意力特征图CS；
A5、将最高概率类别的注意力特征图CS缩放至神经网络模型的输入大小，并对其进行归一化处理；
其中，Ai表示特征图，ai表示特征图平均值，i＝1,2,…,n，n表示特征图总数，CS表示与类别s对应的注意力特征图。
所述注意力特征图CS的计算公式为：
Figure BDA0002490254820000081
所述对注意力特征图CS进行归一化处理的公式为：
Figure BDA0002490254820000082
其中，Wi s表示全连接层中连接类别s与第i个特征图均值的权重参数，C′表示归一化后的注意力特征图CS，C表示未归一化的注意力特征图CS，Cmin表示所有注意力特征图CS中的最小值，Cmax表示所有注意力特征图CS中的最大值。
所述步骤S3中计算最高概率类别的注意力特征图匹配度的具体方法为：
B1、采集若干图像样本，使用步骤S1-步骤S2相同的方法获取每个图像样本的估计行为类别；
B2、根据图像样本及其估计行为类别，使用步骤A1-A4相同的方法获取图像样本的最高概率类别的注意力特征图；
B3、筛选出最高概率类别与真实类别相同的注意力特征图，分别对每个类别的所有注意力特征图求取平均值，得到每个类别的标准注意力特征图；
B4、根据标准注意力特征图，计算最高概率类别的注意力特征图匹配度。
所述计算最高概率类别的注意力特征图的匹配度M的公式为：
Figure BDA0002490254820000083
其中，xk＝{x1,x2,...,xt}，xk表示最高概率类别的注意力特征图中数值大于0.3的点，k＝1,2,…,t，t表示最高概率类别的注意力特征图中数值大于0.3的点个数，yk表示标准注意力特征图中与点xk对应的点。
所述步骤S4包括以下分步骤：
S4.1、判断最高概率类别的注意力特征图的匹配度M是否大于0.6，若是，则判定此注意力特征图对应的估计类别为异常行为判定结果，否则进入步骤S4.2；
S4.2、对待检测图像的其他估计行为类别进行匹配度计算，将待检测图像的其他估计行为类别中匹配度M大于0.6的行为类别作为异常行为判定结果。
在本实施例中，若待检测图像的估计行为类别中无匹配度M大于0.6的行为类别，则此次识别无效，对待检测图像重新识别。
本发明的有益效果为：
(1)本发明提出的神经网络模型兼顾了计算能力和计算复杂度，能够满足实时性的要求，也能够保障较高的准确度，并且在这基础之上，增加检验机制，能够有效地降低误报率。
(2)本发明容易实现，经济适用性高，结合了注意力机制验证神经网络判别结果，当网络给出的结果不确定时，不会进行预警，避免了每次检测都必定给出一个分类结果和容易产生误报的问题。

Claims (3)

