申请/专利权人:合肥工业大学
申请日:2023-11-17
公开(公告)日:2024-05-10
公开(公告)号:CN117576666B
主分类号:G06V20/59
分类号:G06V20/59;G06V10/82;G06V10/80;G06V10/52;G06V10/774
优先权:
专利状态码:有效-授权
法律状态:2024.05.10#授权;2024.03.08#实质审查的生效;2024.02.20#公开
摘要:本发明公开了一种基于多尺度动态卷积注意力加权的危险驾驶行为检测方法。由于现有目标检测模型,难以区分不同类型的危险驾驶行为,本发明方法使用不同行为的特征,来学习动态卷积核。为了提高不同分辨率的危险驾驶行为的识别准确性,本发明方法考虑监控环境下不同尺度的动态卷积核。为了有效融合多尺度动态卷积特征,本发明方法分析了各尺度特征之间的关系,用于学习各尺度的注意力,实现多尺度特征融合。在现有目标检测模型,添加上述多尺度动态卷积模块和注意力加权模块,可以提高危险驾驶行为检测的准确性,可应用于车辆安全系统中,保障驾驶安全。
主权项:1.一种基于多尺度动态卷积注意力加权的危险驾驶行为检测方法,其特征在于:具体包括以下步骤:S1:构建危险驾驶行为数据集;S2:构建多尺度动态卷积特征;S3:基于注意力加权融合多尺度动态卷积特征;S4:训练多尺度动态卷积模型用于危险驾驶行为检测;S5:测试多尺度动态卷积模型用于危险驾驶行为检测;步骤S2所述的构建多尺度动态卷积特征,具体包括以下步骤:S2-1:输入预处理视频帧FPi∈RC×H×W,其中C表示通道数,H表示图片高度,W表示图片宽度;S2-2:输入YOLOv3模型提取的特征Headf∈RC×H×W,其中C表示通道数,H×W表示特征大小;S2-3:构建3×3动态卷积特征;S2-4:构建5×5动态卷积特征;S2-5:构建7×7动态卷积特征;步骤S3所述的基于注意力加权融合多尺度动态卷积特征,具体包括以下步骤:S3-1:输入3×3动态卷积特征DCKF1、5×5动态卷积特征DCKF2、7×7动态卷积特征DCKF3;S3-2:对多尺度动态卷积特征DCKF1、DCKF2、DCKF3,使用全局平均池化层进行全局平均池化操作,获得全局平均池化特征GlobalAveragePoolingFeature,记为GAPF,公式如下:GAPF=GAPDCKF1,DCKF2,DCKF3∈RC×1S3-3:对全局平均池化特征GAPF,使用1×1卷积层进行卷积操作,获得卷积特征CF0,公式如下:CF0=Conv1×1GAPF∈RC′×1其中RC′×1表示一个C'维的列向量,是一个实数向量空间;S3-4:对卷积特征CF0,使用三个1×1卷积层对三个通道分别进行卷积操作,获得卷积特征CF1、CF2和CF3,公式如下: 其中CF1、CF2、CF3这三个向量分别对应于CF0中的三个通道,表示经过卷积操作后得到的新的特征信息;S3-5:对卷积特征CF1、CF2和CF3,使用Softmax层进行归一化操作,获得融合多尺度动态卷积特征CF1,c,CF2,c和CF3,c,公式如下: 其中CF1,c、CF2,c和CF3,c的值表示对应特征的权重或重要性。
全文数据:
权利要求:
百度查询: 合肥工业大学 基于多尺度动态卷积注意力加权的危险驾驶行为检测方法
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。