申请/专利权人：同济大学

申请日：2023-11-20

公开（公告）日：2024-03-22

公开（公告）号：CN117746098A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/82;G06V20/56;G06V20/40

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

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。

主权项：1.一种基于GAN数据增强的高风险驾驶场景辨识方法，其特征在于，包括以下步骤：步骤S1、获取车辆前向视频数据，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；步骤S2、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；步骤S3、获取GAN模型，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；步骤S4、基于深度卷积神经网络架构，构建高风险驾驶场景辨识模型；将所述第一运动轮廓图的训练集部分、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，得到所述高风险驾驶场景辨识模型；步骤S5、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，经过所述高风险驾驶场景辨识模型计算，输出得到连续风险值，根据所述连续风险值与采用约登指数方法确定的所述最优分类阈值的大小关系来评估驾驶风险；若所述连续风险值大于所述最优分类阈值，则所述第一运动轮廓图为高风险驾驶场景；否则，为非冲突驾驶场景。

全文数据：

权利要求：

百度查询： 同济大学 一种基于GAN数据增强的高风险驾驶场景辨识方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD