期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
重点营运车辆的异常驾驶行为识别研究
被引量:
7
1
作者
赵建东
陈溱
+2 位作者
焦彦利
张凯丽
韩明敏
《交通运输系统工程与信息》
EI
CSCD
北大核心
2022年第1期282-291,共10页
为加强对重点营运车辆异常驾驶行为的监督与检测,本文基于时间序列符号化算法(TSA)与多尺度卷积神经网络模型(MCNN)提出一种组合模型TSA-MCNN,用于识别重点营运车辆异常驾驶行为。首先,对北斗数据进行预处理,并基于营运车辆存在多种车...
为加强对重点营运车辆异常驾驶行为的监督与检测,本文基于时间序列符号化算法(TSA)与多尺度卷积神经网络模型(MCNN)提出一种组合模型TSA-MCNN,用于识别重点营运车辆异常驾驶行为。首先,对北斗数据进行预处理,并基于营运车辆存在多种车型、多种速度限制、多种异常驾驶行为的特点划分4种异常驾驶行为,构建异常样本数据集。其次,构建TSA-MCNN模型识别样本数据集,其过程分为两阶段,第1阶段,针对重点营运车辆的特点,引入能够粗粒化处理数据特征的时间序列符号化算法与能够多通道参数输入的多尺度卷积神经网络进行组合,并基于Keras库完成TSA-MCNN模型的搭建;第2阶段,利用样本数据集作为模型的输入变量,完成模型的训练、测试与识别。最后,以广河高速重点营运车辆北斗数据验证TSA-MCNN模型的性能,同时,与异常识别传统算法的卷积神经网络(CNN)模型与动态时间扭曲-K最近邻(DTW-KNN)模型进行对比分析。验证结果表明:TSA-MCNN模型整体识别准确率为97.25%,相对于CNN模型与DTW-KNN模型提高了20.50%与5.63%。其中,TSA-MCNN模型对于正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为、低速驾驶行为的识别精确率相对于CNN模型(DTW-KNN模型)分别提高了26%(13%)、26%(6%)、23%(5%)、28%(3%)、0(0),说明该模型对于重点营运车辆异常驾驶行为的识别具有良好的性能。
展开更多
关键词
智能交通
异常驾驶行为识别
多尺度卷积神经网络
重点营运车辆
车辆
驾驶
行为
深度学习
下载PDF
职称材料
基于协方差流形的异常驾驶行为识别方法
被引量:
2
2
作者
李此君
刘云鹏
《太赫兹科学与电子信息学报》
北大核心
2018年第2期323-329,共7页
研究一种高效的异常驾驶行为正确识别分类的识别方法,对预防由于异常驾驶行为导致的交通事故具有重要意义。提出了一种新的基于协方差流形的异常驾驶行为识别方法。首先提取图像的纹理、颜色和梯度方向特征,以克服基于单一特征识别驾驶...
研究一种高效的异常驾驶行为正确识别分类的识别方法,对预防由于异常驾驶行为导致的交通事故具有重要意义。提出了一种新的基于协方差流形的异常驾驶行为识别方法。首先提取图像的纹理、颜色和梯度方向特征,以克服基于单一特征识别驾驶行为的不足;并利用协方差流形进行多特征融合,以消除特征冗余以及不同特征数值悬殊对图像识别的影响;最后使用多类LogitBoost分类器进行分类识别。针对相同检测目标的正确识别率可达98%以上,对不同检测目标的正确识别率可达70%以上。实验结果表明该方法有效提高了驾驶行为识别的效果。
展开更多
关键词
异常驾驶行为识别
协方差描述子
黎曼流形
多类LogitBoost分类器
下载PDF
职称材料
基于协方差流形和LogitBoost的异常驾驶行为识别方法
被引量:
5
3
作者
李此君
刘云鹏
《激光与光电子学进展》
CSCD
北大核心
2018年第11期332-339,共8页
驾驶员因素引发的交通事故比例居高不下,因此,研究基于驾驶员活动状态分析从而对异常驾驶行为进行正确识别分类的识别方法具有重要意义。提出一种基于协方差流形和基于二分类思想的多类LogitBoost分类器的异常驾驶行为识别方法。首先,...
驾驶员因素引发的交通事故比例居高不下,因此,研究基于驾驶员活动状态分析从而对异常驾驶行为进行正确识别分类的识别方法具有重要意义。提出一种基于协方差流形和基于二分类思想的多类LogitBoost分类器的异常驾驶行为识别方法。首先,提取图像的纹理、颜色和梯度方向等基础特征,以克服基于单一特征识别驾驶行为的不足;然后,利用协方差流形进行多特征融合,以消除特征冗余,同时降低由于不同特征数值差异过大而可能给图像处理及识别带来的影响;最后,使用基于二分类的多类LogitBoost分类器进行分类识别。实验结果表明,相对传统的直接使用LogitBoost的多分类方法,本文方法较大幅地提高了多分类的正确率,针对不同目标的正确识别率可达81.08%。
展开更多
关键词
机器视觉
异常驾驶行为识别
协方差描述子
黎曼流形
原文传递
题名
重点营运车辆的异常驾驶行为识别研究
被引量:
7
1
作者
赵建东
陈溱
焦彦利
张凯丽
韩明敏
机构
北京交通大学交通运输学院
北京交通大学综合交通运输大数据应用技术交通运输行业重点实验室
河北省交通规划设计院
出处
《交通运输系统工程与信息》
EI
CSCD
北大核心
2022年第1期282-291,共10页
基金
国家重点研发计划(2018YFB1600900)
国家自然科学基金(71871011,71890972/71890970)。
文摘
为加强对重点营运车辆异常驾驶行为的监督与检测,本文基于时间序列符号化算法(TSA)与多尺度卷积神经网络模型(MCNN)提出一种组合模型TSA-MCNN,用于识别重点营运车辆异常驾驶行为。首先,对北斗数据进行预处理,并基于营运车辆存在多种车型、多种速度限制、多种异常驾驶行为的特点划分4种异常驾驶行为,构建异常样本数据集。其次,构建TSA-MCNN模型识别样本数据集,其过程分为两阶段,第1阶段,针对重点营运车辆的特点,引入能够粗粒化处理数据特征的时间序列符号化算法与能够多通道参数输入的多尺度卷积神经网络进行组合,并基于Keras库完成TSA-MCNN模型的搭建;第2阶段,利用样本数据集作为模型的输入变量,完成模型的训练、测试与识别。最后,以广河高速重点营运车辆北斗数据验证TSA-MCNN模型的性能,同时,与异常识别传统算法的卷积神经网络(CNN)模型与动态时间扭曲-K最近邻(DTW-KNN)模型进行对比分析。验证结果表明:TSA-MCNN模型整体识别准确率为97.25%,相对于CNN模型与DTW-KNN模型提高了20.50%与5.63%。其中,TSA-MCNN模型对于正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为、低速驾驶行为的识别精确率相对于CNN模型(DTW-KNN模型)分别提高了26%(13%)、26%(6%)、23%(5%)、28%(3%)、0(0),说明该模型对于重点营运车辆异常驾驶行为的识别具有良好的性能。
关键词
智能交通
异常驾驶行为识别
多尺度卷积神经网络
重点营运车辆
车辆
驾驶
行为
深度学习
Keywords
intelligent transportation
abnormal driving behavior recognition
multi-scale convolutional neural networks
key commercial vehicles
vehicle driving behavior
deep learning
分类号
U495 [交通运输工程—交通运输规划与管理]
下载PDF
职称材料
题名
基于协方差流形的异常驾驶行为识别方法
被引量:
2
2
作者
李此君
刘云鹏
机构
中国科学院沈阳自动化研究所
中国科学院大学
中国科学院光电信息处理重点实验室
辽宁省图像理解与视觉计算重点实验室
出处
《太赫兹科学与电子信息学报》
北大核心
2018年第2期323-329,共7页
文摘
研究一种高效的异常驾驶行为正确识别分类的识别方法,对预防由于异常驾驶行为导致的交通事故具有重要意义。提出了一种新的基于协方差流形的异常驾驶行为识别方法。首先提取图像的纹理、颜色和梯度方向特征,以克服基于单一特征识别驾驶行为的不足;并利用协方差流形进行多特征融合,以消除特征冗余以及不同特征数值悬殊对图像识别的影响;最后使用多类LogitBoost分类器进行分类识别。针对相同检测目标的正确识别率可达98%以上,对不同检测目标的正确识别率可达70%以上。实验结果表明该方法有效提高了驾驶行为识别的效果。
关键词
异常驾驶行为识别
协方差描述子
黎曼流形
多类LogitBoost分类器
Keywords
abnormal driving behavior recognition
covariance matrices
Riemannian manifolds
LogitBoost
分类号
TN911.73 [电子电信—通信与信息系统]
TP751.1 [自动化与计算机技术—检测技术与自动化装置]
下载PDF
职称材料
题名
基于协方差流形和LogitBoost的异常驾驶行为识别方法
被引量:
5
3
作者
李此君
刘云鹏
机构
中国科学院沈阳自动化研究所
中国科学院机器人与智能制造创新研究院
中国科学院大学
中国科学院光电信息处理重点实验室
辽宁省图像理解与视觉计算重点实验室
出处
《激光与光电子学进展》
CSCD
北大核心
2018年第11期332-339,共8页
基金
复合信息处理技术(Y6K4250401)
文摘
驾驶员因素引发的交通事故比例居高不下,因此,研究基于驾驶员活动状态分析从而对异常驾驶行为进行正确识别分类的识别方法具有重要意义。提出一种基于协方差流形和基于二分类思想的多类LogitBoost分类器的异常驾驶行为识别方法。首先,提取图像的纹理、颜色和梯度方向等基础特征,以克服基于单一特征识别驾驶行为的不足;然后,利用协方差流形进行多特征融合,以消除特征冗余,同时降低由于不同特征数值差异过大而可能给图像处理及识别带来的影响;最后,使用基于二分类的多类LogitBoost分类器进行分类识别。实验结果表明,相对传统的直接使用LogitBoost的多分类方法,本文方法较大幅地提高了多分类的正确率,针对不同目标的正确识别率可达81.08%。
关键词
机器视觉
异常驾驶行为识别
协方差描述子
黎曼流形
Keywords
machine vision
abnormal driving behavior recognition
covariance matrices
Riemannian manifolds
分类号
TP751.1 [自动化与计算机技术—检测技术与自动化装置]
原文传递
题名
作者
出处
发文年
被引量
操作
1
重点营运车辆的异常驾驶行为识别研究
赵建东
陈溱
焦彦利
张凯丽
韩明敏
《交通运输系统工程与信息》
EI
CSCD
北大核心
2022
7
下载PDF
职称材料
2
基于协方差流形的异常驾驶行为识别方法
李此君
刘云鹏
《太赫兹科学与电子信息学报》
北大核心
2018
2
下载PDF
职称材料
3
基于协方差流形和LogitBoost的异常驾驶行为识别方法
李此君
刘云鹏
《激光与光电子学进展》
CSCD
北大核心
2018
5
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部