CN113033503A - 一种多特征融合的危险驾驶行为检测方法及系统 - Google Patents

一种多特征融合的危险驾驶行为检测方法及系统 Download PDF

Info

Publication number
CN113033503A
CN113033503A CN202110525459.3A CN202110525459A CN113033503A CN 113033503 A CN113033503 A CN 113033503A CN 202110525459 A CN202110525459 A CN 202110525459A CN 113033503 A CN113033503 A CN 113033503A
Authority
CN
China
Prior art keywords
driver
detecting
dangerous driving
driving behavior
coordinate information
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
CN202110525459.3A
Other languages
English (en)
Inventor
陈雪
王闯
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202110525459.3A priority Critical patent/CN113033503A/zh
Publication of CN113033503A publication Critical patent/CN113033503A/zh
Pending legal-status Critical Current

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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • 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
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种多特征融合的危险驾驶行为检测方法及系统属于图像处理、数据采集等技术领域；所述系统通过车载摄像头采集驾驶员图像信号并进行处理，检测驾驶员的若干种异常状态后给予提示，并将危险驾驶行为图像保存；所述方法包含以下内容：加载特定背景下训练的驾驶员面部检测模型，检测驾驶员面部特征点坐标信息，利用坐标信息检测驾驶员的疲劳程度；运用CNN网络训练表情识别模型，识别驾驶员的生气、恐惧、愤怒等影响安全驾驶的表情；建立驾驶员头部三维坐标信息，实时检测驾驶员头部偏转角度；检测驾驶员骨骼特征点信息，识别驾驶员危险驾驶动作，如打电话等；将以上特征采用模糊综合评价算法对驾驶员的驾驶专注度进行评分。

