CN111723694A - 基于cnn-lstm时空特征融合的异常驾驶行为识别方法 - Google Patents

基于cnn-lstm时空特征融合的异常驾驶行为识别方法 Download PDF

Info

Publication number
CN111723694A
CN111723694A CN202010502701.0A CN202010502701A CN111723694A CN 111723694 A CN111723694 A CN 111723694A CN 202010502701 A CN202010502701 A CN 202010502701A CN 111723694 A CN111723694 A CN 111723694A
Authority
CN
China
Prior art keywords
time
images
layer
space
long
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
Application number
CN202010502701.0A
Other languages
English (en)
Inventor
徐国保
叶昌鑫
麦锐滔
姚旭
赵霞
王骥
郭磊
彭银桥
欧触灵
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.)
Guangdong Ocean University
Original Assignee
Guangdong Ocean University
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 Guangdong Ocean University filed Critical Guangdong Ocean University
Priority to CN202010502701.0A priority Critical patent/CN111723694A/zh
Publication of CN111723694A publication Critical patent/CN111723694A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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

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)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开基于CNN‑LSTM时空特征融合的异常驾驶行为识别方法，包括图像采集处理系统、卷积神经网络层、长短时记忆网络层、全连接层和Softmax层，并包括步骤一、初步特征图像提取；步骤二、初步特征图像分组；步骤三、空间特征提取；步骤四、时间序列特征提取和融合；步骤五、识别判断；本发明通过卷积神经网络层和长短时记忆网络层提取多帧驾驶员异常行为图像的空间特征和时间序列特征并进行融合传输，使驾驶员驾驶行为状态的识别有更高的准确率，利用全连接层和Softmax层对驾驶员异常行为图像进行识别和判断，且长短时记忆网络层相比于传统的循环神经网络，解决了梯度消失的问题，能降低训练模型的难度。

