CN108437933A - 一种汽车启动系统 - Google Patents

Abstract

本发明提供一种汽车启动系统，包括：人脸摄像头、处理器，车身控制模块、存储器、无钥匙启动系统和发动机，人脸摄像头与处理器连接，用于获取驾驶员的人脸图像；处理器连接车身控制模块和存储器，用于对获取的人脸图像进行识别比对，向车身控制模块发送控制信号；车身控制模块连接无钥匙启动系统，用于控制无钥匙启动系统启动发动机；无钥匙启动系统连接发动机，用于启动发动机；存储器用于储存人脸信息。本系统通过获取驾驶员人脸图像信息，判断该人脸图像信息是否与存储的人脸信息相匹配，如匹配成功，则可启动汽车发动机，无需采用车钥匙。本系统结构简单，真正实现汽车的无钥匙启动。

Description

一种汽车启动系统

技术领域

本发明涉及汽车技术领域，特别是一种汽车启动系统。

背景技术

现有技术中，汽车无钥匙启动系统的实现是驾驶员通过携带汽车专用的智能钥匙在身上，当驾驶员进入车辆中，汽车启动系统能够自动检测范围内的智能钥匙，并进行配对开锁，即驾驶员无需将钥匙插入车内，便可通过发动机启动按钮启动车辆；但是，上述技术中虽然可以方便驾驶员快速启动车辆，简便操作，但是，驾驶员还是必须随身携带钥匙才能得以启动车辆，并不是达到真正的无钥匙启动，在某些情况下，例如驾驶员忘记带钥匙等，给驾驶员带来不便。

发明内容

针对上述问题，本发明旨在提供一种汽车启动系统。

本发明的目的采用以下技术方案来实现：

一种汽车启动系统，包括：人脸摄像头、处理器，车身控制模块、存储器、无钥匙启动系统和发动机，其中：

人脸摄像头与处理器连接，用于获取驾驶员的人脸图像；

处理器连接车身控制模块和存储器，用于对获取的人脸图像进行识别比对，向车身控制模块发送控制信号；

车身控制模块连接无钥匙启动系统，用于控制无钥匙启动系统启动发动机；

无钥匙启动系统连接发动机，用于启动发动机；

存储器用于储存人脸信息。

在一个实施例中，还包括报警模块，

报警模块与车身控制模块连接，用于接收车身控制模块发出的信号并发出警报。

在一个实施例中，报警模块包括后视镜警示灯和蜂鸣警报器。

本发明的有益效果为：本系统通过获取驾驶员人脸图像信息，判断该人脸图像信息是否与存储的人脸信息相匹配，如匹配成功，则可启动汽车发动机，无需采用车钥匙；如果匹配不成功，则发出警报。本系统结构简单，真正实现汽车的无钥匙启动。

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为本发明的框架结构图；

图2为本发明处理器的框架结构图。

附图标记：

人脸摄像头1、处理器2，车身控制模块3、存储器4、无钥匙启动系统5、发动机6、人脸图像处理模块20、图像预处理单元21、人脸检测单元22和人脸比对单元23

具体实施方式

结合以下应用场景对本发明作进一步描述。

参见图1，一种汽车启动系统，包括：人脸摄像头1、处理器2，车身控制模块3、存储器4、无钥匙启动系统5和发动机6，其中：

人脸摄像头1设置在汽车前挡风玻璃上朝向驾驶员人脸，与处理器2连接，用于获取驾驶员的人脸图像；

处理器2连接车身控制模块3和存储器4，用于对获取的人脸图像进行识别比对，向车身控制模块3发送控制信号；

车身控制模块3连接无钥匙启动系统5，用于控制无钥匙启动系统5启动发动机6；

无钥匙启动系统5连接发动机6，用于启动发动机6；

存储器4用于储存人脸信息。

在一个实施例中，还包括报警模块7，

报警模块7与车身控制模块3连接，用于接收车身控制模块3发出的信号并发出警报。

在一个实施例中，报警模块7包括后视镜警示灯和蜂鸣警报器。

在一个实施例中，人脸摄像头1设置在汽车前挡风玻璃上朝向驾驶员人脸。

在一个实施例中，存储器中的人脸信息通过人脸摄像头预先录入。

本优选实施例，本系统通过获取驾驶员人脸图像信息，判断该人脸图像信息是否与存储的人脸信息相匹配，如匹配成功，则可启动汽车发动机，无需采用车钥匙；如果匹配不成功，则发出警报。本系统结构简单，真正实现汽车的无钥匙启动。

在一个实施例中，参见图2，处理器2包括人脸图像处理模块，用于对获取的人脸图像进行识别处理，分析比较获取的人脸图像和在存储器4内的人脸信息。

在一个实施例中，人脸图像处理模块包括：图像预处理单元21，人脸检测单元22，人脸特征提取单元23和人脸比对单元23，其中：

图像预处理单元21用于对获取的人脸图像进行预处理，获取预处理后的人脸图像；

人脸检测单元22，用于对预处理后的人脸图像进行人脸检测处理，确定图像的人脸部分；

人脸比对单元23，用于对人脸部分进行人脸识别处理，并和存储器中的人脸信息进行比对，生成相应的控制信号；

本优选实施例，图像预处理单元首先对获取到的人脸图像进行预处理，消除获取的人脸图像中的噪声干扰，获取预处理后的人脸图像；通过人脸检测单元，对预处理后的人脸图像进行人脸检测，检测图像中是否存在人脸特征，并确定人脸在图像中所在的位置，获取人脸部分；通过人脸比对单元，对获取的人脸部分进行识别处理，并和存储器中的预先储存的人脸信息进行比对，若匹配到正确的结果，则生成相应的控制信号，并发送到汽车控制模块中，准确度高。

在一个实施例中，人脸检测单元22，具体包括：

(1)将预处理后的人脸图像U分割为N个图像区域{δ_n}_{n＝1,2,…,N}；

(2)分别根据图像U的颜色特征和纹理特征获取图像U的颜色特征图像和纹理特征图像

(3)获取区域δ_n的颜色特征和纹理特征的显著性，其中采用的函数为：

其中，x∈δ_n，δ_nk∈N(δ_n)，

式中，和分别表示区域δ_n的颜色特征和纹理特征的显著性，N(δ_n)表示区域δ_n的所有相邻区域的集合，K＝|N(δ_n)|，表示区域δ_nk的坐标，表示像素点x和区域δ_nk中心坐标之间的距离，其中，表示区域δ_nk的颜色区域级别显著性，其中γ_{α_Y}(δ_nk)表示区域δ_nk的颜色全局区域对比度，w(δ_nk,δ_b)表示全局控制因子，其中w(δ_nk,δ_b)＝1+{-D(δ_nk,δ_b)}，D(δ_nk,δ_b)表示区域δ_nk和区域δ_b的欧氏距离，和分别表示区域δ_nk和区域δ_b的颜色特征，γ_{β_Y}(δ_nk)表示区域δ_nk的颜色背景对比度， B_p表示图像U的上、下、左和右边界区域，表示区域B_p的颜色特征，表示区域δ_nk的纹理区域级别显著性， γ_{α_Z}(δ_nk)表示区域δ_nk的纹理全局区域对比度， 和分别表示区域δ_nk和区域δ_b的纹理特征，γ_{β_Z}(δ_nk)表示区域δ_nk的纹理背景对比度， 表示区域B_p的纹理特征，γ_ω(δ_nk)表示区域δ_nk的中心先验， 表示区域δ_nk的坐标，o_{U_center}表示图像U中心的坐标；

