CN107317846A - 基于云平台的车辆管理系统 - Google Patents

基于云平台的车辆管理系统 Download PDF

Info

Publication number
CN107317846A
CN107317846A CN201710422296.XA CN201710422296A CN107317846A CN 107317846 A CN107317846 A CN 107317846A CN 201710422296 A CN201710422296 A CN 201710422296A CN 107317846 A CN107317846 A CN 107317846A
Authority
CN
China
Prior art keywords
mrow
msub
module
training sample
class
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710422296.XA
Other languages
English (en)
Other versions
CN107317846B (zh
Inventor
徐彬
田慧盛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Storage Mdt Infotech Ltd
Original Assignee
Shanghai Storage Mdt Infotech Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Storage Mdt Infotech Ltd filed Critical Shanghai Storage Mdt Infotech Ltd
Priority to CN201710422296.XA priority Critical patent/CN107317846B/zh
Publication of CN107317846A publication Critical patent/CN107317846A/zh
Application granted granted Critical
Publication of CN107317846B publication Critical patent/CN107317846B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/01Protocols
    • H04L67/10Protocols in which an application is distributed across nodes in the network
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/50Context or environment of the image
    • G06V20/59Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597Recognising the driver's state or behaviour, e.g. attention or drowsiness
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/12Fingerprints or palmprints
    • G06V40/1347Preprocessing; Feature extraction
    • G06V40/1359Extracting features related to ridge properties; Determining the fingerprint type, e.g. whorl or loop
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172Classification, e.g. identification
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00Network architectures or network communication protocols for network security
    • H04L63/08Network architectures or network communication protocols for network security for authentication of entities
    • H04L63/0861Network architectures or network communication protocols for network security for authentication of entities using biometrical features, e.g. fingerprint, retina-scan
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/01Protocols
    • H04L67/06Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于云平台的车辆管理系统,其特征是,包括:摄像系统,安装在驾驶室中,用于拍摄驾驶员面部;筛选模块,用于从拍摄照片中筛选最优图像;通信模块,用于通过移动通信将最优图像上传云平台;云平台,用于对车辆进行管理,其包括:识别模块,用于从最优图像中识别人脸;人脸验证模块,用于将识别的人脸与预存的人脸数据进行比对验证;数据库模块,用于登记验证结果;报警模块,用于对验证异常通过多媒体方式进行报警。

Description

基于云平台的车辆管理系统
技术领域
本发明涉及汽车技术领域,具体涉及一种基于云平台的车辆管理系统。
背景技术
对驾驶员的管理是车辆管理的核心。常规的管理方式是设置大量的现场管理员,分布在重要的路口或者是停车场出入口等,通过关卡拦阻的方式对驾驶员进行检查。
这种方式往往会造成严重的交通堵塞,而且有一定的交通事故风险,人力物力成本也非常高昂。
相关技术试图通过在车辆上设置智能设备对驾驶员进行检测和分析,然后车辆空间有限环境恶劣,通常难以安装计算能力强大的精密计算设备,因此很难有效地实现各种监测分析功能。
发明内容
针对上述问题,本发明提供一种基于云平台的车辆管理系统。
本发明的目的采用以下技术方案来实现:
本发明提供了一种基于云平台的车辆管理系统,其特征是,包括:摄像系统,安装在驾驶室中,用于拍摄驾驶员面部;筛选模块,用于从拍摄照片中筛选最优图像;通信模块,用于通过移动通信将最优图像上传云平台;云平台,用于对车辆进行管理,其包括:识别模块,用于从最优图像中识别人脸;人脸验证模块,用于将识别的人脸与预存的人脸数据进行比对验证;数据库模块,用于登记验证结果;报警模块,用于对验证异常通过多媒体方式进行报警。
本发明的有益效果为:本基于云平台的车辆管理系统由于基于云平台来实现车辆管理,从而将大量复杂的计算以及大量的数据都交给云来处理,因此可以很容易地实现各种需要大量复杂计算的车辆管理功能,解决了相关技术中将车辆管理功能集成在车辆上带来的计算能力不足的问题。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1示出了根据本发明一个实施例的基于云平台的车辆管理系统的示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,一种基于云平台的车辆管理系统,其特征是,包括:
摄像系统12,安装在驾驶室100中,用于拍摄驾驶员面部;
筛选模块14,用于从拍摄照片中筛选最优图像;
通信模块16,用于通过移动通信将最优图像上传云平台200;
云平台200,用于对车辆进行管理,其包括:
识别模块22,用于从最优图像中识别人脸;
人脸验证模块24,用于将识别的人脸与预存的人脸数据进行比对验证;
数据库模块26,用于登记验证结果;
报警模块28,用于对验证异常通过多媒体方式进行报警。
本基于云平台的车辆管理系统由于基于云平台来实现车辆管理,从而将大量复杂的计算以及大量的数据都交给云来处理,因此可以很容易地实现各种需要大量复杂计算的车辆管理功能,解决了相关技术中将车辆管理功能集成在车辆上带来的计算能力不足的问题。
优选的,还包括:
指纹模块,安装在点火按钮上,用于获取指纹;
通信模块还用于将获取的指纹通过移动通信上传云平台;
云平台还包括指纹验证模块,用于将获取的指纹与预存的指纹数据进行比对验证。
现有技术即使加装了指纹系统,但是由于只能在本地进行识别,由于存储能力和运算能力都非常有限,所以只能将指纹与预存的少数几个指纹进行比对,最多只能判断驾驶员是否是车主等。
相对于现有技术而言,本优选实施例进一步获取了驾驶员的指纹信息,并上传到了云平台。而云平台可以存储到海量的指纹信息,甚至还能与公安部门自动联网,因此不仅能判断驾驶员是否是车主,甚至还能在驾驶员是陌生人的情况下,判断出这个陌生人究竟是谁,并进而进行更深入的管理。或者在驾驶车队的驾驶员非常多的情况下,例如大型的运输集团,能够判断出驾驶员是否是集团成员之一。
优选的,还包括:
心跳模块,安装在方向盘上,用于检测驾驶员的心跳;
体温模块,安装在方向盘上,用于检测驾驶员的体温;
通信模块还用于将获取的心跳和体温通过移动通信上传云平台;
云平台还包括健康分析模块,用于分析获取的心跳和体温,以确定驾驶员的健康状态;
数据库还用与登记健康状态。
由于云平台有非常强大的计算能力和存储能力,能够实时地分析驾驶员的状态,从而便于远程的管理者实时地发现驾驶员是否疲劳驾驶,或者是否身体健康欠佳,进而可以做出更有效的管理。
优选的,筛选模块包括:
分组模块:用于实时地获取连续的m帧拍摄照片构成一组,然后接着构建下一组;
计算模块,用于对于一组中的每帧照片计算图像质量度如下:
Si为一组的m帧拍摄照片中,第i张照片的照片质量度、vi为第i张照片的边缘锐度、γi为分别第i张照片的设定区域的平均灰度值,γ为根据实际情况设定的灰度值阈值,v为根据实际情况设定的边缘锐度阈值,为多帧照片的平均灰度值,为多帧照片的平均边缘锐度,m为从摄像系统获取的多帧照片的数量;
最优模块,用于确定si最大的照片为该组中的最优图像。
本优选实施例通过筛选图片,使得通信模块要上传的数据量大幅度的减少,从而使得基于云平台的管理成为可能。
本优选实施例中,筛选函数考虑了边缘锐度和灰度值因素,这相比于仅通过一个特征来评价图像质量,取得了更准确的评价结果,因此能够筛选出综合质量较高的图像,这简化了图像筛选的运算量,大幅提高了图像筛选的效率。
优选的,分组模块根据通信模块的带宽以及摄像系统拍照的分辨率确定m的大小。
优选的,m与通信模块的带宽成反比,与摄像系统的分辨率成反比。
本优选实施例通过m的设置,能够平衡考虑驾驶室中设置的计算芯片的计算能力,还能够考虑到移动通信的带宽。
优选的,识别模块包括:
第一模块,用于在云平台的人脸大数据中选取N张人脸图像构建训练样本集Y[Y1,Y2,…,YN],对训练样本集Y筛选构建最优训练样本集Y′,上传的最优图像作为测试样本X;
第二模块,用于将最优训练样本集Y′中的每副人脸图像平均分割成R个块,则该最优训练样本集被分割成R个子样本集Ap,p=1,…,R,每个子样本集由每副人脸图像的第p个块构成;
第三模块,用于将测试样本X平均分成R个块,即X=[Xp,p=1,…,R],对最优训练样本集和测试样本按照下述公式进行块加权:
式中,sp为最优训练样本集中所有人脸图像的第p个块的稀疏残差均值,s1、s2为设定的残差阈值,s1<s2,f(sp)为判定函数,当sp<s1时,f(sp)=1,当sp>v2时,f(sp)=0;
式中,θp为最优训练样本集中的类间距离方差和类内距离方差的比值,θ1、θ2为设定的判别度阈值,θ1<θ2,f(θp)为判定函数,当θp<θ2时,f(θp)=0,当θp>θ1时,f(θp)=1;
第四模块,用于用加权后的最优训练样本集对加权后的测试样本进行稀疏表示,计算其中每个类的重构残差,最终将测试样本分类为最小重构残差对应的类。
通过将测试样本和最优训练样本集中的人脸图像分割成块,可以更好地捕捉更具判别性的信息。
具体而言,通过对最优训练样本集和测试样本进行块加权,能够更准确地选择出遮挡块和判别性块,避免了遮挡部位对识别人脸的影响,从而能够提高人脸识别率,提高了汽车的安防效果。
优选的,对训练样本集Y筛选构建最优训练样本集Y′包括:对训练样本集进行过滤预处理,保留对测试样本X的表示及分类影响大于预设值的训练样本,并利用保留的训练样本构建最优训练样本集Y′。
本优选实施例通过构建最优训练样本集,减少了训练量,从而提高了人脸识别速度。
优选的,构建最优训练样本集Y′具体包括:
(1)利用训练样本集Y对测试样本X进行线性表示,计算训练样本集Y中各训练样本向量的表示系数C=[C1,C2,…,CN]T,其中,表示系数S的计算公式为:
C=YTY(πE+YTY)-1
式中,E为单位矩阵,π为设定的系数;
(2)设训练样本集Y中共有M个类,第j个类中有nj个训练样本,计算每个类的重构残差为:
Fj为第j个类的重构残差,Ck表示第j个类中第k个训练样本对应的表示系数,Yj表示第j个类的训练样本集;
(3)选取前m个最小重构残差对应的类作为备选类,用该m个备选类构建近邻字典D=[D1,D2,…,Dm],Dj(j=1,…,m)表示备选类中第j个类的训练样本集,用该备选类对测试样本X进行线性表示,计算近邻字典D中各备选类对应的表示系数:
C′=DTY(γE+DTD)-1
式中,C′表示备选类对应的表示系数,C′=[C1′,C2′,…,SCm′],Cj(j=1,…,m)表示备选类中第j个类对应的表示系数;
(4)利用保留的训练样本构建最优训练样本集为:
Y′=[CjYjk,k=1,…,j,=1,…,m]
式中,Yj k表示第j个类的训练样本集中的第k个训练样本。
本优选实施例采用备选类对应的表示系数对该备选类的训练样本进行加权,权值越大则对应训练样本对测试样本的表示能力越强,因此构建的最优训练样本集能够更好地近似测试样本。发明人对于本优选实施例进行了大量的仿真实验,发现在取得了基本相同的人脸识别率的情况下,计算量却节省了80%左右。
优选的,所述指纹模块包括:
灰度模块,用于将指纹图像作为原稿,对原稿进行傅利叶变换,然后在傅利叶变换后的频率域进行低通滤波,得到第一稿,然后将原稿与第一稿进行如下处理:
式中,F(x,y)为处理后得到的第二稿,为原稿灰度均值,T为拉伸参数,β为图像的灰度域,J′(x,y)为原稿,S(x,y)为第一稿。
纹理模块,对第二稿的方向场进行高斯平滑处理得到第三稿,高斯平滑处理方程为:
其中,将第二稿分解成互不重叠、大小为8×8的子块,子块各中心点的坐标为(m,n),d(m,n)是从中心点(m,n)到原点的距离;σ为滤波因子,表示高斯函数的平滑程度,设置子块中指纹脊线和谷线的平滑位置σ=0.4,设置子块中指纹脊线和谷线的断裂和模糊的位置σ=4;
图像分割模块,用于在各子块中快速提取属于真实指纹区域的子块,包括:将经图像灰度处理后的每个子块(k,l)的灰度均值M(k,l)和方差D(k,l)与指纹图像所有像素的灰度均值M0和方差D0进行比较,若M(k,l)>M0且D(k,l)>D0,则该子块属于真实指纹区域的子块;
图像增强模块,用于对属于真实指纹区域的子块进行图像增强处理。
优选实施例的γ模块采用发明人独创的算法对原稿进行处理,引入了拉伸参数,根据用户的需求对图像的对比度进行拉伸,而传统的灰度处理算法中,图像的整体反差较小,而且灰度值的动态范围也较小,所以灰度处理结果不够理想。相比传统算法,本优选实施例同时提高了图像的细节反差和整体反差,经过大量的测试,确认取得了更优的灰度处理结果。
本优选实施例通过对指纹图像灰度进行处理,能够滤除背景噪声,且在滤波过程中纹理不会模糊,对比度得到增强;通过进行高斯平滑处理,得到的频率场更能反映指纹纹理特性;通过对指纹图像进行合理分割,能够准确快速提取属于真实指纹区域的子块;通过采用Gabor滤波器,能够对指纹图像进行有针对性的增强。
综合以上技术手段,本优选实施例使得指纹识别的效率和精度都得到了明显提高。
优选的,云平台还包括分析模块,用于分析识别的人脸的精神状态。
由于云平台拥有强大的计算能力和海量的大数据,因此还可以实现各种行为模式的分析,本优选实施例利用了云平台的上述优点来分析人脸的精神状态,进而能够分析驾驶员的驾驶状态,可以实现更有效的车辆管理。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。

Claims (10)

1.一种基于云平台的车辆管理系统,其特征是,包括:
摄像系统,安装在驾驶室中,用于拍摄驾驶员面部;
筛选模块,用于从拍摄照片中筛选最优图像;
通信模块,用于通过移动通信将最优图像上传云平台;
云平台,用于对车辆进行管理,其包括:
识别模块,用于从最优图像中识别人脸;
人脸验证模块,用于将识别的人脸与预存的人脸数据进行比对验证;
数据库模块,用于登记验证结果;
报警模块,用于对验证异常通过多媒体方式进行报警。
2.根据权利要求1所述的车辆管理系统,其特征是,还包括:
指纹模块,安装在点火按钮上,用于获取指纹;
通信模块还用于将获取的指纹通过移动通信上传云平台;
云平台还包括指纹验证模块,用于将获取的指纹与预存的指纹数据进行比对验证。
3.根据权利要求2所述的车辆管理系统,其特征是,还包括:
心跳模块,安装在方向盘上,用于检测驾驶员的心跳;
体温模块,安装在方向盘上,用于检测驾驶员的体温;
通信模块还用于将获取的心跳和体温通过移动通信上传云平台;
云平台还包括健康分析模块,用于分析获取的心跳和体温,以确定驾驶员的健康状态;
数据库还用与登记健康状态。
4.根据权利要求3所述的车辆管理系统,其特征是,筛选模块包括:
分组模块:用于实时地获取连续的m帧拍摄照片构成一组,然后接着构建下一组;
计算模块,用于对于一组中的每帧照片计算图像质量度如下:
<mrow> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>=</mo> <msqrt> <mrow> <mfrac> <mrow> <mn>2</mn> <msup> <mrow> <mo>(</mo> <mrow> <msub> <mi>&amp;gamma;</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>&amp;gamma;</mi> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> <mover> <mi>&amp;gamma;</mi> <mo>&amp;OverBar;</mo> </mover> </mfrac> <mo>+</mo> <mfrac> <msup> <mrow> <mo>(</mo> <mrow> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>v</mi> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mover> <mi>v</mi> <mo>&amp;OverBar;</mo> </mover> </mfrac> </mrow> </msqrt> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>m</mi> </mrow>
Si为一组的m帧拍摄照片中,第i张照片的照片质量度、vi为第i张照片的边缘锐度、γi为分别第i张照片的设定区域的平均灰度值,γ为根据实际情况设定的灰度值阈值,v为根据实际情况设定的边缘锐度阈值,为多帧照片的平均灰度值,为多帧照片的平均边缘锐度,m为从摄像系统获取的多帧照片的数量;
最优模块,用于确定si最大的照片为该组中的最优图像。
5.根据权利要求4所述的车辆管理系统,其特征是,分组模块根据通信模块的带宽以及摄像系统拍照的分辨率确定m的大小。
6.根据权利要求5所述的车辆管理系统,其特征是,m与通信模块的带宽成反比,与摄像系统的分辨率成反比。
7.根据权利要求6所述的车辆管理系统,其特征是,识别模块包括:
第一模块,用于在云平台的人脸大数据中选取N张人脸图像构建训练样本集Y=[Y1,Y2,…,YN],对训练样本集Y筛选构建最优训练样本集Y′,上传的最优图像作为测试样本X;
第二模块,用于将最优训练样本集Y′中的每副人脸图像平均分割成R个块,则该最优训练样本集被分割成R个子样本集Ap,p=1,…,R,每个子样本集由每副人脸图像的第p个块构成;
第三模块,用于将测试样本X平均分成R个块,即X=[Xp,p=1,…,R],对最优训练样本集和测试样本按照下述公式进行块加权:
<mrow> <msup> <msub> <mi>A</mi> <mi>p</mi> </msub> <mo>&amp;prime;</mo> </msup> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>p</mi> </msub> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>s</mi> <mi>p</mi> </msub> <mo>-</mo> <msub> <mi>s</mi> <mn>1</mn> </msub> </mrow> <mrow> <msub> <mi>v</mi> <mn>2</mn> </msub> <mo>-</mo> <msub> <mi>s</mi> <mn>1</mn> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>p</mi> </msub> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>&amp;theta;</mi> <mi>p</mi> </msub> <mo>-</mo> <msub> <mi>&amp;theta;</mi> <mn>1</mn> </msub> </mrow> <mrow> <msub> <mi>&amp;theta;</mi> <mn>2</mn> </msub> <mo>-</mo> <msub> <mi>&amp;theta;</mi> <mn>1</mn> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> <msub> <mi>A</mi> <mi>p</mi> </msub> </mrow>
