JP6453025B2 - ランダムフォレストモデルを用いた、リアルタイムの多クラス運転者動作認識 - Google Patents
ランダムフォレストモデルを用いた、リアルタイムの多クラス運転者動作認識 Download PDFInfo
- Publication number
- JP6453025B2 JP6453025B2 JP2014207702A JP2014207702A JP6453025B2 JP 6453025 B2 JP6453025 B2 JP 6453025B2 JP 2014207702 A JP2014207702 A JP 2014207702A JP 2014207702 A JP2014207702 A JP 2014207702A JP 6453025 B2 JP6453025 B2 JP 6453025B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- driver
- test
- group
- random forest
- 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.)
- Active
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Description
動作認識システムは、ランダムフォレストモデルを用いて運転者の動作を認識し、運転者の三次元(3D)画像を、その3D画像が取り込まれたときに運転者が行なっていた動作に基づいて分類する。動作として含まれるのは、例えば、通常の運転動作、中央部小物入れに手を伸ばす動作、小物入れに手を伸ばす動作、頭上小物入れに手を伸ばす動作、ラジオの調整をする動作、電話で話す動作、食事する動作、飲み物を飲む動作、文字入力動作、地図を読む動作、化粧品を塗る動作、手を振る動作、後部座席に手を伸ばす動作、ミラーを調整する動作、および運転者が行なう他の一般的な動作である。
図1Aは、さまざまな実施形態のための例示的な学習環境100を示している。例示的な学習環境100には、学習システム102が含まれる。学習システム102は、一連の学習用画像108を入力として受信する。学習用画像108には、学習システム102が学習することになる、運転者が車両環境でさまざまな動作を行なっている画像が含まれる。開示された処理は、車両の乗客または他の被験体にも適用することができる
図6Aは、動作認識モジュール138によって実行される処理の実施形態を示している。動作認識モジュールモジュール138は、ステップ602で、運転者が車両内で動作を行なう3D画像を受信する。モジュール138は、ステップ604で、ランダムフォレストモデル110をアクセスする。車載コンピュータシステム122は、ランダムフォレストモデル110を誘導し、ステップ606で、複数の予測を生成する。この処理では、決定木の最初の分岐ノードから始まって、学習したテストを適用し、決定木の左の子ノードに移動するか右の子ノードにするかを決定するテストの結果を得る。葉ノードに到達すると、動作認識モジュール138は、その葉ノードと関連付けられた予測および対応する信頼度値を格納する。この処理は、各決定木ごとに行なわれ、各決定木で一つの予測と対応する信頼度値が出る。
本明細書で「ある実施形態」または「一実施形態」への参照は、複数の実施形態に関連して説明された特定の特徴、構造、または特性が、少なくとも一つの実施形態に含まれているということである。本明細書の様々な箇所で「ある実施形態では」または 「一実施形態」という語句が現れるが、必ずしも全て同じ実施形態を指しているわけではない。
Claims (20)
- 車両内の運転者の画像を用いて動作認識を行なう方法であって、
コンピュータシステムによって、前記車両内の前記運転者の画像を受信するステップと、
複数の決定木を含むランダムフォレストモデルをアクセスするステップと、
前記ランダムフォレストモデルを用いて前記画像内で前記運転者が行なう動作について複数の予測を生成するステップであって、前記複数の予測の各々は、前記複数の決定木のうちの一つによって生成され、予測される運転者動作と、比率つまり百分率を含む信頼度スコアから成る当該ステップと、
前記複数の生成された予測を前記予測される運転者動作に従って複数のグループにグループ化することによって、前記複数のグループの各々が予測される単一の運転者動作と関連付けられるステップと、
前記生成された予測の前記信頼度スコアを各グループごとに合算して、各グループと関連付けられた前記予測される運転者動作に関するグループごとに合計信頼度スコアを計算するステップと、
一つの運転者動作が別の運転者動作に変わる可能性を示す状態遷移確率を用いて、重み付けした合計信頼度スコアを、前記予測される運転者動作に関するグループごとに計算するステップと、
最も高い、前記重み付けした合計信頼度スコアと関連付けられた前記運転者動作を選択するステップと、を含む
ことを特徴とする方法。 - 前記信頼度スコアを合算するステップは、前記信頼度スコアを加算するステップを含む
ことを特徴とする、請求項1に記載の方法。 - 前記ランダムフォレストモデルを用いて前記複数の予測を生成するステップは、
前記複数の決定木の第一決定木に対して、前記ランダムフォレストモデルの前記第一決定木の、複数の子ノードを有する、親である枝ノードの第一テストパラメータに基づいて前記画像に第一テストを適用するステップと、
前記テストの結果に基づいて、前記親である枝ノードの前記子ノードうちの一つを選択するステップと、
前記選択された前記子ノードのうちの一つが枝ノードであると、前記選択された前記子ノードのうちの一つと関連付けられた第二テストパラメータに基づいて前記画像に第二テストを適用するステップと、
前記選択された前記子ノードのうちの一つが葉ノードであると、前記予測を生成し、前記生成された予測は前記葉ノードと関連付けられた前記運転者動作と前記信頼度スコアを含むステップと、を含む
ことを特徴とする、請求項1に記載の方法。 - 前記第一テストパラメータに基づいて前記第一テストを適用するステップは、
前記画像の複数の空間領域を選択するステップと、
前記画像の特徴を表す特徴媒体を選択するステップと、
閾値を選択するステップと、を含む
ことを特徴とする、請求項3に記載の方法。 - 前記画像は三次元画像を含み、前記選択された特徴媒体は三次元深度データを含む
ことを特徴とする、請求項4に記載の方法。 - 前記第一テストを適用するステップは、
前記選択された複数の空間領域のうち少なくとも二つの前記選択された特徴媒体の平均値の差を決定するステップと、
前記差を前記閾値と比較するステップと、を含む
ことを特徴とする、請求項4に記載の方法。 - 前記予測される運転者動作に基づいて車載システムから提供される通知を遅らせるステップを含む
ことを特徴とする、請求項1に記載の方法。 - 前記予測される運転者動作は、通常の運転動作、中央部小物入れに手を伸ばす動作、小物入れに手を伸ばす動作、頭上小物入れに手を伸ばす動作、ラジオの調整をする動作、電話で話す動作、およびミラーを調整する動作のうち少なくとも一つを含む
ことを特徴とする、請求項1に記載の方法。 - 前記ランダムフォレストモデルは、一連の名前の付いた学習用画像に基づいて学習される
ことを特徴とする、請求項1に記載の方法。 - 車両内の運転者の画像を用いて動作認識を行なう命令を格納する持続性コンピュータ可読記憶媒体であって、前記命令がプロセッサによって実行されることで、前記プロセッサが、
コンピュータシステムによって、前記車両内の前記運転者の画像を受信するステップと、
複数の決定木を含むランダムフォレストモデルをアクセスするステップと、
前記ランダムフォレストモデルを用いて前記画像内で前記運転者が行なう動作について複数の予測を生成するステップであって、前記複数の予測の各々は、前記複数の決定木のうちの一つによって生成され、予測される運転者動作と、比率つまり百分率を含む信頼度スコアから成る当該ステップと、
前記複数の生成された予測を前記予測される運転者動作に従って複数のグループにグループ化することによって、前記複数のグループの各々が予測される単一の運転者動作と関連付けられるステップと、
前記生成された予測の前記信頼度スコアを各グループごとに合算して、各グループと関連付けられた前記予測される運転者動作に関するグループごとに合計信頼度スコアを計算するステップと、
一つの運転者動作が別の運転者動作に変わる可能性を示す状態遷移確率を用いて、重み付けした合計信頼度スコアを、前記予測される運転者動作に関するグループごとに計算するステップと、
最も高い、前記重み付けした合計信頼度スコアと関連付けられた前記運転者動作を選択するステップと、を行なう
ようになっている
ことを特徴とする持続性コンピュータ可読記憶媒体。 - 前記信頼度スコアを合算するステップは、前記信頼度スコアを加算するステップを含む
ことを特徴とする、請求項10に記載の持続性コンピュータ可読記憶媒体。 - 前記ランダムフォレストモデルを用いて前記複数の予測を生成するステップは、
前記複数の決定木の第一決定木に対して、前記ランダムフォレストモデルの前記第一決定木の、複数の子ノードを有する、親である枝ノードの第一テストパラメータに基づいて前記画像に第一テストを適用するステップと、
前記テストの結果に基づいて、前記親である枝ノードの前記子ノードうちの一つを選択するステップと、
前記選択された前記子ノードのうちの一つが枝ノードであると、前記選択された前記子ノードのうちの一つと関連付けられた第二テストパラメータに基づいて前記画像に第二テストを適用するステップと、
前記選択された前記子ノードのうちの一つが葉ノードであると、前記予測を生成し、前記生成された予測は前記葉ノードと関連付けられた前記運転者動作と前記信頼度スコアを含むステップと、を含む
ことを特徴とする、請求項10に記載の持続性コンピュータ可読記憶媒体。 - 前記第一テストパラメータに基づいて前記第一テストを適用するステップは、
前記画像の複数の空間領域を選択するステップと、
前記画像の特徴を表す特徴媒体を選択するステップと、
閾値を選択するステップと、を含む
ことを特徴とする、請求項12に記載の持続性コンピュータ可読記憶媒体。 - 前記画像は三次元画像を含み、前記選択された特徴媒体は三次元深度データを含む
ことを特徴とする、請求項13に記載の持続性コンピュータ可読記憶媒体。 - 前記第一テストを適用するステップは、
前記選択された複数の空間領域のうち少なくとも二つの前記選択された特徴媒体の平均値の差を決定するステップと、
前記差を前記閾値と比較するステップと、を含む
ことを特徴とする、請求項13に記載の持続性コンピュータ可読記憶媒体。 - 動作認識のために、複数の決定木を含むランダムフォレストモデルを学習する方法であって、
コンピュータシステムによって、複数の学習用画像を受信するステップであって、各学習用画像が、車両内部で行なわれる運転者動作を示し、行なわれている運転者動作を識別する名前を有している当該ステップと、
前記複数の決定木のうちの一つである親ノードに対応するテストを生成するステップであって、前記テストは、一つ以上のテストパラメータを含む当該ステップと、
前記テストを各学習用画像に対して適用し、各学習用画像を少なくとも第一画像グループと第二画像グループを含む複数の画像グループに分類するステップと、
前記第一画像グループのエントロピー値が閾値未満であるかどうか判定するステップと、 前記第一画像グループの前記エントロピー値が前記閾値未満であるという判定すると、前記第一画像グループと関連付けられた名前に基づいて、運転者動作と、比率つまり百分率を含む信頼度スコアから成る予測を生成するとともに、前記親ノードの一つの子ノードとして、前記予測と関連付けられた葉ノードを生成するステップと、
前記第一画像グループの前記エントロピー値が前記閾値未満でないと判定すると、前記親ノードの一つの子ノードとして、前記第一画像グループと関連付けられた枝ノードを生成するステップと、を含み、
前記生成された予測は、前記予測ごとに複数のグループにグループ化されて、前記複数のグループの各々が単一の予測と関連付けられ、
全ての前記運転者動作について、一つの運転者動作が別の運転者動作に変わる可能性を示す状態遷移確率が学習される
ことを特徴とする方法。 - 前記テストを生成するステップは、
複数の空間領域を選択するステップと、
特徴媒体を選択するステップと、
閾値を選択するステップと、を含む
ことを特徴とする、請求項16に記載の方法。 - 前記テストを適用するステップは、
所定の学習用画像に対して、前記複数の空間領域の各々の前記特徴媒体に対する平均値を決定するステップと、
前記複数の空間領域の第一空間領域と第二空間領域の前記平均値の差を決定するステップと、
前記差を前記閾値と比較して比較結果を生成するステップと、
前記所定の学習用画像を前記比較結果に基づいて前記複数の画像グループの一つに分類するステップと、を含む
ことを特徴とする、請求項17に記載の方法。 - 前記葉ノードを生成するステップは、
前記第一画像グループ内の最大数の画像と関連付けられた運転者動作を決定するステップと、
前記第一画像グループのうち前記運転者動作と関連付けられた前記画像の百分率として前記信頼度スコアを計算するステップと、を含む
ことを特徴とする、請求項18に記載の方法。 - 前記テストを生成するステップは、
第一サンプルテストを適用するステップと、
前記第一サンプルテストに対して、前記複数の学習用画像のエントロピー値と前記第一画像グループおよび前記第二画像グループの合計エントロピー値の差を表す第一情報利得値を決定するステップと、
第二サンプルテストを適用するステップと、
前記第二サンプルテストに対して第二情報利得値を決定するステップと、
最も高い情報利得値を有する前記テストを特定するステップと、を含む
ことを特徴とする、請求項16に記載の方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/050,259 US9501693B2 (en) | 2013-10-09 | 2013-10-09 | Real-time multiclass driver action recognition using random forests |
US14/050,259 | 2013-10-09 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2015076104A JP2015076104A (ja) | 2015-04-20 |
JP6453025B2 true JP6453025B2 (ja) | 2019-01-16 |
Family
ID=52693467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014207702A Active JP6453025B2 (ja) | 2013-10-09 | 2014-10-09 | ランダムフォレストモデルを用いた、リアルタイムの多クラス運転者動作認識 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9501693B2 (ja) |
JP (1) | JP6453025B2 (ja) |
DE (1) | DE102014220302B4 (ja) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9972184B2 (en) * | 2014-07-24 | 2018-05-15 | State Farm Mutual Automobile Insurance Company | Systems and methods for monitoring a vehicle operator and for monitoring an operating environment within the vehicle |
US10607095B1 (en) * | 2015-01-13 | 2020-03-31 | State Farm Mutual Automobile Insurance Company | Apparatuses, systems and methods for classifying digital images |
DE102015223974A1 (de) * | 2015-12-02 | 2017-06-08 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Beeinflussung eines Fahrzeugverhaltens |
WO2017111931A1 (en) * | 2015-12-22 | 2017-06-29 | Intel Corporation | Rfid location detection |
JP6609808B2 (ja) * | 2016-01-08 | 2019-11-27 | 株式会社Ye Digital | 決定木学習アルゴリズムを用いた予測プログラム、装置及び方法 |
US11068730B1 (en) * | 2016-06-14 | 2021-07-20 | State Farm Mutual Automobile Insurance Company | Apparatuses, systems, and methods for determining vehicle operator distractions at particular geographic locations |
US11423671B1 (en) * | 2016-06-14 | 2022-08-23 | State Farm Mutual Automobile Insurance Company | Apparatuses, systems, and methods for detecting vehicle occupant actions |
US9928434B1 (en) * | 2016-06-14 | 2018-03-27 | State Farm Mutual Automobile Insurance Company | Appartuses, systems, and methods for determining when a vehicle occupant is using a mobile telephone |
US9928433B1 (en) * | 2016-06-14 | 2018-03-27 | State Farm Mutual Automobile Insurance Company | Apparatuses, systems, and methods for determining when a vehicle operator is texting while driving |
US20190213446A1 (en) * | 2016-06-30 | 2019-07-11 | Intel Corporation | Device-based anomaly detection using random forest models |
JP6765911B2 (ja) * | 2016-09-15 | 2020-10-07 | 三菱重工業株式会社 | 分類装置、分類方法およびプログラム |
US11321951B1 (en) * | 2017-01-19 | 2022-05-03 | State Farm Mutual Automobile Insurance Company | Apparatuses, systems and methods for integrating vehicle operator gesture detection within geographic maps |
US10504003B1 (en) * | 2017-05-16 | 2019-12-10 | State Farm Mutual Automobile Insurance Company | Systems and methods for 3D image distification |
US10289938B1 (en) * | 2017-05-16 | 2019-05-14 | State Farm Mutual Automobile Insurance Company | Systems and methods regarding image distification and prediction models |
US10296785B1 (en) * | 2017-07-24 | 2019-05-21 | State Farm Mutual Automobile Insurance Company | Apparatuses, systems, and methods for vehicle operator gesture recognition and transmission of related gesture data |
US10628667B2 (en) | 2018-01-11 | 2020-04-21 | Futurewei Technologies, Inc. | Activity recognition method using videotubes |
CN108464839A (zh) * | 2018-03-22 | 2018-08-31 | 东华大学 | 一种基于机器学习的车载疲劳驾驶监测预警*** |
CN108985332A (zh) * | 2018-06-15 | 2018-12-11 | 清华大学 | 基于动作电位发放间隔的自然图像随机森林成像方法 |
US20210125101A1 (en) * | 2018-07-04 | 2021-04-29 | Aising Ltd. | Machine learning device and method |
US10850746B2 (en) * | 2018-07-24 | 2020-12-01 | Harman International Industries, Incorporated | Coordinating delivery of notifications to the driver of a vehicle to reduce distractions |
US11107242B2 (en) * | 2019-01-11 | 2021-08-31 | Microsoft Technology Licensing, Llc | Detecting pose using floating keypoint(s) |
CN110705774A (zh) * | 2019-09-26 | 2020-01-17 | 汉纳森(厦门)数据股份有限公司 | 一种车辆能耗分析的预测方法和*** |
CN111126153B (zh) * | 2019-11-25 | 2023-07-21 | 北京锐安科技有限公司 | 基于深度学习的安全监测方法、***、服务器及存储介质 |
CN111310840B (zh) * | 2020-02-24 | 2023-10-17 | 北京百度网讯科技有限公司 | 数据融合处理方法、装置、设备和存储介质 |
CN111599170B (zh) * | 2020-04-13 | 2021-12-17 | 浙江工业大学 | 一种基于时序交通网络图的交通运行状态分类方法 |
CN114091567A (zh) * | 2020-06-23 | 2022-02-25 | 华为技术有限公司 | 一种驾驶决策方法及装置 |
CN113094930B (zh) * | 2021-05-06 | 2022-05-20 | 吉林大学 | 一种驾驶人行为状态数据采集装置和检测方法 |
CN113288148B (zh) * | 2021-06-02 | 2023-03-07 | 华南师范大学 | 一种驾驶心理品质分类方法 |
CN114169426A (zh) * | 2021-12-02 | 2022-03-11 | 安徽庐峰交通科技有限公司 | 一种基于北斗位置数据的公路交通安全隐患排查方法 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7660437B2 (en) * | 1992-05-05 | 2010-02-09 | Automotive Technologies International, Inc. | Neural network systems for vehicles |
US5805747A (en) * | 1994-10-04 | 1998-09-08 | Science Applications International Corporation | Apparatus and method for OCR character and confidence determination using multiple OCR devices |
JP4603264B2 (ja) * | 2002-02-19 | 2010-12-22 | ボルボ テクノロジー コーポレイション | 運転者注意負荷の監視と管理とを行なうシステムおよび方法 |
JP4579577B2 (ja) * | 2003-05-19 | 2010-11-10 | キヤノン株式会社 | 情報処理装置および情報処理方法ならびに記憶媒体、プログラム |
US7372977B2 (en) | 2003-05-29 | 2008-05-13 | Honda Motor Co., Ltd. | Visual tracking using depth data |
GB0313002D0 (en) * | 2003-06-06 | 2003-07-09 | Ncr Int Inc | Currency validation |
US7643665B2 (en) * | 2004-08-31 | 2010-01-05 | Semiconductor Insights Inc. | Method of design analysis of existing integrated circuits |
US7317836B2 (en) | 2005-03-17 | 2008-01-08 | Honda Motor Co., Ltd. | Pose estimation based on critical point analysis |
US8447031B2 (en) * | 2008-01-11 | 2013-05-21 | Personics Holdings Inc. | Method and earpiece for visual operational status indication |
US8213689B2 (en) * | 2008-07-14 | 2012-07-03 | Google Inc. | Method and system for automated annotation of persons in video content |
US8638985B2 (en) | 2009-05-01 | 2014-01-28 | Microsoft Corporation | Human body pose estimation |
US8396252B2 (en) * | 2010-05-20 | 2013-03-12 | Edge 3 Technologies | Systems and related methods for three dimensional gesture recognition in vehicles |
US8463721B2 (en) * | 2010-08-05 | 2013-06-11 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for recognizing events |
US9619035B2 (en) | 2011-03-04 | 2017-04-11 | Microsoft Technology Licensing, Llc | Gesture detection and recognition |
US9007198B2 (en) * | 2012-11-02 | 2015-04-14 | Toyota Motor Engineering & Manufacturing North America, Inc. | Adaptive Actuator interface for active driver warning |
US9047703B2 (en) | 2013-03-13 | 2015-06-02 | Honda Motor Co., Ltd. | Augmented reality heads up display (HUD) for left turn safety cues |
-
2013
- 2013-10-09 US US14/050,259 patent/US9501693B2/en active Active
-
2014
- 2014-10-07 DE DE102014220302.3A patent/DE102014220302B4/de not_active Expired - Fee Related
- 2014-10-09 JP JP2014207702A patent/JP6453025B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
DE102014220302B4 (de) | 2024-02-08 |
JP2015076104A (ja) | 2015-04-20 |
DE102014220302A1 (de) | 2015-04-09 |
US20150098609A1 (en) | 2015-04-09 |
US9501693B2 (en) | 2016-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6453025B2 (ja) | ランダムフォレストモデルを用いた、リアルタイムの多クラス運転者動作認識 | |
US10803323B2 (en) | Electronic device and method of detecting driving event of vehicle | |
US11055544B2 (en) | Electronic device and control method thereof | |
US20180079427A1 (en) | Gesture based control of autonomous vehicles | |
EP3652715A1 (en) | Integrated system for detection of driver condition | |
US20200050842A1 (en) | Artificial intelligence apparatus for recognizing user from image data and method for the same | |
JP2021526698A (ja) | 画像生成方法および装置、電子機器、並びに記憶媒体 | |
KR102318027B1 (ko) | 자율 주행을 위한 비전-기반 샘플-효율적 강화 학습 프레임워크 | |
KR20190111278A (ko) | 인공지능 모델을 이용하여 사용자 음성을 변조하기 위한 전자 장치 및 이의 제어 방법 | |
CN110880034B (zh) | 使用卷积神经网络的计算装置及其操作方法 | |
CN114303177A (zh) | 通过迁移学习生成具有不同疲劳程度的视频数据集的***和方法 | |
US11831948B2 (en) | Video playback device and control method thereof | |
JP2019057247A (ja) | 画像処理装置及びプログラム | |
EP4047561A1 (en) | Method for recognizing an emotion of a driver, apparatus, device, medium and vehicle | |
CN112487844A (zh) | 手势识别方法、电子设备、计算机可读存储介质和芯片 | |
US11769047B2 (en) | Artificial intelligence apparatus using a plurality of output layers and method for same | |
CN112784978A (zh) | 训练神经网络的方法、装置和***及存储指令的存储介质 | |
CN110334753A (zh) | 视频分类方法、装置、电子设备及存储介质 | |
CN114429641A (zh) | 一种时序动作检测方法、装置、存储介质及终端 | |
CN116631060A (zh) | 基于单帧图像的手势识别方法及装置 | |
US20230209087A1 (en) | Method and device for improving video quality | |
US20210137311A1 (en) | Artificial intelligence device and operating method thereof | |
US11205248B2 (en) | Mobile terminal | |
CN113506328A (zh) | 视线估计模型的生成方法和装置、视线估计方法和装置 | |
CN112070022A (zh) | 人脸图像识别方法、装置、电子设备和计算机可读介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170816 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180706 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180717 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180914 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20181204 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20181212 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6453025 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |