CN112183466A - 一种基于道路场景识别的分心驾驶识别方法 - Google Patents
一种基于道路场景识别的分心驾驶识别方法 Download PDFInfo
- Publication number
- CN112183466A CN112183466A CN202011154945.0A CN202011154945A CN112183466A CN 112183466 A CN112183466 A CN 112183466A CN 202011154945 A CN202011154945 A CN 202011154945A CN 112183466 A CN112183466 A CN 112183466A
- Authority
- CN
- China
- Prior art keywords
- scene
- normalized energy
- data
- recognition
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000001133 acceleration Effects 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于道路场景识别的分心驾驶识别方法，包括步骤：1)利用车辆惯性导航系统采集数据，并将惯性导航系统采集的数据进行预处理；2)将预处理后的惯性导航系统数据基于滑动时间窗进行相关特征集合的初始化；3)根据步骤2)初始化后的数据建立分心驾驶识别模型，对不同道路场景进行特征的提取；4)基于分心驾驶识别模型，进行基于道路场景识别的分心驾驶识别。与现有技术相比，本发明具有适应多场景、稳定性强、识别精度高等优点。
Description
技术领域
本发明涉及驾驶行为识别技术领域，尤其是涉及一种基于道路场景识别的分心驾驶识别方法。
背景技术
驾驶员在驾驶车辆的过程中，常常会受到周围环境的影响而无法时刻专注于驾驶行为。而驾驶员在驾驶过程中的分心是引起交通事故的重要原因之一。国内对分心驾驶的研究起步较晚，且对于分心驾驶的生理特性研究不够深入。截止目前，已有的研究大多采用模拟驾驶器数据进行，模拟驾驶器数据可靠性存疑，且在分析模型设置中往往没有融入对驾驶场景的考虑，导致检测准确率较低。此外，对于基于眼动或驾驶行为数据的分心驾驶识别方法，这些方法只能够对显著的分心行为比较有效，因同样未考虑驾驶场景的因素，稳定性较差且精度较差。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种具有适应多场景、稳定性强、精度高的基于道路场景识别的分心驾驶识别方法。
本发明的目的可以通过以下技术方案来实现：
一种基于道路场景识别的分心驾驶识别方法，该方法包括下列步骤：
S1：利用车辆惯性导航系统采集数据，并将惯性导航系统采集的数据进行预处理；具体地：
11)利用车辆惯性导航系统采集数据；
车辆惯性导航采集的数据包括时间、偏航角速度、偏航角、纵向加速度和横向加速度。
12)采用滑动平均的方法对惯性导航系统采集的数据去除噪声；
13)插值采用非线性插值法，对惯性导航系统采集的数据进行插值处理。
S2：将预处理后的惯性导航系统数据基于滑动时间窗进行相关特征集合的初始化；具体包括下列步骤：
21)对预处理后的数据获取时间窗内的基本特征的均值、标准差和变异系数；
22)进行离散小波变换，将变换后的数据作为模型训练样本。
S3：根据步骤S2初始化后的数据建立分心驾驶识别模型，对不同道路场景进行特征的提取；道路场景包括针对直线场景和平曲线场景，所述直线场景包括直线自由场景和直线跟驰场景，所述平曲线场景包括平曲线自由场景和平曲线跟驰场景。
本步骤的具体内容包括：
31)建立基于LGBM模型的道路场景识别模型，采用贝叶斯算法对道路场景识别模型进行参数组合寻优，通过提取偏航角速度的小波特征训练场景识别模型；
32)建立基于LGBM模型的分心识别模型，采用DE算法对分心识别模型进行参数组合寻优，并使用准确率、精确率、正确率、召回率和F1得分对模型的识别性能进行评估。
S4：基于分心驾驶识别模型，进行基于道路场景识别的分心驾驶识别。
进一步地，采用SVM-RBF算法对不同道路场景进行特征选择。采用差分进化法对模型超参数进行最优化，采用LGBM算法进行分类识别训练和预测。