<mrow> <msup> <msub> <mi>X</mi> <mi>p</mi> </msub> <mo>&amp;prime;</mo> </msup> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>p</mi> </msub> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>s</mi> <mi>p</mi> </msub> <mo>-</mo> <msub> <mi>s</mi> <mn>1</mn> </msub> </mrow> <mrow> <msub> <mi>s</mi> <mn>2</mn> </msub> <mo>-</mo> <msub> <mi>s</mi> <mn>1</mn> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>&amp;theta;</mi> <mi>p</mi> </msub> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>&amp;theta;</mi> <mi>p</mi> </msub> <mo>-</mo> <msub> <mi>&amp;theta;</mi> <mn>2</mn> </msub> </mrow> <mrow> <msub> <mi>&amp;theta;</mi> <mn>1</mn> </msub> <mo>-</mo> <msub> <mi>&amp;theta;</mi> <mn>2</mn> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> <msub> <mi>X</mi> <mi>p</mi> </msub> </mrow>
式中,sp为最优训练样本集中所有人脸图像的第p个块的稀疏残差均值,s1、s2为设定的残差阈值,s1<s2,f(sp)为判定函数,当sp<s1时,f(sp)=1,当sp>v2时,f(sp)=0;
式中,θp为最优训练样本集中的类间距离方差和类内距离方差的比值,θ1、θ2为设定的判别度阈值,θ1<θ2,f(θp)为判定函数,当θp<θ2时,f(θp)=0,当θp>θ1时,f(θp)=1;
第四模块,用于用加权后的最优训练样本集对加权后的测试样本进行稀疏表示,计算其中每个类的重构残差,最终将测试样本分类为最小重构残差对应的类。
8.根据权利要求7所述的车辆管理系统,其特征是,对训练样本集Y筛选构建最优训练样本集Y′包括:对训练样本集进行过滤预处理,保留对测试样本X的表示及分类影响大于预设值的训练样本,并利用保留的训练样本构建最优训练样本集Y′。
9.根据权利要求8所述的车辆管理系统,其特征是,构建最优训练样本集Y′具体包括:
(1)利用训练样本集Y对测试样本X进行线性表示,计算训练样本集Y中各训练样本向量的表示系数C=[C1,C2,…,CN]T,其中,表示系数S的计算公式为:
C=YTY(πE+YTY)-1
式中,E为单位矩阵,π为设定的系数;
(2)设训练样本集Y中共有M个类,第j个类中有nj个训练样本,计算每个类的重构残差为:
<mrow> <msub> <mi>F</mi> <mi>j</mi> </msub> <mo>=</mo> <mo>|</mo> <mo>|</mo> <mi>X</mi> <mo>-</mo> <msub> <mi>Y</mi> <mi>j</mi> </msub> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>n</mi> <mi>j</mi> </msub> </munderover> <msub> <mi>C</mi> <mi>k</mi> </msub> <mo>|</mo> <msub> <mo>|</mo> <mn>2</mn> </msub> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>M</mi> </mrow>
Fj为第j个类的重构残差,Ck表示第j个类中第k个训练样本对应的表示系数,Yj表示第j个类的训练样本集;
(3)选取前m个最小重构残差对应的类作为备选类,用该m个备选类构建近邻字典D=[D1,D2,…Dm],Dj(j=1,…,m)表示备选类中第j个类的训练样本集,用该备选类对测试样本X进行线性表示,计算近邻字典D中各备选类对应的表示系数:
C′=DTY(γE+DTD)-1
式中,C′表示备选类对应的表示系数,C′=[C1′,C2′,…,SCm′],Cj(j=1,…,m)表示备选类中第j个类对应的表示系数;
(4)利用保留的训练样本构建最优训练样本集为:
<mrow> <msup> <mi>Y</mi> <mo>&amp;prime;</mo> </msup> <mo>=</mo> <mo>&amp;lsqb;</mo> <msub> <mi>C</mi> <mi>j</mi> </msub> <msubsup> <mi>Y</mi> <mi>j</mi> <mi>k</mi> </msubsup> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>n</mi> <mi>j</mi> </msub> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>m</mi> <mo>&amp;rsqb;</mo> </mrow>
式中,表示第j个类的训练样本集中的第k个训练样本。
10.根据权利要求9所述的车辆管理系统,其特征是,所述指纹模块包括:
灰度模块,用于将指纹图像作为原稿,对原稿进行傅利叶变换,然后在傅利叶变换后的频率域进行低通滤波,得到第一稿,然后将原稿与第一稿进行如下处理:
<mrow> <mi>F</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mfrac> <mrow> <mo>&amp;lsqb;</mo> <msup> <mi>J</mi> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>S</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>+</mo> <mi>P</mi> <mo>&amp;rsqb;</mo> <mrow> <mo>(</mo> <mi>&amp;beta;</mi> <mo>+</mo> <mn>5</mn> <mi>T</mi> <mo>)</mo> </mrow> </mrow> <mi>&amp;beta;</mi> </mfrac> <mo>-</mo> <mn>3</mn> <mi>T</mi> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>T</mi> <mo>&lt;</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mfrac> <mrow> <msup> <mi>J</mi> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>S</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mn>3</mn> <mi>T</mi> <mo>+</mo> <mover> <mi>&amp;gamma;</mi> <mo>&amp;OverBar;</mo> </mover> </mrow> <mrow> <mi>&amp;beta;</mi> <mo>-</mo> <mn>3</mn> <mi>T</mi> </mrow> </mfrac> <mi>&amp;beta;</mi> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>T</mi> <mo>&gt;</mo> <mn>0</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
式中,F(x,y)为处理后得到的第二稿,为原稿灰度均值,T为拉伸参数,β为图像的灰度域,J′(x,y)为原稿,S(x,y)为第一稿。
纹理模块,对第二稿的方向场进行高斯平滑处理得到第三稿,高斯平滑处理方程为:
<mrow> <mi>G</mi> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>;</mo> <mi>&amp;sigma;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> <mi>&amp;sigma;</mi> </mrow> </mfrac> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mfrac> <mrow> <msup> <mi>d</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mn>2</mn> <msup> <mi>&amp;sigma;</mi> <mn>2</mn> </msup> </mrow> </mfrac> </mrow> </msup> </mrow>
其中,将第二稿分解成互不重叠、大小为8×8的子块,子块各中心点的坐标为(m,n),d(m,n)是从中心点(m,n)到原点的距离;σ为滤波因子,表示高斯函数的平滑程度,设置子块中指纹脊线和谷线的平滑位置σ=0.4,设置子块中指纹脊线和谷线的断裂和模糊的位置σ=4;
图像分割模块,用于在各子块中快速提取属于真实指纹区域的子块,包括:将经图像灰度处理后的每个子块(k,l)的灰度均值M(k,l)和方差D(k,l)与指纹图像所有像素的灰度均值M0和方差D0进行比较,若M(k,l)>M0且D(k,l)>D0,则该子块属于真实指纹区域的子块;
图像增强模块,用于对属于真实指纹区域的子块进行图像增强处理。
CN201710422296.XA 2017-06-07 2017-06-07 基于云平台的车辆管理系统 Active CN107317846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710422296.XA CN107317846B (zh) 2017-06-07 2017-06-07 基于云平台的车辆管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710422296.XA CN107317846B (zh) 2017-06-07 2017-06-07 基于云平台的车辆管理系统

Publications (2)

Publication Number Publication Date
CN107317846A true CN107317846A (zh) 2017-11-03
CN107317846B CN107317846B (zh) 2018-07-24

Family

ID=60183965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710422296.XA Active CN107317846B (zh) 2017-06-07 2017-06-07 基于云平台的车辆管理系统

Country Status (1)

Country Link
CN (1) CN107317846B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932754A (zh) * 2019-08-19 2020-11-13 北京戴纳实验科技有限公司 一种实验室门禁验证系统与验证方法
CN112950819A (zh) * 2021-05-14 2021-06-11 北京旗偲智能科技有限公司 车辆解锁控制方法、装置、服务器及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2680523Y (zh) * 2003-09-16 2005-02-23 程滋颐 具有面部识别、判别和无线通讯功能的汽车防盗报警器
CN101404094A (zh) * 2008-11-28 2009-04-08 中国电信股份有限公司 视频监控示警方法及系统
CN103112353A (zh) * 2012-12-27 2013-05-22 深圳市元征软件开发有限公司 带诊断服务的驾驶员监控系统及方法
CN203102530U (zh) * 2012-12-03 2013-07-31 长安大学 一种客车疲劳驾驶预警装置
CN203902538U (zh) * 2014-06-12 2014-10-29 宁波市鄞州雪利曼电子仪表有限公司 一种支持舒适度调节的车辆驾驶辅助系统
CN104809607A (zh) * 2015-05-08 2015-07-29 成都联宇创新科技有限公司 一种物流运维优化管理系统
US20150217726A1 (en) * 2014-02-04 2015-08-06 Ford Global Technologies, Llc Method and Apparatus for Biometric Vehicle Activation
US20160048742A1 (en) * 2014-08-15 2016-02-18 National Taipei University Of Technology Method and image processing apparatus for image visibility restoration using fisher's linear discriminant based dual dark channel prior
CN105574699A (zh) * 2015-12-31 2016-05-11 郑州烽火台电子有限公司 危险品运输车辆综合管理系统
CN106330970A (zh) * 2016-11-01 2017-01-11 广东技术师范学院 一种移动学习监控方法与系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2680523Y (zh) * 2003-09-16 2005-02-23 程滋颐 具有面部识别、判别和无线通讯功能的汽车防盗报警器
CN101404094A (zh) * 2008-11-28 2009-04-08 中国电信股份有限公司 视频监控示警方法及系统
CN203102530U (zh) * 2012-12-03 2013-07-31 长安大学 一种客车疲劳驾驶预警装置
CN103112353A (zh) * 2012-12-27 2013-05-22 深圳市元征软件开发有限公司 带诊断服务的驾驶员监控系统及方法
US20150217726A1 (en) * 2014-02-04 2015-08-06 Ford Global Technologies, Llc Method and Apparatus for Biometric Vehicle Activation
CN203902538U (zh) * 2014-06-12 2014-10-29 宁波市鄞州雪利曼电子仪表有限公司 一种支持舒适度调节的车辆驾驶辅助系统
US20160048742A1 (en) * 2014-08-15 2016-02-18 National Taipei University Of Technology Method and image processing apparatus for image visibility restoration using fisher's linear discriminant based dual dark channel prior
CN104809607A (zh) * 2015-05-08 2015-07-29 成都联宇创新科技有限公司 一种物流运维优化管理系统
CN105574699A (zh) * 2015-12-31 2016-05-11 郑州烽火台电子有限公司 危险品运输车辆综合管理系统
CN106330970A (zh) * 2016-11-01 2017-01-11 广东技术师范学院 一种移动学习监控方法与系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932754A (zh) * 2019-08-19 2020-11-13 北京戴纳实验科技有限公司 一种实验室门禁验证系统与验证方法
CN112950819A (zh) * 2021-05-14 2021-06-11 北京旗偲智能科技有限公司 车辆解锁控制方法、装置、服务器及存储介质

