CN108052920A - 用于输出信息的方法和装置 - Google Patents
用于输出信息的方法和装置 Download PDFInfo
- Publication number
- CN108052920A CN108052920A CN201711447009.7A CN201711447009A CN108052920A CN 108052920 A CN108052920 A CN 108052920A CN 201711447009 A CN201711447009 A CN 201711447009A CN 108052920 A CN108052920 A CN 108052920A
- Authority
- CN
- China
- Prior art keywords
- driver
- image
- vehicle
- traveling
- face characteristic
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了用于输出信息的方法和装置。该方法的一具体实施方式包括:获取在预设时间段内拍摄的车辆在行驶过程中的行驶视频,其中,行驶视频包括至少一帧行驶图像;从行驶视频中选取出包括驾驶员的人脸图像区域的行驶图像;从包括驾驶员的人脸图像区域的行驶图像中提取驾驶员的人脸特征;基于驾驶员的人脸特征,确定驾驶员的身份信息;输出驾驶员的身份信息。该实施方式能够快速地确定驾驶员的身份信息。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及图像识别技术领域,尤其涉及用于输出信息的方法和装置。
背景技术
随着经济的快速发展,汽车已经成为家庭的基本交通工具。汽车的普及给人们的出行带来了极大的方便,同时也导致车辆违章行驶现象日益突出。例如,车辆闯红灯、逆行、超速、越线行驶、违规停靠等交通违章行为频繁出现。因此,如何确定交通违章行为发生时驾驶车辆的驾驶员的身份就变得至关重要。
发明内容
本申请实施例提出了用于输出信息的方法和装置。
第一方面,本申请实施例提供了一种用于输出信息的方法,该方法包括:获取在预设时间段内拍摄的车辆在行驶过程中的行驶视频,其中,行驶视频包括至少一帧行驶图像;从行驶视频中选取出包括驾驶员的人脸图像区域的行驶图像;从包括驾驶员的人脸图像区域的行驶图像中提取驾驶员的人脸特征;基于驾驶员的人脸特征,确定驾驶员的身份信息;输出驾驶员的身份信息。
在一些实施例中,从行驶视频中选取出包括驾驶员的人脸图像区域的行驶图像,包括:生成包括驾驶员的人脸图像区域的行驶图像的图像矩阵,其中,图像矩阵的行对应人脸图像的高,图像矩阵的列对应人脸图像的宽,图像矩阵的元素对应人脸图像的像素;将包括驾驶员的人脸图像区域的行驶图像的图像矩阵输入至预先训练的卷积神经网络,得到驾驶员的人脸特征,其中,卷积神经网络用于提取人脸特征。
在一些实施例中,基于驾驶员的人脸特征,确定驾驶员的身份信息,包括:从行驶视频中选取出包括车牌号图像区域的行驶图像;对包括车牌号图像区域的行驶图像进行影像分析,得到车辆的车牌号;将驾驶员的人脸特征和车辆的车牌号在预先获取的车辆相关信息集合中进行匹配,其中,车辆相关信息集合中的车辆相关信息包括车辆的车牌号、车辆的拥有者的人脸图像、车辆的拥有者的身份信息;若匹配成功,获取匹配成功的车辆相关信息中的驾驶员的身份信息,作为驾驶员的身份信息。
在一些实施例中,基于驾驶员的人脸特征,确定驾驶员的身份信息,包括:将驾驶员的人脸特征在预先存储的人脸特征集合中进行匹配,其中,人脸特征集合中的人脸特征与身份信息对应;若匹配成功,获取匹配成功的人脸特征所对应的身份信息,作为驾驶员的身份信息。
在一些实施例中,该方法还包括:对行驶视频进行分析,确定驾驶员的驾驶类型和车辆的行驶类型;基于驾驶员的驾驶类型和车辆的行驶类型,确定驾驶员在预设时间段内所发生的交通事故中的责任等级;输出驾驶员在预设时间段内所发生的交通事故中的责任等级。
第二方面,本申请实施例提供了一种用于输出信息的装置,该装置包括:获取单元,配置用于获取在预设时间段内拍摄的车辆在行驶过程中的行驶视频,其中,行驶视频包括至少一帧行驶图像;选取单元,配置用于从行驶视频中选取出包括驾驶员的人脸图像区域的行驶图像;提取单元,配置用于从包括驾驶员的人脸图像区域的行驶图像中提取驾驶员的人脸特征;第一确定单元,配置用于基于驾驶员的人脸特征,确定驾驶员的身份信息;第一输出单元,配置用于输出驾驶员的身份信息。
在一些实施例中,提取单元包括:生成子单元,配置用于生成包括驾驶员的人脸图像区域的行驶图像的图像矩阵,其中,图像矩阵的行对应人脸图像的高,图像矩阵的列对应人脸图像的宽,图像矩阵的元素对应人脸图像的像素;提取子单元,配置用于将包括驾驶员的人脸图像区域的行驶图像的图像矩阵输入至预先训练的卷积神经网络,得到驾驶员的人脸特征,其中,卷积神经网络用于提取人脸特征。
在一些实施例中,第一确定单元包括:选取子单元,配置用于从行驶视频中选取出包括车牌号图像区域的行驶图像;分析子单元,配置用于对包括车牌号图像区域的行驶图像进行影像分析,得到车辆的车牌号;第一匹配子单元,配置用于将驾驶员的人脸特征和车辆的车牌号在预先获取的车辆相关信息集合中进行匹配,其中,车辆相关信息集合中的车辆相关信息包括车辆的车牌号、车辆的拥有者的人脸图像、车辆的拥有者的身份信息;第一确定子单元,配置用于若匹配成功,获取匹配成功的车辆相关信息中的驾驶员的身份信息,作为驾驶员的身份信息。
在一些实施例中,第一确定单元包括:第二匹配子单元,配置用于将驾驶员的人脸特征在预先存储的人脸特征集合中进行匹配,其中,人脸特征集合中的人脸特征与身份信息对应;第二确定子单元,配置用于若匹配成功,获取匹配成功的人脸特征所对应的身份信息,作为驾驶员的身份信息。
在一些实施例中,该装置还包括:第二确定单元,配置用于对行驶视频进行分析,确定驾驶员的驾驶类型和车辆的行驶类型;第三确定单元,配置用于基于驾驶员的驾驶类型和车辆的行驶类型,确定驾驶员在预设时间段内所发生的交通事故中的责任等级;第二输出单元,配置用于输出驾驶员在预设时间段内所发生的交通事故中的责任等级。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于输出信息的方法和装置,首先从所获取的在预设时间段内拍摄的车辆在行驶过程中的行驶视频中选取出包括驾驶员的人脸图像区域的行驶图像;然后从包括驾驶员的人脸图像区域的行驶图像中提取驾驶员的人脸特征;最后基于驾驶员的人脸特征,确定驾驶员的身份信息,并输出驾驶员的身份信息。从而能够快速地确定驾驶员的身份信息。
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是本申请实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于输出信息的方法的一个实施例的流程图;
图3是根据本申请的用于输出信息的方法的又一个实施例的流程图;
图4是根据本申请的用于输出信息的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实施例的用于输出信息的方法或用于输出信息的装置的示例性系统架构100。
如图1所示,系统架构100可以包括摄像设备101、网络102和服务器103。网络102用以在摄像设备101和服务器103之间提供通信链路的介质。网络102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。
摄像设备101可以通过网络102与服务器103交互,以接收或发送消息等。摄像设备101可以是具有摄像功能的各种电子设备,包括但不限于照相机、摄像机、摄像头等等。
服务器103可以提供各种服务,例如,服务器103可以对从摄像设备101获取的在预设时间段内拍摄的车辆在行驶过程中的行驶视频进行分析等处理,并输出处理结果(例如驾驶员的身份信息)。
需要说明的是,本申请实施例所提供的用于输出信息的方法一般由服务器103执行,相应地,用于输出信息的装置一般设置于服务器103中。
应该理解,图1中的摄像设备、网络和服务器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摄像设备、网络和服务器。
继续参考图2,其示出了根据本申请的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法,包括以下步骤:
步骤201,获取在预设时间段内拍摄的车辆在行驶过程中的行驶视频。
在本实施例中,用于输出信息的方法运行于其上的电子设备(例如图1所示的服务器103)可以通过有线连接或者无线连接方式从摄像设备(例如图1所示的摄像设备101)获取在预设时间段内拍摄的车辆在行驶过程中的行驶视频。其中,摄像设备可以是具有摄像功能的各种电子设备,包括但不限于摄像机、摄像头等。例如,摄像设备可以是安装在交通路口的电子眼。电子眼可以通过车辆检测、光电成像、自动控制、网络通信、计算机等多种技术,对各种交通违章行为进行全天候监视,捕捉车辆的行驶视频。预设时间段可以是根据需求预先设置的任一时间段。例如,车辆在某一时间段内疑似发生违章行驶行为,或车辆在某一时间段内发生交通事故,则可以将该时间段作为预设时间段。行驶视频可以包括至少一帧图像,至少一帧图像中的至少部分图像可以包括该车辆的驾驶员的人脸图像区域。
步骤202,从行驶视频中选取出包括驾驶员的人脸图像区域的行驶图像。
在本实施例中,基于步骤201所获取的行驶视频,电子设备可以从行驶视频中选取出包括驾驶员的人脸图像区域的行驶图像。通常,行驶视频中的至少一帧图像中部分图像会包括该车辆的驾驶员的人脸图像区域,部分图像不会包括该车辆的驾驶员的人脸图像区域。电子设备可以对行驶视频中的至少一帧图像进行人脸检测,检测出包括驾驶员的人脸图像区域的行驶图像。
实践中,部分包括驾驶员的人脸图像区域的行驶图像中可能存在遮挡物,或者模糊不清,为了避免影响人脸特征提取,电子设备可以选取出相对清晰的、包括驾驶员的人脸图像区域的行驶图像;也可以对包括驾驶员的人脸图像区域的行驶图像进行去噪处理,以获得相对清晰的、包括驾驶员的人脸图像区域的行驶图像。
步骤203,从包括驾驶员的人脸图像区域的行驶图像中提取驾驶员的人脸特征。
在本实施例中,基于步骤202所选取的包括驾驶员的人脸图像区域的行驶图像,电子设备可以从包括驾驶员的人脸图像区域的行驶图像中提取驾驶员的人脸特征。其中,人脸特征可以是对驾驶员的脸特征进行描述的信息,包括但不限于颜色特征、纹理特征、形状特征、空间关系特征等等。
在本实施例的一些可选的实现方式中,电子设备可以首先检测出包括驾驶员的人脸图像区域的行驶图像中的驾驶员的人脸图像区域;然后对驾驶员的人脸图像区域利用数学模型并结合图像处理技术进行图像分析,以提取驾驶员的至少一项面部特征,并将其作为驾驶员的人脸特征。其中,面部特征可以包括但不限于脸型、五官的形状、五官的位置及比例等等。
在本实施例的一些可选的实现方式中,电子设备可以首先生成包括驾驶员的人脸图像区域的行驶图像的图像矩阵;然后将包括驾驶员的人脸图像区域的行驶图像的图像矩阵输入至预先训练的、用于提取人脸特征的卷积神经网络,从而得到驾驶员的人脸特征。
实践中,图像可以用矩阵来表示。具体地,图像的图像矩阵的行可以对应图像的高,图像的图像矩阵的列可以对应图像的宽,图像的图像矩阵的元素可以对应图像的像素。作为示例,在图像是灰度图像的情况下,图像的图像矩阵的元素可以对应灰度图像的灰度值;在图像是彩色图像的情况下,图像的图像矩阵的元素对应彩色图像的RGB(Red GreenBlue,红绿蓝)值。通常,人类视力所能感知的所有颜色均是通过对红、绿、蓝三个颜色通道的变化以及它们相互之间的叠加来得到的。
这里,卷积神经网络可以是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。通常,卷积神经网络的基本结构包括两层,其一为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;其二是特征映射层,网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等。并且,卷积神经网络的输入是包括驾驶员的人脸图像区域的行驶图像的图像矩阵,卷积神经网络的输出是驾驶员的人脸特征,使得卷积神经网络可以用于提取人脸特征。
这里,电子设备可以首先获取样本图像所对应的图像矩阵和样本图像所对应的人脸特征;然后将样本图像所对应的图像矩阵作为输入,将样本图像所对应的人脸特征作为输出,训练得到能够提取人脸特征的卷积神经网络。其中,样本图像中可以包括人脸图像区域。电子设备训练的可以是初始卷积神经网络,初始卷积神经网络可以是未经训练的卷积神经网络或未训练完成的卷积神经网络,初始卷积神经网络的各层可以设置有初始参数,参数在训练过程中可以被不断地调整,直至训练出能够用于提取人脸特征的卷积神经网络为止。
步骤204,基于驾驶员的人脸特征,确定驾驶员的身份信息。
在本实施例中,基于步骤203所提取的驾驶员的人脸特征,电子设备可以确定驾驶员的身份信息。其中,驾驶员的身份信息可以包括但不限于驾驶员的姓名、身份证号、驾驶证号、手机号等等。
在本实施例的一些可选的实现方式中,电子设备可以通过如下步骤确定驾驶员的身份信息:
首先,从行驶视频中选取出包括车牌号图像区域的行驶图像。
通常,行驶视频中的至少一帧图像中部分图像包括该车辆的车牌号图像区域,部分图像不包括该车辆的车牌号图像区域。电子设备可以对行驶视频中的至少一帧图像进行检测,检测出包括该车辆的车牌号图像区域的行驶图像。实践中,部分包括该车辆的车牌号图像区域的行驶图像中可能存在遮挡物,或者模糊不清,为了得到较为准确的车牌号,电子设备可以选取出相对清晰的、包括该车辆的车牌号图像区域的行驶图像;也可以对包括该车辆的车牌号图像区域的行驶图像进行去噪处理,以获得相对清晰的、包括该车辆的车牌号图像区域的行驶图像。
之后,对包括车牌号图像区域的行驶图像进行影像分析,得到车辆的车牌号。
具体地,电子设备可以对包括车牌号图像区域的行驶图像进行图像识别,从而识别出车辆的车牌号。
然后,将驾驶员的人脸特征和车辆的车牌号在预先获取的车辆相关信息集合中进行匹配。
其中,车辆相关信息集合中的车辆相关信息可以是从车管所系统中预先获取的,包括车辆的车牌号、车辆的拥有者的人脸图像、车辆的拥有者的身份信息。
作为一种示例,对于车辆相关信息集合中的每个车辆相关信息,电子设备可以从该车辆相关信息中的车辆的拥有者的人脸图像中提取该车辆的拥有者的人脸特征,并将该车辆的拥有者的人脸特征与驾驶员的人脸特征进行比较,若该车辆的拥有者的人脸特征与驾驶员的人脸特征相同或相似,则匹配成功。
作为另一种示例,对于车辆相关信息集合中的每个车辆相关信息,电子设备可以将车辆的车牌号与该车辆相关信息中的车辆的车牌号进行比较,若车辆的车牌号与该车辆相关信息中的车辆的车牌号相同,则匹配成功。
作为又一种示例,对于车辆相关信息集合中的每个车辆相关信息,电子设备可以从该车辆相关信息中的车辆的拥有者的人脸图像中提取该车辆的拥有者的人脸特征,并将该车辆的拥有者的人脸特征与驾驶员的人脸特征进行比较,同时将车辆的车牌号与该车辆相关信息中的车辆的车牌号进行比较,若该车辆的拥有者的人脸特征与驾驶员的人脸特征相同或相似,且车辆的车牌号与该车辆相关信息中的车辆的车牌号相同,则匹配成功。
最后,若匹配成功,获取匹配成功的车辆相关信息中的驾驶员的身份信息,作为驾驶员的身份信息。
在本实施例的一些可选的实现方式中,电子设备可以将驾驶员的人脸特征在预先存储的人脸特征集合中进行匹配,若匹配成功,获取匹配成功的人脸特征所对应的身份信息,作为驾驶员的身份信息。这里,电子设备可以预先收集一些人的身份信息和这些人的人脸图像,然后从这些人的人脸图像中提取这些人的人脸特征,生成人脸特征集合,同时将人脸特征集合中的人脸特征与身份信息对应,通常,人脸特征与身份信息一一对应。
步骤205,输出驾驶员的身份信息。
在本实施例中,基于步骤204所确定的驾驶员的身份信息,电子设备可以输出驾驶员的身份信息。可选地,电子设备可以将驾驶员的身份信息输出到与其通信连接的终端设备上,以使终端设备的屏幕上显示驾驶员的身份信息或终端设备的音频播放设备播放驾驶员的身份信息;也可以将驾驶员的身份信息输出到电子设备的内存中进行存储。
本申请实施例提供的用于输出信息的方法,首先从所获取的在预设时间段内拍摄的车辆在行驶过程中的行驶视频中选取出包括驾驶员的人脸图像区域的行驶图像;然后从包括驾驶员的人脸图像区域的行驶图像中提取驾驶员的人脸特征;最后基于驾驶员的人脸特征,确定驾驶员的身份信息,并输出驾驶员的身份信息。从而能够快速地确定驾驶员的身份信息。
进一步参考图3,其示出了根据本申请的用于输出信息的方法的又一个实施例的流程300。该用于输出信息的方法的流程300,包括以下步骤:
步骤301,获取在预设时间段内拍摄的车辆在行驶过程中的行驶视频。
在本实施例中,用于输出信息的方法运行于其上的电子设备(例如图1所示的服务器103)可以通过有线连接或者无线连接方式从摄像设备(例如图1所示的摄像设备101)获取在预设时间段内拍摄的车辆在行驶过程中的行驶视频。其中,摄像设备可以是具有摄像功能的各种电子设备,包括但不限于摄像机、摄像头等。预设时间段可以是根据需求预先设置的任一时间段。行驶视频可以包括至少一帧图像,至少一帧图像中的至少部分图像可以包括该车辆的驾驶员的人脸图像区域。
步骤302,从行驶视频中选取出包括驾驶员的人脸图像区域的行驶图像。
在本实施例中,基于步骤301所获取的行驶视频,电子设备可以从行驶视频中选取出包括驾驶员的人脸图像区域的行驶图像。通常,行驶视频中的至少一帧图像中部分图像会包括该车辆的驾驶员的人脸图像区域,部分图像不会包括该车辆的驾驶员的人脸图像区域。电子设备可以对行驶视频中的至少一帧图像进行人脸检测,检测出包括驾驶员的人脸图像区域的行驶图像。
步骤303,从包括驾驶员的人脸图像区域的行驶图像中提取驾驶员的人脸特征。
在本实施例中,基于步骤302所选取的包括驾驶员的人脸图像区域的行驶图像,电子设备可以从包括驾驶员的人脸图像区域的行驶图像中提取驾驶员的人脸特征。其中,人脸特征可以是对驾驶员的脸特征进行描述的信息,包括但不限于颜色特征、纹理特征、形状特征、空间关系特征等等。
步骤304,基于驾驶员的人脸特征,确定驾驶员的身份信息。
在本实施例中,基于步骤303所提取的驾驶员的人脸特征,电子设备可以确定驾驶员的身份信息。其中,驾驶员的身份信息可以包括但不限于驾驶员的姓名、身份证号、驾驶证号、手机号等等。
步骤305,输出驾驶员的身份信息。
在本实施例中,基于步骤304所确定的驾驶员的身份信息,电子设备可以输出驾驶员的身份信息。可选地,电子设备可以将驾驶员的身份信息输出到与其通信连接的终端设备上,以使终端设备的屏幕上显示驾驶员的身份信息或终端设备的音频播放设备播放驾驶员的身份信息;也可以输出到电子设备的内存中进行存储。
步骤306,对行驶视频进行分析,确定驾驶员的驾驶类型和车辆的行驶类型。
在本实施例中,基于步骤301所获取的行驶视频,电子设备可以对行驶视频进行分析,从而确定驾驶员的驾驶类型和车辆的行驶类型。
在本实施例中,行驶视频中通常会包括一段连续的、记录有驾驶员的驾驶过程的驾驶视频。这里,电子设备可以首先从行驶视频中截取出这段记录有驾驶员的驾驶过程的驾驶视频;然后将驾驶视频输入至预先训练的驾驶类型识别模型,从而得到驾驶员的驾驶类型,其中,驾驶类型可以包括但不限于正常驾驶类型、疲劳驾驶类型、拨打接听手持电话驾驶类型、观看电视驾驶类型等。驾驶类型识别模型可以由卷积神经网络、循环神经网络和全连接层组合而成,用于表征驾驶视频与驾驶类型之间的对应关系。
在本实施例中,电子设备可以首先对行驶视频进行分析,从而获取车辆的行驶路况信息和行驶状态信息,以生成车辆的行驶信息;然后基于车辆的行驶信息确定车辆的行驶类型。其中,车辆的行驶路况信息可以包括但不限于车辆的行驶的车道、车辆行驶过程中的交通信号灯的指示状态和车辆所在车道上的限速标志牌上指示的车速等等。车辆的行驶状态信息可以包括但不限于车辆的行驶方向、车辆的行驶速度、车辆的行驶轨迹等等。这里,电子设备可以对车辆的行驶信息进行分析,确定该车辆的行驶信息满足哪种行驶类型所对应的行驶条件,若该车辆的行驶信息满足某种行驶类型所对应的行驶条件,则该种行驶类型就是该车辆的行驶类型。其中,行驶类型可以包括但不限于正常行驶类型、闯红灯行驶类型、逆行行驶类型、超速行驶类型、越线行驶类型等等。例如,车辆的行驶信息满足闯红灯行驶类型所对应的行驶条件,则该车辆的行驶类型是闯红灯行驶类型。
步骤307,基于驾驶员的驾驶类型和车辆的行驶类型,确定驾驶员在预设时间段内所发生的交通事故中的责任等级。
在本实施例中,基于步骤306所确定的驾驶员的驾驶类型和车辆的行驶类型,电子设备可以确定驾驶员在预设时间段内所发生的交通事故中的责任等级。其中,预设时间段可以是发生交通事故的时间段。责任等级可以根据需要预先设置,例如,责任等级可以包括全部责任等级、主要责任等级、次要责任等级、无责任等级。不同的责任等级对应不同的责任分值区间。不同的驾驶类型和不同的行驶类型分别对应不同的责任分值和权重。这里,电子设备可以首先获取与车辆的行驶类型相对应的责任分值和权重,并获取与驾驶员的驾驶类型相对应的责任分值和权重;然后加权求和,计算出驾驶员在此次交通事故中的责任分值;最后驾驶员在此次交通事故中的责任分值落在哪种责任类型对应的责任分值区间内,驾驶员在此次交通事故中的责任等级就为哪种责任等级。
步骤308,输出驾驶员在预设时间段内所发生的交通事故中的责任等级。
在本实施例中,基于步骤307所确定的责任等级,电子设备可以输出驾驶员在预设时间段内所发生的交通事故中的责任等级。作为示例,电子设备可以将驾驶员在预设时间段内所发生的交通事故中的责任等级输出到与其通信连接的终端设备上,以使终端设备的屏幕上显示驾驶员在预设时间段内所发生的交通事故中的责任等级或终端设备的音频播放设备播放驾驶员在预设时间段内所发生的交通事故中的责任等级;也可以将驾驶员的身份信息输出到电子设备的内存中进行存储。
从图3中可以看出,与图2对应的实施例相比,本实施例中的用于输出信息的方法的流程300增加了确定责任等级的步骤。由此,本实施例描述的方案能够快速地确定驾驶员的在交通事故中的责任等级。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种用于输出信息的装置的一个实施例,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,本实施例的用于输出信息的装置400可以包括:获取单元401、选取单元402、提取单元403、第一确定单元404和第一输出单元405。其中,获取单元401,配置用于获取在预设时间段内拍摄的车辆在行驶过程中的行驶视频,其中,行驶视频包括至少一帧行驶图像;选取单元402,配置用于从行驶视频中选取出包括驾驶员的人脸图像区域的行驶图像;提取单元403,配置用于从包括驾驶员的人脸图像区域的行驶图像中提取驾驶员的人脸特征;第一确定单元404,配置用于基于驾驶员的人脸特征,确定驾驶员的身份信息;第一输出单元405,配置用于输出驾驶员的身份信息。
在本实施例中,用于输出信息的装置500中:获取单元401、选取单元402、提取单元403、第一确定单元404和第一输出单元405的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,提取单元403可以包括:生成子单元(图中未示出),配置用于生成包括驾驶员的人脸图像区域的行驶图像的图像矩阵,其中,图像矩阵的行对应人脸图像的高,图像矩阵的列对应人脸图像的宽,图像矩阵的元素对应人脸图像的像素;提取子单元(图中未示出),配置用于将包括驾驶员的人脸图像区域的行驶图像的图像矩阵输入至预先训练的卷积神经网络,得到驾驶员的人脸特征,其中,卷积神经网络用于提取人脸特征。
在本实施例的一些可选的实现方式中,第一确定单元404可以包括:选取子单元(图中未示出),配置用于从行驶视频中选取出包括车牌号图像区域的行驶图像;分析子单元(图中未示出),配置用于对包括车牌号图像区域的行驶图像进行影像分析,得到车辆的车牌号;第一匹配子单元(图中未示出),配置用于将驾驶员的人脸特征和车辆的车牌号在预先存获取的车辆相关信息集合中进行匹配,其中,车辆相关信息集合中的车辆相关信息包括车辆的车牌号、车辆的拥有者的人脸图像、车辆的拥有者的身份信息;第一确定子单元(图中未示出),配置用于若匹配成功,获取匹配成功的车辆相关信息中的驾驶员的身份信息,作为驾驶员的身份信息。
在本实施例的一些可选的实现方式中,第一确定单元404可以包括:第二匹配子单元(图中未示出),配置用于将驾驶员的人脸特征在预先存储的人脸特征集合中进行匹配,其中,人脸特征集合中的人脸特征与身份信息对应;第二确定子单元(图中未示出),配置用于若匹配成功,获取匹配成功的人脸特征所对应的身份信息,作为驾驶员的身份信息。
在本实施例的一些可选的实现方式中,用于输出信息的装置400还可以包括:第二确定单元(图中未示出),配置用于对行驶视频进行分析,确定驾驶员的驾驶类型和车辆的行驶类型;第三确定单元(图中未示出),配置用于基于驾驶员的驾驶类型和车辆的行驶类型,确定驾驶员在预设时间段内所发生的交通事故中的责任等级;第二输出单元(图中未示出),配置用于输出驾驶员在预设时间段内所发生的交通事故中的责任等级。
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示出的电子设备仅仅是一个示例,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;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等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,本申请所述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、装置或器件,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、装置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、装置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。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
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、选取单元、提取单元、第一确定单元和第一输出单元。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“获取在预设时间段内拍摄的车辆在行驶过程中的行驶视频的单元”。
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电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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电子设备执行时,使得该电子设备:获取在预设时间段内拍摄的车辆在行驶过程中的行驶视频,其中,行驶视频包括至少一帧行驶图像;从行驶视频中选取出包括驾驶员的人脸图像区域的行驶图像;从包括驾驶员的人脸图像区域的行驶图像中提取驾驶员的人脸特征;基于驾驶员的人脸特征,确定驾驶员的身份信息;输出驾驶员的身份信息。
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)
1.一种用于输出信息的方法,包括:
获取在预设时间段内拍摄的车辆在行驶过程中的行驶视频,其中,所述行驶视频包括至少一帧行驶图像;
从所述行驶视频中选取出包括驾驶员的人脸图像区域的行驶图像;
从所述包括驾驶员的人脸图像区域的行驶图像中提取所述驾驶员的人脸特征;
基于所述驾驶员的人脸特征,确定所述驾驶员的身份信息;
输出所述驾驶员的身份信息。
2.根据权利要求1所述的方法,其中,所述从所述包括驾驶员的人脸图像区域的行驶图像中提取所述驾驶员的人脸特征,包括:
生成所述包括驾驶员的人脸图像区域的行驶图像的图像矩阵,其中,图像矩阵的行对应人脸图像的高,图像矩阵的列对应人脸图像的宽,图像矩阵的元素对应人脸图像的像素;
将所述包括驾驶员的人脸图像区域的行驶图像的图像矩阵输入至预先训练的卷积神经网络,得到所述驾驶员的人脸特征,其中,所述卷积神经网络用于提取人脸特征。
3.根据权利要求1所述的方法,其中,所述基于所述驾驶员的人脸特征,确定所述驾驶员的身份信息,包括:
从所述行驶视频中选取出包括车牌号图像区域的行驶图像;
对所述包括车牌号图像区域的行驶图像进行影像分析,得到所述车辆的车牌号;
将所述驾驶员的人脸特征和所述车辆的车牌号在预先获取的车辆相关信息集合中进行匹配,其中,所述车辆相关信息集合中的车辆相关信息包括车辆的车牌号、车辆的拥有者的人脸图像、车辆的拥有者的身份信息;
若匹配成功,获取匹配成功的车辆相关信息中的驾驶员的身份信息,作为所述驾驶员的身份信息。
4.根据权利要求1所述的方法,其中,所述基于所述驾驶员的人脸特征,确定所述驾驶员的身份信息,包括:
将所述驾驶员的人脸特征在预先存储的人脸特征集合中进行匹配,其中,所述人脸特征集合中的人脸特征与身份信息对应;
若匹配成功,获取匹配成功的人脸特征所对应的身份信息,作为所述驾驶员的身份信息。
5.根据权利要求1所述的方法,其中,所述方法还包括:
对所述行驶视频进行分析,确定所述驾驶员的驾驶类型和所述车辆的行驶类型;
基于所述驾驶员的驾驶类型和所述车辆的行驶类型,确定所述驾驶员在所述预设时间段内所发生的交通事故中的责任等级;
输出所述驾驶员在所述预设时间段内所发生的交通事故中的责任等级。
6.一种用于输出信息的装置,包括:
获取单元,配置用于获取在预设时间段内拍摄的车辆在行驶过程中的行驶视频,其中,所述行驶视频包括至少一帧行驶图像;
选取单元,配置用于从所述行驶视频中选取出包括驾驶员的人脸图像区域的行驶图像;
提取单元,配置用于从所述包括驾驶员的人脸图像区域的行驶图像中提取所述驾驶员的人脸特征;
第一确定单元,配置用于基于所述驾驶员的人脸特征,确定所述驾驶员的身份信息;
第一输出单元,配置用于输出所述驾驶员的身份信息。
7.根据权利要求6所述的装置,其中,所述提取单元包括:
生成子单元,配置用于生成所述包括驾驶员的人脸图像区域的行驶图像的图像矩阵,其中,图像矩阵的行对应人脸图像的高,图像矩阵的列对应人脸图像的宽,图像矩阵的元素对应人脸图像的像素;
提取子单元,配置用于将所述包括驾驶员的人脸图像区域的行驶图像的图像矩阵输入至预先训练的卷积神经网络,得到所述驾驶员的人脸特征,其中,所述卷积神经网络用于提取人脸特征。
8.根据权利要求6所述的装置,其中,所述第一确定单元包括:
选取子单元,配置用于从所述行驶视频中选取出包括车牌号图像区域的行驶图像;
分析子单元,配置用于对所述包括车牌号图像区域的行驶图像进行影像分析,得到所述车辆的车牌号;
第一匹配子单元,配置用于将所述驾驶员的人脸特征和所述车辆的车牌号在预先获取的车辆相关信息集合中进行匹配,其中,所述车辆相关信息集合中的车辆相关信息包括车辆的车牌号、车辆的拥有者的人脸图像、车辆的拥有者的身份信息;
第一确定子单元,配置用于若匹配成功,获取匹配成功的车辆相关信息中的驾驶员的身份信息,作为所述驾驶员的身份信息。
9.根据权利要求6所述的装置,其中,所述第一确定单元包括:
第二匹配子单元,配置用于将所述驾驶员的人脸特征在预先存储的人脸特征集合中进行匹配,其中,所述人脸特征集合中的人脸特征与身份信息对应;
第二确定子单元,配置用于若匹配成功,获取匹配成功的人脸特征所对应的身份信息,作为所述驾驶员的身份信息。
10.根据权利要求6所述的装置,其中,所述装置还包括:
第二确定单元,配置用于对所述行驶视频进行分析,确定所述驾驶员的驾驶类型和所述车辆的行驶类型;
第三确定单元,配置用于基于所述驾驶员的驾驶类型和所述车辆的行驶类型,确定所述驾驶员在所述预设时间段内所发生的交通事故中的责任等级;
第二输出单元,配置用于输出所述驾驶员在所述预设时间段内所发生的交通事故中的责任等级。
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,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,其中,所述计算机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 (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711447009.7A CN108052920A (zh) | 2017-12-27 | 2017-12-27 | 用于输出信息的方法和装置 |
US16/130,779 US10949687B2 (en) | 2017-12-27 | 2018-09-13 | Method and apparatus for outputting information |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711447009.7A CN108052920A (zh) | 2017-12-27 | 2017-12-27 | 用于输出信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108052920A true CN108052920A (zh) | 2018-05-18 |
Family
ID=62128264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711447009.7A Pending CN108052920A (zh) | 2017-12-27 | 2017-12-27 | 用于输出信息的方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10949687B2 (zh) |
CN (1) | CN108052920A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110587A (zh) * | 2019-03-21 | 2019-08-09 | 南京领胜科技有限公司 | 智能云人像验证平台 |
CN110633607A (zh) * | 2019-03-18 | 2019-12-31 | 王英婷 | 基于云存储的信息辨别终端 |
CN110909567A (zh) * | 2018-09-17 | 2020-03-24 | 杭州海康威视系统技术有限公司 | 抓捕失驾人员的方法和装置 |
CN111445701A (zh) * | 2019-11-02 | 2020-07-24 | 泰州市海陵区一马商务信息咨询有限公司 | 租车违章信息大数据登记系统及方法 |
CN114694386A (zh) * | 2020-12-31 | 2022-07-01 | 博泰车联网科技(上海)股份有限公司 | 信息推送方法、装置、电子装置及存储介质 |
CN115731707A (zh) * | 2022-11-14 | 2023-03-03 | 东南大学 | 一种高速公路车辆交通控制方法和系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11687778B2 (en) | 2020-01-06 | 2023-06-27 | The Research Foundation For The State University Of New York | Fakecatcher: detection of synthetic portrait videos using biological signals |
CN114724290A (zh) * | 2020-12-18 | 2022-07-08 | 北京万集科技股份有限公司 | 车辆管理方法和装置 |
CN114550147B (zh) * | 2022-04-26 | 2022-08-09 | 天津大学 | 一种基于物联网的汽车数据采集分析处理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202276422U (zh) * | 2011-10-11 | 2012-06-13 | 东华大学 | 一种多信息融合的车辆安全驾驶远程监控系统 |
CN103839379A (zh) * | 2014-02-27 | 2014-06-04 | 长城汽车股份有限公司 | 汽车及用于其的驾驶员疲劳预警检测方法和系统 |
CN105513358A (zh) * | 2016-01-04 | 2016-04-20 | 烟台中正新技术有限公司 | 驾驶行为评估和车辆行驶状态监测预警系统及方法 |
CN106203356A (zh) * | 2016-07-12 | 2016-12-07 | 中国计量大学 | 一种基于卷积网络特征提取的人脸识别方法 |
CN106446811A (zh) * | 2016-09-12 | 2017-02-22 | 北京智芯原动科技有限公司 | 基于深度学习的驾驶员疲劳检测方法及装置 |
WO2017028587A1 (zh) * | 2015-08-14 | 2017-02-23 | 杭州海康威视数字技术股份有限公司 | 车辆监控的方法和装置、处理器、图像采集设备 |
CN106778682A (zh) * | 2017-01-11 | 2017-05-31 | 厦门中控生物识别信息技术有限公司 | 一种卷积神经网络模型的训练方法及其设备 |
CN107256394A (zh) * | 2017-06-09 | 2017-10-17 | 北京深瞐科技有限公司 | 驾驶员信息与车辆信息核验方法、装置以及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7710452B1 (en) * | 2005-03-16 | 2010-05-04 | Eric Lindberg | Remote video monitoring of non-urban outdoor sites |
-
2017
- 2017-12-27 CN CN201711447009.7A patent/CN108052920A/zh active Pending
-
2018
- 2018-09-13 US US16/130,779 patent/US10949687B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202276422U (zh) * | 2011-10-11 | 2012-06-13 | 东华大学 | 一种多信息融合的车辆安全驾驶远程监控系统 |
CN103839379A (zh) * | 2014-02-27 | 2014-06-04 | 长城汽车股份有限公司 | 汽车及用于其的驾驶员疲劳预警检测方法和系统 |
WO2017028587A1 (zh) * | 2015-08-14 | 2017-02-23 | 杭州海康威视数字技术股份有限公司 | 车辆监控的方法和装置、处理器、图像采集设备 |
CN105513358A (zh) * | 2016-01-04 | 2016-04-20 | 烟台中正新技术有限公司 | 驾驶行为评估和车辆行驶状态监测预警系统及方法 |
CN106203356A (zh) * | 2016-07-12 | 2016-12-07 | 中国计量大学 | 一种基于卷积网络特征提取的人脸识别方法 |
CN106446811A (zh) * | 2016-09-12 | 2017-02-22 | 北京智芯原动科技有限公司 | 基于深度学习的驾驶员疲劳检测方法及装置 |
CN106778682A (zh) * | 2017-01-11 | 2017-05-31 | 厦门中控生物识别信息技术有限公司 | 一种卷积神经网络模型的训练方法及其设备 |
CN107256394A (zh) * | 2017-06-09 | 2017-10-17 | 北京深瞐科技有限公司 | 驾驶员信息与车辆信息核验方法、装置以及系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909567A (zh) * | 2018-09-17 | 2020-03-24 | 杭州海康威视系统技术有限公司 | 抓捕失驾人员的方法和装置 |
CN110633607A (zh) * | 2019-03-18 | 2019-12-31 | 王英婷 | 基于云存储的信息辨别终端 |
CN110110587A (zh) * | 2019-03-21 | 2019-08-09 | 南京领胜科技有限公司 | 智能云人像验证平台 |
CN111445701A (zh) * | 2019-11-02 | 2020-07-24 | 泰州市海陵区一马商务信息咨询有限公司 | 租车违章信息大数据登记系统及方法 |
CN114694386A (zh) * | 2020-12-31 | 2022-07-01 | 博泰车联网科技(上海)股份有限公司 | 信息推送方法、装置、电子装置及存储介质 |
CN115731707A (zh) * | 2022-11-14 | 2023-03-03 | 东南大学 | 一种高速公路车辆交通控制方法和系统 |
CN115731707B (zh) * | 2022-11-14 | 2024-03-19 | 东南大学 | 一种高速公路车辆交通控制方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
US10949687B2 (en) | 2021-03-16 |
US20190197328A1 (en) | 2019-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108052920A (zh) | 用于输出信息的方法和装置 | |
CN108154196B (zh) | 用于输出图像的方法和装置 | |
CN109389068A (zh) | 用于识别驾驶行为的方法和装置 | |
CN108229468A (zh) | 车辆外观特征识别及车辆检索方法、装置、存储介质、电子设备 | |
CN109685100A (zh) | 字符识别方法、服务器及计算机可读存储介质 | |
CN108898086A (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
CN107832735A (zh) | 用于识别人脸的方法和装置 | |
CN108197623A (zh) | 用于检测目标的方法和装置 | |
CN109035041A (zh) | 电子装置、车险智能理赔方法及存储介质 | |
CN108171274A (zh) | 用于识别动物的方法和装置 | |
CN109325531A (zh) | 基于图像的车辆定损方法、装置、设备及存储介质 | |
CN106652645A (zh) | 车辆驾驶训练设备、车辆驾驶训练设备的操作方法和装置 | |
CN109389589A (zh) | 用于统计人数的方法和装置 | |
CN106845414A (zh) | 用于生物特征验证的质量度量的方法和系统 | |
CN108491823A (zh) | 用于生成人眼识别模型的方法和装置 | |
CN107918764A (zh) | 信息输出方法和装置 | |
CN111291812B (zh) | 属性类别的获取方法及装置、存储介质、电子装置 | |
CN107679466A (zh) | 信息输出方法和装置 | |
CN109858470A (zh) | 用于输出信息的方法和装置 | |
CN112115761B (zh) | 自动驾驶汽车视觉感知系统漏洞检测的对抗样本生成方法 | |
CN110348463A (zh) | 用于识别车辆的方法和装置 | |
CN109558779A (zh) | 图像检测方法和装置 | |
CN108156161A (zh) | 验证方法和装置 | |
CN108389172A (zh) | 用于生成信息的方法和装置 | |
CN108304816A (zh) | 身份识别方法、装置、存储介质及电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180518 |