所述直线场景选取的特征包括速度均值、纵向加速度标准差、速度cd1归一化能量、纵向加速度cd1归一化能量、偏航角cd1归一化能量、速度cd2归一化能量、偏航角cd2归一化能量、偏航角cd3归一化能量、横向加速度标准差和纵向加速度ca5归一化能量。
所述平曲线场景选取的特征包括速度_均值、速度cd1归一化能量、偏航角cd1归一化能量、速度cd2归一化能量、速度标准差、纵向加速度标准差、横向加速度小波熵、横向加速度ca5归一化能量、偏航角cd3归一化能量和偏航角d2归一化能量。
本发明提供的基于道路场景识别的分心驾驶识别方法，相较于现有技术至少包括如下有益效果：
一、本发明基于车辆惯性导航系统采集数据进行分心驾驶识别，相比于模拟驾驶器数据更加符合实际驾驶特征，且针对惯性导航系统采集数据的性能或数据传输的影响，对惯性导航系统采集的数据进行了处理，有利于提高分心驾驶识别的准确性；
二、对不同道路场景进行特征提取，可得到保留更细节的区分性信息，从而能够更加准确的进行驾驶分心判断；模型在直线、平曲线和综合场景下的识别准确率分别可达到90.87％和88.09％；
三、基于道路场景识别的分心驾驶识别方法，可适应多场景，稳定性更强，有利于推广使用；通过提取偏航角速度的小波特征用于训练场景识别模型，模型对直线和平曲线的识别误差低于0.1％，具备很强的适用性。
附图说明
图1为实施例中基于道路场景识别的分心驾驶识别方法的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
如图1所示，本发明涉及一种基于道路场景识别的分心驾驶识别方法，该方法包括如下步骤：
步骤一、利用车辆惯性导航系统采集数据，并将惯性导航系统采样的数据进行平滑和插值预处理。
车辆惯性导航采集的数据包括：时间、加速度、偏航角速度、偏航角和经纬度，加速度包括纵向加速度和横向加速度。
车辆自身震动以及道路平整度的影响会导致惯导系统所采集的数据存在噪点和异常值，还有一种情况是车辆经过井盖时会使驾驶特征时间序列出现尖锐的噪声，本发明采用滑动平均的方法去除纵向加速度、横向加速度、偏航角以及偏航角速度的噪声对于某一个长度为n的时间序列的驾驶行为数据，假设时间窗大小为m，步长为s，求其每个时间窗的均值。
由于惯性导航系统采集数据的性能或数据传输的影响，所采集的数据对应的时间步并非严格按照0.01s的步长，同时需要进行插值处理，本发明对纵向加速度、横向加速度、偏航角以及偏航角速度进行插值预处理。
插值采用非线性插值法，先通过经过平滑之后的数据拟合一条曲线，然后根据0.01s的时间间隔插入若干点。
步骤二、将预处理后的数据基于滑动时间窗进行相关特征集合的初始化。具体地，通过对预处理后的数据的时间窗内的基本特征的均值、标准差以及小波相关特征进行提取作为特性分析和模型训练的样本。其中，基本特征实施如下：
2.1、均值、标准差与变异系数
均值是最基础的特征，变量X的均值的计算公式如下所示，以下计算基于预处理后的数据：
式中：
—数据均值；N—数据数量；xi—每个数据值。
标准值能反应驾驶信号围绕均值的波动情况，变量X的标准差的计算公式如下所示：
式中：σx—数据标准差；N—数据数量；xi—每个数据值；
—数据均值。
纵向变异系数作为研究参数，能够反映车辆在行驶过程中加减速频繁程度和驾驶稳定性，变量X的变异系数cvx的计算公式如下所示：
2.2、离散小波变换
离散小波变换，不会丢失基本信息，由于小波基函数具有正交性，通过离散小波变换会消除冗余信息，使得计算误差缩小。
离散小波函数为：
其中，
为基本小波函数，*表示共轭，a是尺度参数，b是平移参数，a∈R+，且a≠0，b∈R。
从连续小波变换到离散小波变换，不会丢失基本信息，由于小波基函数具有正交性，反而会消除冗余信息，且计算误差更小。本发明采用基于Haar小波基函数的5尺度小波分解，最终获得5组高频分量系数(cD1、cD2、cD3、cD4和cD5)和1组高频分量低频系数cA5。消除冗余信息后，得到的就是cD1、cD1、cD2、cD3、cD4和cD5五组高频系数，这也是后续使用的，低频系数cA5舍弃。本发明将获取的各系数作为特性分析和模型训练的样本。通过提取偏航角速度的小波特征训练场景识别模型，可使模型对直线和平曲线的识别误差低于0.1％，具备很强的适用性。
步骤三、模型建立和评估指标。
首先建立道路场景识别模型，使用贝叶斯算法对LGBM模型进行参数组合寻优，然后通过提取偏航角速度的小波特征训练场景识别模型，可使模型对直线和平曲线的识别误差低于0.1％，具备很强的适用性。
然后建立分心识别模型，采用DE算法对识别LGBM模型进行参数组合寻优，以及使用准确率、精确率、正确率、召回率和F1得分对模型的识别性能进行评估。准确率、精确率、召回率、F1得分都是对模型的评价指标，在本专利中召回率可以用来评价所有分心状态样本中被正确识别为分心的效果，召回率越高，越满足模型的设计要求。
其中准确率(Accuracy)指所有样本中被正确预测的比例：
式中：
TP—正样本被预测为正样本的数量；
FN—正样本被预测为负样本的数量；
FP—负样本被预测为正样本的数量；
TN—负样本被预测为负样本的数量。
本专利中的正样本指的是实际类别为分心的样本，负样本指的是实际类别不是分心样本。
精确率(Precision)指在所有预测为正的样本中实际为正的比率，公示如下所示：
召回率(Recall)指在所有实际为正的样本中被正确预测为正的比率，公示如下所示：
F1得分(F1 Score)用于调和精确率和召回率，公示如下所示：
召回率可以用来评价所有分心状态样本中被正确识别为分心的效果，召回率越高，越满足模型的设计要求。
本发明对不同道路场景选取对应特征，并获取不同特征所对应的场景的参数权重。在本实施例中，针对直线场景(直线自由和直线跟驰)和平曲线场景(平曲线自由和平曲线跟驰)，根据SVM-RBF算法进行特征选择，最终得到的以下特征数据作为LGBM模型的输入数据。
其中直线场景选择特征为：速度均值、纵向加速度_标准差、速度_cd1归一化能量、纵向加速度_cd1归一化能量、偏航角_cd1归一化能量、速度_cd2归一化能量、偏航角_cd2归一化能量、偏航角_cd3归一化能量、横向加速度_标准差、纵向加速度_ca5归一化能量。
平曲线场景选择特征为：速度_均值、速度cd1_归一化能量、偏航角cd1_归一化能量、速度cd2_归一化能量、速度_标准差、纵向加速度_标准差、横向加速度_小波熵、横向加速度_ca5归一化能量、偏航角_cd3归一化能量、偏航角_cd2归一化能量。
步骤四、进行基于道路场景识别的分心驾驶识别。
本发明结合采用差分进化法(DE)和LGBM算法各自的优势，采用DE算法对模型超参数进行最优化来尽可能提高后期训练效果，然后使用LGBM算法进行分类识别训练和预测。
直线场景和平曲线场景分心识别模型所使用的特征数据为步骤三中所提。其中时域特征中，速度均值、纵向加速度方差以及横向加速度标准差重要性最高，在小波特征中，主要以速度、纵向加速度和偏航角的小波特征为主。
其中时域特征中，速度均值、纵向加速度方差以及横向加速度标准差为关键的训练数据，在小波特征中，主要以速度、纵向加速度和偏航角的小波特征为关键的训练数据。
直线场景和平曲线场景分心识别模型所使用的评价指标为步骤三中所提，根据这几项指标建立混淆矩阵，通过混淆矩阵可以直观地看出模型对每个类别的预测效果。从而调整训练参数，最终参数设置为：
(1)直线场景分心识别模型超参数最优取值，学习收缩率设置为0.01、叶子最小样本数设置为22、最大叶子数34、树最大深度设置为6、样本选择比率设置为0.62、最优特征数目18、特征选择比率0.53、L1正则系数设置为5.7、L2正则系数设置为8.13、最小分裂收益设置为0.02、最小孩子权重设置为17.12。
(2)平曲线场景分心识别模型超参数最优取值，学习收缩率设置为0.02、叶子最小样本数设置为16、最大叶子数24、树最大深度设置为11、样本选择比率设置为0.55、最优特征数目23、特征选择比率0.52、L1正则系数设置为6.7、L2正则系数设置为6.12、最小分裂收益设置为0.01、最小孩子权重设置为73.90。
在进行分心状态识别时(判断是否分心)，模型效果良好，总体准确率分别为90.87％和88.09％，而当分心状态作为正样本时的召回率分别为90.15％和88.89％。因此模型在应用的时候，使用召回率作为识别分心结果。且模型在直线、平曲线和综合场景下都可以得到高召回率，从而判断出分心驾驶误判为正常驾驶的概率很低，证明了算法的有效性。
本发明基于车辆惯性导航系统采集数据进行分心驾驶识别，相比于模拟驾驶器数据更加符合实际驾驶特征，且针对惯性导航系统采集数据的性能或数据传输的影响，对惯性导航系统采集的数据进行了处理，有利于提高分心驾驶识别的准确性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于道路场景识别的分心驾驶识别方法，其特征在于，包括下列步骤：
1)利用车辆惯性导航系统采集数据，并将惯性导航系统采集的数据进行预处理；
2)将预处理后的惯性导航系统数据基于滑动时间窗进行相关特征集合的初始化；
3)根据步骤2)初始化后的数据建立分心驾驶识别模型，对不同道路场景进行特征的提取；
4)基于分心驾驶识别模型，进行基于道路场景识别的分心驾驶识别。
2.根据权利要求1所述的基于道路场景识别的分心驾驶识别方法，其特征在于，步骤1)具体包括下列步骤：
11)利用车辆惯性导航系统采集数据；
12)采用滑动平均的方法对惯性导航系统采集的数据去除噪声；
13)插值采用非线性插值法，对惯性导航系统采集的数据进行插值处理。
3.根据权利要求1所述的基于道路场景识别的分心驾驶识别方法，其特征在于，步骤2)具体包括下列步骤：
21)对预处理后的数据获取时间窗内的基本特征的均值、标准差和变异系数；
22)进行离散小波变换，将变换后的数据作为模型训练样本。
4.根据权利要求1所述的基于道路场景识别的分心驾驶识别方法，其特征在于，步骤3)具体包括下列步骤：
31)建立基于LGBM模型的道路场景识别模型，采用贝叶斯算法对道路场景识别模型进行参数组合寻优，通过提取偏航角速度的小波特征训练场景识别模型；
32)建立基于LGBM模型的分心识别模型，采用DE算法对分心识别模型进行参数组合寻优，并使用准确率、精确率、正确率、召回率和F1得分对模型的识别性能进行评估。
5.根据权利要求1所述的基于道路场景识别的分心驾驶识别方法，其特征在于，道路场景包括针对直线场景和平曲线场景，所述直线场景包括直线自由场景和直线跟驰场景，所述平曲线场景包括平曲线自由场景和平曲线跟驰场景。
6.根据权利要求1所述的基于道路场景识别的分心驾驶识别方法，其特征在于，步骤4)中，采用SVM-RBF算法对不同道路场景进行特征选择。
7.根据权利要求1所述的基于道路场景识别的分心驾驶识别方法，其特征在于，步骤4)中，采用差分进化法对模型超参数进行最优化，采用LGBM算法进行分类识别训练和预测。
8.根据权利要求1所述的基于道路场景识别的分心驾驶识别方法，其特征在于，车辆惯性导航采集的数据包括时间、偏航角速度、偏航角、纵向加速度和横向加速度。
9.根据权利要求5所述的基于道路场景识别的分心驾驶识别方法，其特征在于，所述直线场景选取的特征包括速度均值、纵向加速度标准差、速度cd1归一化能量、纵向加速度cd1归一化能量、偏航角cd1归一化能量、速度cd2归一化能量、偏航角cd2归一化能量、偏航角cd3归一化能量、横向加速度标准差和纵向加速度ca5归一化能量。
10.根据权利要求5所述的基于道路场景识别的分心驾驶识别方法，其特征在于，所述平曲线场景选取的特征包括速度_均值、速度cd1归一化能量、偏航角cd1归一化能量、速度cd2归一化能量、速度标准差、纵向加速度标准差、横向加速度小波熵、横向加速度ca5归一化能量、偏航角cd3归一化能量和偏航角d2归一化能量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011154945.0A CN112183466B (zh) | 2020-10-26 | 2020-10-26 | 一种基于道路场景识别的分心驾驶识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011154945.0A CN112183466B (zh) | 2020-10-26 | 2020-10-26 | 一种基于道路场景识别的分心驾驶识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112183466A true CN112183466A (zh) | 2021-01-05 |
| CN112183466B CN112183466B (zh) | 2022-12-16 |
Family
ID=73922120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011154945.0A Active CN112183466B (zh) | 2020-10-26 | 2020-10-26 | 一种基于道路场景识别的分心驾驶识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112183466B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114943956A (zh) * | 2022-06-22 | 2022-08-26 | 武汉理工大学 | 多场景下的驾驶分心识别方法、系统及车辆 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105185038A (zh) * | 2015-10-20 | 2015-12-23 | 华东交通大学 | 一种基于Android智能手机的安全行车系统 |
| CN106274483A (zh) * | 2016-11-10 | 2017-01-04 | 合肥工业大学 | 基于分心驾驶行为判别的车辆自动驾驶切换装置及方法 |
| CN108305524A (zh) * | 2018-01-26 | 2018-07-20 | 北京工业大学 | 基于驾驶模拟平台的沉浸式驾驶行为矫正方法和系统 |
| CN109034111A (zh) * | 2018-08-17 | 2018-12-18 | 北京航空航天大学 | 一种基于深度学习的驾驶员手离方向盘检测方法及系统 |
| CN110207726A (zh) * | 2019-07-09 | 2019-09-06 | 北京工业大学 | 基于驾驶模拟技术的导航播报模式效用评估方法和系统 |
| CN110597711A (zh) * | 2019-08-26 | 2019-12-20 | 湖南大学 | 一种基于场景和任务的自动驾驶测试用例生成方法 |
| CN111738337A (zh) * | 2020-06-23 | 2020-10-02 | 吉林大学 | 一种混行交通环境下的驾驶人分心状态检测识别方法 |
| CN112308136A (zh) * | 2020-10-29 | 2021-02-02 | 江苏大学 | 一种基于SVM-Adaboost的驾驶分心检测方法 |
| CN112329714A (zh) * | 2020-11-25 | 2021-02-05 | 浙江天行健智能科技有限公司 | 基于gm-hmm的驾驶员高速驾驶分心识别建模方法 |
| CN113487874A (zh) * | 2021-05-27 | 2021-10-08 | 中汽研（天津）汽车工程研究院有限公司 | 一种跟驰行为场景数据采集、识别、分类提取系统及方法 |
| CN113520397A (zh) * | 2021-07-23 | 2021-10-22 | 吉林大学 | 一种基于可穿戴式惯性测量单元的驾驶分心行为识别方法 |
-
2020
- 2020-10-26 CN CN202011154945.0A patent/CN112183466B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105185038A (zh) * | 2015-10-20 | 2015-12-23 | 华东交通大学 | 一种基于Android智能手机的安全行车系统 |
| CN106274483A (zh) * | 2016-11-10 | 2017-01-04 | 合肥工业大学 | 基于分心驾驶行为判别的车辆自动驾驶切换装置及方法 |
| CN108305524A (zh) * | 2018-01-26 | 2018-07-20 | 北京工业大学 | 基于驾驶模拟平台的沉浸式驾驶行为矫正方法和系统 |
| CN109034111A (zh) * | 2018-08-17 | 2018-12-18 | 北京航空航天大学 | 一种基于深度学习的驾驶员手离方向盘检测方法及系统 |
| CN110207726A (zh) * | 2019-07-09 | 2019-09-06 | 北京工业大学 | 基于驾驶模拟技术的导航播报模式效用评估方法和系统 |
| CN110597711A (zh) * | 2019-08-26 | 2019-12-20 | 湖南大学 | 一种基于场景和任务的自动驾驶测试用例生成方法 |
| CN111738337A (zh) * | 2020-06-23 | 2020-10-02 | 吉林大学 | 一种混行交通环境下的驾驶人分心状态检测识别方法 |
| CN112308136A (zh) * | 2020-10-29 | 2021-02-02 | 江苏大学 | 一种基于SVM-Adaboost的驾驶分心检测方法 |
| CN112329714A (zh) * | 2020-11-25 | 2021-02-05 | 浙江天行健智能科技有限公司 | 基于gm-hmm的驾驶员高速驾驶分心识别建模方法 |
| CN113487874A (zh) * | 2021-05-27 | 2021-10-08 | 中汽研（天津）汽车工程研究院有限公司 | 一种跟驰行为场景数据采集、识别、分类提取系统及方法 |
| CN113520397A (zh) * | 2021-07-23 | 2021-10-22 | 吉林大学 | 一种基于可穿戴式惯性测量单元的驾驶分心行为识别方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114943956A (zh) * | 2022-06-22 | 2022-08-26 | 武汉理工大学 | 多场景下的驾驶分心识别方法、系统及车辆 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112183466B (zh) | 2022-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108108766B (zh) | 基于多传感器数据融合的驾驶行为识别方法及系统 | |
| CN107563426B (zh) | 一种机车运行时序特征的学习方法 | |
| CN111175718B (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
| CN111103976B (zh) | 手势识别方法、装置及电子设备 | |
| CN104107042A (zh) | 基于粒子群优化-支持向量机的肌电信号步态识别方法 | |
| CN110133714A (zh) | 一种基于深度学习的微震信号分类辨识方法 | |
| CN104887263A (zh) | 一种基于心音多维特征提取的身份识别算法及其系统 | |
| CN112183466B (zh) | 一种基于道路场景识别的分心驾驶识别方法 | |
| CN117349657A (zh) | 一种用于水利工程环境监测的分布式数据采集模块及监测系统 | |
| CN110458219B (zh) | 一种基于stft-cnn-rvfl的φ-otdr振动信号识别算法 | |
| CN103505189B (zh) | 基于小波包变换和隐马尔科夫模型的脉搏信号分类方法 | |
| CN103852525A (zh) | 基于ar-hmm的声发射信号识别方法 | |
| CN110192864B (zh) | 一种跨域心电图生物特征身份识别方法 | |
| CN115496100A (zh) | 一种基于GAF-ConvNeXt-TF的周界安防扰动识别算法 | |
| CN115662464A (zh) | 一种智能识别环境噪声的方法及系统 | |
| CN106056150A (zh) | 基于人工智能随机森林方法建立不同车型分零件远程定损系统及方法 | |
| CN116092519A (zh) | 车辆故障检测方法及系统 | |
| CN118347564A (zh) | 一种基于加速度振动传感器的车辆超载检测方法 | |
| CN112420056A (zh) | 基于变分自编码器的说话人身份鉴别方法、系统及无人机 | |
| CN114639372B (zh) | 基于调整余弦互信息估计的语种识别方法 | |
| CN116778963A (zh) | 一种基于自注意力机制的汽车鸣笛识别方法 | |
| CN110163142A (zh) | 实时手势识别方法及系统 | |
| CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
| CN115064182A (zh) | 自适应梅尔滤波器在强噪声环境下风机故障特征识别方法 | |
| CN115293214A (zh) | 一种基于样本扩充网络的水声目标识别模型优化方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |