-
公开(公告)号：CN110135327B
公开(公告)日：2023-04-07
申请号：CN201910391169.7
申请日：2019-05-11
Applicant: 东南大学
IPC: G06V20/59 , G06V10/774 , G06V10/764 , G06V10/84 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/08
Abstract: 本发明设计了一种基于多区域特征学习模型的驾驶员行为识别方法，涉及计算机视觉中的行为识别领域。本发明结合图片多个有判别力的区域，比如手、方向盘、头等局部区域，与整体图片相结合作为驾驶员行为识别的依据。本发明在RCNN模型的基础上，使用Bing算法用于区域生成，测出图片中多个具有判别力的局部区域，随后将局部区域与整体图片分别送入卷积神经网络模型中提取相关特征，最后将特征融合进行行为分类。本发明所设计的网络可以高效快速地提取驾驶员行为的多区域特征，进一步提高驾驶员行为识别准确率。发明在交通安全领域有重要的应用价值。
-
公开(公告)号：CN112131975B
公开(公告)日：2022-11-15
申请号：CN202010935702.4
申请日：2020-09-08
Applicant: 东南大学
Abstract: 基于Retinex分解和生成对抗网络的人脸光照处理方法，框架包含光照分解模块、人脸重构模块、判别器模块和人脸验证模块。光照分解模块由一个卷积神经网络构成，输入一对人脸图像，通过无监督学习将人脸图像分解为反射分量和光照分量；人脸重构模块由一个编解码卷积神经网络构成，其输入包含低光照人脸图像的反射分量、光照分量及目标光照等级标签，该模块可以将低光照图像的光照分量调整到目标光照等级；判别器模块通过对抗学习判别输入人脸图像的真实性并分类光照等级；人脸验证模块包含一个预训练的人脸分类器以保证生成的人脸图像和目标人脸图像具有相同的身份信息。本发明鲁棒性高，人脸重构效果好，可适用于夜间光照昏暗条件下的人脸光照处理。
-
公开(公告)号：CN108875674B
公开(公告)日：2021-11-16
申请号：CN201810692685.9
申请日：2018-06-29
Applicant: 东南大学
Abstract: 本发明提供了一种基于多列融合卷积神经网络的驾驶员行为识别方法，包括：构建驾驶员行为识别数据集；对数据集的图片做数据增强；构建深度学习架构；训练设计好的深度学习模型；测试模型得出识别结果。本发明采用了深层的深度学习架构，有利于提取出更抽象的分层特征用于驾驶员行为分类；采用了多个不同滤波核的卷积神经网络分支融合的深度学习架构，有利于提取出图像多尺度特征，用于驾驶员行为分类。本发明中所设计的多列融合卷积神经网络有更抽象的局部特征表示能力，可进一步提高驾驶员行为识别的准确率，在公共安全和智能交通中有重要的应用价值。
-
公开(公告)号：CN110059582A
公开(公告)日：2019-07-26
申请号：CN201910242262.1
申请日：2019-03-28
Applicant: 东南大学
Abstract: 本发明公开了一种基于多尺度注意力卷积神经网络的驾驶员行为识别方法，包括如下步骤：(1)拍摄驾驶员行为识别的图像数据集；(2)对拍摄得到的驾驶员行为数据集做数据增强并将增强得到的样本同时纳入训练数据中；(3)构建神经网络模型，包括三个模块，分别为：多尺度卷积模块、注意力模块和分类模块；(4)训练多尺度注意力卷积神经网络；使用Pytorch开源工具搭建网络模型，使用随机梯度下降方法优化网络参数；(5)对多列卷积神经网络进行测试。本发明将多尺度模型和注意力机制引入到驾驶员行为识别任务中用于提取具有区分度的行为细粒度特征表示，可进一步提高驾驶员行为识别准确率。
-
公开(公告)号：CN111695435B
公开(公告)日：2022-04-29
申请号：CN202010425736.9
申请日：2020-05-19
Applicant: 东南大学
Abstract: 本发明提供了一种基于深度混合编解码神经网络的驾驶员行为识别方法，包括：建立驾驶员行为识别数据集；构建编解码时空卷积网络；构建卷积长短期记忆网络；构建分类网络；训练驾驶员行为识别模型中三个网络；采用训练好的驾驶员行为识别模型对数据集中的视频进行识别，将视频样本送入训练好的编解码时空卷积网路中得到短期行为时空特征表示，将短期行为时空特征表示送入训练好的卷积长短期记忆网络中得到长期行为时空特征表示，训练好的分类网络输出最终的驾驶员行为分类结果。本发明能够有效地从短期视频剪辑中提取隐含的运动信息，并通过时空融合实现长视频中的驾驶员行为特征编码，识别精度高，可实现监控视频中的驾驶员行为识别。
-
Patent Agency Ranking
公开(公告)号：CN114241456A
公开(公告)日：2022-03-25
申请号：CN202111564304.7
申请日：2021-12-20
Applicant: 东南大学
IPC: G06V20/59 , G06V40/20 , G06V10/44 , G06V10/82 , G06V10/80 , G06V10/764 , G06V10/774 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明公开了一种利用特征自适应加权的安全驾驶监测方法。本发明研究了不同尺度的全局特征与关键点特征的融合策略。针对融合过程中的注意力问题，本发明并非直接级联全局特征和关键点特征，而是针对两者提出基于姿态的特征融合模块。驾驶员行为的类别差异表现在不同的图像区域，模型应关注不同输入图像的不同区域，因此提出了自适应加权模块，通过学习一组特定于输入数据的专家权值来选择用于计算的卷积核，这为驾驶员动作识别提供了一个新的方向，并进一步提高驾驶员行为识别准确率。本发明在交通安全领域有重要的应用价值。
-
公开(公告)号：CN111695435A
公开(公告)日：2020-09-22
申请号：CN202010425736.9
申请日：2020-05-19
Applicant: 东南大学
Abstract: 本发明提供了一种基于深度混合编解码神经网络的驾驶员行为识别方法，包括：建立驾驶员行为识别数据集；构建编解码时空卷积网络；构建卷积长短期记忆网络；构建分类网络；训练驾驶员行为识别模型中三个网络；采用训练好的驾驶员行为识别模型对数据集中的视频进行识别，将视频样本送入训练好的编解码时空卷积网路中得到短期行为时空特征表示，将短期行为时空特征表示送入训练好的卷积长短期记忆网络中得到长期行为时空特征表示，训练好的分类网络输出最终的驾驶员行为分类结果。本发明能够有效地从短期视频剪辑中提取隐含的运动信息，并通过时空融合实现长视频中的驾驶员行为特征编码，识别精度高，可实现监控视频中的驾驶员行为识别。
-
公开(公告)号：CN109784150A
公开(公告)日：2019-05-21
申请号：CN201811489325.5
申请日：2018-12-06
Applicant: 东南大学
Abstract: 本发明提供了一种基于多任务时空卷积神经网络的视频驾驶员行为识别方法，将多任务学习策略引入到时空卷积神经网络的训练过程并应用于监控视频中的驾驶员行为识别，辅助的驾驶员定位和光流估计任务隐含地嵌入到视频分类任务中，促进卷积神经网络模型学习到更丰富的驾驶员局部空间和运动时间特征，以提升驾驶员行为识别的准确率。对比目前现有的驾驶员识别方法，本发明所设计的多任务时空卷积神经网络架构结合了帧间信息，泛化性强，识别准确率高，可用于监控视频下的实时驾驶员行为识别，在交通安全领域有重要的应用价值。
-
公开(公告)号：CN114241458B
公开(公告)日：2024-06-14
申请号：CN202111564360.0
申请日：2021-12-20
Applicant: 东南大学
IPC: G06V20/59 , G06V40/20 , G06V10/80 , G06V10/82 , G06V10/774 , G06V10/764 , G06N3/0455 , G06N3/0442 , G06N3/084 , G06N3/088 , G06N3/0985
Abstract: 本发明公开了一种基于姿态估计特征融合的驾驶员行为识别方法，结合驾驶员人体特征和关键点特征以提高判别力。本发明首先使用YOLO‑V4检测到驾驶员，再通过卷积网络提取驾驶员的身体特征。在模型另一条支路上利用OpenPose显示地学习与驾驶员行为相关的关键点特征。在此基础上，本发明设计一种门控式注意力聚集模块，以充分利用身体特征与关键点特征之间的相互依赖性。此外，本发明应用了在ImageNet数据集上探索出的自动增强策略以进行数据扩充。对比目前现有的驾驶员识别方法，本发明进一步提高驾驶员行为识别准确率，在交通安全领域有重要的应用价值。
-
公开(公告)号：CN110298257B
公开(公告)日：2023-08-01
申请号：CN201910483000.4
申请日：2019-06-04
Applicant: 东南大学
IPC: G06V20/59 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种基于人体多部位特征的驾驶员行为识别方法，包括：建立驾驶员行为识别的图像数据集；构建神经网络模型；训练基于人体多部位特征的驾驶员行为识别模型；对基于人体多部位特征的驾驶员行为识别模型进行测试。本发明结合人体关键点区域与全局区域，利用某些具有判别力的局部区域进行驾驶员行为识别，由于融合人体关键点特征，进一步提高驾驶员行为识别准确率，在交通安全领域有重要的应用价值。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.015 seconds)