Also Published As

Publication number Publication date
CN107317846B (zh) 2018-07-24

Similar Documents

Publication Publication Date Title
Molina-Cabello et al. Vehicle type detection by ensembles of convolutional neural networks operating on super resolved images
CN105631439B (zh) 人脸图像处理方法和装置
CN107958244A (zh) 一种基于视频多帧人脸特征融合的人脸识别方法及装置
CN107134144A (zh) 一种用于交通监控的车辆检测方法
CN105426875A (zh) 一种基于深度卷积神经网络的人脸识别方法和考勤系统
CN110147707B (zh) 一种高精度车辆识别方法及系统
CN109987102A (zh) 一种基于卷积神经网络的高精度自动识别驾驶员不安全行为的方法与装置
CN113205002B (zh) 非受限视频监控的低清人脸识别方法、装置、设备及介质
CN109784171A (zh) 车辆定损图像筛选方法、装置、可读存储介质及服务器
CN110399820A (zh) 一种公路路边景物视觉识别分析方法
CN113129261A (zh) 一种基于双流卷积神经网络的图像篡改检测方法
CN112614102A (zh) 一种车辆检测方法、终端及其计算机可读存储介质
CN113450573A (zh) 基于无人机图像识别的交通监测方法和交通监测系统
CN109949200A (zh) 基于滤波器子集选择和cnn的隐写分析框架构建方法
CN116704585A (zh) 一种基于质量感知的人脸识别方法
CN107317846B (zh) 基于云平台的车辆管理系统
Sakthimohan et al. Detection and Recognition of Face Using Deep Learning
CN103942545A (zh) 一种基于双向压缩数据空间维度缩减的人脸识别方法和装置
Shit et al. An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection
CN107248211A (zh) 一种汽车无钥匙人脸识别系统
Lai et al. Super resolution of car plate images using generative adversarial networks
Shinde et al. Feedforward back propagation neural network (FFBPNN) based approach for the identification of handwritten math equations
Alkan et al. Driver Cell Phone Usage Violation Detection using License Plate Recognition Camera Images.
Santosh et al. Recent Trends in Image Processing and Pattern Recognition: Third International Conference, RTIP2R 2020, Aurangabad, India, January 3–4, 2020, Revised Selected Papers, Part I
Yuhana et al. Enhancement of Blurred Indonesian License Plate Number Identification Using Multi-Scale Information CNN

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant