CN111833653A - 利用环境噪声的行驶辅助系统、方法、设备、可存储介质 - Google Patents
利用环境噪声的行驶辅助系统、方法、设备、可存储介质 Download PDFInfo
- Publication number
- CN111833653A CN111833653A CN202010669893.4A CN202010669893A CN111833653A CN 111833653 A CN111833653 A CN 111833653A CN 202010669893 A CN202010669893 A CN 202010669893A CN 111833653 A CN111833653 A CN 111833653A
- Authority
- CN
- China
- Prior art keywords
- data
- environmental noise
- model
- vehicle
- safe driving
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Theoretical Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种利用环境噪声安全行驶辅助系统、方法、设备以及可存储介质,本发明将环境噪声转换成语谱图,通过不同的学习模型进行提取语谱图中不同的特征,其中包括声压变化特征、频率变化特征,用声压变化特征表征盲区内车辆与驾驶车辆的相对速度,用频率变化特征表征盲区内车辆的类型(轿车、货车等),将声压变化特征、频率变化特征与历史数据中提取的特征进行比对,判断盲区中车辆与驾驶车辆的远近,从而提醒驾驶员,根据反馈的远近距离选择是否适合变道。
Description
技术领域
本发明涉及安全行驶技术领域,更具体的说是涉及一种利用环境噪声安全行驶辅助系统、方法、设备以及可存储介质。
背景技术
由于车辆改变车道时,经常发生行驶车辆的事故。因此,当驾驶员改变行驶车道时,重要的是要确认从车道后方靠近的附近车辆以改变。驾驶员利用后视镜识别从其后方靠近的附近车辆。然而,后视镜具有盲区,在盲区中可能无法识别附近车辆。盲区指示即使附近车辆靠近我的车辆驾驶员也不知道的区域。当驾驶员在盲区中未找到车辆并将车道改变为同一车道时,可能导致碰撞事故。
近来已经引入了盲区警告系统,以通过将运动检测传感器附接到车辆的侧面来识别盲区中的车辆。
然而,盲区警告系统是以单独的方式显示后视镜的方法,使得驾驶员检查后视镜并确定是否改变车道,再加上盲区中车辆行驶过快,驾驶员根本无法反应来车,可能造成事故发生。
因此,如何提供一种利用环境噪声判断盲区车辆的驾驶速度、距离远近等,辅助驾驶员安全行驶的安全行驶辅助系统、方法、设备以及可存储介质是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种利用环境噪声安全行驶辅助系统、方法、设备以及可存储介质,解决相关技术中盲区内车辆行驶过快,驾驶员无法反应来车的问题。
为了达到上述目的,本发明采用如下技术方案:
一种利用环境噪声安全行驶辅助方法,具体步骤如下:
调用麦克风对环境噪声进行采集,得到环境噪声数据;
对所述环境噪声进行特征提取,得到特征数据;
将所述特征数据输入到模型中确定是否有运动对象靠近,其中,所述模型为使用多组数据通过机器学习训练得出的;
所述模型识别运动对象靠近,提示驾驶员避让。
进一步,在上述的一种利用环境噪声安全行驶辅助方法中,对所述环境噪声进行特征提取,所述特征包括但不限于:声压变化特征、频率变化特征。
进一步,在上述的一种利用环境噪声安全行驶辅助方法中,所述多组数据包括第一数据和第二数据;所述第一数据为包含所述特征的数据以及有所述运动对象靠近的标签;所述第二数据为未包含所述特征的数据以及没有所述运动对象靠近的标签。
进一步,在上述的一种利用环境噪声安全行驶辅助方法中,对所述环境噪声进行特征提取之前,将所述环境噪声数据转化成语谱图。
进一步,在上述的一种利用环境噪声安全行驶辅助方法中,所述模型包括至少两个;两个所述模型针对不同的所述特征进行提取,与历史数据进行比对,判断运动对象是否靠近。
一种利用环境噪声安全行驶辅助系统,包括:
麦克风,用于采集环境噪声数据,其中,所述环境噪声数据包括:训练数据和测试数据;
声音处理模块,用于将所述环境噪声数据转化成语谱图;
模型调用模块,用于调用模型,对所述测试数据进行特征提取;
数据比对模块,用于将提取的特征与历史数据提取的特征进行比对。
进一步,在上述的一种利用环境噪声安全行驶辅助系统中,所述模型调用模块至少调用两个学习模型;每个所述学习模型提取不同的特征。
进一步,在上述的一种利用环境噪声安全行驶辅助系统中,所述数据比对模块,将提取不同的特征融合与历史数据进行比对;或分别与历史数据的特征进行比对。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种利用环境噪声安全行驶辅助系统、方法、设备以及可存储介质,本发明将环境噪声转换成语谱图,通过不同的学习模型进行提取语谱图中不同的特征,其中包括声压变化特征、频率变化特征,用声压变化特征表征盲区内车辆与驾驶车辆的相对速度,用频率变化特征表征盲区内车辆的类型(轿车、货车等),将声压变化特征、频率变化特征与历史数据中提取的特征进行比对,判断盲区中车辆与驾驶车辆的远近,从而提醒驾驶员,根据反馈的远近距离选择是否适合变道。
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,下面将对实施例或现有技术描述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的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明的方法流程图;
图2附图为本发明的结构框图;
图3附图为本发明的计算机设备的内部结构图。
具体实施方式
下面将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。
本发明实施例中提供了一种利用环境噪声安全行驶辅助方法,图1是根据本发明实施例的安全行驶辅助方法,如图1所示,该流程包括如下步骤:
步骤S101:调用麦克风对环境噪声进行采集,得到环境噪声数据;
步骤S102:对所述环境噪声进行特征提取,得到特征数据;
步骤S103:将所述特征数据输入到模型中确定是否有运动对象靠近,其中,所述模型为使用多组数据通过机器学习训练得出的;
步骤S104:所述模型识别运动对象靠近,提示驾驶员避让。
通过上述步骤,利用声压变化特征、频率变化特征,用声压变化特征表征盲区内车辆与驾驶车辆的相对速度,用频率变化特征表征盲区内车辆的类型(轿车、货车等),将声压变化特征、频率变化特征与历史数据中提取的特征进行比对,判断盲区中车辆与驾驶车辆的远近,解决了驾驶员不知盲区中车辆类型,以及车速快慢的问题,提供了一种利用环境噪声安全行驶辅助方法,大大提高驾驶的安全性。
模型的选取,可以根据具体需要进行选择。
特征的选取,不限于声压变化特征、频率变化特征,也可以采用响度特征,根据响度的变化,确定盲区中车辆的行驶速度等等,可以根据具体需要进行选择,也就是只要是能够根据语谱图得到盲区中车辆的行驶情况即可。
判断盲区中运动对象的远近,设定的条件有很对中,在本实施例中提供了一种可选的实现方式。
在本发明的实施例中,步骤S102中对所述环境噪声进行特征提取,特征包括:声压变化特征、频率变化特征。
进一步,用声压变化特征表征盲区内车辆与驾驶车辆的相对速度,用频率变化特征表征盲区内车辆的类型(轿车、货车等)。
作为另外的一种特征选择,可以用响度变化特征,表征车辆类型,表征车辆的速度。
在本发明的实施例中,步骤S103中,多组数据包括第一数据和第二数据;所述第一数据为包含所述特征的数据以及有所述运动对象靠近的标签;所述第二数据为未包含所述特征的数据以及没有所述运动对象靠近的标签。
进一步,上述多组数据为历史数据,将不同类型车辆、不同车速情况下,获取的风噪声音、胎噪声音、发动机声音等等,用来训练学习模型,利用学习模型能够预测未知声音距离驾驶车辆的远近,例如t0时刻获取的环境噪声数据和t1时刻获取的环境噪声数据,转换成语谱图进行特征提取,t0和t1时刻做差得到声压变化,根据声压变化快慢确定车速;训练时能够清楚得到声压变化速率与车速的对应关系。
在本发明的实施例中,对所述环境噪声进行特征提取之前,将所述环境噪声数据转化成语谱图。
在本发明的实施例中,所述模型包括至少两个;两个所述模型针对不同的所述特征进行提取,与历史数据进行比对,判断运动对象是否靠近。
进一步,现有的深度神经网络可以为inception_v3、resnet152、inception_resnet_v2等,具体地,读取语谱图,由于深度神经网络对语谱图的尺寸有各自的要求,因此首先对语谱图进行裁剪,把裁剪后的图片分别输入到预处理模型中,得到各个模型下的特征向量;采用深度神经网络来对声信号语谱图进行特征提取;
在inception_v3模型中,需要将图片调整为299×299×3,然后使用该模型进行特征提取得到2048维特征向量;
在resnet152模型中,需要将图片调整为224×224×3,然后使用该模型进行特征提取得到2048维特征向量;
在inception_resnet_v2模型中,需要将图片调整为299×299×3,然后使用该模型进行特征提取得到1536维特征向量。
在本发明的另一实施例中,如图2所示,提供了一种利用环境噪声安全行驶辅助系统,包括:
麦克风,用于采集环境噪声数据,其中,所述环境噪声数据包括:训练数据和测试数据;
声音处理模块,用于将所述环境噪声数据转化成语谱图;
模型调用模块,用于调用模型,对所述测试数据进行特征提取;
数据比对模块,用于将提取的特征与历史数据提取的特征进行比对。
为了进一步优化上述技术方案,模型调用模块至少调用两个学习模型;每个所述学习模型提取不同的特征。
例如,车辆类型:轿车、卡车、大型车辆、小型车辆、柴油发动机和汽油发动机。声音处理模块将噪声分类划分为车辆类型、发动机排量、发动机的汽缸数之间的差异。声音处理块处理在行驶时收集的环境噪声数据的输入数据识别步骤,以及基于大数据通过输入数据处理确定的车辆类型/发动机类型的输出步骤。模型调用模块调用不同的模型处理随时间变化的车辆噪声数据的分析,以及根据环境噪声的学习结果处理车辆类型、发动机速度、车速和突然行驶的数据构建步骤。
在一种实施例中提供了一种计算机设备,如图3所示,该计算机设备包括通过系统总线连接的处理器、存储器以及网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种利用环境噪声安全行驶辅助方法。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一项的方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指定相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种利用环境噪声安全行驶辅助方法,其特征在于,具体步骤如下:
调用麦克风对环境噪声进行采集,得到环境噪声数据;
对所述环境噪声进行特征提取,得到特征数据;
将所述特征数据输入到模型中确定是否有运动对象靠近,其中,所述模型为使用多组数据通过机器学习训练得出的;
所述模型识别运动对象靠近,提示驾驶员避让。
2.根据权利要求1所述的一种利用环境噪声安全行驶辅助方法,其特征在于,对所述环境噪声进行特征提取,所述特征包括但不限于:声压变化特征、频率变化特征。
3.根据权利要求1所述的一种利用环境噪声安全行驶辅助方法,其特征在于,所述多组数据包括第一数据和第二数据;所述第一数据为包含所述特征的数据以及有所述运动对象靠近的标签;所述第二数据为未包含所述特征的数据以及没有所述运动对象靠近的标签。
4.根据权利要求1或2所述的一种利用环境噪声安全行驶辅助方法,其特征在于,对所述环境噪声进行特征提取之前,将所述环境噪声数据转化成语谱图。
5.根据权利要求1所述的一种利用环境噪声安全行驶辅助方法,其特征在于,所述模型包括至少两个;两个所述模型针对不同的所述特征进行提取,与历史数据进行比对,判断运动对象是否靠近。
6.一种利用环境噪声安全行驶辅助系统,其特征在于,包括:
麦克风,用于采集环境噪声数据,其中,所述环境噪声数据包括:训练数据和测试数据;
声音处理模块,用于将所述环境噪声数据转化成语谱图;
模型调用模块,用于调用模型,对所述测试数据进行特征提取;
数据比对模块,用于将提取的特征与历史数据提取的特征进行比对。
7.根据权利要求6所述的一种利用环境噪声安全行驶辅助系统,其特征在于,所述模型调用模块至少调用两个学习模型;每个所述学习模型提取不同的特征。
8.根据权利要求7所述的一种利用环境噪声安全行驶辅助系统,其特征在于,所述数据比对模块,将提取不同的特征融合与历史数据进行比对;或分别与历史数据的特征进行比对。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010669893.4A CN111833653A (zh) | 2020-07-13 | 2020-07-13 | 利用环境噪声的行驶辅助系统、方法、设备、可存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010669893.4A CN111833653A (zh) | 2020-07-13 | 2020-07-13 | 利用环境噪声的行驶辅助系统、方法、设备、可存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111833653A true CN111833653A (zh) | 2020-10-27 |
Family
ID=72922688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010669893.4A Pending CN111833653A (zh) | 2020-07-13 | 2020-07-13 | 利用环境噪声的行驶辅助系统、方法、设备、可存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833653A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991770A (zh) * | 2021-02-03 | 2021-06-18 | 拉扎斯网络科技(上海)有限公司 | 行进状态监测方法、装置、电子设备、介质及程序产品 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104049037A (zh) * | 2013-03-15 | 2014-09-17 | 东莞富强电子有限公司 | 故障预警系统 |
CN104537863A (zh) * | 2014-11-06 | 2015-04-22 | 中华电信股份有限公司 | 行驶路段识别系统及其方法 |
CN104908645A (zh) * | 2015-06-08 | 2015-09-16 | 上海斐讯数据通信技术有限公司 | 一种行车辅助驾驶系统及其工作方法 |
CN105261235A (zh) * | 2015-09-23 | 2016-01-20 | 江苏理工学院 | 一种汽车电子警示牌系统、路况预警系统及其工作方法 |
CN105488465A (zh) * | 2015-11-26 | 2016-04-13 | 广州英卓电子科技有限公司 | 一种车辆状态模式识别系统及其识别方法 |
CN106228472A (zh) * | 2016-08-26 | 2016-12-14 | 云南电网有限责任公司普洱供电局 | 一种变电站设备智能巡检故障分析方法 |
CN108414864A (zh) * | 2018-03-16 | 2018-08-17 | 贵州乌江水电开发有限责任公司东风发电厂 | 一种用于继电保护装置的故障诊断方法 |
CN108922560A (zh) * | 2018-05-02 | 2018-11-30 | 杭州电子科技大学 | 一种基于混合深度神经网络模型的城市噪声识别方法 |
CN109166593A (zh) * | 2018-08-17 | 2019-01-08 | 腾讯音乐娱乐科技(深圳)有限公司 | 音频数据处理方法、装置及存储介质 |
CN109256150A (zh) * | 2018-10-12 | 2019-01-22 | 北京创景咨询有限公司 | 基于机器学习的语音情感识别系统及方法 |
CN110379430A (zh) * | 2019-07-26 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 基于语音的动画显示方法、装置、计算机设备及存储介质 |
CN110751044A (zh) * | 2019-09-19 | 2020-02-04 | 杭州电子科技大学 | 基于深度网络迁移特征与增广自编码的城市噪声识别方法 |
CN110880321A (zh) * | 2019-10-18 | 2020-03-13 | 平安科技(深圳)有限公司 | 基于语音的智能刹车方法、装置、设备及存储介质 |
JP2020086801A (ja) * | 2018-11-22 | 2020-06-04 | 三菱電機株式会社 | 自動運転制御装置および自動運転制御方法 |
CN111231948A (zh) * | 2018-11-29 | 2020-06-05 | 现代自动车株式会社 | 使用环境噪声的行驶安全控制系统及其控制方法 |
CN111370025A (zh) * | 2020-02-25 | 2020-07-03 | 广州酷狗计算机科技有限公司 | 音频识别方法、装置及计算机存储介质 |
-
2020
- 2020-07-13 CN CN202010669893.4A patent/CN111833653A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104049037A (zh) * | 2013-03-15 | 2014-09-17 | 东莞富强电子有限公司 | 故障预警系统 |
CN104537863A (zh) * | 2014-11-06 | 2015-04-22 | 中华电信股份有限公司 | 行驶路段识别系统及其方法 |
CN104908645A (zh) * | 2015-06-08 | 2015-09-16 | 上海斐讯数据通信技术有限公司 | 一种行车辅助驾驶系统及其工作方法 |
CN105261235A (zh) * | 2015-09-23 | 2016-01-20 | 江苏理工学院 | 一种汽车电子警示牌系统、路况预警系统及其工作方法 |
CN105488465A (zh) * | 2015-11-26 | 2016-04-13 | 广州英卓电子科技有限公司 | 一种车辆状态模式识别系统及其识别方法 |
CN106228472A (zh) * | 2016-08-26 | 2016-12-14 | 云南电网有限责任公司普洱供电局 | 一种变电站设备智能巡检故障分析方法 |
CN108414864A (zh) * | 2018-03-16 | 2018-08-17 | 贵州乌江水电开发有限责任公司东风发电厂 | 一种用于继电保护装置的故障诊断方法 |
CN108922560A (zh) * | 2018-05-02 | 2018-11-30 | 杭州电子科技大学 | 一种基于混合深度神经网络模型的城市噪声识别方法 |
CN109166593A (zh) * | 2018-08-17 | 2019-01-08 | 腾讯音乐娱乐科技(深圳)有限公司 | 音频数据处理方法、装置及存储介质 |
CN109256150A (zh) * | 2018-10-12 | 2019-01-22 | 北京创景咨询有限公司 | 基于机器学习的语音情感识别系统及方法 |
JP2020086801A (ja) * | 2018-11-22 | 2020-06-04 | 三菱電機株式会社 | 自動運転制御装置および自動運転制御方法 |
CN111231948A (zh) * | 2018-11-29 | 2020-06-05 | 现代自动车株式会社 | 使用环境噪声的行驶安全控制系统及其控制方法 |
CN110379430A (zh) * | 2019-07-26 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 基于语音的动画显示方法、装置、计算机设备及存储介质 |
CN110751044A (zh) * | 2019-09-19 | 2020-02-04 | 杭州电子科技大学 | 基于深度网络迁移特征与增广自编码的城市噪声识别方法 |
CN110880321A (zh) * | 2019-10-18 | 2020-03-13 | 平安科技(深圳)有限公司 | 基于语音的智能刹车方法、装置、设备及存储介质 |
CN111370025A (zh) * | 2020-02-25 | 2020-07-03 | 广州酷狗计算机科技有限公司 | 音频识别方法、装置及计算机存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991770A (zh) * | 2021-02-03 | 2021-06-18 | 拉扎斯网络科技(上海)有限公司 | 行进状态监测方法、装置、电子设备、介质及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341454B (zh) | 一种场景中障碍物的检测方法及装置、电子设备 | |
CN110532976B (zh) | 基于机器学习和多特征融合的疲劳驾驶检测方法及系统 | |
CN107392103B (zh) | 路面车道线的检测方法及装置、电子设备 | |
CN110171361B (zh) | 一种基于驾驶员情绪和驾驶倾向性的汽车安全预警方法 | |
CN106448265A (zh) | 司机驾驶行为数据的采集方法及装置 | |
CN111137284A (zh) | 一种基于驾驶分心状态的预警方法及预警装置 | |
CN110136464B (zh) | 一种辅助驾驶的方法、装置及设备 | |
Sathyanarayana et al. | Information fusion for robust ‘context and driver aware’active vehicle safety systems | |
KR102105954B1 (ko) | 사고위험 감지시스템 및 감지방법 | |
CN112793576B (zh) | 一种基于规则与机器学习融合的换道决策方法及系统 | |
CN109131321B (zh) | 基于图像处理与计算危险系数的变道辅助方法及装置 | |
CN111833653A (zh) | 利用环境噪声的行驶辅助系统、方法、设备、可存储介质 | |
CN107867295B (zh) | 基于车辆出险概率的事故预警方法、存储设备及车载终端 | |
CN114067292A (zh) | 用于智能驾驶的图像处理方法和装置 | |
CN110263664A (zh) | 一种多乘员车道违章识别方法及装置 | |
KR102423218B1 (ko) | 심층 신경망을 이용한 도로 노면 손상 및 장애물 동시 탐지 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체. | |
CN111775944A (zh) | 辅助驾驶装置、方法及计算机可读存储介质 | |
CN116416796A (zh) | 无人驾驶车辆交通事故责任认定方法、装置、介质及设备 | |
CN115123237A (zh) | 一种易安装式智能变道辅助系统 | |
GB2593482A (en) | A method for associating a traffic light detection for an at least partially autonomous motor vehicle, as well as an assistance system | |
CN110889409A (zh) | 汽车雷达监测优化方法、装置、设备及存储介质 | |
JP2019174757A (ja) | 音声認識装置 | |
CN115230725B (zh) | 一种驾驶辅助系统控制方法及装置 | |
CN113487909B (zh) | 一种基于声纹识别的弯道对向车预警方法及系统 | |
EP4258009A1 (en) | Scene classification method, apparatus and computer program product |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201027 |
|
RJ01 | Rejection of invention patent application after publication |