本发明专利技术公开了一种基于车载联邦学习的交警动态手势识别方法与系统，将关键特征提取模型和预设的全局模型相结合作为全网车载终端共用的交警手势识别模型，有助于提高交警手势识别精度；通过车载联邦学习，组织不同车载终端基于自身收集的交警手势图像数据训练以上模型，随后各车载终端仅共享模型更新数据而非原始训练数据，保护了车辆用户的数据隐私，又节省了将海量数据上传至中心服务器的通信成本，与此同时车载联邦学习充分利用了分散在不同车载设备的实时交警手势图像数据，这些来自车载图像的训练数据具备不同观察角度、不同环境条件等，丰富了模型训练数据的多样性，进而增强了训练后交警手势识别模型在多变交通环境下的适应能力。
【技术实现步骤摘要】
本专利技术涉及人工智能与计算机视觉领域，更具体地，涉及一种基于车载联邦学习的交警动态手势识别方法与系统。
技术介绍
1、随着自动驾驶和高级驾驶辅助技术发展，智能网联汽车被要求自动实时地识别道路上交警手势，交警动态手势识别成为提高驾驶安全性与效率的关键一环。然而，现有的数据集中式学习方法要求收集海量的道路交警手势图像并统一传输至中心服务器进行训练，不仅造成了数据传输和存储负担，还可能引发过往车辆用户的隐私泄露风险。传统方法也未能充分利用智能网联汽车通过车载摄像头采集不同观察角度、不同环境条件下的交警手势图像，并且识别模型的准确性和鲁棒性低。在利用车载图像数据进行模型训练时，需要考虑车辆用户的数据隐私保护需求，强制收集车载图像数据进行集中式学习在实际应用中将面临“数据孤岛”问题。
技术实现思路
1、本专利技术为克服现有技术中交警手势识别准确率低和数据利用率低的缺陷，提供一种基于车载联邦学习的交警动态手势识别方法与系统。
2、为解决上述技术问题，本专利技术的技术方案如下：
>3、本专利技术提供本文档来自技高网...
【技术保护点】
1.一种基于车载联邦学习的交警动态手势识别方法，其特征在于，包括：
2.根据权利要求1所述的基于车载联邦学习的交警动态手势识别方法，其特征在于，所述关键节点包括头部、颈部、左肩、右肩、左肘、右肘、左腕、右腕、左胯、右胯、左膝、右膝、左脚踝和右脚踝共14各人体关键节点；所述姿态向量包括转头、挥手摆臂、转身共3个姿态向量。
3.根据权利要求1所述的基于车载联邦学习的交警动态手势识别方法，其特征在于，获取训练好的关键特征提取模型，包括：
4.根据权利要求3所述的基于车载联邦学习的交警动态手势识别方法，其特征在于，所述特征提取单元包括依次连接的第一卷积层、第二...
【技术特征摘要】
1.一种基于车载联邦学习的交警动态手势识别方法，其特征在于，包括：
2.根据权利要求1所述的基于车载联邦学习的交警动态手势识别方法，其特征在于，所述关键节点包括头部、颈部、左肩、右肩、左肘、右肘、左腕、右腕、左胯、右胯、左膝、右膝、左脚踝和右脚踝共14各人体关键节点；所述姿态向量包括转头、挥手摆臂、转身共3个姿态向量。
3.根据权利要求1所述的基于车载联邦学习的交警动态手势识别方法，其特征在于，获取训练好的关键特征提取模型，包括：
4.根据权利要求3所述的基于车载联邦学习的交警动态手势识别方法，其特征在于，所述特征提取单元包括依次连接的第一卷积层、第二卷积层、第一最大池化层、第三卷积层、第四卷积层、第二最大池化层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第三最大池化层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层；所述第十二卷积层的输出端与分支单元的输入...
【专利技术属性】
技术研发人员：黄旭民，何祖航，康嘉文，钟伟锋，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。