CN111723695A - 基于改进的Yolov3驾驶员关键子区域识别和定位方法 - Google Patents

基于改进的Yolov3驾驶员关键子区域识别和定位方法 Download PDF

Info

Publication number
CN111723695A
CN111723695A CN202010503582.0A CN202010503582A CN111723695A CN 111723695 A CN111723695 A CN 111723695A CN 202010503582 A CN202010503582 A CN 202010503582A CN 111723695 A CN111723695 A CN 111723695A
Authority
CN
China
Prior art keywords
driver
key
sub
key sub
region
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
CN202010503582.0A
Other languages
English (en)
Inventor
徐国保
曾智杰
许锦鹏
陈盈妍
赵霞
王骥
李颖
詹泽鸿
李柏辰
黄靖怡
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 CN202010503582.0A priority Critical patent/CN111723695A/zh
Publication of CN111723695A publication Critical patent/CN111723695A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06N3/045—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
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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

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

Abstract

本发明公开基于改进的Yolov3驾驶员关键子区域识别和定位方法，包括如下步骤：获取不同场景下的驾驶员图像，并将驾驶员从背景中进行分割；将分割出来的驾驶员图像输入卷积神经网络，通过弱监督的卷积神经网络弱学习建立驾驶员的热成像图,通过热成像图获取驾驶员的关键子区域；基于改进的Yolov3算法构建驾驶员关键子区域定位模型，并通过驾驶员关键子区域对驾驶员关键子区域定位模型进行训练；实时采集驾驶员图像，将分割后的驾驶员图像输入卷积神经网络，获取驾驶员的关键子区域，将驾驶员的关键子区域输入训练好的驾驶员关键子区域定位模型，得到驾驶员的关键子区域图像。本发明能够实时准确地对驾驶员的关键子区域识别和定位。

