【技術(shù)實(shí)現(xiàn)步驟摘要】
本申請(qǐng)涉及車(chē)輛狀態(tài)檢測(cè)，尤其涉及車(chē)輛異常檢測(cè)方法、裝置、設(shè)備、存儲(chǔ)介質(zhì)及程序產(chǎn)品。
技術(shù)介紹
1、自動(dòng)駕駛車(chē)輛安全行駛的關(guān)鍵是準(zhǔn)確及時(shí)的識(shí)別車(chē)輛周邊的駕駛場(chǎng)景。車(chē)輛異常檢測(cè)作為自動(dòng)駕駛系統(tǒng)中的一項(xiàng)關(guān)鍵技術(shù)，對(duì)提高自動(dòng)駕駛系統(tǒng)的安全有重要意義。然而，在實(shí)際場(chǎng)景中，車(chē)輛異常事件通常呈現(xiàn)長(zhǎng)尾分布，即異常事件的發(fā)生概率遠(yuǎn)低于正常事件。因此，一個(gè)安全可靠的智能駕駛系統(tǒng)需要同時(shí)對(duì)常見(jiàn)和罕見(jiàn)的事件進(jìn)行及時(shí)的響應(yīng)。
2、為了解決上述問(wèn)題，基于計(jì)算機(jī)視覺(jué)技術(shù)的車(chē)輛異常行為檢測(cè)受到了廣泛關(guān)注和研究。目前，根據(jù)視頻異常檢測(cè)技術(shù)所依賴(lài)的標(biāo)簽信息的精細(xì)度，可將其劃分為三種類(lèi)別：強(qiáng)監(jiān)督學(xué)習(xí)方法、弱監(jiān)督學(xué)習(xí)方法和無(wú)監(jiān)督學(xué)習(xí)方法。其中，基于多實(shí)例學(xué)習(xí)的弱監(jiān)督框架是當(dāng)前視頻異常檢測(cè)的主流方法，它采用視頻級(jí)別的粗粒度標(biāo)簽來(lái)標(biāo)記正常或者異常事件，從而指導(dǎo)模型學(xué)習(xí)正常行為和異常行為的特征。然而，雖然弱監(jiān)督學(xué)習(xí)方法在檢測(cè)精度方面優(yōu)于無(wú)監(jiān)督方法且無(wú)需使用細(xì)粒度的視頻標(biāo)簽，但其中仍然存在一定的局限性。
技術(shù)實(shí)現(xiàn)思路
1、本申請(qǐng)的主要目的在于提供一種車(chē)輛異常檢測(cè)方法、裝置、設(shè)備、存儲(chǔ)介質(zhì)及程序產(chǎn)品，旨在解決現(xiàn)有車(chē)輛駕駛視頻檢測(cè)方法多基于弱監(jiān)督學(xué)習(xí)，存在一定局限性的技術(shù)問(wèn)題。
2、為實(shí)現(xiàn)上述目的，本申請(qǐng)?zhí)岢鲆环N車(chē)輛異常檢測(cè)方法，所述車(chē)輛異常檢測(cè)方法包括：
3、獲取自動(dòng)駕駛汽車(chē)端的行駛視頻；
4、將所述行駛視頻輸入至特征預(yù)處理網(wǎng)絡(luò)，獲得視頻動(dòng)作特征；
5、通過(guò)自適應(yīng)的時(shí)間上
6、將所述全局動(dòng)作特征輸入至由粗到精的異常分?jǐn)?shù)預(yù)測(cè)模塊，獲得車(chē)輛異常標(biāo)簽。
7、在一實(shí)施例中，所述通過(guò)自適應(yīng)的時(shí)間上下文建模模塊對(duì)所述視頻動(dòng)作特征進(jìn)行優(yōu)化，獲得全局動(dòng)作特征步驟，包括：
8、通過(guò)自適應(yīng)的時(shí)間上下文建模模塊對(duì)所述視頻動(dòng)作特征進(jìn)行線性變換，獲得線性特征向量；
9、基于所述線性特征向量確定出注意力分?jǐn)?shù)；
10、對(duì)所述注意力分?jǐn)?shù)進(jìn)行歸一化處理，獲得全局注意力權(quán)重；
11、基于所述全局注意力權(quán)重和所述線性特征向量確定全局動(dòng)作特征。
12、在一實(shí)施例中，所述線性特征向量包括第一線性特征向量、第二線性特征向量和第三線性特征向量；
13、所述基于所述線性特征向量確定出注意力分?jǐn)?shù)的步驟，包括：
14、基于所述第一線性特征向量和所述第二線性特征向量確定出注意力分?jǐn)?shù)；
15、所述基于所述全局注意力權(quán)重和所述線性特征向量確定全局動(dòng)作特征的步驟，包括：
16、基于所述全局注意力權(quán)重和所述第三線性特征向量確定全局動(dòng)作特征。
17、在一實(shí)施例中，所述基于所述全局注意力權(quán)重和所述第三線性特征向量確定全局動(dòng)作特征的步驟之后，還包括：
18、獲取預(yù)設(shè)時(shí)間掩模；
19、基于所述預(yù)設(shè)時(shí)間掩模和所述注意力分?jǐn)?shù)確定出局部注意力分?jǐn)?shù)；
20、根據(jù)所述局部注意力分?jǐn)?shù)和所述第三線性特征向量確定出局部注意力特征；
21、基于可學(xué)習(xí)參數(shù)對(duì)所述局部注意力特征和所述全局動(dòng)作特征進(jìn)行融合，獲得融合特征；
22、基于所述融合特征和所述視頻動(dòng)作特征進(jìn)行殘差處理，獲得聚合特征；
23、相應(yīng)的，所述將所述全局動(dòng)作特征輸入至由粗到精的異常分?jǐn)?shù)預(yù)測(cè)模塊，獲得車(chē)輛異常標(biāo)簽的步驟，包括：
24、將所述聚合特征輸入至由粗到精的異常分?jǐn)?shù)預(yù)測(cè)模塊，獲得車(chē)輛異常標(biāo)簽。
25、在一實(shí)施例中，所述將所述聚合特征輸入至由粗到精的異常分?jǐn)?shù)預(yù)測(cè)模塊，獲得車(chē)輛異常標(biāo)簽的步驟，包括：
26、將所述聚合特征輸入至粗分類(lèi)器中進(jìn)行初步預(yù)測(cè)，獲得車(chē)輛異常標(biāo)簽；
27、選擇所述車(chē)輛異常分?jǐn)?shù)值靠前的若干個(gè)實(shí)例的聚合特征形成高異常集合；
28、選擇所述車(chē)輛異常分?jǐn)?shù)值靠后的若干個(gè)實(shí)例的聚合特征形成低異常集合；
29、分別對(duì)所述高異常集合和所述低異常集合中的數(shù)據(jù)進(jìn)行處理，獲得車(chē)輛異常標(biāo)簽。
30、在一實(shí)施例中，所述獲取自動(dòng)駕駛汽車(chē)端的行駛視頻的步驟，包括：
31、獲取自動(dòng)駕駛汽車(chē)端的初始行駛視頻；
32、為所述初始行駛視頻添加二進(jìn)制標(biāo)簽，獲得標(biāo)簽行駛視頻；
33、在時(shí)間維度上對(duì)所述標(biāo)簽行駛視頻進(jìn)行標(biāo)準(zhǔn)化處理，獲得具有固定的維度的行駛視頻。
34、此外，為實(shí)現(xiàn)上述目的，本申請(qǐng)還提出一種車(chē)輛異常檢測(cè)裝置，所述車(chē)輛異常檢測(cè)裝置包括：
35、視頻獲取模塊，用于獲取自動(dòng)駕駛汽車(chē)端的行駛視頻；
36、特征獲取模塊，用于將所述行駛視頻輸入至特征預(yù)處理網(wǎng)絡(luò)，獲得視頻動(dòng)作特征；
37、特征處理模塊，用于通過(guò)自適應(yīng)的時(shí)間上下文建模模塊對(duì)所述視頻動(dòng)作特征進(jìn)行優(yōu)化，獲得全局動(dòng)作特征；
38、異常預(yù)測(cè)模塊，用于將所述全局動(dòng)作特征輸入至由粗到精的異常分?jǐn)?shù)預(yù)測(cè)模塊，獲得車(chē)輛異常標(biāo)簽；所述異常分?jǐn)?shù)值用于表示所述車(chē)輛的異常概率。
39、此外，為實(shí)現(xiàn)上述目的，本申請(qǐng)還提出一種車(chē)輛異常檢測(cè)設(shè)備，所述設(shè)備包括：存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序配置為實(shí)現(xiàn)如上文所述的車(chē)輛異常檢測(cè)方法的步驟。
40、此外，為實(shí)現(xiàn)上述目的，本申請(qǐng)還提出一種存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)為計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上文所述的車(chē)輛異常檢測(cè)方法的步驟。
41、此外，為實(shí)現(xiàn)上述目的，本申請(qǐng)還提供一種計(jì)算機(jī)程序產(chǎn)品，所述計(jì)算機(jī)程序產(chǎn)品包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上文所述的車(chē)輛異常檢測(cè)方法的步驟。
42、本申請(qǐng)?zhí)岢龅囊粋€(gè)或多個(gè)技術(shù)方案，至少具有以下技術(shù)效果：
43、本申請(qǐng)通過(guò)獲取自動(dòng)駕駛汽車(chē)端的行駛視頻；將所述行駛視頻輸入至特征預(yù)處理網(wǎng)絡(luò)，獲得視頻動(dòng)作特征；通過(guò)自適應(yīng)的時(shí)間上下文建模模塊對(duì)所述視頻動(dòng)作特征進(jìn)行優(yōu)化，獲得全局動(dòng)作特征；將所述全局動(dòng)作特征輸入至由粗到精的異常分?jǐn)?shù)預(yù)測(cè)模塊，獲得車(chē)輛異常標(biāo)簽。通過(guò)設(shè)計(jì)自適應(yīng)的時(shí)間上下文建模模塊，在建模長(zhǎng)距離時(shí)間依賴(lài)的同時(shí)進(jìn)行局部校準(zhǔn)；通過(guò)由粗到精的異常分?jǐn)?shù)預(yù)測(cè)模塊，實(shí)現(xiàn)更加精細(xì)的異常分?jǐn)?shù)預(yù)測(cè)。
本文檔來(lái)自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種車(chē)輛異常檢測(cè)方法，其特征在于，所述方法包括：
2.如權(quán)利要求1所述的車(chē)輛異常檢測(cè)方法，其特征在于，所述通過(guò)自適應(yīng)的時(shí)間上下文建模模塊對(duì)所述視頻動(dòng)作特征進(jìn)行優(yōu)化，獲得全局動(dòng)作特征步驟，包括：
3.如權(quán)利要求2所述的車(chē)輛異常檢測(cè)方法，其特征在于，所述線性特征向量包括第一線性特征向量、第二線性特征向量和第三線性特征向量；
4.如權(quán)利要求3所述的車(chē)輛異常檢測(cè)方法，其特征在于，所述基于所述全局注意力權(quán)重和所述第三線性特征向量確定全局動(dòng)作特征的步驟之后，還包括：
5.如權(quán)利要求4所述的車(chē)輛異常檢測(cè)方法，其特征在于，所述將所述聚合特征輸入至由粗到精的異常分?jǐn)?shù)預(yù)測(cè)模塊，獲得車(chē)輛異常標(biāo)簽的步驟，包括：
6.如權(quán)利要求1所述的車(chē)輛異常檢測(cè)方法，其特征在于，所述獲取自動(dòng)駕駛汽車(chē)端的行駛視頻的步驟，包括：
7.一種車(chē)輛異常檢測(cè)裝置，其特征在于，所述車(chē)輛異常檢測(cè)裝置包括：
8.一種車(chē)輛異常檢測(cè)設(shè)備，其特征在于，所述設(shè)備包括：存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的車(chē)輛異常檢測(cè)程序，所述車(chē)輛異常檢測(cè)
9.一種存儲(chǔ)介質(zhì)，其特征在于，所述存儲(chǔ)介質(zhì)上存儲(chǔ)有車(chē)輛異常檢測(cè)程序，所述車(chē)輛異常檢測(cè)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至6任一項(xiàng)所述的車(chē)輛異常檢測(cè)方法的步驟。
10.一種計(jì)算機(jī)程序產(chǎn)品，其特征在于，所述計(jì)算機(jī)程序產(chǎn)品包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至6中任一項(xiàng)所述的車(chē)輛異常檢測(cè)方法的步驟。
...【技術(shù)特征摘要】
1.一種車(chē)輛異常檢測(cè)方法，其特征在于，所述方法包括：
2.如權(quán)利要求1所述的車(chē)輛異常檢測(cè)方法，其特征在于，所述通過(guò)自適應(yīng)的時(shí)間上下文建模模塊對(duì)所述視頻動(dòng)作特征進(jìn)行優(yōu)化，獲得全局動(dòng)作特征步驟，包括：
3.如權(quán)利要求2所述的車(chē)輛異常檢測(cè)方法，其特征在于，所述線性特征向量包括第一線性特征向量、第二線性特征向量和第三線性特征向量；
4.如權(quán)利要求3所述的車(chē)輛異常檢測(cè)方法，其特征在于，所述基于所述全局注意力權(quán)重和所述第三線性特征向量確定全局動(dòng)作特征的步驟之后，還包括：
5.如權(quán)利要求4所述的車(chē)輛異常檢測(cè)方法，其特征在于，所述將所述聚合特征輸入至由粗到精的異常分?jǐn)?shù)預(yù)測(cè)模塊，獲得車(chē)輛異常標(biāo)簽的步驟，包括：
6.如權(quán)利要求1所述的車(chē)輛異常檢測(cè)方法，其特...
【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：李環(huán)瑩，庹新娟，董夢(mèng)杰，
申請(qǐng)(專(zhuān)利權(quán))人：東風(fēng)汽車(chē)集團(tuán)股份有限公司，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。