CN107742106A - 基于无人驾驶车辆的面部匹配方法和装置 - Google Patents
基于无人驾驶车辆的面部匹配方法和装置 Download PDFInfo
- Publication number
- CN107742106A CN107742106A CN201710972917.1A CN201710972917A CN107742106A CN 107742106 A CN107742106 A CN 107742106A CN 201710972917 A CN201710972917 A CN 201710972917A CN 107742106 A CN107742106 A CN 107742106A
- Authority
- CN
- China
- Prior art keywords
- passenger
- personnel
- abducted
- image
- face
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本申请公开了基于无人驾驶车辆的面部匹配方法和装置。该方法的一具体实施方式包括:获取乘坐无人驾驶车辆的乘客的面部图像;基于预先训练的人脸识别模型确定乘客的面部图像与各个已知的被拐人员的面部图像的相似度;根据相似度确定乘客是否为被拐人员;若确定乘客为被拐人员,则发送提示信息。本是实时例提供的方法可以实现基于人脸识别模型判断采集到的乘坐无人驾驶车辆乘客是否为被拐人员,一方面可以提高识别被拐卖人员的概率,另一方面可以在无人驾驶车辆上普及人脸识别模型以增加寻回被拐卖人员的途径,来提高寻回被拐人员的概率。
Description
技术领域
本申请涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及基于无人驾驶车辆的面部匹配方法和装置。
背景技术
当前对于被拐卖人员的寻找主要是通过被拐卖人员的家属、公安机关共同寻找,具体地,可以通过张贴寻人启事、电视广播寻人通知、互联网等渠道进行扩散,让越来越多的人了解被拐卖人员的特征来寻找。上述寻人方法需要比较多的人力。此外,依靠人们将所见到的人员的相貌与被拐卖人员的照片及相貌描述来判断是否为被拐儿童,在这种方式下,有可能引起误判,带来不必要的纷争。
另外,随着无人驾驶车辆的发展,乘坐无人驾驶车辆的乘客将会越来越多。目前无人驾驶车辆上还没有配备判断乘客是否为被拐卖人员的相关设施,即使被拐卖人员乘坐无人驾驶车辆,也难察觉,大大降低了找回被拐卖人员的可能性。
发明内容
本申请的目的在于提出一种基于无人驾驶车辆的面部匹配方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请提供了一种基于无人驾驶车辆的面部匹配方法,该方法包括:获取乘坐无人驾驶车辆的乘客的面部图像;基于预先训练的人脸识别模型确定所述乘客的面部图像与各个已知的被拐人员的面部图像的相似度;根据所述相似度确定所述乘客是否为被拐人员;若确定所述乘客为被拐人员,则发送提示信息。
第二方面,本申请提供了一种基于无人驾驶车辆的面部匹配方法装置,该装置包括:获取单元,配置用于获取乘坐无人驾驶车辆的乘客的面部图像;第一确定单元,配置用于基于预先训练的人脸识别模型确定所述乘客的面部图像与各个已知的被拐人员的面部图像的相似度;第二确定单元,配置用于根据所述相似度确定所述乘客是否为被拐人员;提示信息发送单元,配置用于若确定所述乘客为被拐人员,则发送提示信息。
第三方面,本申请提供了一种电子设备,上述电子设备包括一个或多个处理器;存储装置,用于存储一个或多个程序。当上述一个或多个程序被一个或多个处理器执行,使得上述一个或多个处理器实现上述基于无人驾驶车辆的面部匹配方法。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述基于无人驾驶车辆的面部匹配方法。
本申请提供的基于无人驾驶车辆的面部匹配方法和装置,通过获取乘坐无人驾驶车辆的乘客的面部图像,而后基于预先训练的人脸识别模型确定所述乘客的面部图像与各个已知的被拐人员的面部图像的相似度,接着根据所述相似度确定所述乘客是否为被拐人员,最后若确定所述乘客为被拐人员,则发送提示信息,可以实现基于人脸识别模型判断采集到的乘坐无人驾驶车辆乘客是否为被拐人员,一方面可以提高识别被拐卖人员的概率,另一方面可以在无人驾驶车辆上普及人脸识别模型以增加寻回被拐卖人员的途径,来提高寻回被拐人员的概率。
在一些实施例中,在向预设人员发送提示信息之后,基于无人驾驶车辆的面部匹配方法还包括:将上述乘客的图像信息、乘车地点信息、乘车时间信息以及目的地信息发送至云端存储。这样一来,在上述云端中可以保存与被拐人员的面部图像匹配的乘客的多个乘车记录,从而判断该乘客的活动范围,为寻找该乘客提供线索。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的基于无人驾驶车辆的面部匹配方法的一个实施例的流程图;
图3是根据本申请的基于无人驾驶车辆的面部匹配方法的一个应用场景的示意图;
图4是根据本申请的基于无人驾驶车辆的面部匹配装置的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的基于无人驾驶车辆的面部匹配方法或基于无人驾驶车辆的面部匹配装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括无人驾驶车辆101、终端设备102、103、104、网络105、网络106和服务器107。网络105用以在无人驾驶车辆101和服务器107之间提供通信连接的介质。网络106用以在服务器107和终端设备102、103、104之间提供通信链路的介质。网络105、网络106可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
无人驾驶车辆101可以是各种类型的无人驾驶车辆,例如无人驾驶公交车、无人驾驶轿车等等。无人驾驶车辆101可以获取乘坐该无人驾驶车辆的乘客的面部图像,并将该乘客面部图像输入到预先训练的人脸识别模型中确定乘客的面部图像与各个已知的被拐人员的面部图像的相似度。然后根据相似度确定乘客是否为被拐人员,当确定乘客为被拐人员时,则通过网络105向服务器107发送上述乘客为被拐人员的信息。
服务器107可以是提供各种服务的服务器,例如通过网络105向无人驾驶车辆101提供人脸识别模型,以及接收无人驾驶车辆101发送的乘客为拐人员的信息的云端服务器,此外服务器107还可以通过网络106向终端设备发送提示信息。
服务器107可以通过网络106向终端设备102、103、104发送提示信息。终端设备102、103、104上可以安装有各种通讯客户端应用,例如社交类应用等。
上述终端设备102、103、104可以是寻找被拐卖人员的相关组织或相关人员所持的终端设备。
终端设备102、103、104可以是具有显示屏并且支持无线通信的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机等等。
需要说明的是,本申请实施例所提供的基于无人驾驶车辆的面部匹配方法可以由无人驾驶车辆101执行,相应地,基于无人驾驶车辆的面部匹配装置一般设置于无人驾驶车辆101中。
应该理解,图1中的无人驾驶车辆、网络、服务器和终端设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的移动终端、网络、服务器和终端设备。
继续参考图2,其示出了根据本申请的基于无人驾驶车辆的面部匹配方法一个实施例的流程200。该基于无人驾驶车辆的面部匹配方法,包括以下步骤:
步骤201,获取乘坐无人驾驶车辆的乘客的面部图像。
在本实施例中,无人驾驶车辆中可以设置至少一个摄像装置,用于拍摄乘坐无人驾驶车辆的乘客的至少一个面部图像。在具体执行时,对于每一个乘坐无人驾驶车辆的乘客,可以从不同角度拍摄乘客的面部图像。在一些应用场景中,上述至少一个摄像装置可以与设置在无人驾驶车上的存储设备连接。摄像装置可以将拍摄的每个乘客的面部图像发送到上述存储设备。
在本实施例中,基于无人驾驶车辆的面部匹配方法运行于其上的电子设备(例如设置在图1所示的无人驾驶车辆101中的计算机)可以从上述存储设备中获取乘坐无人驾驶车辆的各个乘客的面部图像。
在一些应用场景中,上述电子设备可以根据设置在其上的摄像装置直接拍摄乘坐无人驾驶车辆的乘客的面部图像。
步骤202,基于预先训练的人脸识别模型确定乘客的面部图像与各个已知的被拐人员的面部图像的相似度。
上述电子设备通过网络可以从云端服务器(例如图1所示的服务器107)上获取预先训练好的人脸识别模型。
在一些应用场景中,上述云端服务器可以通过网络与相关部门(例如公安部)的服务器连接或者和公益寻人平台的服务器连接。上述云端服务器可以每隔预定时间从相关部门(例如公安部)的服务器中或者和公益寻人平台的服务器中获取多个被拐人员的面部图像。在一些实施例中,上述被拐人员的面部图像可以包括从多个角度拍摄的面部图像。
上述云端服务器在获取到多个被拐人员的面部图像时,可以对预先建立的人脸识别模型进行训练。具体地,可以使用从相关部门(例如公安部)的服务器连接或者和公益寻人平台的服务器获取的已知的各个被拐人员面部图像以及其他参考人脸图像对上述人脸识别模型进行训练。对人脸识别模型进行训练之后,上述人脸识别模型可以识别出输入的人脸图像与上述已知的各个被拐人员面部图像的相似度。可以理解的是,随着不断地获取新增加的被拐人员,上述可以对人脸识别模型持续地进行训练。
上述电子设备可以每隔预定时间(例如24小时)通过网络从上述云端服务器中获取上述训练好的人脸识别模型。
对于乘坐上述无人驾驶车辆的每一个乘客,基于无人驾驶车辆的面部匹配方法运行于其上的上述电子设备可以将在步骤201中获取到的该乘客的面部图像输入到预先训练的人脸识别模型中。由该人脸识别模型确定上述乘客的面部图像与上述各被拐人员的面部图像的相似度。
在实际执行中,上述步骤202可以包括如下子步骤:
子步骤2021,从乘客面部图像中提取所述乘客的面部特征。
上述人脸识别模型可以从上述乘客的面部图像中提取乘客的面部特征。上述面部特征例如可以包括但不限于以下特征:脸部轮廓类型、眼睛类型、鼻子类型、眼睛的宽度、眼睛的高度、鼻子的高度、上下嘴唇的厚度等等。其中,脸部轮廓类型可以包括椭圆形脸和方形脸等;眼睛类型可以包括丹凤眼、三角眼、短眼、长眼等;鼻子的类型可以包括直鼻、向下塌陷鼻、上部突出鼻等。
子步骤2022,基于乘客的面部特征以及预先从被拐人员的面部图像中提取的各个被拐人员的面部特征确定乘客的面部图像与各个被拐人员的面部图像的相似度。
在本实施例中,上述云端服务器在使用已知的各个被拐人员的面部图像以及其他参考人脸图像对上述人脸识别模型进行训练时,可以从上述各个被拐人员的面部图像提取各个被拐人员的面部特征。上述电子设备在从上述云端服务器中获取上述人脸识别模型时,可以获取上述已经提取的各个被拐人员的面部特征。
这样,上述人脸识别模型确定乘客的面部图像与已知被拐人员的面部图像的相似度可以转化为确定乘客的上述各个面部特征与预先得到被拐人员的各个面部特征的相似度。在将乘客的面部特征与任意一个被拐人员的面部特征进行匹配时,可以将乘客的各个面部特征与该被拐人员的各个面部特征分别对应相似度与各个面部特征对应的权值乘积的累加和作为乘客的面部特征与该被拐人员的面部特征的相似度。
这样一来,将乘客的面部图像与被拐人员的面部图像的相似度转化为乘客的面部特征与被拐人员的面部特征的相似度,可以避免在确定乘客的面部图像与被拐人员的面部图像的相似度的过程中由于面部图像选取不当带来的误差,可以得到高效的人脸识别效率。
在本实施例的一些可选实现方式中,上述人脸识别模型可以包括神经网络模型,神经网络模型例如可以为卷积神经网络模型(Convolutional Neural Network,CNN)、循环神经网络模型(Recurrent Neural Networks,RNN)、深度神经网络模型(Deep NeuralNetworks,DNN)等神经网络模型中的一种。
步骤203,根据相似度确定乘客是否为被拐人员。
在本实施例中,对于任意一个乘客,上述电子设备可以根据该乘客面部图像与各个被拐人员的面部图像相似度来确定该乘客是否为被拐人员。
具体地,当该乘客的面部图像与一个被拐人员的面部图像的相似例大于预设相似度阈值时,可以确定该乘客为上述一个被拐人员。否则,可以确定该乘客不是被拐人员。
步骤204,若确定乘客为被拐人员,则发送提示信息。
在本实例中,在步骤203中确定一个乘客为被拐人员时,可以向寻找所述被拐人员的相关机构或者相关人员的终端设备(例如图1所示的终端设备102、103、104)发送提示信息。上述提示信息可以包括乘客的乘车地点信息、乘车时间信息以及目的地信息。
请参考图3,其示出了根据本申请的基于无人驾驶车辆的面部匹配方法的一个应用场景的示意图300。
如图3所示,设置在无人驾驶车辆301的上的电子设备302可以从设置在无人驾驶车辆301中的摄像装置中获取乘坐无人驾驶车辆301的乘客的面部图像303。上述电子设备302可以使用预先训练的人脸识别模型从上述乘客面部图像提取乘客面部特征,并确定乘客面部特征与已知的各个被拐人员的面部特征的相似度304。上述电子设备302可以根据上述相似度确定乘客是否为被拐人员305。当确定上述乘客为被拐人员时,发送提示信息306至终端设备307。其中终端设备307可以为寻找所述被拐人员的相关机构或者相关人员的终端设备308。
本申请上述实施例提供的基于无人驾驶车辆的面部匹配方法,通过获取乘坐无人驾驶车辆的乘客的面部图像,而后基于预先训练的人脸识别模型确定所述乘客的面部图像与各个已知的被拐人员的面部图像的相似度,根据所述相似度确定所述乘客是否为被拐人员,若确定所述乘客为被拐人员,则发送提示信息,可以实现基于人脸识别模型判断采集到的乘坐无人驾驶车辆乘客是否为被拐人员,一方面可以提高识别被拐卖人员的概率,另一方面可以在无人驾驶车辆上普及人脸识别模型以增加寻回被拐卖人员的途径,来提高寻回被拐人员的概率。
值得指出的是,在本实施例中上述基于无人驾驶车辆的面部匹配方法由设置在无人驾驶车辆上的上述电子设备执行。在一些应用场景中,上述基于无人驾驶车辆的面部匹配方法所涉及的各步骤还可以由远程服务器来执行。具体地,可以由设置在无人驾驶车辆上的摄像装置拍摄乘坐无人驾驶车辆的各个乘客的面部图像。上述远程服务器可以通过网络从无人驾驶车辆的摄像装置获取乘客的面部图像,并基于设置在远程服务器上的预先训练的人脸识别模型确定乘客的面部图像与各个已知的被拐人员的面部图像的相似度;接着根据所述相似度确定所述乘客是否为被拐人员;最后若确定所述乘客为被拐人员,则向寻找所述被拐人员的相关机构或者相关人员的终端设备发送提示信息。
在本实施例的一些可选实现方式中,步骤204可以包括如下子步骤:
子步骤2041,若确定乘客为被拐人员,判断所述乘客的年龄。
在本实施例中,当确定一个乘客为被拐人员时,上述电子设备可以根据乘客的面部特征判断乘客的年龄。
子步骤2042,若乘客的年龄大于预设年龄阈值,则向乘客发送提示信息。
具体地,上述年龄阈值例如可以为但不限于18岁。
上述提示信息可以包括被拐卖人员的信息以及寻找上述被拐人员的相关机构或者相关人员的联系方式等等。
这样一来,当电子设备判断乘客具有判断能力,且具有独立的行为能力时,可以向该乘客发送其为被拐人员的提示信息,并且提示信息还可以包括寻找上述被拐人员的相关机构或者相关人员的联系方式等等,以便于乘客主动与上述寻找上述被拐人员的相关机构或者相关人员进行联系等等。
在本实施例的一些可选实现方式中,在步骤204中发送提示信息之后,上述基于无人驾驶车辆的面部匹配方法还包括:将乘客的图像信息、乘车地点信息、乘车时间信息以及目的地信息发送至云端服务器存储。这样一来,在上述云端服务器中可以保存与被拐人员的面部图像的相似度大于预设相似度阈值的乘客的多个乘车记录,从而判断该乘客的活动范围,为寻找该乘客提供线索。有利于提高被拐人员的寻回概率。
请继续参考图4,作为对上述图2所示方法的实现,本申请提供了一种基于无人驾驶车辆的面部匹配装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的基于无人驾驶车辆的面部匹配装置400包括:获取单元401、第一确定单元402、第二确定单元403以及提示信息发送单元404。其中,获取单元401,配置用于获取乘坐无人驾驶车辆的乘客的面部图像;第一确定单元402,配置用于基于预先训练的人脸识别模型确定乘客的面部图像与各个已知的被拐人员的面部图像的相似度;第二确定单元403,配置用于根据相似度确定乘客是否为被拐人员;提示信息发送单元404,配置用于若确定乘客为被拐人员,则发送提示信息。
在本实施例中,基于无人驾驶车辆的面部匹配装置400的获取单元401、第一确定单元402、第二确定单元403以及提示信息发送单元404。的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在本实施例的一些可选实现方式中,上述第一确定单元402进一步配置用于:从面部图像中提取乘客的面部特征;基于乘客的面部特征以及预先从被拐人员的面部图像中提取的各个被拐人员的面部特征确定乘客的面部图像与各个被拐人员的面部图像的相似度。
在本实施例的一些可选实现方式中,提示信息发送单元404进一步配置用于:若确定乘客为被拐人员,判断乘客的年龄;若年龄大于预设年龄阈值,则向乘客发送提示信息,其中提示信息包括寻找被拐人员的相关机构或者相关人员的联系方式。
在本实施例的一些可选实现方式中,基于无人驾驶车辆的面部匹配装置还包括存储单元(图中未示出),存储单元配置用于:将与已知被拐人员的面部图像的相似度大于预设相似度阈值的乘客的图像信息、乘车地点信息、乘车时间信息以及目的地信息发送至云端存储。
在本实施例的一些可选实现方式中,上述人脸识别模型包括神经网络模型。述人脸识别模型可以包括神经网络模型,神经网络模型例如可以为卷积神经网络模型(Convolutional Neural Network,CNN)、循环神经网络模型(Recurrent NeuralNetworks,RNN)、深度神经网络模型(Deep Neural Networks,DNN)等神经网络模型中的一种。
下面参考图5,其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如液晶显示器(LCD)以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、服务器或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、服务器或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、服务器或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、第一确定单元、第二确定单元以及提示信息发送单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取乘坐无人驾驶车辆的乘客的面部图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取乘坐无人驾驶车辆的乘客的面部图像;基于预先训练的人脸识别模型确定乘客的面部图像与至各个已知的被拐人员的面部图像的相似度;根据相似度确定乘客是否为被拐人员;若确定乘客为被拐人员,则发送提示信息。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种基于无人驾驶车辆的面部匹配方法,其特征在于,所述方法包括:
获取乘坐无人驾驶车辆的乘客的面部图像;
基于预先训练的人脸识别模型确定所述乘客的面部图像与各个已知的被拐人员的面部图像的相似度;
根据所述相似度确定所述乘客是否为被拐人员;
若确定所述乘客为被拐人员,则发送提示信息。
2.根据权利要求1所述的方法,其特征在于,所述基于预先训练的人脸识别模型确定所述乘客的面部图像与各个被拐人员的面部图像的相似度,包括:
从所述面部图像中提取所述乘客的面部特征;
基于所述乘客的面部特征以及预先从被拐人员的面部图像中提取的各个被拐人员的面部特征确定所述乘客的面部图像与各个被拐人员的面部图像的相似度。
3.根据权利要求1所述的方法,其特征在于,所述若确定所述乘客为被拐人员,则发送提示信息,包括:
若确定所述乘客为被拐人员,判断所述乘客的年龄;
若所述年龄大于预设年龄阈值,则向所述乘客发送提示信息,其中
所述提示信息包括寻找所述被拐人员的相关机构或者相关人员的联系方式。
4.根据权利要求1所述的方法,其特征在于,在发送提示信息之后,所述方法还包括:
将所述乘客的图像信息、乘车地点信息、乘车时间信息以及目的地信息发送至云端存储。
5.根据权利要求1所述的方法,其特征在于,所述人脸识别模型包括卷积神经网络模型。
6.一种基于无人驾驶车辆的面部匹配装置,其特征在于,所述装置包括:
获取单元,配置用于获取乘坐无人驾驶车辆的乘客的面部图像;
第一确定单元,配置用于基于预先训练的人脸识别模型确定所述乘客的面部图像与各个已知的被拐人员的面部图像的相似度;
第二确定单元,配置用于根据所述相似度确定所述乘客是否为被拐人员;
提示信息发送单元,配置用于若确定所述乘客为被拐人员,则发送提示信息。
7.根据权利要求6所述的装置,其特征在于,所述第一确定单元进一步配置用于:
从所述面部图像中提取所述乘客的面部特征;
基于所述乘客的面部特征以及预先从被拐人员的面部图像中提取的各个被拐人员的面部特征确定所述乘客的面部图像与各个被拐人员的面部图像的相似度。
8.根据权利要求6所述的装置,其特征在于,所述提示信息发送单元进一步配置用于:
若确定所述乘客为被拐人员,判断所述乘客的年龄;
若所述年龄大于预设年龄阈值,则向所述乘客发送提示信息,其中
所述提示信息包括寻找所述被拐人员的相关机构或者相关人员的联系方式。
9.根据权利要求6所述的装置,其特征在于,所述装置还包括存储单元,所述存储单元配置用于:
将所述乘客的图像信息、乘车地点信息、乘车时间信息以及目的地信息发送至云端存储。
10.根据权利要求6所述的装置,其特征在于,所述人脸识别模型包括卷积神经网络模型。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710972917.1A CN107742106A (zh) | 2017-10-18 | 2017-10-18 | 基于无人驾驶车辆的面部匹配方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710972917.1A CN107742106A (zh) | 2017-10-18 | 2017-10-18 | 基于无人驾驶车辆的面部匹配方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107742106A true CN107742106A (zh) | 2018-02-27 |
Family
ID=61236883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710972917.1A Pending CN107742106A (zh) | 2017-10-18 | 2017-10-18 | 基于无人驾驶车辆的面部匹配方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107742106A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145863A (zh) * | 2018-09-06 | 2019-01-04 | 芜湖安瑞光电有限公司 | 防儿童被拐汽车系统及其控制方法 |
CN109240789A (zh) * | 2018-09-13 | 2019-01-18 | 李盈锐 | 基于交通网络大数据的多功能公交系统及其应用方法 |
CN109902575A (zh) * | 2019-01-24 | 2019-06-18 | 平安科技(深圳)有限公司 | 基于无人驾驶车辆的防拐卖方法、装置及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404860A (zh) * | 2015-11-13 | 2016-03-16 | 北京旷视科技有限公司 | 用于管理走失人员信息的方法和设备 |
CN107085937A (zh) * | 2017-06-01 | 2017-08-22 | 鄂尔多斯市普渡科技有限公司 | 一种无人驾驶出租车乘客危急情况的应对系统及方法 |
CN107103310A (zh) * | 2017-06-01 | 2017-08-29 | 鄂尔多斯市普渡科技有限公司 | 一种无人驾驶出租车的乘客行为监督系统及方法 |
-
2017
- 2017-10-18 CN CN201710972917.1A patent/CN107742106A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404860A (zh) * | 2015-11-13 | 2016-03-16 | 北京旷视科技有限公司 | 用于管理走失人员信息的方法和设备 |
CN107085937A (zh) * | 2017-06-01 | 2017-08-22 | 鄂尔多斯市普渡科技有限公司 | 一种无人驾驶出租车乘客危急情况的应对系统及方法 |
CN107103310A (zh) * | 2017-06-01 | 2017-08-29 | 鄂尔多斯市普渡科技有限公司 | 一种无人驾驶出租车的乘客行为监督系统及方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145863A (zh) * | 2018-09-06 | 2019-01-04 | 芜湖安瑞光电有限公司 | 防儿童被拐汽车系统及其控制方法 |
CN109240789A (zh) * | 2018-09-13 | 2019-01-18 | 李盈锐 | 基于交通网络大数据的多功能公交系统及其应用方法 |
CN109240789B (zh) * | 2018-09-13 | 2021-12-10 | 宁波市民卡运营管理有限公司 | 基于交通网络大数据的多功能公交系统及其应用方法 |
CN109902575A (zh) * | 2019-01-24 | 2019-06-18 | 平安科技(深圳)有限公司 | 基于无人驾驶车辆的防拐卖方法、装置及相关设备 |
WO2020151339A1 (zh) * | 2019-01-24 | 2020-07-30 | 平安科技(深圳)有限公司 | 基于无人驾驶车辆的异常处理方法、装置及相关设备 |
CN109902575B (zh) * | 2019-01-24 | 2024-03-15 | 平安科技(深圳)有限公司 | 基于无人驾驶车辆的防拐卖方法、装置及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461089B (zh) | 一种人脸检测的方法、人脸检测模型的训练方法及装置 | |
CN111190939B (zh) | 一种用户画像构建方法及装置 | |
CN109145784B (zh) | 用于处理视频的方法和装置 | |
CN107609536A (zh) | 信息生成方法和装置 | |
CN108427939A (zh) | 模型生成方法和装置 | |
CN107633218A (zh) | 用于生成图像的方法和装置 | |
CN107590807A (zh) | 用于检测图像质量的方法和装置 | |
CN108038469A (zh) | 用于检测人体的方法和装置 | |
CN108491805A (zh) | 身份认证方法和装置 | |
CN111310705A (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
CN110909630A (zh) | 一种异常游戏视频检测方法和装置 | |
CN107578034A (zh) | 信息生成方法和装置 | |
CN107742106A (zh) | 基于无人驾驶车辆的面部匹配方法和装置 | |
US20160063335A1 (en) | A method and technical equipment for people identification | |
CN113516227B (zh) | 一种基于联邦学习的神经网络训练方法及设备 | |
CN109934191A (zh) | 信息处理方法和装置 | |
CN109977839A (zh) | 信息处理方法和装置 | |
CN110298240A (zh) | 一种汽车用户识别方法、装置、系统及存储介质 | |
CN107679493A (zh) | 人脸识别方法和装置 | |
US20230206093A1 (en) | Music recommendation method and apparatus | |
CN108171208A (zh) | 信息获取方法和装置 | |
CN110097004B (zh) | 面部表情识别方法和装置 | |
CN110059748A (zh) | 用于输出信息的方法和装置 | |
CN108921084A (zh) | 一种图像分类处理方法、移动终端及计算机可读存储介质 | |
CN115114329A (zh) | 数据流异常检测的方法、装置、电子设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180227 |
|
RJ01 | Rejection of invention patent application after publication |