CN112861608A - 一种分心驾驶行为的检测方法及系统 - Google Patents
一种分心驾驶行为的检测方法及系统 Download PDFInfo
- Publication number
- CN112861608A CN112861608A CN202011596966.8A CN202011596966A CN112861608A CN 112861608 A CN112861608 A CN 112861608A CN 202011596966 A CN202011596966 A CN 202011596966A CN 112861608 A CN112861608 A CN 112861608A
- Authority
- CN
- China
- Prior art keywords
- image
- driving behavior
- area image
- preprocessing
- channel
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 230000006399 behavior Effects 0.000 title claims abstract description 55
- 238000007781 pre-processing Methods 0.000 claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000003213 activating effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 2
- 230000009471 action Effects 0.000 abstract description 7
- 230000000391 smoking effect Effects 0.000 abstract description 6
- 230000020595 eating behavior Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06F18/21—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
- G06N3/048—Activation functions
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)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于计算机视觉技术领域，提供了一种分心驾驶行为的检测方法，包括步骤：S1、通过预设方式获取驾驶员驾驶行为的实时图像；S2、通过CNN神经网络将所述图像进行图像前处理，并将处理后的图像分为有人区域图像或无人区域图像；S3、将分类后的图像通过分心驾驶行为的训练模型进行分心驾驶行为检测，并得到检测结果。本发明还提供了一种分心驾驶行为检测系统，本发明的优点在于通过融合了注意力机制的目标检测网络CenterNet，使其能够识别驾驶时抽烟动作和进食行为，对于分心驾驶行为，能够实时准确地检测出驾驶员驾驶过程中在分心行为，检测精度高。
Description
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种分心驾驶行为的检测方法及系统。
背景技术
开车时如果存在分心行为，会对交通安全造成严重的安全隐患。
目前随着科技的发展，交通事故的数量在与日俱增，造成交通事故的主要原因是司机的分心行为。这些分心行为是由于司机在开车时关注了分心物，其中进食行为和抽烟动作是最为常见的驾驶分心行为。
因此，对分心驾驶行为进行检测和识别并发出预警可以消除潜在的风险，是保证驾驶员安全驾驶的重要手段。
发明内容
本发明要解决的技术问题目的在于提供一种分心驾驶行为的模型训练方法及检测方法，用以解决对于驾驶员分心行为检测不精确的问题；
为了实现上述目的，本发明采用的技术方案为：
一种分心驾驶行为的检测方法，包括步骤：
S1、通过预设方式获取驾驶员驾驶行为的实时图像；
S2、通过CNN神经网络将所述图像进行图像前处理，并将处理后的图像分为有人区域图像或无人区域图像；
S3、将分类后的图像通过分心驾驶行为的训练模型进行分心驾驶行为检测，并得到检测结果。
进一步的，步骤S3中得到分心驾驶行为的训练模型的具体步骤为：
S31、通过预设方式获取不同时间段驾驶员分心驾驶行为的多个图像，并建立对应的数据集；
S32、通过CNN神经网络将所述数据集进行图像前处理，并将处理后的图像分为有人区域图像或无人区域图像，建立对应的有人区域图像数据子集和无人区域图像数据子集；
S33、通过包含有注意力机制模块的CenterNet网络对两类数据子集中的图像进行增强特征提取；
S34、通过包含增强特征的图像对CenterNet网络进行目标检测训练得到训练模型。
进一步的，步骤S32的具体步骤为：
S321、将数据集中的图像进行预处理；
S322、将预处理后的图像通过CNN神经网络进行图像处理；
S323、将通过CNN神经网络处理后的图像分为有人区域图像或无人区域图像，并建立对应的有人区域图像数据子集和无人区域图像数据子集。
进一步的，步骤S321中对数据集中的图像进行预处理的方法包括平移、缩放、水平翻转和颜色变换，并且每个预处理后的图像都是通过图像预处理方法中的多种随机组合变换得到的。
进一步的，步骤S33的具体步骤为：
S331、将数据子集中的图像输入到CenterNet网络；
S332、顺着空间维度进行特征压缩，将每个二维的特征通道变成一个实数，并且输出的维度和输入的特征通道数相匹配；
S333、通过预设参数为每个特征通道生成权重；
S334、将输出的权重通过乘法逐通道加权到先前的特征上，完成在通道维度上对原始特征的重标定；
S335、将特征经过ReLu激活后再通过一个全连接层上采样到原来的维度；
S336、将通过Sigmoid函数的门获得的归一化权重通过尺寸归一化处理把权重加权到每个通道的特征上，得到增强后的特征。
一种分心驾驶行为的检测系统，包括：
图像获取模块，用于通过预设方式获取驾驶员驾驶行为的实时图像；
图像前处理模块，用于通过CNN神经网络将所述图像进行图像前处理，并将处理后的图像分为有人区域图像或无人区域图像；
图像检测模块，用于将分类后的图像通过分心驾驶行为的训练模型进行分心驾驶行为检测，并得到检测结果。
进一步的，图像检测模块具体包括：
图像采集与储存单元，用于通过预设方式获取不同时间段驾驶员分心驾驶行为的多个图像，并建立对应的数据集；
图像前处理与储存单元，用于通过CNN神经网络将所述数据集进行图像前处理，并将处理后的图像分为有人区域图像或无人区域图像，建立对应的有人区域图像数据子集和无人区域图像数据子集；
增强特征提取单元，用于通过包含有注意力机制模块的CenterNet网络对两类数据子集中的图像进行增强特征提取；
训练单元，通过包含增强特征的图像对CenterNet网络进行目标检测训练得到训练模型。
进一步的，图像前处理与存储单元包括：
图像预处理子单元，用于将数据集中的图像进行预处理；
图像处理子单元，用于将预处理后的图像通过CNN神经网络进行图像处理；
图像分类与存储子单元，将通过CNN神经网络处理后的图像分为有人区域图像或无人区域图像，并建立对应的数据子集。
进一步的，增强特征提取单元包括：
图像输入子单元，用于将数据子集中的图像输入到CenterNet网络；
特征压缩子单元，用于顺着空间维度进行特征压缩，将每个二维的特征通道变成一个实数，并且输出的维度和输入的特征通道数相匹配；
权重设定子单元，用于通过预设参数为每个特征通道生成权重；
特征重标定子单元，用于将输出的权重通过乘法逐通道加权到先前的特征上，完成在通道维度上对原始特征的重标定；
特征采样子单元，用于将特征经过ReLu激活后再通过一个全连接层上采样到原来的维度；
归一化处理子单元，用于将通过Sigmoid函数的门获得的归一化权重通过尺寸归一化处理把权重加权到每个通道的特征上，得到增强后的特征。
本发明与现有技术相比，至少包含以下有益效果：
（1）本发明所提出的检测方法通过使用简单的快速的二分类网络对图像进行前处理，减少因背景的不同造成的噪声干扰，并且在处理时不会破坏图像的特征信息，尤其是在针对小目标的信息；
（2）本发明所提出的检测方法通过融合了注意力机制的目标检测网络CenterNet，使其能够识别驾驶时抽烟动作和进食行为；
（3）本发明所提出的检测系统，对于分心驾驶行为，能够实时准确地检测出驾驶员在驾驶过程中分心行为，检测精度高。
附图说明
图1是本发明实施例一的总体流程图。
图2是本发明实施例一中步骤S3的流程图。
图3是本发明实施例一中步骤S32的流程图。
图4是本发明实施例一中CNN网络的结构框架图。
图5是本发明实施例一中步骤S33的流程图。
图6a是有人区域下本发明检测方法和常见结合注意力机制模块的CenterNet的检测结果图。
图6b是无人区域下本发明检测方法和常见结合注意力机制模块的CenterNet的检测结果图。
图6c是本发明和几个代表性检测网络的测试比较图。
具体实施方式
以下是本发明的具体实施例，并结合附图对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
实施例一
如图1所示，本发明一种分心驾驶行为的检测方法，其特征在于，包括步骤：
S1、通过摄像头拍摄方式获取驾驶员驾驶行为的实时图像；
S2、通过CNN神经网络将所述图像进行图像前处理，并将处理后的图像分为有人区域图像或无人区域图像；
S3、将分类后的图像通过分心驾驶行为的训练模型进行分心驾驶行为检测，并得到检测结果。
进一步的，如图2所示，步骤S3中得到分心驾驶行为的训练模型的具体步骤为：
S31、通过拍照方式获取不同时间段驾驶员分心驾驶行为的多个图像，并建立对应的数据集；
S32、通过CNN神经网络将所述数据集进行图像前处理，并将处理后的图像分为有人区域和无人区域两类图像，建立对应的有人区域图像数据子集和无人区域图像数据子集；
S33、通过包含有注意力机制模块的CenterNet网络对两类数据子集中的图像进行增强特征提取；
S34、通过包含增强特征的图像对CenterNet网络进行目标检测训练得到训练模型。
进一步的，如图3所示，步骤S32的具体步骤为：
S321、将数据集中的图像进行预处理；
对数据集中的图像进行预处理的方法包括平移、缩放、水平翻转和颜色变换，并且每个预处理后的图像都是通过图像预处理方法中的多种随机组合变换得到的。
同时，这些图像涵盖了不同的光照、拍摄角度、分辨率，背景等，满足了训练样品多样性的需求。
S322、将预处理后的图像通过CNN神经网络进行图像处理；
S323、将通过CNN神经网络处理后的图像分为有人区域图像和无人区域图像，并建立对应的有人区域图像数据子集和无人区域图像数据子集。
在目标检测中，图像质量的好坏直接影响检测的精度，因此在图像处理的特征提取和识别前，需要进行预处理。图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性、最大限度地简化数据，从而改进特征提取、图像分割、匹配和识别的可靠性。
本发明基于CNN神经网络的二分类方法可以有效快速的将数据集分为有人区域和无人区域两类子集，这样可以减少因背景的不同造成的噪声干扰，并且在处理时不会破坏图像的特征信息，尤其是在针对小目标的信息；其中，CNN网络结构框架如图4所示。
进一步的，如图5所示，步骤S33的具体步骤为：
S331、将数据子集中的图像输入到CenterNet网络；
S332、顺着空间维度进行特征压缩，将每个二维的特征通道变成一个实数，并且输出的维度和输入的特征通道数相匹配。
这个实数某种程度上具有全局的感受野，并且输出的维度和输入的特征通道数相匹配，它表示着在特征通道上响应的全局分布，而且使得靠近输入的层也可以获得全局的感受野。
S333、通过预设参数为每个特征通道生成权重；
它是一个类似于循环神经网络中门的机制，其中参数被学习用来显示建模特征通道间的相关性。
S334、将输出的权重通过乘法逐通道加权到先前的特征上，完成在通道维度上对原始特征的重标定；
S335、将特征经过ReLu激活后再通过一个全连接层上采样到原来的维度；
本发明比直接用一个全连接层的优点在于：第一，具有更多的非线性，可以更好地拟合通道间复杂的相关性；第二，极大地减少了参数量和计算量。
S336、将通过Sigmoid函数的门获得的归一化权重通过尺寸归一化处理把权重加权到每个通道的特征上，得到增强后的特征。
所有增强的特征组成了最终的特征图。增强后的特征图能更好地减少对分心驾驶检测的干扰，这大大提高了检测的准确性。
如图6所示，本发明通过融合了注意力机制的目标检测网络CenterNet，使其能够识别驾驶时的抽烟动作和进食行为，检测精度高。
其中，图6（a）为在有人区域下，本文的融合了SCEA（空间和通道增强注意力机制）的CenterNet检测方法和几种常见的注意力机制模块相结合后的CenterNet的检测结果比较，通过大量的实验，可以从图中看出，检测的精准率是有大幅度提升的，召回率也稍有改进的。
图6b显示了在无人区域下，本文的融合了SCEA（空间和通道增强注意力机制）的CenterNet检测方法和几种常见的注意力机制模块相结合后的CenterNet的检测结果比较。通过实验结果显示，可以看出SCEA-CenterNet方法在无人区域下，在检测速度基本不变的情况下，检测的精准率和召回率均有所提升。
为了验证本发明方法的性能，在相同的数据集下，使用了几个代表性的网络进行了比较和分析，然后对实验结果进行了详细的解释，如图6c所示，从实验结果可以看出，与其他主流的方法相比，本文提出的方法可以有效的提高检测mAP，同时在召回率方面性能也优于现有的其他网络。
本发明所提出的检测方法通过使用简单的快速的二分类网络对图像进行前处理，减少因背景的不同造成的噪声干扰，并且在处理时不会破坏图像的特征信息，尤其是在针对小目标的信息；本发明所提出的检测方法通过融合了注意力机制的目标检测网络CenterNet，使其能够识别驾驶时抽烟动作和进食行为。
实施例二
本发明一种分心驾驶行为的系统，包括：
图像获取模块，用于通过预设方式获取驾驶员驾驶行为的实时图像；
图像前处理模块，用于通过CNN神经网络将所述图像进行图像前处理，并将处理后的图像分为有人区域图像或无人区域图像；
图像检测模块，用于将分类后的图像通过分心驾驶行为的训练模型进行分心驾驶行为检测，并得到检测结果。
其中，图像检测模块具体包括：
图像采集与储存单元，用于通过预设方式获取不同时间段驾驶员分心驾驶行为的多个图像，并建立对应的数据集；
图像前处理与储存单元，用于通过CNN神经网络将所述数据集进行图像前处理，并将处理后的图像分为有人区域和无人区域两类图像，建立对应的有人区域图像数据子集和无人区域图像数据子集；
增强特征提取单元，用于通过包含有注意力机制模块的CenterNet网络对两类数据子集中的图像进行增强特征提取；
训练单元，通过包含增强特征的图像对CenterNet网络进行目标检测训练得到训练模型。
进一步的，图像前处理与存储单元包括：
图像预处理子单元，用于将数据集中的图像进行预处理；
图像处理子单元，用于将预处理后的图像通过CNN神经网络进行图像处理；
图像分类与存储子单元，将通过CNN神经网络处理后的图像分为有人区域图像和无人区域图像，并建立对应的数据子集。
进一步的，增强特征提取单元包括：
图像输入子单元，用于将数据子集中的图像输入到CenterNet网络；
特征压缩子单元，用于顺着空间维度进行特征压缩，将每个二维的特征通道变成一个实数，并且输出的维度和输入的特征通道数相匹配；
权重设定子单元，用于通过预设参数为每个特征通道生成权重；
特征重标定子单元，用于将输出的权重通过乘法逐通道加权到先前的特征上，完成在通道维度上对原始特征的重标定；
特征采样子单元，用于将特征经过ReLu激活后再通过一个全连接层上采样到原来的维度；
归一化处理子单元，用于将通过Sigmoid函数的门获得的归一化权重通过尺寸归一化处理把权重加权到每个通道的特征上，得到增强后的特征。
本发明所提出的检测系统通过使用简单的快速的二分类网络对图像进行前处理，减少因背景的不同造成的噪声干扰，并且在处理时不会破坏图像的特征信息，尤其是在针对小目标的信息；本发明所提出的检测系统通过融合了注意力机制的目标检测网络CenterNet，使其能够识别驾驶时抽烟动作和进食行为。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.一种分心驾驶行为的检测方法，其特征在于，包括步骤：
S1、通过预设方式获取驾驶员驾驶行为的实时图像；
S2、通过CNN神经网络将所述图像进行图像前处理，并将处理后的图像分为有人区域图像或无人区域图像；
S3、将分类后的图像通过分心驾驶行为的训练模型进行分心驾驶行为检测，并得到检测结果。
2.根据权利要求1所述的一种分心驾驶行为的检测方法，其特征在于，
步骤S3中得到分心驾驶行为的训练模型的具体步骤为：
S31、通过预设方式获取不同时间段驾驶员分心驾驶行为的多个图像，并建立对应的数据集；
S32、通过CNN神经网络将所述数据集进行图像前处理，并将处理后的图像分为有人区域图像或无人区域图像，建立对应的有人区域图像数据子集和无人区域图像数据子集；
S33、通过包含有注意力机制模块的CenterNet网络对两类数据子集中的图像进行增强特征提取；
S34、通过包含增强特征的图像对CenterNet网络进行目标检测训练得到训练模型。
3.根据权利要求2所述的一种分心驾驶行为的检测方法，其特征在于，步骤S32的具体步骤为：
S321、将数据集中的图像进行预处理；
S322、将预处理后的图像通过CNN神经网络进行图像处理；
S323、将通过CNN神经网络处理后的图像分为有人区域图像或无人区域图像，并建立对应的有人区域图像数据子集和无人区域图像数据子集。
4.根据权利要求3所述的一种分心驾驶行为的检测方法，其特征在于，步骤S321中对数据集中的图像进行预处理的方法包括平移、缩放、水平翻转和颜色变换，并且每个预处理后的图像都是通过图像预处理方法中的多种随机组合变换得到的。
5.根据权利要求2所述的一种分心驾驶行为的检测方法，其特征在于，步骤S33的具体步骤为：
S331、将数据子集中的图像输入到CenterNet网络；
S332、顺着空间维度进行特征压缩，将每个二维的特征通道变成一个实数，并且输出的维度和输入的特征通道数相匹配；
S333、通过预设参数为每个特征通道生成权重；
S334、将输出的权重通过乘法逐通道加权到先前的特征上，完成在通道维度上对原始特征的重标定；
S335、将特征经过ReLu激活后再通过一个全连接层上采样到原来的维度；
S336、将通过Sigmoid函数的门获得的归一化权重通过尺寸归一化处理把权重加权到每个通道的特征上，得到增强后的特征。
6.一种分心驾驶行为的检测系统，其特征在于，包括：
图像获取模块，用于通过预设方式获取驾驶员驾驶行为的实时图像；
图像前处理模块，用于通过CNN神经网络将所述图像进行图像前处理，并将处理后的图像分为有人区域图像或无人区域图像；
图像检测模块，用于将分类后的图像通过分心驾驶行为的训练模型进行分心驾驶行为检测，并得到检测结果。
7.根据权利要求6述的一种分心驾驶行为的检测系统，其特征在于，图像检测模块具体包括：
图像采集与储存单元，用于通过预设方式获取不同时间段驾驶员分心驾驶行为的多个图像，并建立对应的数据集；
图像前处理与储存单元，用于通过CNN神经网络将所述数据集进行图像前处理，并将处理后的图像分为有人区域图像或无人区域图像，建立对应的有人区域图像数据子集和无人区域图像数据子集；
增强特征提取单元，用于通过包含有注意力机制模块的CenterNet网络对两类数据子集中的图像进行增强特征提取；
训练单元，通过包含增强特征的图像对CenterNet网络进行目标检测训练得到训练模型。
8.根据权利要求7所述的一种分心驾驶行为的检测系统，其特征在于，图像前处理单元包括：
图像预处理子单元，用于将数据集中的图像进行预处理；
图像处理子单元，用于将预处理后的图像通过CNN神经网络进行图像处理；
图像分类与存储子单元，将通过CNN神经网络处理后的图像分为有人区域图像或无人区域图像，并建立对应的数据子集。
9.根据权利要求7所述的一种分心驾驶行为的检测系统，其特征在于，增强特征提取单元包括：
图像输入子单元，用于将数据子集中的图像输入到CenterNet网络；
特征压缩子单元，用于顺着空间维度进行特征压缩，将每个二维的特征通道变成一个实数，并且输出的维度和输入的特征通道数相匹配；
权重设定子单元，用于通过预设参数为每个特征通道生成权重；
特征重标定子单元，用于将输出的权重通过乘法逐通道加权到先前的特征上，完成在通道维度上对原始特征的重标定；
特征采样子单元，用于将特征经过ReLu激活后再通过一个全连接层上采样到原来的维度；
归一化处理子单元，用于将通过Sigmoid函数的门获得的归一化权重通过尺寸归一化处理把权重加权到每个通道的特征上，得到增强后的特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011596966.8A CN112861608A (zh) | 2020-12-30 | 2020-12-30 | 一种分心驾驶行为的检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011596966.8A CN112861608A (zh) | 2020-12-30 | 2020-12-30 | 一种分心驾驶行为的检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112861608A true CN112861608A (zh) | 2021-05-28 |
Family
ID=75998208
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011596966.8A Pending CN112861608A (zh) | 2020-12-30 | 2020-12-30 | 一种分心驾驶行为的检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112861608A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114255454A (zh) * | 2021-12-16 | 2022-03-29 | 杭州电子科技大学 | 分心检测模型的训练方法、分心检测方法及装置 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050154505A1 (en) * | 2003-12-17 | 2005-07-14 | Koji Nakamura | Vehicle information display system |
| CN102779270A (zh) * | 2012-06-21 | 2012-11-14 | 西南交通大学 | 一种针对购物图像搜索的目标衣物图像提取方法 |
| CN107122698A (zh) * | 2016-07-19 | 2017-09-01 | 安徽大学 | 一种基于卷积神经网络的电影院实时上座率统计方法 |
| CN108764034A (zh) * | 2018-04-18 | 2018-11-06 | 浙江零跑科技有限公司 | 一种基于驾驶室近红外相机的分神驾驶行为预警方法 |
| CN109063586A (zh) * | 2018-07-11 | 2018-12-21 | 东南大学 | 一种基于候选优化的Faster R-CNN驾驶员检测方法 |
| CN109961049A (zh) * | 2019-03-27 | 2019-07-02 | 东南大学 | 一种复杂场景下香烟品牌识别方法 |
| CN110431036A (zh) * | 2017-03-16 | 2019-11-08 | 高通股份有限公司 | 经由汽车中心的安全驾驶支持 |
| CN110796109A (zh) * | 2019-11-05 | 2020-02-14 | 哈尔滨理工大学 | 一种基于模型融合的驾驶员分心行为识别方法 |
| CN111062319A (zh) * | 2019-12-16 | 2020-04-24 | 武汉极目智能技术有限公司 | 一种基于主动红外图像的驾驶员打电话检测方法 |
| CN111301428A (zh) * | 2018-12-11 | 2020-06-19 | 上汽通用汽车有限公司 | 机动车驾驶员分心检测警示方法、系统及机动车 |
| CN111553275A (zh) * | 2020-04-28 | 2020-08-18 | 厦门博海中天信息科技有限公司 | 基于ai及热成像的吸烟监测方法、模块、设备及介质 |
| CN111553310A (zh) * | 2020-05-08 | 2020-08-18 | 中国电子科技集团公司第三十八研究所 | 基于毫米波雷达的安检图像获取方法、系统及安检设备 |
| CN111582213A (zh) * | 2020-05-15 | 2020-08-25 | 北京铁科时代科技有限公司 | 一种基于Centernet的汽车识别方法 |
| CN111695535A (zh) * | 2020-06-16 | 2020-09-22 | 浙江工业大学 | 一种基于多粒度特征与中层特征的分心驾驶检测方法 |
| CN111738206A (zh) * | 2020-07-08 | 2020-10-02 | 浙江浙能天然气运行有限公司 | 基于CenterNet的用于无人机巡检的挖掘机检测方法 |
| CN111832434A (zh) * | 2020-06-23 | 2020-10-27 | 广州市保伦电子有限公司 | 一种保护隐私下的校园抽烟行为识别方法及处理终端 |
| CN111898430A (zh) * | 2020-06-25 | 2020-11-06 | 北京电通慧梯物联网科技有限公司 | 基于深度学习的电梯轿厢人员智能识别方法 |
| CN112132015A (zh) * | 2020-09-22 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 违规驾驶姿势的检测方法、装置、介质和电子设备 |
-
2020
- 2020-12-30 CN CN202011596966.8A patent/CN112861608A/zh active Pending
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050154505A1 (en) * | 2003-12-17 | 2005-07-14 | Koji Nakamura | Vehicle information display system |
| CN102779270A (zh) * | 2012-06-21 | 2012-11-14 | 西南交通大学 | 一种针对购物图像搜索的目标衣物图像提取方法 |
| CN107122698A (zh) * | 2016-07-19 | 2017-09-01 | 安徽大学 | 一种基于卷积神经网络的电影院实时上座率统计方法 |
| CN110431036A (zh) * | 2017-03-16 | 2019-11-08 | 高通股份有限公司 | 经由汽车中心的安全驾驶支持 |
| CN108764034A (zh) * | 2018-04-18 | 2018-11-06 | 浙江零跑科技有限公司 | 一种基于驾驶室近红外相机的分神驾驶行为预警方法 |
| CN109063586A (zh) * | 2018-07-11 | 2018-12-21 | 东南大学 | 一种基于候选优化的Faster R-CNN驾驶员检测方法 |
| CN111301428A (zh) * | 2018-12-11 | 2020-06-19 | 上汽通用汽车有限公司 | 机动车驾驶员分心检测警示方法、系统及机动车 |
| CN109961049A (zh) * | 2019-03-27 | 2019-07-02 | 东南大学 | 一种复杂场景下香烟品牌识别方法 |
| CN110796109A (zh) * | 2019-11-05 | 2020-02-14 | 哈尔滨理工大学 | 一种基于模型融合的驾驶员分心行为识别方法 |
| CN111062319A (zh) * | 2019-12-16 | 2020-04-24 | 武汉极目智能技术有限公司 | 一种基于主动红外图像的驾驶员打电话检测方法 |
| CN111553275A (zh) * | 2020-04-28 | 2020-08-18 | 厦门博海中天信息科技有限公司 | 基于ai及热成像的吸烟监测方法、模块、设备及介质 |
| CN111553310A (zh) * | 2020-05-08 | 2020-08-18 | 中国电子科技集团公司第三十八研究所 | 基于毫米波雷达的安检图像获取方法、系统及安检设备 |
| CN111582213A (zh) * | 2020-05-15 | 2020-08-25 | 北京铁科时代科技有限公司 | 一种基于Centernet的汽车识别方法 |
| CN111695535A (zh) * | 2020-06-16 | 2020-09-22 | 浙江工业大学 | 一种基于多粒度特征与中层特征的分心驾驶检测方法 |
| CN111832434A (zh) * | 2020-06-23 | 2020-10-27 | 广州市保伦电子有限公司 | 一种保护隐私下的校园抽烟行为识别方法及处理终端 |
| CN111898430A (zh) * | 2020-06-25 | 2020-11-06 | 北京电通慧梯物联网科技有限公司 | 基于深度学习的电梯轿厢人员智能识别方法 |
| CN111738206A (zh) * | 2020-07-08 | 2020-10-02 | 浙江浙能天然气运行有限公司 | 基于CenterNet的用于无人机巡检的挖掘机检测方法 |
| CN112132015A (zh) * | 2020-09-22 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 违规驾驶姿势的检测方法、装置、介质和电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| ZONGYONG CUI, ET AL.: ""Ship Detection in large-scale SAR Images Via Spatial Shuffle-Group Enhance Attention"", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, pages 379 - 391 * |
| 杨淼;肖伟华;韩志刚;郁草凌;: "神经网络算法在PIR专用处理器上的实现", 电子测量技术, no. 21 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114255454A (zh) * | 2021-12-16 | 2022-03-29 | 杭州电子科技大学 | 分心检测模型的训练方法、分心检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109284738B (zh) | 不规则人脸矫正方法和系统 | |
| CN111898523A (zh) | 一种基于迁移学习的遥感图像特种车辆目标检测方法 | |
| CN112446270A (zh) | 行人再识别网络的训练方法、行人再识别方法和装置 | |
| CN112818722B (zh) | 模块化动态可配置的活体人脸识别系统 | |
| FR2674339A1 (fr) | Procede et appareil pour detecter des cibles dans des images sonar. | |
| CN109508636A (zh) | 车辆属性识别方法、装置、存储介质及电子设备 | |
| CN114550110A (zh) | 一种基于无监督域适应的车辆重识别方法及系统 | |
| CN115131503A (zh) | 一种虹膜三维识别的健康监测方法及其系统 | |
| CN115375991A (zh) | 一种强/弱光照和雾环境自适应目标检测方法 | |
| CN112861608A (zh) | 一种分心驾驶行为的检测方法及系统 | |
| Babu et al. | An efficient image dahazing using Googlenet based convolution neural networks | |
| CN113255549A (zh) | 一种狼群围猎行为状态智能识别方法及系统 | |
| CN115797970B (zh) | 基于YOLOv5模型的密集行人目标检测方法及系统 | |
| CN117152625A (zh) | 一种基于CoordConv和YOLOv5的遥感小目标识别方法、系统、设备及介质 | |
| CN116758419A (zh) | 针对遥感图像的多尺度目标检测方法、装置和设备 | |
| CN115359464A (zh) | 基于深度学习的机动车驾驶员危险驾驶行为检测方法 | |
| CN112686103B (zh) | 一种车路协同的疲劳驾驶监测系统 | |
| CN115116117A (zh) | 一种基于多模态融合网络的学习投入度数据的获取方法 | |
| CN113361336A (zh) | 基于注意力机制的视频监控场景下行人视图属性的定位与识别方法 | |
| CN114118199A (zh) | 一种用于智能泵腔体内窥镜故障诊断的图像分类方法及系统 | |
| CN113887489A (zh) | 基于位置增强和多尺度融合网络的车厢内人群计数方法 | |
| CN116385760B (zh) | 一种皮肤烟酸反应分类设备 | |
| Xu et al. | Super-resolution restoration of single vehicle image based on ESPCN-VISR model | |
| CN110796112A (zh) | 一种基于matlab的车内人脸识别系统 | |
| CN110110722A (zh) | 一种基于深度学习模型识别结果的区域检测修正方法 |
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 |