1.一种基于神经网络注意力的驾驶员异常行为检测方法，其特征在于，包括以下步骤：
S1、通过相机采集原始帧，并对原始帧进行处理，得到待检测图像；
S2、构建神经网络模型，并通过神经网络模型对待检测图像进行识别，得到估计行为类别；
所述步骤S2中神经网络模型包括依次连接的输入层、若干计算单元、全局池化层、全连接层、softmax层和输出层；
每个所述计算单元均包括依次连接的卷积层、池化层、归一化层和激活函数层；
S3、获取估计行为类别中最高概率类别的注意力特征图，并计算最高概率类别的注意力特征图的匹配度；
所述步骤S3中获取估计行为类别中最高概率类别的注意力特征图的具体方法为：
A1、将待检测图像及其对应的估计行为类别同时输入神经网络模型；
A2、通过若干计算单元获取待检测图像对应的n张特征图，并将特征图标记为Ai＝{A1,A2,...,An}，其中，Ai表示特征图，i＝1,2,…,n，n表示特征图总数；
A3、通过全局池化层对n张特征图进行平均计算，得到特征图的平均值为ai＝{a1,a2,...,an}；其中，ai表示特征图平均值，i＝1,2,…,n，n表示特征图总数；
A4、根据特征图的平均值，通过全连接层和softmax层获取最高概率类别，并计算最高概率类别的注意力特征图CS，其中，CS表示与最高概率类别s对应的注意力特征图
A5、将最高概率类别的注意力特征图CS缩放至神经网络模型的输入大小，并对其进行归一化处理；
所述注意力特征图CS的计算公式为：
Figure FDA0004075001050000021
对注意力特征图CS进行归一化处理的公式为：
Figure FDA0004075001050000022
其中，Wi s表示全连接层中连接类别s与第i个特征图均值的权重参数，C′表示归一化后的注意力特征图CS，C表示未归一化的注意力特征图CS，Cmin表示所有注意力特征图CS中的最小值，Cmax表示所有注意力特征图CS中的最大值；
所述步骤S3中计算最高概率类别的注意力特征图匹配度的具体方法为：
B1、采集若干图像样本，使用步骤S1-步骤S2相同的方法获取每个图像样本的估计行为类别；
B2、根据图像样本及其估计行为类别，使用步骤A1-A4相同的方法获取图像样本的最高概率类别的注意力特征图；
B3、筛选出最高概率类别与真实类别相同的注意力特征图，分别对每个类别的所有注意力特征图求取平均值，得到每个类别的标准注意力特征图；
B4、根据标准注意力特征图，计算最高概率类别的注意力特征图匹配度；
所述计算最高概率类别的注意力特征图的匹配度M的公式为：
Figure FDA0004075001050000023
其中，xk＝{x1,x2,...,xt}，xk表示最高概率类别的注意力特征图中数值大于0.3的点，k＝1,2,…,t，t表示最高概率类别的注意力特征图中数值大于0.3的点个数，yk表示标准注意力特征图中与点xk对应的点；
S4、根据最高概率类别的注意力特征图的匹配度，获取最终的异常行为判定结果；
所述步骤S4包括以下分步骤：
S4.1、判断最高概率类别的注意力特征图的匹配度M是否大于0.6，若是，则判定此注意力特征图对应的估计类别为异常行为判定结果，否则进入步骤S4.2；
S4.2、对待检测图像的其他估计行为类别进行匹配度计算，将待检测图像的其他估计行为类别中匹配度M大于0.6的行为类别作为异常行为判定结果。
2.根据权利要求1所述的基于神经网络注意力的驾驶员异常行为检测方法，其特征在于，所述步骤S1包括以下分步骤：
S1.1、通过相机每N秒采集一帧图像，获取原始帧；
S1.2、通过人脸检测模型检测原始帧中驾驶员人脸区域；
S1.3、将驾驶员人脸区域扩大设定倍数，得到待检测的活动区域；
S1.4、在原始帧中截取待检测的活动区域，得到待检测图像。
3.根据权利要求2所述的基于神经网络注意力的驾驶员异常行为检测方法，其特征在于，所述步骤S1.2具体为：
S1.21、通过人脸检测模型对原始帧中人脸进行检测，得到人脸检测结果；
S1.22、判断人脸检测结果中是否只有一张人脸，若是，则得到原始帧中驾驶员人脸区域，否则选择人脸检测结果中区域面积最大的人脸作为驾驶员人脸区域。
CN202010403116.5A 2020-05-13 2020-05-13 一种基于神经网络注意力的驾驶员异常行为检测方法 Active CN111563468B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010403116.5A CN111563468B (zh) 2020-05-13 2020-05-13 一种基于神经网络注意力的驾驶员异常行为检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010403116.5A CN111563468B (zh) 2020-05-13 2020-05-13 一种基于神经网络注意力的驾驶员异常行为检测方法

Publications (2)

Publication Number Publication Date
CN111563468A CN111563468A (zh) 2020-08-21
CN111563468B true CN111563468B (zh) 2023-04-07

Family

ID=72074727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010403116.5A Active CN111563468B (zh) 2020-05-13 2020-05-13 一种基于神经网络注意力的驾驶员异常行为检测方法

Country Status (1)

Country Link
CN (1) CN111563468B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464810A (zh) * 2020-11-25 2021-03-09 创新奇智(合肥)科技有限公司 一种基于注意力图的吸烟行为检测方法及装置
CN113569817B (zh) * 2021-09-23 2021-12-21 山东建筑大学 基于图像区域定位机制的驾驶人注意力分散检测方法
CN113936240A (zh) * 2021-10-22 2022-01-14 杭州海康威视数字技术股份有限公司 确定样本图像的方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059582A (zh) * 2019-03-28 2019-07-26 东南大学 基于多尺度注意力卷积神经网络的驾驶员行为识别方法
CN110325422A (zh) * 2017-02-23 2019-10-11 松下知识产权经营株式会社 信息处理系统、信息处理方法、程序以及记录介质
CN110348350A (zh) * 2019-07-01 2019-10-18 电子科技大学 一种基于面部表情的驾驶员状态检测方法
CN110837815A (zh) * 2019-11-15 2020-02-25 济宁学院 一种基于卷积神经网络的驾驶员状态监测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106919958B (zh) * 2017-03-21 2020-06-26 电子科技大学 一种基于智能手表的人体手指动作识别方法
US20190205761A1 (en) * 2017-12-28 2019-07-04 Adeptmind Inc. System and method for dynamic online search result generation
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
CN109543606B (zh) * 2018-11-22 2022-09-27 中山大学 一种加入注意力机制的人脸识别方法
US20220277558A1 (en) * 2019-07-30 2022-09-01 Allwinner Technology Co., Ltd. Cascaded Neural Network-Based Attention Detection Method, Computer Device, And Computer-Readable Storage Medium
CN110795580B (zh) * 2019-10-23 2023-12-08 武汉理工大学 基于时空约束模型优化的车辆重识别方法
CN111027575B (zh) * 2019-12-13 2022-06-17 广西师范大学 一种自注意对抗学习的半监督语义分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110325422A (zh) * 2017-02-23 2019-10-11 松下知识产权经营株式会社 信息处理系统、信息处理方法、程序以及记录介质
CN110059582A (zh) * 2019-03-28 2019-07-26 东南大学 基于多尺度注意力卷积神经网络的驾驶员行为识别方法
CN110348350A (zh) * 2019-07-01 2019-10-18 电子科技大学 一种基于面部表情的驾驶员状态检测方法
CN110837815A (zh) * 2019-11-15 2020-02-25 济宁学院 一种基于卷积神经网络的驾驶员状态监测方法

Also Published As

Publication number Publication date
CN111563468A (zh) 2020-08-21

Similar Documents

Publication Publication Date Title
CN111563468B (zh) 一种基于神经网络注意力的驾驶员异常行为检测方法
CN108960065B (zh) 一种基于视觉的驾驶行为检测方法
CN110188807B (zh) 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法
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
CN104504400B (zh) 一种基于在线行为建模的驾驶员异常行为检测方法
CN111310850B (zh) 车牌检测模型的构建方法及系统、车牌检测方法及系统
CN110765980A (zh) 一种异常驾驶的检测方法及装置
CN111553214B (zh) 一种驾驶员吸烟行为检测方法及系统
CN106570444A (zh) 基于行为识别的车载智能提醒方法及系统
CN111539360B (zh) 安全带佩戴识别方法、装置及电子设备
CN113673298B (zh) 一种基于时序门控循环单元模型的溢出监测方法
CN111507227B (zh) 基于深度学习的多学生个体分割及状态自主识别方法
CN110781873A (zh) 一种双模态特征融合的驾驶员疲劳等级识别方法
CN111738336A (zh) 基于多尺度特征融合的图像检测方法
CN111027534A (zh) 一种紧凑双车牌检测方法及装置
CN111431937A (zh) 工业网络异常流量的检测方法及系统
CN114973214A (zh) 一种基于人脸特征点的不安全驾驶行为识别方法
CN113343926A (zh) 一种基于卷积神经网络的驾驶员疲劳检测方法
CN112784494B (zh) 假阳性识别模型的训练方法、目标识别方法及装置
CN117765684A (zh) 一种疲劳驾驶检测方法
CN108960181B (zh) 基于多尺度分块lbp和隐马尔科夫模型的黑烟车检测方法
CN111639597A (zh) 举旗游行事件的检测方法
Aytekin et al. Detection of Driver Dynamics with VGG16 Model
CN116012822A (zh) 一种疲劳驾驶的识别方法、装置及电子设备
CN109344705A (zh) 一种行人行为检测方法和系统

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