Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Driver Anomaly Detection Using Skeleton Images

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F23%3A10254632" target="_blank" >RIV/61989100:27240/23:10254632 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://link.springer.com/chapter/10.1007/978-3-031-47969-4_36" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-031-47969-4_36</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-3-031-47969-4_36" target="_blank" >10.1007/978-3-031-47969-4_36</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Driver Anomaly Detection Using Skeleton Images

  • Popis výsledku v původním jazyce

    Many unexpected situations can occur while driving that may lead to dangerous accidents. Some of them may be caused by sudden health problems (e.g. heart attack, stroke, total collapse) or by driver inattention (e.g. microsleep, visual distraction). This has motivated the need for developing the methods that are able to monitor the driver&apos;s state in the first step and to prevent the accidents in the second step (e.g. by activating an acoustic signal, or even by taking over driving). In this paper, we propose a method that can be used for detecting the abnormal driving situations. Our approach is based on two main steps. In the first step, the MNIST-like skeleton images are created with the use of human pose detector. In the second step, an appropriate neural network is used for the final classification. Since we also include the anomalies consisting in an unusual trajectory of a certain body part (not only an unusual shape of body, which can be detected from the isolated images), short sequences of images are examined. The LSTM (long short-term memory) autoencoder is used as a main network architecture. The experiments that are presented show that the proposed method achieves better results than other compared methods.

  • Název v anglickém jazyce

    Driver Anomaly Detection Using Skeleton Images

  • Popis výsledku anglicky

    Many unexpected situations can occur while driving that may lead to dangerous accidents. Some of them may be caused by sudden health problems (e.g. heart attack, stroke, total collapse) or by driver inattention (e.g. microsleep, visual distraction). This has motivated the need for developing the methods that are able to monitor the driver&apos;s state in the first step and to prevent the accidents in the second step (e.g. by activating an acoustic signal, or even by taking over driving). In this paper, we propose a method that can be used for detecting the abnormal driving situations. Our approach is based on two main steps. In the first step, the MNIST-like skeleton images are created with the use of human pose detector. In the second step, an appropriate neural network is used for the final classification. Since we also include the anomalies consisting in an unusual trajectory of a certain body part (not only an unusual shape of body, which can be detected from the isolated images), short sequences of images are examined. The LSTM (long short-term memory) autoencoder is used as a main network architecture. The experiments that are presented show that the proposed method achieves better results than other compared methods.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2023

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    ADVANCES IN VISUAL COMPUTING, ISVC 2023, PT I

  • ISBN

    978-3-031-47968-7

  • ISSN

    0302-9743

  • e-ISSN

    1611-3349

  • Počet stran výsledku

    13

  • Strana od-do

    459-471

  • Název nakladatele

    SPRINGER INTERNATIONAL PUBLISHING AG

  • Místo vydání

    CHAM

  • Místo konání akce

    Lake Tahoe, NV, USA

  • Datum konání akce

    16. 10. 2023

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

    001159734600036