CN106503673A - 一种交通驾驶行为的识别方法、装置及一种视频采集装置 - Google Patents
一种交通驾驶行为的识别方法、装置及一种视频采集装置 Download PDFInfo
- Publication number
- CN106503673A CN106503673A CN201610959443.2A CN201610959443A CN106503673A CN 106503673 A CN106503673 A CN 106503673A CN 201610959443 A CN201610959443 A CN 201610959443A CN 106503673 A CN106503673 A CN 106503673A
- Authority
- CN
- China
- Prior art keywords
- driver
- target vehicle
- car plate
- image
- face
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通驾驶行为的识别方法、装置及一种视频采集装置,其中,所述交通驾驶行为的识别方法包括:获取待测图像;从所述待测图像中,获取目标车辆的驾驶员位置信息;根据所述驾驶员位置信息,识别所述目标车辆驾驶员的驾驶行为。本发明通过实时获取目标车辆中驾驶员驾驶图像,并自动对其进行自动识别。采用本发明技术方案,在无需影响驾驶员的驾驶行为的情况下,可以实时监测到驾驶员的驾驶行为,从而可以有效的避免由于不良驾驶行为导致的交通事故。
Description
技术领域
本发明涉及智能交通监控技术领域,特别涉及一种交通驾驶行为的识别方法、装置及一种视频采集装置。
背景技术
随着经济水平和人民生活水平的不断提高,各大中小城市中车辆不断的增加。与此同时,随之而来的交通问题也越来越备受关注。在车辆的驾驶过程中,不但需要驾驶员需要娴熟的驾驶能力,更需要驾驶员有一个良好的驾驶习惯。现有驾驶行为的检测技术主要通过使用传感器探测司机驾驶行为;所述传感器需要直接与驾驶员身体接触进行检测。
因此,在发明人开发智能交通驾驶行为的自动识别的过程中,发现现有技术中至少存在如下问题:
现有技术中使用传感器探测司机驾驶行为,将传感器直接与驾驶员身体接触,对驾驶造成干扰,且不能全面地识别不良驾驶行为,例如:边开车边打电话、未系安全带、低头驾驶、吃东西等。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的,本发明的技术方案是这样实现的:
一方面,本发明提供了一种交通驾驶行为的识别方法,包括:
获取待测图像;
从所述待测图像中,获取目标车辆的驾驶员位置信息;
根据所述驾驶员位置信息,识别所述目标车辆驾驶员的驾驶行为。
本发明还提供了一种交通驾驶行为的识别装置,包括:
图像获取单元,用于获取待测图像;
位置确定单元,用于从所述待测图像中,获取目标车辆的驾驶员位置信息;
识别单元,用于根据所述驾驶员位置信息,识别所述目标车辆驾驶员的驾驶行为。
本发明还提供了一种视频采集装置,包括如上所述交通驾驶行为的识别装置。
本发明的技术方案通过待测图像中定位目标车辆的车牌,进一步定位人脸来确认驾驶人员的图像,在不干扰驾驶员的前提下,用于全天候或限时段的自动检测交通驾驶行为,有效识别驾驶员在驾驶期间是否有违规行为,可以有效的避免因驾驶员违规操作而造成的交通事故,同时可以识别遮阳板状态,及时地反馈车辆的可疑性。
附图说明
图1为本发明实施例提供的一种交通驾驶行为的识别方法流程图;
图2为本发明实施例提供的另一种交通驾驶行为的识别方法流程图;
图3为本发明实施例提供的一种交通驾驶行为的识别装置结构示意图;
图4为本发明实施例提供的一种视频采集装置结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
如图1为所示为本发明实施例提供的一种交通驾驶行为的识别方法流程图;该方法包括:
101:获取待测图像;
102:从所述待测图像中,获取目标车辆的驾驶员位置信息;该步骤具体包括:从所述待测图像中,获取所述目标车辆的车牌位置信息;根据所述目标车辆的车牌位置信息,确定所述目标车辆图像中是否存在驾驶员人脸及其位置;若所述待测图像中存在所述驾驶员人脸,根据所述目标车辆中驾驶员人脸位置,获取所述目标车辆的驾驶员位置信息;若所述待测图像中不存在所述驾驶员人脸,进行遮阳板检测,确定当前为打开遮阳板状态。
103:根据所述驾驶员位置信息,识别所述目标车辆驾驶员的驾驶行为。
基于以上实施例,如图2所示,为本发明实施例提供的另一种交通驾驶行为的识别方法流程图;该方法包括:
201:获取待测图像;
202:从所述待测图像中,获取所述目标车辆的车牌位置信息;该步骤具体实现过程:通过滑动窗口检测,确定所述目标车辆的车牌位置信息;所述车牌位置信息包括:车牌位置的坐标及大小。
203:根据所述目标车辆的车牌位置信息,确定所述目标车辆图像中是否存在驾驶员人脸及其位置;该步骤具体实现过程为:根据所述目标车辆的车牌位置信息,确定所述目标车辆中驾驶员人脸区域;在所述目标车辆中驾驶员人脸区域内,进行人脸检测,判断所述待测图像中是否存在所述驾驶员人脸及其位置;若所述待测图像中不存在所述驾驶员人脸,进行遮阳板检测,确定当前为打开遮阳板状态。
204:若所述待测图像中存在所述驾驶员人脸,根据所述目标车辆中驾驶员人脸位置,获取所述目标车辆的驾驶员位置信息。
205:若所述待测图像中不存在所述驾驶员人脸,进行遮阳板检测,确定当前为打开遮阳板状态。
206:根据以上步骤204中所述驾驶员位置信息,识别所述目标车辆驾驶员的驾驶行为;该步骤具体实现过程为:根据所述目标车辆中驾驶员位置信息,获取所述目标车辆中驾驶员图像;通过所述目标车辆中驾驶员图像,识别所述目标车辆驾驶员的驾驶行为。
需要说明的是,所述目标车辆中驾驶员图像获取;具体获取过程为:根据所述人脸检测器训练确定的目标车辆中驾驶员人脸位置,获取所述目标车辆中驾驶员图像;由于所述目标车辆中驾驶员图像存在许多干扰噪声、遮挡等,加上驾驶员着装各异、姿态变化万千,所以本发明技术方案采用深度学习方法卷积神经网络(Convolutional NeuralNetwork,简称CNN),构建学习网络,由若干卷积层,池化层,全连接层,Dropout层,修正线性单元(Relu)层,Softmax层构成,充分利用大量数据信息训练出车辆属性识别模型,实践证明基于深度卷积网络的驾驶行为识别具有非常高的识别精度。
CNN网络由4个卷积层、1个全连接层和一个softmax层组成,其中前三层卷积层后加池化(pooling)层,神经元的激活函数使用ReLU函数。
第一层为卷积层,使用5×5的卷积核对输入图像进行卷积,步长为1,生成20幅卷积特征图,特征图大小为80×80,每个特征图经过一个下采样进行降维,下采样的核窗口大小为2×2,特征图大小均变为40×40,经下采样得到降维后的特征图输入到第二层;
第二层为卷积层,用于对上层的得到特征图进行卷积,该卷积层的卷积核窗口大小为5×5,输出50个特征图,特征图大小为36×36,每个特征图经过一个下采样,下采样的核窗口大小为2×2,特征图大小均变为18×18,经下采样得到降维后的特征图输入到第三层;
第三层为卷积层,用于对上层的得到特征图进行卷积,该卷积层的卷积核窗口大小为3×3,输出30个特征图,特征图大小为15×15,输入到第四层;
第四层是全连接层,该层有300个神经元,由于卷积层数越高,得到的特征越全局化,为了兼顾图像的全局和局部特征,将第2个pooling层和第3个卷积层都与全连接层相连,非线性变换得到一个300维列向量输入到第五层;
第五层是softmax层,该层有N个输出结点,N即识别的类别数。
还需要说明的是,在所述交通驾驶行为的识别方法进行之前,需要先进行如下训练:
(1)车牌检测器训练;需要准备车牌正样本和负样本,训练基于哈尔(Haar)特征的自适应车牌检测器Adaboost。例如:设所述车牌检测器的训练样本为:20000张正样本和50000张负样本;车牌正样本包括不同光照条件、不同角度的车牌灰度图像样本,负样本包括路面、车身、挡风玻璃、排气挡板等非车牌区域灰度图像样本。将正负样本均归一化为统一像素大小,训练车牌检测器。检测时根据图像色调、饱和度、亮度(Hue,Saturation,Value,简称HSV)分量以及局部过零率对图像中车牌可能出现的区域进行筛选,从而过滤掉图片的大多数非车牌区域,对候选区域做灰度化处理,完成基于Haar特征的Adaboost车牌检测器训练。
在实现所述交通驾驶行为的识别方法过程中,可以采用上述基于Haar特征的Adaboost车牌检测器进行滑动窗口检测,获取所述待测图像中的目标车辆的车牌区域。
(2)人脸、遮阳板检测器训练;所述人脸、遮阳板检测器仍然采用基于Haar特征的自适应(Adaboost)算法训练得到。
需要说明的是,所述根据所述车牌位置大小信息确定人脸、遮阳板检测区域以及尺度范围,并在该检测区域中进行人脸及遮阳板检测并输出检测结果。该检测区域相对于整幅图来说会缩小50%以上,大大提高处理效率。
(3)分类器训练;
所述分类器训练样本的获取基于步骤(1)(2),将彩色图像转化为灰度图像,并缩放到84×84大小,为增强模型的鲁棒性,对原始训练集进行旋转、平移、缩放,加入原始数据集中,组成新的训练集。
本发明的技术方案通过待测图像中定位目标车辆的车牌,进一步定位人脸来确认驾驶人员的图像,在不干扰驾驶员的前提下,用于全天候或限时段的自动检测交通驾驶行为,有效识别驾驶员在驾驶期间是否有违规行为,可以有效的避免因驾驶员违规操作而造成的交通事故。
如图3所示,为本发明实施例提供的一种交通驾驶行为的识别装置;该装置包括:
图像获取单元301,用于获取待测图像;
位置确定单元302,用于从所述待测图像中,获取目标车辆的驾驶员位置信息;
识别单元303,用于根据所述驾驶员位置信息,识别所述目标车辆驾驶员的驾驶行为。
其中,所述位置确定单元,具体包括:
车牌检测子单元,用于从所述待测图像中,获取所述目标车辆的车牌位置信息;
人脸检测子单元,用于根据所述目标车辆的车牌位置信息,确定所述目标车辆图像中是否存在驾驶员人脸及其位置;
位置确定子单元,用于根据所述目标车辆的车牌位置信息,确定所述目标车辆图像中是否存在驾驶员人脸及其位置;若所述待测图像中存在所述驾驶员人脸,根据所述目标车辆中驾驶员人脸位置,获取所述目标车辆的驾驶员位置信息;
遮阳板检测子单元,用于若所述待测图像中不存在所述驾驶员人脸,进行遮阳板检测,确定当前为打开遮阳板状态。
需要说明的是,所述车牌检测子单元,具体用于通过滑动窗口检测,确定所述目标车辆的车牌区域;根据所述目标车辆的车牌区域,获取所述目标车辆的车牌位置信息;所述车牌位置信息包括:车牌位置的坐标及大小。
所述人脸检测子单元,具体用于根据所述目标车辆的车牌位置信息,确定所述目标车辆中驾驶员人脸区域;在所述目标车辆中驾驶员人脸区域内,进行人脸检测,判断所述待测图像中是否存在所述驾驶员人脸及其位置。
所述识别单元,具体用于根据所述目标车辆中驾驶员位置信息,获取所述目标车辆中驾驶员图像;通过所述目标车辆中驾驶员图像,识别所述目标车辆驾驶员的驾驶行为。
如图4所示,为本发明实施例提供的一种视频采集装置;该视频采集装置包括:如上所述交通驾驶行为的识别装置。
本发明的技术方案通过待测图像中定位目标车辆的车牌,进一步定位人脸来确认驾驶人员的图像,在不干扰驾驶员的前提下,用于全天候或限时段的自动检测交通驾驶行为,有效识别驾驶员在驾驶期间是否有违规行为,可以有效的避免因驾驶员违规操作而造成的交通事故,同时可以识别遮阳板状态,及时地反馈车辆的可疑性。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (11)
1.一种交通驾驶行为的识别方法,其特征在于,包括:
获取待测图像;
从所述待测图像中,获取目标车辆的驾驶员位置信息;
根据所述驾驶员位置信息,识别所述目标车辆驾驶员的驾驶行为。
2.根据权利要求1所述的方法,其特征在于,所述从所述待测图像中,获取目标车辆的驾驶员位置信息的步骤,具体包括:
从所述待测图像中,获取所述目标车辆的车牌位置信息;
根据所述目标车辆的车牌位置信息,确定所述目标车辆图像中是否存在驾驶员人脸及其位置;
若所述待测图像中存在所述驾驶员人脸,根据所述目标车辆中驾驶员人脸位置,获取所述目标车辆的驾驶员位置信息;
若所述待测图像中不存在所述驾驶员人脸,进行遮阳板检测,确定当前为打开遮阳板状态。
3.根据权利要求2所述的方法,其特征在于,所述从所述待测图像中,获取所述目标车辆的车牌位置信息步骤,具体包括:
通过滑动窗口检测,确定所述目标车辆的车牌位置信息;所述车牌位置信息包括:车牌位置的坐标及大小。
4.根据权利要求3所述的方法,其特征在于,所述根据所述目标车辆的车牌位置信息,确定所述目标车辆图像中是否存在驾驶员人脸及其位置步骤,具体包括:
根据所述目标车辆的车牌位置信息,确定所述目标车辆中驾驶员人脸区域;
在所述目标车辆中驾驶员人脸区域内,进行人脸检测,判断所述待测图像中是否存在所述驾驶员人脸及其位置。
5.根据权利要求4所述的方法,其特征在于,所述根据所述驾驶员位置信息,识别所述目标车辆驾驶员的驾驶行为步骤,具体包括:
根据所述目标车辆中驾驶员位置信息,获取所述目标车辆中驾驶员图像;
通过所述目标车辆中驾驶员图像,识别所述目标车辆驾驶员的驾驶行为。
6.一种交通驾驶行为的识别装置,其特征在于,包括:
图像获取单元,用于获取待测图像;
位置确定单元,用于从所述待测图像中,获取目标车辆的驾驶员位置信息;
识别单元,用于根据所述驾驶员位置信息,识别所述目标车辆驾驶员的驾驶行为。
7.根据权利要求6所述的装置,其特征在于,所述位置确定单元,具体包括:
车牌检测子单元,用于从所述待测图像中,获取所述目标车辆的车牌位置大小信息;
人脸检测子单元,用于根据所述目标车辆的车牌位置信息,确定所述目标车辆图像中是否存在驾驶员人脸及其位置;
位置确定子单元,用于根据所述目标车辆的车牌位置信息,确定所述目标车辆图像中是否存在驾驶员人脸及其位置;若所述待测图像中存在所述驾驶员人脸,根据所述目标车辆中驾驶员人脸位置,获取所述目标车辆的驾驶员位置信息;
遮阳板检测子单元,用于若所述待测图像中不存在所述驾驶员人脸,进行遮阳板检测,确定当前为打开遮阳板状态。
8.根据权利要求7所述的装置,其特征在于,所述车牌检测子单元,具体,具体用于通过滑动窗口检测,确定所述目标车辆的车牌位置信息;所述车牌位置信息包括:车牌位置的坐标及大小。
9.根据权利要求8所述的装置,其特征在于,所述人脸检测子单元,具体用于根据所述目标车辆的车牌位置信息,确定所述目标车辆中驾驶员人脸区域;在所述目标车辆中驾驶员人脸区域内,进行人脸检测,判断所述待测图像中是否存在所述驾驶员人脸及其位置。
10.根据权利要求9所述的装置,其特征在于,所述识别单元,具体用于根据所述目标车辆中驾驶员位置信息,获取所述目标车辆中驾驶员图像;通过所述目标车辆中驾驶员图像,识别所述目标车辆驾驶员的驾驶行为。
11.一种视频采集装置,其特征在于,包括:如权利要求6-10中任意一项所述交通驾驶行为的识别装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610959443.2A CN106503673A (zh) | 2016-11-03 | 2016-11-03 | 一种交通驾驶行为的识别方法、装置及一种视频采集装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610959443.2A CN106503673A (zh) | 2016-11-03 | 2016-11-03 | 一种交通驾驶行为的识别方法、装置及一种视频采集装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106503673A true CN106503673A (zh) | 2017-03-15 |
Family
ID=58321506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610959443.2A Pending CN106503673A (zh) | 2016-11-03 | 2016-11-03 | 一种交通驾驶行为的识别方法、装置及一种视频采集装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106503673A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341447A (zh) * | 2017-06-13 | 2017-11-10 | 华南理工大学 | 一种基于深度卷积神经网络和证据k近邻的人脸核实方法 |
CN107862276A (zh) * | 2017-11-01 | 2018-03-30 | 北京旋极信息技术股份有限公司 | 一种行为识别方法和终端 |
CN108694408A (zh) * | 2017-04-11 | 2018-10-23 | 西安邮电大学 | 一种基于深度稀疏滤波卷积神经网络的驾驶行为识别方法 |
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 |
CN109214438A (zh) * | 2018-08-22 | 2019-01-15 | 重庆信络威科技有限公司 | 一种基于卷积神经网络的驾驶行为识别***的搭建方法 |
CN109583268A (zh) * | 2017-09-28 | 2019-04-05 | 杭州海康威视数字技术股份有限公司 | 一种目标的属性识别方法、装置及电子设备 |
CN110399766A (zh) * | 2019-01-28 | 2019-11-01 | 浙江浩腾电子科技股份有限公司 | 基于深度学习的抽烟检测分析*** |
CN112132040A (zh) * | 2020-09-24 | 2020-12-25 | 明见(厦门)软件开发有限公司 | 基于视觉的安全带实时监测方法、终端设备及存储介质 |
CN113255395A (zh) * | 2020-02-07 | 2021-08-13 | 深圳云天励飞技术有限公司 | 驾驶人员区域定位方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982316A (zh) * | 2012-11-05 | 2013-03-20 | 安维思电子科技(广州)有限公司 | 一种对驾驶员非正常驾驶行为的识别装置和方法 |
US20130073114A1 (en) * | 2011-09-16 | 2013-03-21 | Drivecam, Inc. | Driver identification based on face data |
CN103268468A (zh) * | 2012-07-06 | 2013-08-28 | 华南理工大学 | 机动车前排就坐者是否扣带安全带的自动检测方法 |
CN104376561A (zh) * | 2014-11-19 | 2015-02-25 | 青岛海信网络科技股份有限公司 | 一种安全带检测方法 |
CN105488453A (zh) * | 2015-11-30 | 2016-04-13 | 杭州全实鹰科技有限公司 | 一种基于图像处理的驾驶员未系安全带检测识别方法 |
CN105946867A (zh) * | 2016-05-06 | 2016-09-21 | 深圳市元征科技股份有限公司 | 一种车辆报警方法及装置 |
CN106056071A (zh) * | 2016-05-30 | 2016-10-26 | 北京智芯原动科技有限公司 | 一种驾驶员打电话行为的检测方法及装置 |
-
2016
- 2016-11-03 CN CN201610959443.2A patent/CN106503673A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130073114A1 (en) * | 2011-09-16 | 2013-03-21 | Drivecam, Inc. | Driver identification based on face data |
CN103268468A (zh) * | 2012-07-06 | 2013-08-28 | 华南理工大学 | 机动车前排就坐者是否扣带安全带的自动检测方法 |
CN102982316A (zh) * | 2012-11-05 | 2013-03-20 | 安维思电子科技(广州)有限公司 | 一种对驾驶员非正常驾驶行为的识别装置和方法 |
CN104376561A (zh) * | 2014-11-19 | 2015-02-25 | 青岛海信网络科技股份有限公司 | 一种安全带检测方法 |
CN105488453A (zh) * | 2015-11-30 | 2016-04-13 | 杭州全实鹰科技有限公司 | 一种基于图像处理的驾驶员未系安全带检测识别方法 |
CN105946867A (zh) * | 2016-05-06 | 2016-09-21 | 深圳市元征科技股份有限公司 | 一种车辆报警方法及装置 |
CN106056071A (zh) * | 2016-05-30 | 2016-10-26 | 北京智芯原动科技有限公司 | 一种驾驶员打电话行为的检测方法及装置 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694408A (zh) * | 2017-04-11 | 2018-10-23 | 西安邮电大学 | 一种基于深度稀疏滤波卷积神经网络的驾驶行为识别方法 |
CN107341447A (zh) * | 2017-06-13 | 2017-11-10 | 华南理工大学 | 一种基于深度卷积神经网络和证据k近邻的人脸核实方法 |
CN109583268A (zh) * | 2017-09-28 | 2019-04-05 | 杭州海康威视数字技术股份有限公司 | 一种目标的属性识别方法、装置及电子设备 |
CN107862276A (zh) * | 2017-11-01 | 2018-03-30 | 北京旋极信息技术股份有限公司 | 一种行为识别方法和终端 |
CN107862276B (zh) * | 2017-11-01 | 2021-05-18 | 北京旋极信息技术股份有限公司 | 一种行为识别方法和终端 |
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 |
CN109214438A (zh) * | 2018-08-22 | 2019-01-15 | 重庆信络威科技有限公司 | 一种基于卷积神经网络的驾驶行为识别***的搭建方法 |
CN110399766A (zh) * | 2019-01-28 | 2019-11-01 | 浙江浩腾电子科技股份有限公司 | 基于深度学习的抽烟检测分析*** |
CN113255395A (zh) * | 2020-02-07 | 2021-08-13 | 深圳云天励飞技术有限公司 | 驾驶人员区域定位方法、装置、电子设备及存储介质 |
CN113255395B (zh) * | 2020-02-07 | 2024-06-11 | 深圳云天励飞技术有限公司 | 驾驶人员区域定位方法、装置、电子设备及存储介质 |
CN112132040A (zh) * | 2020-09-24 | 2020-12-25 | 明见(厦门)软件开发有限公司 | 基于视觉的安全带实时监测方法、终端设备及存储介质 |
CN112132040B (zh) * | 2020-09-24 | 2024-03-15 | 明见(厦门)软件开发有限公司 | 基于视觉的安全带实时监测方法、终端设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106503673A (zh) | 一种交通驾驶行为的识别方法、装置及一种视频采集装置 | |
CN110119676B (zh) | 一种基于神经网络的驾驶员疲劳检测方法 | |
CN107133974B (zh) | 高斯背景建模与循环神经网络相结合的车型分类方法 | |
CN109635656A (zh) | 基于神经网络的车辆属性识别方法、装置、设备及介质 | |
Dasgupta et al. | A vision-based system for monitoring the loss of attention in automotive drivers | |
CN102289660B (zh) | 一种基于手部姿态跟踪的违规驾驶行为检测方法 | |
JP7259078B2 (ja) | 子供状態検出方法及び装置、電子機器、記憶媒体 | |
CN101587544B (zh) | 基于计算机视觉的机动车车载反跟踪装置 | |
CN108537197A (zh) | 一种基于深度学习的车道线检测预警装置及预警方法 | |
CN108446645B (zh) | 基于深度学习的车载人脸识别方法 | |
CN106845487A (zh) | 一种端到端的车牌识别方法 | |
CN109460699A (zh) | 一种基于深度学习的驾驶员安全带佩戴识别方法 | |
KR101845769B1 (ko) | Cnn을 이용한 자동차 후면 검출 시스템 및 그 방법 | |
CN110226170A (zh) | 一种雨雪天气中的道路交通标志识别方法 | |
CN105286802A (zh) | 基于视频信息的驾驶员疲劳检测方法 | |
CN108647708A (zh) | 驾驶员评估方法、装置、设备和存储介质 | |
CN105868690A (zh) | 识别驾驶员打手机行为的方法和装置 | |
CN110503831A (zh) | 一种识别驾驶员违法行为的方法及设备 | |
CN109840523A (zh) | 一种基于图像处理的城轨列车车号识别算法 | |
CN111553214B (zh) | 一种驾驶员吸烟行为检测方法及*** | |
CN106503710A (zh) | 一种车标识别方法及装置 | |
CN108205649A (zh) | 驾驶员开车接打电话的状态识别方法及装置 | |
CN109325408A (zh) | 一种手势判断方法及存储介质 | |
CN106570444A (zh) | 基于行为识别的车载智能提醒方法及*** | |
CN110245544A (zh) | 一种确定停车状态的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 8 floors of Block E, No.2 Building, 9 Yuan, Fenghao East Road, Haidian District, Beijing 100094 Applicant after: Wen'an Beijing intelligent technology Limited by Share Ltd Address before: 100085 4th Floor, No. 1 Courtyard, Shangdi East Road, Haidian District, Beijing Applicant before: Wen'an Beijing intelligent technology Limited by Share Ltd |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170315 |
|
RJ01 | Rejection of invention patent application after publication |