Description

一种多特征融合的危险驾驶行为检测方法及系统
技术领域
本发明涉及一种多特征融合的危险驾驶行为检测方法及系统属于图像信号处理、数据采集等技术领域。
背景技术
随着交通的发展与人们的生活水平的提高,车辆正在逐渐走进每家每户，成为人们的出行工具，给出行带来了巨大便利,私家车普及的同时交通事故造成的财产损失和人员伤亡也逐年增加。研究调查发现，疲劳驾驶、非正规驾驶、注意力不集中是引发道路事故的三个重要因素。因此，对危险驾驶行为进行有效检测成为了交通领域的研究热点。本发明通过疲劳驾驶检测，即基于嘴部运动识别的打哈欠检测和眼部运动的眯眼检测，判断驾驶员是否处于疲劳状态。本发明通过检测驾驶员头部的偏转角度，进一步判断驾驶员是否注意力在前方的行驶道路上。本发明通过建立驾驶员表情检测系统判断驾驶员是否出现过激的情绪影响安全驾驶，本发明通过检测驾驶员的骨骼特征点判断驾驶员是否进行不握方向盘、打电话等危险驾驶动作。本发明通过将上述内容进行整合，设计了一种多特征融合的危险驾驶行为检测方法及系统，能够有效的提醒驾驶员非正常驾驶操作，提高驾驶员的专注度，降低交通事故造成的财产损失和人员伤亡。
发明内容
本发明涉及一种多特征融合的危险驾驶行为检测方法及系统，尽可能的解决在上述背景技术中所提到的相关问题，从而达到该发明的系统设计能够帮助能够有效的提醒驾驶员非正常驾驶操作，提高驾驶员的专注度，降低交通事故造成的财产损失和人员伤亡。
本发明的目的是这样实现的：
一种多特征融合的危险驾驶行为检测方法及系统，所述系统包括以下内容：
所述系统通过车载摄像头采集驾驶员图像信号并进行处理，检测驾驶员的若干种异常状态后给予提示，并将危险驾驶行为图像保存；所述方法包含以下内容：加载特定背景下训练的驾驶员面部检测模型，检测驾驶员面部特征点坐标信息，利用坐标信息检测驾驶员的疲劳程度；运用CNN网络训练表情识别模型，识别驾驶员的生气、恐惧、愤怒等影响安全驾驶的表情；建立驾驶员头部三维坐标信息，实时检测驾驶员头部偏转角度；检测驾驶员骨骼特征点信息，识别驾驶员危险驾驶动作，如打电话等；将以上特征采用模糊综合评价算法对驾驶员的驾驶专注度进行评分。
一种多特征融合的危险驾驶行为检测方法及系统，所述方法包括以下步骤：
步骤一、采集大量的驾驶员在主驾驶位置上的图片信息，运用深度神经网络网络训练针对于驾驶室内的驾驶员面部图像信息并生成面部检测模型；
步骤二、使用步骤一生成的面部检测模型，提取驾驶员面部图像，计算驾驶员眼睛的张开程度与嘴部的张开程度，根据眼睛的张开程度与嘴部的张开程度公式，进一步判断驾驶员是否处于疲劳状态；
步骤三、根据步骤二所用公式，判断某时间段内的驾驶员的疲劳程度。
一种多特征融合的危险驾驶行为检测方法及系统，所述方法包括以下步骤：
步骤一、搭建卷积神经网络CNN；
步骤二、利用Fer2013人脸表情数据集训练步骤一的网络，能够识别生气、愤怒等表情并成成表情检测模型；
步骤三、利用步骤二模型对驾驶员的表情进行检测。
一种多特征融合的危险驾驶行为检测方法及系统，所述方法包括以下步骤：
步骤一、对驾驶员2D人脸进行关键点检测；
步骤二、建立驾驶员头部3D模型以及人3D脸模型匹配；
步骤三、计算3D点与2D点的角度转换关系；
步骤四、计算驾驶员头部偏转角。
一种多特征融合的危险驾驶行为检测方法及系统，所述方法包括以下步骤：
步骤一、加载骨骼关键点检测模型获取人体关节点坐标信息；
步骤二、加载手部关键点检测模型获取手部关节点坐标信息；
步骤三、根据关键点信息计算右手(左手)到右耳(左耳)的距离；
步骤四、计算左手或者右手到鼻子的距离；
步骤五、判断驾驶员是否在存在危险驾驶，如：抽烟，打电话等。
一种多特征融合的危险驾驶行为检测方法及系统，利用模糊综合评价算法，建立第一级评价因素，如：生气表情出现次数A1等，建立第二级评价因素，如：情绪状态分数S1等，利用层次分析法确定因素权重，最终得出驾驶员专注度得分。
本发明的有益效果是：
对驾驶员危险驾驶的检测融合了多维度的信息，通过检测驾驶员面部特征点坐标信息，利用坐标信息检测驾驶员的疲劳程度；运用CNN网络训练表情识别模型，识别驾驶员的影响安全驾驶的表情；检测驾驶员头部偏转角度；检测驾驶员骨骼特征点信息，识别驾驶员危险驾驶动作，如打电话等；将以上特征采用模糊综合评价算法进对驾驶员的驾驶专注度进行评分，能够有效的提醒驾驶员非正常驾驶操作，提高驾驶员的专注度，降低交通事故造成的财产损失和人员伤亡。
附图说明
图1.人脸检测网络结构图
图2.人脸特征点图
图3.表情检测网络结构图
图4.人体骨骼关键点图
图5.手部关键点图。
具体实施例
现在结合附图对本发明作进一步的详细说明。该附图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
具体实施例一
本实施例的一种多特征融合的危险驾驶行为检测方法及系统，其驾驶员面部检测所用的网络结构图如图1所示。
一种多特征融合的危险驾驶行为检测方法及系统，所述方法包括以下步骤：
步骤一、采集大量的驾驶员在主驾驶位置上的图片信息，运用上述的深度神经网络网络训练针对于驾驶室内的驾驶员面部图像信息并生成面部检测模型；
步骤二、使用步骤一生成的面部检测模型，提取驾驶员面部图像，提取面部图像的特征点，特征点图像如图2所示，利用嘴部特征点与眼部特征点的信息，计算驾驶员眼睛的张开程度MAR值与嘴部的张开程度MAR值，进一步判断驾驶员是否处于疲劳状态；
步骤三、根据步骤二所用公式，判断某时间段内的驾驶员的疲劳程度，疲劳时眼晴平均闭合时间是2.2秒，PERCLOS均值是32%，设计中采用的摄像头帧率为25帧/秒，正常人清醒状态每分钟眨眼10-20次，单次眨眼约持续0.2-0.4秒，当疲劳时，眨眼时间会增长，一般为1-2秒。根据上述信息，本设计根据眼睛闭合时间2.2秒以及PERCLOS均值32%作为疲劳标志的阈值，每次检测55帧眼睛图像，每3帧计算一次，若连续检测到18帧闭眼图像，则判定为疲劳。
本实施例的一种多特征融合的危险驾驶行为检测方法及系统，其用于表情识别的卷积神经网络CNN结构如图3所示，卷积神经网络模型网络层数共11层，其中包括6个卷积层、3个池化层、1个全连接层、1个输出层，输入为48×48像素单通道灰度图片，2个卷积层和1个池化层为一组，共3组，所述方法包括以下步骤：
步骤一、搭建用于表情识别的卷积神经网络CNN；
步骤二、利用Fer2013人脸表情数据集训练步骤一的网络，能够识别生气、愤怒、开心、等表情并生成表情检测模型；
步骤三、利用步骤二模型对驾驶员的表情进行检测。
具体实施例二
本实施例的一种多特征融合的危险驾驶行为检测方法及系统，在具体实施例一的基础上，所述方法包括以下步骤：
步骤一、利用实施例一中的对驾驶员2D人脸关键点，将视频流每秒随机截图一帧图像，图像尺寸大小为M×W，M为图像高，W为图像宽；
步骤二、建立驾驶员头部3D模型以及人3D脸模型匹配其主要公式如下所示：
其中平移矩阵是物体相对于摄像机的空间位置关系矩阵，用T表示，旋转矩阵是物体相对于摄像机的空间姿态变化关系矩阵，用R表示，用(U,V,W)表示世界坐标系，(X,Y,Z)表示摄像机坐标系，(x,y)表示像素坐标系，fx，fy表示摄像机焦距，cx，cy表示摄像机光轴在像素坐标系中偏移量；
步骤三、计算3D点与2D点的角度转换关系，选取驾驶员面部特征点，分别为左眉左上角、左眉右上角、右眉左上角、右眉右上角、左眼左外眼角、左眼右内眼角、右眼左内眼角、右眼右外眼角、鼻尖、嘴左嘴角、嘴右嘴角、下巴尖点，记录12特征点坐标信息；
步骤四、利用OpenCV中solvePnp()函数求解pnp问题，求解2D点和对应3D点的转换关系，获得人脸旋转和平移变量，获得旋转矩阵，根据旋转矩阵求解欧拉角，得到Pitch、Roll、Yaw角度值，计算驾驶员头部偏转角，确定驾驶员头部姿态；
步骤五、根据头部偏转角判断驾驶员是否注意行车前方；
步骤六、根据单位时间内的驾驶员点头次数判断其是否疲劳。
具体实施例三
本实施例的一种多特征融合的危险驾驶行为检测方法及系统，其利用的人体骨骼特征点如图4所示，手部特征点如图5所示，所述方法包括以下步骤：
步骤一、加载骨骼关键点检测模型获取人体关节点坐标信息；
步骤二、加载手部关键点检测模型获取手部关节点坐标信息；
步骤三、根据关键点信息计算右手(左手)到右耳(左耳)的距离，即点4到点16的距离或点7到点17的距离；
步骤四、编程计算左手或者右手到鼻子的距离，即点4到点0的距离或者点7到点0的距离；
步骤五、判断驾驶员是否在存在危险驾驶，如：抽烟，打电话等。
具体实施例四
本实施例的一种多特征融合的危险驾驶行为检测方法及系统，结合上述实施例，本实施例利用模糊综合评价算法，建立第一级评价因素，如：生气表情出现次数A1等，建立第二级评价因素，如：情绪状态分数S1等，利用层次分析法确定因素权重，最终得出驾驶员专注度得分，当出现驾驶员非正常状态的情况下，系统给出语音提示，从而有效的提醒驾驶员非正常驾驶操作，提高驾驶员的专注度。
一种多特征融合的危险驾驶行为检测方法及系统。在本发明的描述中，仅是为了便于简单描述本发明创造和简化描述，而不是指示或暗示所指的算法或过程必须具有特定的形式、以特定的构造和操作以及设计，因此不能理解为对本发明的限制。在以上实施例中，本领域技术人员能够根据排列组合的数学知识穷尽所有可能，本发明不再对排列组合后的技术方案进行一一说明，但应该理解为排列组合后的技术方案已经被本发明所公开。

Claims (6)

1.一种多特征融合的危险驾驶行为检测方法及系统，其特征在于，所述系统包括以下内容：
所述系统通过车载摄像头采集驾驶员图像信号并进行处理，检测驾驶员的若干种异常状态后给予提示，并将危险驾驶行为图像保存；所述方法包含以下内容：加载特定背景下训练的驾驶员面部检测模型，检测驾驶员面部特征点坐标信息，利用坐标信息检测驾驶员的疲劳程度；运用CNN网络训练表情识别模型，识别驾驶员的生气、恐惧、愤怒等影响安全驾驶的表情；建立驾驶员头部三维坐标信息，实时检测驾驶员头部偏转角度；检测驾驶员骨骼特征点信息，识别驾驶员危险驾驶动作，如打电话等；将以上特征采用模糊综合评价算法对驾驶员的驾驶专注度进行评分。
2.根据权利要求书1所述的，一种多特征融合的危险驾驶行为检测方法及系统，其特征在于，所述方法包括以下步骤：
步骤一、采集大量的驾驶员在主驾驶位置上的图片信息，运用深度神经网络网络训练针对于驾驶室内的驾驶员面部图像信息并生成面部检测模型；
步骤二、使用步骤一生成的面部检测模型，提取驾驶员面部图像，计算驾驶员眼睛的张开程度与嘴部的张开程度，根据眼睛的张开程度与嘴部的张开程度公式，进一步判断驾驶员是否处于疲劳状态；
步骤三、根据步骤二所用公式，判断某时间段内的驾驶员的疲劳程度。
3.根据权利要求书1所述的，一种多特征融合的危险驾驶行为检测方法及系统，其特征在于，所述方法包括以下步骤：
步骤一、搭建用于面部表情识别的卷积神经网络CNN；
步骤二、利用Fer2013人脸表情数据集训练步骤一的网络，能够识别生气、愤怒等表情并成成表情检测模型；
步骤三、利用步骤二模型对驾驶员的表情进行检测。
4.根据权利要求书1所述的，一种多特征融合的危险驾驶行为检测方法及系统，其特征在于，所述方法包括以下步骤：
步骤一、对驾驶员2D人脸进行关键点检测；
步骤二、建立驾驶员头部3D模型以及人3D脸模型匹配；
步骤三、计算3D点与2D点的角度转换关系；
步骤四、计算驾驶员头部偏转角。
5.根据权利要求书1所述的，一种多特征融合的危险驾驶行为检测方法及系统，其特征在于，所述方法包括以下步骤：
步骤一、加载骨骼关键点检测模型获取人体关节点坐标信息；
步骤二、加载手部关键点检测模型获取手部关节点坐标信息；
步骤三、根据关键点信息计算右手(左手)到右耳(左耳)的距离；
步骤四、计算左手或者右手到鼻子的距离；
步骤五、判断驾驶员是否在存在危险驾驶，如：抽烟，打电话等。
6.根据权利要求书1所述的，一种多特征融合的危险驾驶行为检测方法及系统，其特征在于：利用模糊综合评价算法，建立第一级评价因素，如：生气表情出现次数A1等，建立第二级评价因素，如：情绪状态分数S1等，利用层次分析法确定因素权重，最终得出驾驶员专注度得分 。
CN202110525459.3A 2021-05-14 2021-05-14 一种多特征融合的危险驾驶行为检测方法及系统 Pending CN113033503A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110525459.3A CN113033503A (zh) 2021-05-14 2021-05-14 一种多特征融合的危险驾驶行为检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110525459.3A CN113033503A (zh) 2021-05-14 2021-05-14 一种多特征融合的危险驾驶行为检测方法及系统

Publications (1)

Publication Number Publication Date
CN113033503A true CN113033503A (zh) 2021-06-25

Family

ID=76455986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110525459.3A Pending CN113033503A (zh) 2021-05-14 2021-05-14 一种多特征融合的危险驾驶行为检测方法及系统

Country Status (1)

Country Link
CN (1) CN113033503A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113415286A (zh) * 2021-07-14 2021-09-21 重庆金康赛力斯新能源汽车设计院有限公司 路怒检测方法和设备
CN113762213A (zh) * 2021-09-28 2021-12-07 杭州鸿泉物联网技术股份有限公司 危险驾驶行为检测方法、电子设备以及系统
CN114663863A (zh) * 2022-02-24 2022-06-24 北京百度网讯科技有限公司 图像处理方法、装置、电子设备和计算机存储介质
CN115439918A (zh) * 2022-10-27 2022-12-06 天津中德应用技术大学 一种驾驶员状态的监测方法、系统及可读存储介质
CN115439836A (zh) * 2022-11-09 2022-12-06 成都工业职业技术学院 一种基于计算机的健康驾驶辅助方法及系统
CN115641570A (zh) * 2022-12-26 2023-01-24 中国汽车技术研究中心有限公司 驾驶行为确定方法、装置、电子设备和存储介质
CN116311181A (zh) * 2023-03-21 2023-06-23 重庆利龙中宝智能技术有限公司 一种异常驾驶的快速检测方法及系统
CN116912808A (zh) * 2023-09-14 2023-10-20 四川公路桥梁建设集团有限公司 架桥机控制方法、电子设备和计算机可读介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106781282A (zh) * 2016-12-29 2017-05-31 天津中科智能识别产业技术研究院有限公司 一种智能行车驾驶员疲劳预警系统
CN109977930A (zh) * 2019-04-29 2019-07-05 中国电子信息产业集团有限公司第六研究所 疲劳驾驶检测方法及装置
CN111797662A (zh) * 2019-04-08 2020-10-20 财团法人交大思源基金会 评估驾驶者的疲劳分数的方法
CN112016457A (zh) * 2020-08-27 2020-12-01 青岛慕容信息科技有限公司 驾驶员分神以及危险驾驶行为识别方法、设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106781282A (zh) * 2016-12-29 2017-05-31 天津中科智能识别产业技术研究院有限公司 一种智能行车驾驶员疲劳预警系统
CN111797662A (zh) * 2019-04-08 2020-10-20 财团法人交大思源基金会 评估驾驶者的疲劳分数的方法
CN109977930A (zh) * 2019-04-29 2019-07-05 中国电子信息产业集团有限公司第六研究所 疲劳驾驶检测方法及装置
CN112016457A (zh) * 2020-08-27 2020-12-01 青岛慕容信息科技有限公司 驾驶员分神以及危险驾驶行为识别方法、设备和存储介质

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113415286A (zh) * 2021-07-14 2021-09-21 重庆金康赛力斯新能源汽车设计院有限公司 路怒检测方法和设备
CN113762213A (zh) * 2021-09-28 2021-12-07 杭州鸿泉物联网技术股份有限公司 危险驾驶行为检测方法、电子设备以及系统
CN114663863A (zh) * 2022-02-24 2022-06-24 北京百度网讯科技有限公司 图像处理方法、装置、电子设备和计算机存储介质
CN115439918A (zh) * 2022-10-27 2022-12-06 天津中德应用技术大学 一种驾驶员状态的监测方法、系统及可读存储介质
CN115439836A (zh) * 2022-11-09 2022-12-06 成都工业职业技术学院 一种基于计算机的健康驾驶辅助方法及系统
CN115439836B (zh) * 2022-11-09 2023-02-07 成都工业职业技术学院 一种基于计算机的健康驾驶辅助方法及系统
CN115641570A (zh) * 2022-12-26 2023-01-24 中国汽车技术研究中心有限公司 驾驶行为确定方法、装置、电子设备和存储介质
CN115641570B (zh) * 2022-12-26 2023-06-23 中国汽车技术研究中心有限公司 驾驶行为确定方法、装置、电子设备和存储介质
CN116311181A (zh) * 2023-03-21 2023-06-23 重庆利龙中宝智能技术有限公司 一种异常驾驶的快速检测方法及系统
CN116311181B (zh) * 2023-03-21 2023-09-12 重庆利龙中宝智能技术有限公司 一种异常驾驶的快速检测方法及系统
CN116912808A (zh) * 2023-09-14 2023-10-20 四川公路桥梁建设集团有限公司 架桥机控制方法、电子设备和计算机可读介质
CN116912808B (zh) * 2023-09-14 2023-12-01 四川公路桥梁建设集团有限公司 架桥机控制方法、电子设备和计算机可读介质

Similar Documents

Publication Publication Date Title
CN113033503A (zh) 一种多特征融合的危险驾驶行为检测方法及系统
CN109902562B (zh) 一种基于强化学习的驾驶员异常姿态监测方法
CN110287790B (zh) 一种面向静态多人场景的学习状态混合分析方法
WO2020029444A1 (zh) 一种驾驶员驾驶时注意力检测方法和系统
CN107038422B (zh) 基于空间几何约束深度学习的疲劳状态识别方法
CN104573622B (zh) 人脸检测装置、方法
CN116965781B (zh) 一种驾驶员生命体征和驾驶行为监控方法及系统
CN111439170A (zh) 儿童状态检测方法及装置、电子设备、存储介质
CN109740477A (zh) 驾驶员疲劳检测系统及其疲劳检测方法
CN110264670A (zh) 基于客运车辆司机疲劳驾驶状态分析装置
CN112507772A (zh) 一种人脸识别安防系统及可疑人员检测与预警方法
CN115937830A (zh) 一种面向特种车辆的驾驶员疲劳检测方法
CN113887386B (zh) 基于深度学习和机器学习的多特征融合的疲劳检测方法
CN113920568A (zh) 基于视频图像的人脸和人体姿态情绪识别方法
Kassem et al. Drivers fatigue level prediction using facial, and head behavior information
Liu et al. 3DCNN-based real-time driver fatigue behavior detection in urban rail transit
CN114037979A (zh) 一种轻量化的驾驶员疲劳状态检测方法
Meng et al. Application and development of AI technology in automobile intelligent cockpit
CN114220158A (zh) 基于深度学习的疲劳驾驶检测方法
Pandey et al. Dumodds: Dual modeling approach for drowsiness detection based on spatial and spatio-temporal features
CN114022871A (zh) 基于深度感知技术的无人机驾驶员疲劳检测方法及系统
JP2004334786A (ja) 状態検出装置及び状態検出システム
CN117746399A (zh) 一种基于ST-GCN和YOLOv5n的驾驶员吸烟检测算法
CN116168374B (zh) 一种主动安全辅助驾驶方法及系统
CN117373090A (zh) 一种模拟驾驶中疲劳状态检测方法及系统

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210625