-
公开(公告)号：CN111242015A
公开(公告)日：2020-06-05
申请号：CN202010026768.1
申请日：2020-01-10
申请人： 同济大学
摘要： 本发明涉及一种基于运动轮廓语义图预测行车危险场景的方法，包括以下步骤：步骤S1：获取驾驶视频，分割感兴趣区域；步骤S2：将感兴趣区域使用目标检测算法来检测交通对象并生成运动轮廓语义图；步骤S3：统计运动数据，加速度阈值，将运动轮廓语义图划分为高风险事件或正常事件；步骤S4：输入到随机森林分类器，根据特征重要性进行排序获得重要运动学特征；步骤S5：构建多模态深度神经网络模型；步骤S6：获得待检测驾驶视频的运动轮廓语义图和重要运动学特征并输入至多模态深度神经网络模型，预测行车是否具有风险，若有风险则向驾驶员报警。与现有技术相比，本发明具有提高行车危险场景的预测准确度、减少测量波动等优点。
-
公开(公告)号：CN118366134A
公开(公告)日：2024-07-19
申请号：CN202410512863.0
申请日：2024-04-26
申请人： 同济大学
IPC分类号： G06V20/59 , G06V10/82 , G06N3/0464 , G06V20/40 , G06V10/774 , G06V10/776 , G06V10/764 , G06V40/16 , G06N3/045 , G06N5/04 , G06T5/70
摘要： 本发明涉及图像检测领域，尤其是涉及一种基于CT‑Net模型的驾驶员疲劳检测方法，包括以下步骤：对车载驾驶员行为监管视频进行预处理，在视频帧图像上提取以驾驶员为中心的核心区域；使用数据增强技术；对CLIP模型进行微调提取驾驶员的面部及行为特征；对CLIP模型提取的图像特征进行实例正则化后使用Transformer网络捕捉驾驶员面部及行为特征的时序规律，提取出驾驶员长时间疲劳行为特征；最后通过一层全连接神经网络输出疲劳等级。与现有技术相比，本发明采用的CT‑Net模型不仅在复杂的交通环境中依然能够准确检测驾驶员的疲劳等级，具有较高的准确率和较广的普适性，也能输出文本描述对驾驶员的行为进行更加详细的语义解读。
-
公开(公告)号：CN117746098A
公开(公告)日：2024-03-22
申请号：CN202311555467.8
申请日：2023-11-20
申请人： 同济大学
IPC分类号： G06V10/764 , G06V10/774 , G06V10/82 , G06V20/56 , G06V20/40
摘要： 本发明涉及一种基于GAN数据增强的高风险驾驶场景辨识方法，该方法包括以下步骤：基于所述车辆前向视频数据，生成第一运动轮廓图，将所述第一运动轮廓图划分为训练集部分、验证集部分与测试集部分；对训练集部分的第一运动轮廓图进行增强处理；得到第二运动轮廓图；将所述第二运动轮廓图输入所述GAN模型中，输出得到第三运动轮廓图；将所述第一运动轮廓图、所述第二运动轮廓图和所述第三运动轮廓图输入所述高风险驾驶场景辨识模型中进行训练；将所述第一运动轮廓图输入所述高风险驾驶场景辨识模型中进行辨别。与现有技术相比，本发明通过GAN数据增强扩充高风险驾驶场景样本，提高建模数据的丰富性及多样性，进而提升模型的泛化能力，具有普适性等优点。
-
公开(公告)号：CN115510985A
公开(公告)日：2022-12-23
申请号：CN202211209593.3
申请日：2022-09-30
申请人： 同济大学
IPC分类号： G06K9/62
摘要： 本发明涉及一种道路交通碰撞风险识别方法、装置及存储介质，其中方法包括：采集交通流量数据并进行预处理；构建训练集：提取交通流量数据的特征，得到各个路段的特征集，作为训练样本集；构建各路段的道路级交通碰撞风险识别模型：道路级交通碰撞风险识别模型的输入为各个路段交通流量数据的特征，使用基于角度的离群点检测算法对特征数据进行交通碰撞风险时刻的异常值检测，输出识别出的碰撞样本；基于训练样本集分别初步训练各个道路级交通碰撞风险识别模型；引入滑动窗口机制构建动态训练样本集，并重训练模型；基于训练完成的模型实现各路段的交通碰撞风险识别。与现有技术相比，本发明具有适用于样本不平衡场景、识别精准、稳定等优点。
-
公开(公告)号：CN114372556A
公开(公告)日：2022-04-19
申请号：CN202111551051.X
申请日：2021-12-17
申请人： 同济大学
摘要： 本发明涉及一种基于轻量级多模态神经网络的行车危险场景辨识方法，包括以下：获取当前时间段内驾驶视频和车载数据；将驾驶视频的画面划分为上下分布的三个驾驶区域，将视频每一帧画面的每个驾驶区域内的图像在竖直方向上做均值化处理，转化为一行像素，然后将每帧对应的一行像素按时间顺序拼接在一起，形成每个驾驶区域的运动轮廓图；将每个驾驶区域的运动轮廓图和车载数据输入至行车风险评估模型得到辨识结果；所述行车风险评估模型为包括视觉数据处理层、运动学数据处理层、数据融合层和预测层的多模态神经网络。与现有技术相比，本发明具有减小运行数据量、简化模型计算过程，耗时低、准确率高等优点。
-
公开(公告)号：CN118734931A
公开(公告)日：2024-10-01
申请号：CN202410859479.8
申请日：2024-06-28
申请人： 同济大学
IPC分类号： G06N3/094 , G06N3/096 , G06N3/045 , G06N3/0464 , G06F18/214 , G06F18/22 , G06F18/241 , G06V10/774 , G06V10/74 , G06V10/764 , G06V10/82
摘要： 本发明涉及一种集成对抗攻击驱动的模型鲁棒性提升方法，包括以下步骤：获取自然样本，采用不同对抗攻击算法生成对抗样本，计算对抗样本之间的相似度，并进一步计算对抗攻击算法之间的相似度；根据所述对抗攻击算法之间的相似度，采用基于多样性优先集成策略构造融合白盒攻击和黑盒攻击的集成对抗攻击算法集；基于所述集成对抗攻击算法集，采用集成攻击算法进行对抗训练，并依据最大损失策略构造对抗损失函数，经过迭代训练得到鲁棒模型。与现有技术相比，本发明具有增强模型鲁棒性，使模型具备防御各类攻击的能力等优点。
-
公开(公告)号：CN111242015B
公开(公告)日：2023-05-02
申请号：CN202010026768.1
申请日：2020-01-10
申请人： 同济大学
IPC分类号： G06V20/40 , G06V20/58 , G06V10/25 , G06V10/44 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明涉及一种基于运动轮廓语义图预测行车危险场景的方法，包括以下步骤：步骤S1：获取驾驶视频，分割感兴趣区域；步骤S2：将感兴趣区域使用目标检测算法来检测交通对象并生成运动轮廓语义图；步骤S3：统计运动数据，加速度阈值，将运动轮廓语义图划分为高风险事件或正常事件；步骤S4：输入到随机森林分类器，根据特征重要性进行排序获得重要运动学特征；步骤S5：构建多模态深度神经网络模型；步骤S6：获得待检测驾驶视频的运动轮廓语义图和重要运动学特征并输入至多模态深度神经网络模型，预测行车是否具有风险，若有风险则向驾驶员报警。与现有技术相比，本发明具有提高行车危险场景的预测准确度、减少测量波动等优点。
-
公开(公告)号：CN115205622A
公开(公告)日：2022-10-18
申请号：CN202210679109.7
申请日：2022-06-15
申请人： 同济大学
IPC分类号： G06V10/774 , G06V10/82 , G06V20/59 , G06V40/16 , G06N3/04
摘要： 本发明涉及一种基于车载视觉的端到端驾驶员疲劳检测方法，包括：基于引入注意力机制的卷积神经网络，构建疲劳相关的高层特征提取网络VF‑Net；基于长短时记忆神经网络，构建疲劳的时序特征提取网络TS‑Net；以驾驶员面部视频为输入，联合VF‑Net和TS‑Net构建驾驶员疲劳检测模型，通过常规标记的训练集对驾驶员疲劳检测模型进行训练；通过模拟光线变化及相机位置变化拓展模型的训练集，利用拓展的训练集对驾驶员疲劳检测模型进行二次训练；实时获取驾驶员面部视频，输入至二次训练后的驾驶员疲劳检测模型，输出得到疲劳检测结果。与现有技术相比，本发明提高了检测模型的泛化能力和鲁棒性，满足实际应用中驾驶员疲劳检测的精度要求。
-
公开(公告)号：CN112115819B
公开(公告)日：2022-09-20
申请号：CN202010913412.X
申请日：2020-09-03
申请人： 同济大学
摘要： 本发明涉及一种基于目标检测及TET扩展指标的行车危险场景识别方法，具体包括以下S1.根据加速度阈值提取潜在危险场景；S2.确定车辆自适应可行驶区域；S3.检测可行驶区域内的最近交通对象；S4.对最近交通对象的像素距离进行去噪；S5.计算安全驾驶衡量指标ETET；S6.根据ETET指标提取危险驾驶场景模型。与现有技术相比，本发明具有准确率高、普适性强、提高对复杂交通环境感知的精准度、降低TET指标的局限性等优点。
-
公开(公告)号：CN112115819A
公开(公告)日：2020-12-22
申请号：CN202010913412.X
申请日：2020-09-03
申请人： 同济大学
摘要： 本发明涉及一种基于目标检测及TET扩展指标的行车危险场景识别方法，具体包括以下S1.根据加速度阈值提取潜在危险场景；S2.确定车辆自适应可行驶区域；S3.检测可行驶区域内的最近交通对象；S4.对最近交通对象的像素距离进行去噪；S5.计算安全驾驶衡量指标ETET；S6.根据ETET指标提取危险驾驶场景模型。与现有技术相比，本发明具有准确率高、普适性强、提高对复杂交通环境感知的精准度、降低TET指标的局限性等优点。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.017 秒)
