公开(公告)号：CN118537844A

公开(公告)日：2024-08-23

申请号：CN202410699447.6

申请日：2024-05-31

Applicant: 合肥工业大学

Inventor： 谢昭 ,  祝少华 ,  许闻 ,  金兢 ,  吴克伟

IPC: G06V20/59 ,  G06V20/40 ,  G06V10/42 ,  G06V10/44 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种全局‑局部选择尺度注意力的异常驾驶状态识别方法。本发明使用全局处理时，生成多尺度的全局图像，并估计各尺度全局图像特征的Transformer注意力。融合多尺度Transformer注意力，并使用卷积操作，生成各尺度的选择注意力。将各尺度的选择注意力，与各尺度的全局图像特征融合，获得融合尺度的全局特征。本发明使用局部处理时，首先进行网格划分获得头部局部区域，并生成多尺度局部图像，并计算局部图像特征的各尺度选择注意力，并最终获得融合各尺度的局部特征。本发明关注于多尺度注意力的选择过程，能够注意到驾驶人员特定尺度的局部细节特征，用于识别分心、疲劳的异常状态。

公开(公告)号：CN118038421A

公开(公告)日：2024-05-14

申请号：CN202410349629.0

申请日：2024-03-26

Applicant: 合肥工业大学

Inventor： 杨兴明 ,  许闻 ,  金兢 ,  吴克伟 ,  谢昭

IPC: G06V20/59 ,  G06V40/16 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/084

Abstract: 本发明公开了一种基于局部‑全局面部关键点关系的疲劳驾驶姿态识别方法，本发明将面部关键点分成左眼睛、右眼睛、嘴巴、下巴局部分组，学习基于位置的局部关键点关系，进一步将面部姿态划分为多个视角，学习多视角的全局关键点关系，多视角的局部关键点关系。本发明构建多视角局部‑全局Transformer，通过使用上述的面部关键点关系，用于识别疲劳驾驶姿态；本发明通过收集驾驶员的驾驶姿态数据集，运用关键点间局部与全局的空间关系，结合Transformer模型检测关键点热图，从而提高检测的准确性，能够避免局部疲劳状态和局部正常状态的错误判断，具有实际应用价值。