Description

基于CNN-LSTM时空特征融合的异常驾驶行为识别方法
技术领域
本发明涉及驾驶员行为识别技术领域，尤其涉及基于CNN-LSTM时空特征融合的异常驾驶行为识别方法。
背景技术
随着我国经济的不断发展,机动车的数量逐年增多,伴随而来的是交通事故发生率也在逐年攀升，根据相关数据显示,我国所有伤害死因当中,占比最大的是交通事故,道路交通事故的产生多归因于驾驶员的异常行为因素,分析驾驶异常行为对于研究交通事故致因具有重要意义；
驾驶员异常驾驶行为识别这个具体场景，驾驶员在驾驶室的动作是连续的视频流，且部分动作行为可能变化比较微小，直接用单张图片进行识别较难分辨，因此，本发明提出基于CNN-LSTM时空特征融合的异常驾驶行为识别方法以解决现有技术中存在的问题。
发明内容
针对上述问题，本发明的目的在于提出基于CNN-LSTM时空特征融合的异常驾驶行为识别方法，该基于CNN-LSTM时空特征融合的异常驾驶行为识别方法通过卷积神经网络层和长短时记忆网络层提取多帧驾驶员异常行为图像的空间特征和时间序列特征并进行融合传输，利用全连接层和Softmax层对驾驶员异常行为图像进行分类识别和判断，充分考虑到动作与时间依赖关系，把时间序列信息用上，使有效信息利用率更高，有更高的识别精度，且长短时记忆网络层相比于传统的循环神经网络，解决了梯度消失的问题，能降低训练模型的难度。
为实现本发明的目的，本发明通过以下技术方案实现：基于CNN-LSTM时空特征融合的异常驾驶行为识别方法，包括图像采集处理系统、卷积神经网络层、长短时记忆网络层、全连接层和Softmax层，并包括以下步骤：
步骤一、将关键子区域图像作为网络输入，并通过卷积层网络对关键子区域图像进行特征提取，初步得到特征图像；
步骤二、将步骤一中得到的特征图像进行分组，每连续十帧的图像为一组并用P(i)表示每组中连续的第i帧图像，得到每组输入图像的图集为P＝{P1,P2,P3,…，P10}；
步骤三、将十张连续帧数的图像并行的输入到卷积神经网络层进行图像的空间特征提取；
步骤四、然后再将图像并行输入到长短时记忆网络层，长短时记忆网络层之间采用串联的方式进行前后帧数图像时间序列特征的联系，并与步骤三中的对应帧数图像的空间特征进行融合得到时空特征；
步骤五、把提取到的时空特征输入到全连接层将其映射到样本标记空间展开，然后输入到Softmax层进行行为分类，对异常驾驶行为进行识别和判断；
进一步改进在于：所述步骤一中图像采集处理系统用于对驾驶员异常行为的图像视频采集后分帧数进行处理，将关键且连续帧数的图像视频信息提取从而得到关键区域子图像
进一步改进在于：所述步骤三中的卷积神经网络层具有对空间特征比较敏感的特点，能有效提取到驾驶员的动作特征。
进一步改进在于：所述步骤四中的长短时记忆网络层具有对时间序列特征比较敏感的特点，能有效表示出驾驶员的前后动作之间的关系，且能降低训练模型的难度。
进一步改进在于：所述步骤四中的前后帧数图像时间序列特征与步骤三中的对应帧数图像的空间特征的融合方式为将步骤二中分组后的图像输入到卷积神经网络层，此时一共会产生十个通道，每个通道提取空间特征得到特征向量后，再并行输入到长短时记忆网络层，同时长短时记忆网络层之间采用串联方式进行前后帧图像的联系，即不同通道之间的长短时记忆网络层联系起来作用，使其具有表达时间序列特征的功能。
进一步改进在于：所述全连接层使用relu函数作为激活函数，并使用深度学习中的一种随机丢弃部分神经元的机制来提高模型泛化性。
进一步改进在于：所述Softmax层为一种广泛应用于深度学习的激活函数，所述Softmax层可根据不同的需求录入异常驾驶行为数据，当全连接层将图像的时空特征映射到样本标记空间展开后输入到Softmax层即可识别并判断为异常驾驶行为。
本发明的有益效果为：本发明通过卷积神经网络层和长短时记忆网络层提取多帧驾驶员异常行为图像的空间特征和时间序列特征并进行融合传输，利用全连接层和Softmax层对驾驶员异常行为图像进行分类识别和判断，充分考虑到动作与时间依赖关系，把时间序列信息用上，使有效信息利用率更高，有更高的识别精度，且长短时记忆网络层相比于传统的循环神经网络，解决了梯度消失的问题，能降低训练模型的难度。
附图说明
图1为本发明流程图。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
根据图1所示，本实施例提供了基于CNN-LSTM时空特征融合的异常驾驶行为识别方法，包括图像采集处理系统、卷积神经网络层、长短时记忆网络层、全连接层和Softmax层，并包括以下步骤：
步骤一、将关键子区域图像作为网络输入，并通过卷积层网络对关键子区域图像进行特征提取，初步得到特征图像；
步骤二、将步骤一中得到的特征图像进行分组，每连续十帧的图像为一组并用P(i)表示每组中连续的第i帧图像，得到每组输入图像的图集为P＝{P1,P2,P3,…，P10}；
步骤三、将十张连续帧数的图像并行的输入到卷积神经网络层进行图像的空间特征提取；
步骤四、然后再将图像并行输入到长短时记忆网络层，长短时记忆网络层之间采用串联的方式进行前后帧数图像时间序列特征的联系，并与步骤三中的对应帧数图像的空间特征进行融合得到时空特征；
步骤五、把提取到的时空特征输入到全连接层将其映射到样本标记空间展开，然后输入到Softmax层进行行为分类，对异常驾驶行为进行识别和判断；
所述步骤一中图像采集处理系统用于对驾驶员异常行为的图像视频采集后分帧数进行处理，将关键且连续帧数的图像视频信息提取从而得到关键区域子图像。
所述步骤三中的卷积神经网络层具有对空间特征比较敏感的特点，能有效提取到驾驶员的动作特征。
所述步骤四中的长短时记忆网络层具有对时间序列特征比较敏感的特点，能有效表示出驾驶员的前后动作之间的关系，且长短时记忆网络层相比于传统的循环神经网络，解决了梯度消失的问题，能降低训练模型的难度。
所述步骤四中的前后帧数图像时间序列特征与步骤三中的对应帧数图像的空间特征的融合方式为将步骤二中分组后的图像输入到卷积神经网络层，此时一共会产生十个通道，每个通道提取空间特征得到特征向量后，再并行输入到长短时记忆网络层，同时长短时记忆网络层之间采用串联方式进行前后帧图像的联系，即不同通道之间的长短时记忆网络层联系起来作用，使其具有表达时间序列特征的功能。
所述全连接层使用relu函数作为激活函数，并使用深度学习中的一种随机丢弃部分神经元的机制来提高模型泛化性。
所述Softmax层为一种广泛应用于深度学习的激活函数，所述Softmax层可根据不同的需求录入异常驾驶行为数据，当全连接层将图像的时空特征映射到样本标记空间展开后输入到Softmax层即可识别并判断为异常驾驶行为。
本发明首先将关键子区域图像作为网络输入，通过卷积层进行特征预提取，初步得到特征图像，然后把特征图像进行分组，每连续十帧的的图像为一组，用P(i)来表示每组中连续的第i帧图像，得到每组输入的图像集为P＝{P1,P2,P3,…,P10}，十张连续帧的图像输入后，并行地接到卷积神经网络层，提取空间特征，再接着并行输入到长短时记忆网络层，同时在长短时记忆网络层中采用串联进行前后帧图像的联系，即不同通道之间的长短时记忆网络层联系起来作用，使其具有表达时间序列特征的功能，之后将提取的空间特征与提取的空间特征融合得到时空特征，最后把提取到的时空特征输入到全连接层，对提取到的分布式特征映射到样本标记空间，然后输入到Softmax层进行分类，从而对异常驾驶行为进行识别判断。
该基于CNN-LSTM时空特征融合的异常驾驶行为识别方法通过卷积神经网络层和长短时记忆网络层提取多帧驾驶员异常行为图像的空间特征和时间序列特征并进行融合传输，利用全连接层和Softmax层对驾驶员异常行为图像进行分类识别和判断，充分考虑到动作与时间依赖关系，把时间序列信息用上，使有效信息利用率更高，有更高的识别精度，且长短时记忆网络层相比于传统的循环神经网络，解决了梯度消失的问题，能降低训练模型的难度。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.基于CNN-LSTM时空特征融合的异常驾驶行为识别方法，其特征在于包括图像采集处理系统、卷积神经网络层、长短时记忆网络层、全连接层和Softmax层，并包括以下步骤：
步骤一、将图像采集系统采集处理得到的关键子区域图像作为网络输入，并通过卷积层网络对关键子区域图像进行特征提取，初步得到特征图像；
步骤二、将步骤一中得到的特征图像进行分组，每连续十帧的图像为一组并用P(i)表示每组中连续的第i帧图像，得到每组输入图像的图集为P＝{P1,P2,P3,…，P10}；
步骤三、将十张连续帧数的图像并行的输入到卷积神经网络层进行图像的空间特征提取；
步骤四、然后再将图像并行输入到长短时记忆网络层，长短时记忆网络层之间采用串联的方式进行前后帧数图像时间序列特征的联系，并与步骤三中的对应帧数图像的空间特征进行融合得到时空特征；
步骤五、把提取到的时空特征输入到全连接层将其映射到样本标记空间展开，然后输入到Softmax层进行行为分类，对异常驾驶行为进行识别和判断。
2.根据权利要求1所述的基于CNN-LSTM时空特征融合的异常驾驶行为识别方法，其特征在于：所述步骤一中图像采集处理系统用于对驾驶员异常行为的图像视频采集后分帧数进行处理，将关键且连续帧数的图像视频信息提取从而得到关键区域子图像。
3.根据权利要求1所述的基于CNN-LSTM时空特征融合的异常驾驶行为识别方法，其特征在于：所述步骤三中的卷积神经网络层具有对空间特征比较敏感的特点，能有效提取到驾驶员的动作特征。
4.根据权利要求1所述的基于CNN-LSTM时空特征融合的异常驾驶行为识别方法，其特征在于：所述步骤四中的长短时记忆网络层具有对时间序列特征比较敏感的特点，能有效表示出驾驶员的前后动作之间的关系，且能降低训练模型的难度。
5.根据权利要求1所述的基于CNN-LSTM时空特征融合的异常驾驶行为识别方法，其特征在于：所述步骤四中的前后帧数图像时间序列特征与步骤三中的对应帧数图像的空间特征的融合方式为将步骤二中分组后的图像输入到卷积神经网络层，此时一共会产生十个通道，每个通道提取空间特征得到特征向量后，再并行输入到长短时记忆网络层，同时长短时记忆网络层之间采用串联方式进行前后帧图像的联系，即不同通道之间的长短时记忆网络层联系起来作用，使其具有表达时间序列特征的功能。
6.根据权利要求1所述的基于CNN-LSTM时空特征融合的异常驾驶行为识别方法，其特征在于：所述全连接层使用relu函数作为激活函数，并使用深度学习中的一种随机丢弃部分神经元的机制来提高模型泛化性。
7.根据权利要求1所述的基于CNN-LSTM时空特征融合的异常驾驶行为识别方法，其特征在于：所述Softmax层为一种广泛应用于深度学习的激活函数，所述Softmax层可根据不同的需求录入异常驾驶行为数据，当全连接层将图像的时空特征映射到样本标记空间展开后输入到Softmax层即可识别并判断为异常驾驶行为。
CN202010502701.0A 2020-06-05 2020-06-05 基于cnn-lstm时空特征融合的异常驾驶行为识别方法 Pending CN111723694A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010502701.0A CN111723694A (zh) 2020-06-05 2020-06-05 基于cnn-lstm时空特征融合的异常驾驶行为识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010502701.0A CN111723694A (zh) 2020-06-05 2020-06-05 基于cnn-lstm时空特征融合的异常驾驶行为识别方法

Publications (1)

Publication Number Publication Date
CN111723694A true CN111723694A (zh) 2020-09-29

Family

ID=72565959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010502701.0A Pending CN111723694A (zh) 2020-06-05 2020-06-05 基于cnn-lstm时空特征融合的异常驾驶行为识别方法

Country Status (1)

Country Link
CN (1) CN111723694A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149639A (zh) * 2020-10-23 2020-12-29 北京嘀嘀无限科技发展有限公司 检测车灯状态的方法、装置、电子设备和存储介质
CN112613359A (zh) * 2020-12-09 2021-04-06 苏州玖合智能科技有限公司 用于人员异常行为检测的神经网络的构建方法
CN112732797A (zh) * 2021-01-26 2021-04-30 武汉理工大学 燃料电池汽车驾驶行为分析方法、装置和存储介质
CN112995150A (zh) * 2021-02-08 2021-06-18 南京邮电大学 一种基于cnn-lstm融合的僵尸网络检测方法
CN113255518A (zh) * 2021-05-25 2021-08-13 神威超算(北京)科技有限公司 一种视频异常事件检测方法和芯片
CN114186617A (zh) * 2021-11-23 2022-03-15 浙江大学 一种基于分布式深度学习的机械故障诊断方法
CN115527076A (zh) * 2021-06-08 2022-12-27 河北省交通规划设计研究院有限公司 一种营运车辆异常驾驶行为识别模型的构建方法及系统
CN118277339A (zh) * 2024-05-30 2024-07-02 北京智网易联科技有限公司 基于北斗网格码的视频数据处理方法、系统及计算设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108491858A (zh) * 2018-02-11 2018-09-04 南京邮电大学 基于卷积神经网络的疲劳驾驶检测方法及系统
CN108846332A (zh) * 2018-05-30 2018-11-20 西南交通大学 一种基于clsta的铁路司机行为识别方法
CN109886241A (zh) * 2019-03-05 2019-06-14 天津工业大学 基于长短期记忆网络的驾驶员疲劳检测
US10482334B1 (en) * 2018-09-17 2019-11-19 Honda Motor Co., Ltd. Driver behavior recognition
US20200089977A1 (en) * 2018-09-17 2020-03-19 Honda Motor Co., Ltd. Driver behavior recognition and prediction

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108491858A (zh) * 2018-02-11 2018-09-04 南京邮电大学 基于卷积神经网络的疲劳驾驶检测方法及系统
CN108846332A (zh) * 2018-05-30 2018-11-20 西南交通大学 一种基于clsta的铁路司机行为识别方法
US10482334B1 (en) * 2018-09-17 2019-11-19 Honda Motor Co., Ltd. Driver behavior recognition
US20200089977A1 (en) * 2018-09-17 2020-03-19 Honda Motor Co., Ltd. Driver behavior recognition and prediction
CN109886241A (zh) * 2019-03-05 2019-06-14 天津工业大学 基于长短期记忆网络的驾驶员疲劳检测

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡志强: "基于卷积循环神经网络的驾驶员疲劳检测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149639A (zh) * 2020-10-23 2020-12-29 北京嘀嘀无限科技发展有限公司 检测车灯状态的方法、装置、电子设备和存储介质
CN112613359A (zh) * 2020-12-09 2021-04-06 苏州玖合智能科技有限公司 用于人员异常行为检测的神经网络的构建方法
CN112613359B (zh) * 2020-12-09 2024-02-02 苏州玖合智能科技有限公司 用于人员异常行为检测的神经网络的构建方法
CN112732797A (zh) * 2021-01-26 2021-04-30 武汉理工大学 燃料电池汽车驾驶行为分析方法、装置和存储介质
CN112995150A (zh) * 2021-02-08 2021-06-18 南京邮电大学 一种基于cnn-lstm融合的僵尸网络检测方法
CN113255518A (zh) * 2021-05-25 2021-08-13 神威超算(北京)科技有限公司 一种视频异常事件检测方法和芯片
CN115527076A (zh) * 2021-06-08 2022-12-27 河北省交通规划设计研究院有限公司 一种营运车辆异常驾驶行为识别模型的构建方法及系统
CN115527076B (zh) * 2021-06-08 2023-05-26 河北雄安京德高速公路有限公司 一种营运车辆异常驾驶行为识别模型的构建方法及系统
CN114186617A (zh) * 2021-11-23 2022-03-15 浙江大学 一种基于分布式深度学习的机械故障诊断方法
CN114186617B (zh) * 2021-11-23 2022-08-30 浙江大学 一种基于分布式深度学习的机械故障诊断方法
CN118277339A (zh) * 2024-05-30 2024-07-02 北京智网易联科技有限公司 基于北斗网格码的视频数据处理方法、系统及计算设备

Similar Documents

Publication Publication Date Title
CN111723694A (zh) 基于cnn-lstm时空特征融合的异常驾驶行为识别方法
CN108875608B (zh) 一种基于深度学习的机动车交通信号识别方法
CN112800894B (zh) 一种基于时空流间注意力机制的动态表情识别方法及系统
CN108257158B (zh) 一种基于循环神经网络的目标预测与跟踪方法
CN111860274B (zh) 基于头部朝向与上半身骨架特征的交警指挥手势识别方法
Yao et al. When, where, and what? A new dataset for anomaly detection in driving videos
CN111611905B (zh) 一种可见光与红外融合的目标识别方法
CN111767878B (zh) 嵌入式设备中基于深度学习的交通标志检测方法及系统
CN108830254B (zh) 一种基于数据均衡策略和密集注意网络的细粒度车型检测与识别方法
Lyu et al. Long-term multi-granularity deep framework for driver drowsiness detection
CN109255284B (zh) 一种基于运动轨迹的3d卷积神经网络的行为识别方法
CN111639564B (zh) 一种基于多注意力异构网络的视频行人重识别方法
Kuang et al. Feature selection based on tensor decomposition and object proposal for night-time multiclass vehicle detection
CN112036276B (zh) 一种人工智能视频问答方法
CN112131981B (zh) 一种基于骨架数据行为识别的司机疲劳检测方法
CN106886778B (zh) 一种监控场景下车牌字符分割与识别方法
Nukano et al. Vehicle license plate character recognition by neural networks
CN106295645A (zh) 一种车牌字符识别方法和装置
CN111428735B (zh) 一种基于迁移学习深层网络融合模型的货车品牌分类方法
TW202221567A (zh) 車輛識別方法、電子設備及電腦可讀儲存介質
CN109543519B (zh) 一种用于物体检测的深度分割引导网络
Zhu et al. Vehicle re-identification in tunnel scenes via synergistically cascade forests
CN111091131A (zh) 基于多任务学习的自适应车牌字符识别系统及识别方法
CN114743126A (zh) 一种基于图注意力机制网络的车道线标志分割方法
CN114299473A (zh) 一种基于多源信息融合的驾驶员行为识别方法

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