Description

基于改进的Yolov3驾驶员关键子区域识别和定位方法
技术领域
本发明涉及图像识别技术领域，特别是涉及一种基于改进的Yolov3驾驶员关键子区域识别和定位方法。
背景技术
随着社会经济的快速发展，城市之间基本实现了高速公路的互联互通，城市内部也出现很多快速公路，如封闭型道路、高架路等，机动车在这些快速路上行驶，不仅要限其最高速度，而且要限制其最低速度，即机动车必须保持一定的速度行驶，由于机动车在快速路上行驶时速度很快，稍有差错就容易发生重大交通事故，导致车毁人亡，超速行驶、疲劳驾驶之发道路交通事故的一个主要因素，特别是在校车、班车、长途客车、长途货车等的驾驶过程中，因驾驶员疲劳造成的交通事故屡屡发生，给广大人民的生命财产安全造成了极为严重的损失。因此，亟需一种能够对驾驶员异常驾驶行为识别的方法。不同于其他的图像分类任务，驾驶员行为识别中不同类别的行为往往取决于一个很小的动作，这样很小的类间差异极大增加了识别难度，同时，驾驶员身体的不同区域状态对分类的影响差异极大，譬如，驾驶员手上拿着手机，虽然身体是端正的，其结果还是异常的驾驶状态，因此，不同区域动作判定驾驶员是否异常驾驶的标准不同，难以对驾驶员的异常驾驶行为进行快速准确的识别。事先将对异常驾驶识别影响比重较大的区域进行识别和定位，能够有效提高异常驾驶行为的识别精度，但现有技术中识别步骤较为复杂，处理单张图片的耗时较高，无法做到对数据的实时处理。
因此，如何快速准确地对驾驶员进行关键子区域的识别和定位是目前亟待解决的技术问题。
发明内容
本发明的目的是提供一种基于改进的Yolov3驾驶员关键子区域识别和定位方法，以解决现有技术中存在的技术问题，能够有效提高对驾驶员关键子区域识别和定位的实时性和准确性。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于改进的Yolov3驾驶员关键子区域识别和定位方法，包括如下步骤：
获取不同场景下的驾驶员图像，并将驾驶员从背景中进行分割；
将分割出来的驾驶员图像输入卷积神经网络，通过弱监督的卷积神经网络弱学习建立驾驶员的热成像图,通过热成像图获取驾驶员的关键子区域；
基于改进的Yolov3算法构建驾驶员关键子区域定位模型，并通过驾驶员关键子区域对驾驶员关键子区域定位模型进行训练；
实时采集驾驶员图像，将分割后的驾驶员图像输入卷积神经网络，获取驾驶员的关键子区域，将驾驶员的关键子区域输入训练好的驾驶员关键子区域定位模型，得到驾驶员的关键子区域图像。
优选地，通过弱监督的卷积神经网络弱学习建立驾驶员的热成像图的过程中，通过平均值池化层进行识别驾驶员图像各区域的激活情况，确定激活区域位置，得到驾驶员的热成像图。
优选地，改进的Yolov3算法包括如下改进：
1)对Yolov3损失函数的修改：Yolov3损失函数由类别损失函数和位置损失函数相加组成，通过增大类别损失函数的比重，完成Yolov3损失函数的修改；
2)对Yolov3输出层参数的调整：根据驾驶员的关键子区域的数量将Yolov3的出层参数调整成特定的维度。
优选地，所述驾驶员关键子区域定位模型包括改进的Darknet-53、若干组残差网络、卷积层网络，所述Darknet-53、残差网络、卷积层网络顺次连接。
优选地，驾驶员关键子区域定位模型的训练包括如下步骤：
1)采用基于弱监督的图像区域自动标注算法对所获取的驾驶员关键子区域进行标注，得到训练样本集；
2)将训练样本集输入改进的Darknet-53，提取驾驶员的多尺度图像特征；
3)将驾驶员的多尺度图像特征分别输入若干组残差网络，得到驾驶员的多组特征图，并对多组特征图进行多尺度特征融合；
4)将多组特征图进行多尺度特征融合结果输入卷积层网络，完成驾驶员关键子区域的识别定位，得到驾驶员关键子区域图像；
5)通过对驾驶员关键子区域定位模型的输出结果进行后验分析，完成驾驶员关键子区域定位模型的剪枝；
6)重复步骤2)-步骤5)，完成驾驶员关键子区域定位模型的训练。
优选地，通过Pytorch训练深度学习模型对驾驶员关键子区域定位模型的输出结果进行后验分析。
本发明公开了以下技术效果：
(1)本发明通过对Yolov3网络模型的损失函数进行比重修改，提高类别损失函数的比重，能够使驾驶员关键子区域定位模型对类别上的偏差更加敏感，有效提高了驾驶员关键子区域的识别精度；
(2)本发明根据驾驶员关键子区域的数量将Yolov3网络模型的输出层参数调整成特定的维度，有效提高了驾驶员关键子区域的识别效率，保证了模型的实时性；
(3)本发明通过对驾驶员关键子区域定位模型的输出结果进行后验分析，对模型的参数数量进行删减，完成驾驶员关键子区域定位模型的剪枝，并对剪枝后的模型进行重复训练，从而在保证识别精度的前提下，有效提高了驾驶员关键子区域的识别效率，保证了模型的实时性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于改进的Yolov3驾驶员关键子区域识别和定位方法流程图；
图2为本发明驾驶员关键子区域定位模型训练流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1-2所示，本实施例提供一种基于改进的Yolov3驾驶员关键子区域识别和定位方法，具体包括如下步骤：
S1、获取不同场景下的驾驶员图像，并将驾驶员从背景中分割出来；其中不同场景包括不同光线、不同时间段、不同设备、不同驾驶员、不同动作等。
S2、将分割出来的驾驶员图像输入卷积神经网络，通过弱监督的卷积神经网络弱学习建立驾驶员的热成像图,通过热成像图获取驾驶员的关键子区域。
关键动作是指驾驶员的某些驾驶动作直接决定了当前的驾驶行为，比如单手握方向盘的动作、打电话的动作、转头的动作等，这些标志性的动作是判断驾驶员是否属于异常驾驶的重要标准，找出这些动作所在的区域，即关键子区域，是驾驶异常行为识别的基础。
在卷积神经网络中，由于所有的神经元共同组成了一个二维的特征图，不同的神经元代表着图像中的相对位置，根据神经元所在区域的激活状态，进行活跃区域的识别定位，所述活跃区域即关键子区域。
弱监督定位问题利用卷积神经网络中的最后一个特征图发现图像中的活跃区域；获得卷积神经网络最后的特征图后，连接平均值池化层，通过平均值池化层发现一个区域的激活情况，能够更好的表示活跃区域的位置信息。经过平均值池化层，每一个特征图大小变为1×1，每一个1×1的神经元代表着所对应的特征图权重，对特征图结果加权，得到驾驶员的热成像图，将热成像图叠加在卷积神经网络所输入的原图上，根据图中颜色的鲜艳度得到活跃区域，即驾驶员的关键子区域。
S3、基于改进的Yolov3算法构建驾驶员关键子区域定位模型，并通过步骤S2中所获取的驾驶员关键子区域对驾驶员关键子区域定位模型进行训练。
YOLOv3在保持速度优势的前提下，提升了预测精度，尤其是加强了对小物体的识别能力。YOLOv3采用Darknet-53的网络结构(含有53个卷积层)，利用多尺度特征进行目标的检测。
驾驶员关键子区域定位模型包括改进的Darknet-53、若干组残差网络、卷积层网络，所述Darknet-53、残差网络、卷积层网络顺次连接。
改进的Darknet-53的获取过程包括：
1)修改Darknet-53的损失函数；
Darknet-53的损失函数由类别损失函数和位置损失函数相加组成，对类别损失函数所占比重进行调整，增大类别损失函数的比重，从而能够让算法对类别上的偏差更加敏感，有效提高驾驶员关键子区域的识别精度。
2)调整Darknet-53的输出层参数；
基于步骤S2中所获取的驾驶员关键子区域的数量将Darknet-53的输出层参数调整成特定的维度，例如，原Darknet-53的输出层维度为80，而步骤S2中所获取的驾驶员关键子区域为4个位置，则将Darknet-53输出层的维度调整成4，从而能够有效提高识别效率。
驾驶员关键子区域定位模型的训练包括如下步骤：
1)采用基于弱监督的图像区域自动标注算法对步骤S2中所获取的驾驶员关键子区域进行标注，得到驾驶员关键子区域定位模型的训练样本集。通过标注后的图像对算法进行训练，能够使算法能够针对特定的应用或场景，快速准确地进行目标识别，从而有效提高了算法的识别精度及识别效率。
2)将训练样本集输入改进的Darknet-53，提取驾驶员的多尺度图像特征；
3)将驾驶员的多尺度图像特征分别输入若干组残差网络，得到驾驶员的多组特征图，并对多组特征图进行多尺度特征融合；
4)将多组特征图进行多尺度特征融合结果输入卷积层网络，完成驾驶员关键子区域的识别定位，得到驾驶员关键子区域图像，例如头部、手部等区域的图像；
5)通过对驾驶员关键子区域定位模型的输出结果进行后验分析，完成驾驶员关键子区域定位模型的剪枝；
本实施例通过Pytorch训练深度学习模型，对识别精度达到预设阈值的驾驶员关键子区域定位模型进行后验分析，得出所述驾驶员关键子区域定位模型的不同部分对识别结果所占比重，基于比重计算结果对部分网络层进行删除，完成驾驶员关键子区域定位模型的压缩与剪枝，从而有效实现驾驶员关键子区域定位模型的实时性。
6)重复步骤2)-步骤5)，完成驾驶员关键子区域定位模型的训练。
S4、实时采集驾驶员图像，将分割后的驾驶员图像输入卷积神经网络，获取驾驶员的关键子区域，将驾驶员的关键子区域输入训练好的驾驶员关键子区域定位模型，得到驾驶员的关键子区域图像。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (6)

1.基于改进的Yolov3驾驶员关键子区域识别和定位方法，其特征在于，包括如下步骤：
获取不同场景下的驾驶员图像，并将驾驶员从背景中进行分割；
将分割出来的驾驶员图像输入卷积神经网络，通过弱监督的卷积神经网络弱学习建立驾驶员的热成像图,通过热成像图获取驾驶员的关键子区域；
基于改进的Yolov3算法构建驾驶员关键子区域定位模型，并通过驾驶员关键子区域对驾驶员关键子区域定位模型进行训练；
实时采集驾驶员图像，将分割后的驾驶员图像输入卷积神经网络，获取驾驶员的关键子区域，将驾驶员的关键子区域输入训练好的驾驶员关键子区域定位模型，得到驾驶员的关键子区域图像。
2.根据权利要求1所述的基于改进的Yolov3驾驶员关键子区域识别和定位方法，其特征在于，通过弱监督的卷积神经网络弱学习建立驾驶员的热成像图的过程中，通过平均值池化层进行识别驾驶员图像各区域的激活情况，确定激活区域位置，得到驾驶员的热成像图。
3.根据权利要求1所述的基于改进的Yolov3驾驶员关键子区域识别和定位方法，其特征在于，改进的Yolov3算法包括如下改进：
1)对Yolov3损失函数的修改：Yolov3损失函数由类别损失函数和位置损失函数相加组成，通过增大类别损失函数的比重，完成Yolov3损失函数的修改；
2)对Yolov3输出层参数的调整：根据驾驶员的关键子区域的数量将Yolov3的出层参数调整成特定的维度。
4.根据权利要求1所述的基于改进的Yolov3驾驶员关键子区域识别和定位方法，其特征在于，所述驾驶员关键子区域定位模型包括改进的Darknet-53、若干组残差网络、卷积层网络，所述Darknet-53、残差网络、卷积层网络顺次连接。
5.根据权利要求4所述的基于改进的Yolov3驾驶员关键子区域识别和定位方法，其特征在于，驾驶员关键子区域定位模型的训练包括如下步骤：
1)采用基于弱监督的图像区域自动标注算法对所获取的驾驶员关键子区域进行标注，得到训练样本集；
2)将训练样本集输入改进的Darknet-53，提取驾驶员的多尺度图像特征；
3)将驾驶员的多尺度图像特征分别输入若干组残差网络，得到驾驶员的多组特征图，并对多组特征图进行多尺度特征融合；
4)将多组特征图进行多尺度特征融合结果输入卷积层网络，完成驾驶员关键子区域的识别定位，得到驾驶员关键子区域图像；
5)通过对驾驶员关键子区域定位模型的输出结果进行后验分析，完成驾驶员关键子区域定位模型的剪枝；
6)重复步骤2)-步骤5)，完成驾驶员关键子区域定位模型的训练。
6.根据权利要求5所述的基于改进的Yolov3驾驶员关键子区域识别和定位方法，其特征在于，通过Pytorch训练深度学习模型对驾驶员关键子区域定位模型的输出结果进行后验分析。
CN202010503582.0A 2020-06-05 2020-06-05 基于改进的Yolov3驾驶员关键子区域识别和定位方法 Pending CN111723695A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010503582.0A CN111723695A (zh) 2020-06-05 2020-06-05 基于改进的Yolov3驾驶员关键子区域识别和定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010503582.0A CN111723695A (zh) 2020-06-05 2020-06-05 基于改进的Yolov3驾驶员关键子区域识别和定位方法

Publications (1)

Publication Number Publication Date
CN111723695A true CN111723695A (zh) 2020-09-29

Family

ID=72566074

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010503582.0A Pending CN111723695A (zh) 2020-06-05 2020-06-05 基于改进的Yolov3驾驶员关键子区域识别和定位方法

Country Status (1)

Country Link
CN (1) CN111723695A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651326A (zh) * 2020-12-22 2021-04-13 济南大学 一种基于深度学习的驾驶员手部检测方法及系统
CN114187581A (zh) * 2021-12-14 2022-03-15 安徽大学 一种基于无监督学习的驾驶员分心细粒度检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109493954A (zh) * 2018-12-20 2019-03-19 广东工业大学 一种基于类别判别定位的sd-oct图像视网膜病变检测系统
CN109829429A (zh) * 2019-01-31 2019-05-31 福州大学 基于YOLOv3的监控场景下的安防敏感物品检测方法
CN109858482A (zh) * 2019-01-16 2019-06-07 创新奇智(重庆)科技有限公司 一种图像关键区域检测方法及其系统、终端设备
CN109993065A (zh) * 2019-03-06 2019-07-09 开易（北京）科技有限公司 基于深度学习的驾驶员行为检测方法和系统
CN110232406A (zh) * 2019-05-28 2019-09-13 厦门大学 一种基于统计学习的液晶面板cf图片识别方法
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
CN111105035A (zh) * 2019-12-24 2020-05-05 西安电子科技大学 基于稀疏学习与遗传算法相结合的神经网络剪枝方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109493954A (zh) * 2018-12-20 2019-03-19 广东工业大学 一种基于类别判别定位的sd-oct图像视网膜病变检测系统
CN109858482A (zh) * 2019-01-16 2019-06-07 创新奇智(重庆)科技有限公司 一种图像关键区域检测方法及其系统、终端设备
CN109829429A (zh) * 2019-01-31 2019-05-31 福州大学 基于YOLOv3的监控场景下的安防敏感物品检测方法
CN109993065A (zh) * 2019-03-06 2019-07-09 开易（北京）科技有限公司 基于深度学习的驾驶员行为检测方法和系统
CN110232406A (zh) * 2019-05-28 2019-09-13 厦门大学 一种基于统计学习的液晶面板cf图片识别方法
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
CN111105035A (zh) * 2019-12-24 2020-05-05 西安电子科技大学 基于稀疏学习与遗传算法相结合的神经网络剪枝方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHAO YAN ET AL.: ""Driving posture recognition by convolutional neural networks"", 《IET COMPUTER VISION》 *
呼布钦: ""基于深度学习的驾驶员头部及姿态识别和分类方法"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
李佳禧 等: ""基于YOLO_v3的车辆和行人检测方法"", 《电脑知识与技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651326A (zh) * 2020-12-22 2021-04-13 济南大学 一种基于深度学习的驾驶员手部检测方法及系统
CN114187581A (zh) * 2021-12-14 2022-03-15 安徽大学 一种基于无监督学习的驾驶员分心细粒度检测方法
CN114187581B (zh) * 2021-12-14 2024-04-09 安徽大学 一种基于无监督学习的驾驶员分心细粒度检测方法

Similar Documents

Publication Publication Date Title
Li et al. Deep neural network for structural prediction and lane detection in traffic scene
CN106599773B (zh) 用于智能驾驶的深度学习图像识别方法、系统及终端设备
Tan et al. Color model-based real-time learning for road following
CN106845487A (zh) 一种端到端的车牌识别方法
CN108171112A (zh) 基于卷积神经网络的车辆识别与跟踪方法
CN110119726B (zh) 一种基于YOLOv3模型的车辆品牌多角度识别方法
CN111310583A (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
CN111491093B (zh) 一种摄像头视场角的调整方法和装置
CN111931683B (zh) 图像识别方法、装置及计算机可读存储介质
CN111274926B (zh) 图像数据筛选方法、装置、计算机设备和存储介质
CN111723695A (zh) 基于改进的Yolov3驾驶员关键子区域识别和定位方法
CN112001378B (zh) 基于特征空间的车道线处理方法、装置、车载终端和介质
CN111079675A (zh) 基于目标检测与目标跟踪的行驶行为分析方法
CN111046723B (zh) 一种基于深度学习的车道线检测方法
CN115116035A (zh) 一种基于神经网络的道路交通灯识别系统及方法
Chougule et al. An efficient encoder-decoder CNN architecture for reliable multilane detection in real time
CN111178181B (zh) 交通场景分割方法及相关装置
CN115294560B (zh) 基于属性匹配与运动轨迹预测的车辆跟踪方法及系统
CN116503820A (zh) 一种基于道路车型的检测方法及检测设备
Grigoropoulos et al. Detection and Classification of Bicyclist Group Behavior for Automated Vehicle Applications
CN114155504A (zh) 用于自动驾驶的视觉识别车辆方法、装置、出行装置及介质
Yang et al. An instance segmentation algorithm based on improved mask R-CNN
Pan et al. Metamorphic testing for autonomous driving systems in fog based on quantitative measurement
Dangi et al. Free space and lane boundary fault recognition and prediction for independent vehicles using machine learning
CN116777895B (zh) 基于可解释深度学习的混凝土桥梁表观病害智能检测方法

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