则有，其中，和分别表示图像U的颜色和纹理特征的显著性；

(4)获取显著性区域中心先验后关于颜色和纹理特征的单尺度显著性，其中采用的函数为：

其中，

式中，o_k表示像素点k的坐标，o_{s_center}表示显著性区域中心的坐标，表示在中融入了显著性区域中心先验后的关于颜色特征的单尺度显著性，表示在中融入了显著性区域中心先验后的关于纹理特征的单尺度显著性；

(5)获取多尺度颜色显著性和多尺度纹理显著性，其中采用的函数为：

式中，和分别为多尺度颜色显著性和多尺度纹理显著性，和分别表示第r个尺度的单尺度颜色显著性和单尺度纹理显著性，表示第r层显著性图像的信息熵，其中H表示显著性图像的大小，P_r(n)表示第r层显著性图像中像素点n的概率分布，其中，该多尺度显著性图像通过采用高斯金字塔构建；

优选地，该高斯金字塔设置为3层；

(6)获取多特征多尺度全局区域对比度显著性，其中采用的函数为：

式中，表示图像的多特征多尺度全局区域对比度显著性。

(7)根据最终显著性图像进行自适应分割，检测图像中的人脸，并确定图像U中的人脸部分。

本优选实施例，采用上述的方法对预处理后的人脸图像进行人脸检测，通过对图像同时进行颜色和纹理的显著性分析，获取图像关于颜色和纹理的显著性图像，然后再通过对显著性图像进行分割出图像中的人脸部分，能够有效地避免传统单特征显著性检测时容易受到亮度或者遮掩等影响而导致检测结果不准确的问题，提高了人脸部分检测的精度。

在一个实施例中，在根据最终显著性图像进行自适应分割之前，根据最终显著性图像对人脸图像进行滤波处理，去除图像中的非显著性区域，具体包括：

根据最终显著性图像对人脸图像进行滤波处理，其中采用的滤波函数为：

式中，ε(m,n)表示滤波处理后的人脸像素点(m,n)的灰度值，I(p,q)表示像素点(p,q)的灰度值，其中(p,q)是以像素点(m,n)为中心的边长为2p+1的矩形区域内的任意一个像素点，μ(m,n,p,q)表示权重系数，其中σ_d和σ_r分别表示定义域核和值域核的内核因子，T(m,n)和T(p,q)分别表示在最终显著性图中像素点(m,n)和(p,q)的显著性值，其中显著性值经过归一化处理，T(m,n)∈[0,1]。

然后根据上述滤波结果，采用阈值分割，分割出图像中的人脸部分。

本优选实施例，采用上述的方法对最终的显著性图像进行滤波处理，能够去除该显著性图像中的非显著性区域，保留显著区域，再根据滤波处理后的图像进行人脸部分分割处理，提高人脸部分分割的精度。

在一个实施例中，人脸比对单元23包括：

采用稀疏表示的人脸识别算法对人脸特征进行人脸识别处理，并根据识别结果匹配相应的控制指令；

其中，在采用稀疏表示的人脸识别算法进行人脸识别之前，需要构建人脸字典，供稀疏表示的人脸识别算法中计算在该字典的基础上的稀疏系数，在根据重构误差判别人脸识别结果，其中人脸字典的构建算法为：

初始化阶段：从存储器中获取预存的人脸图像加入人脸训练样本中，构成训练样本特征矩阵S＝{s₁,s₂,…,s_N}，设定最大迭代次数E_max，稀疏度为T₀，训练样本特征维数u，即s_i∈L^u，其中N表示人脸训练样本的数目，L^u表示人脸训练样本特征的特征尺寸为u；

随机选择K个训练样本初始化稀疏字典矩阵φ⁽⁰⁾，φ⁽⁰⁾∈L^u×K，并对矩阵各列进行l₂归一化，j＝1，其中φ＝[d₁,d₂,…,d_K]表示稀疏字典，其中K表示稀疏字典中字典元的数目，L^u×K表示稀疏字典矩阵φ⁽⁰⁾的特征尺寸为u×K；

稀疏编码阶段：采用追踪算法计算每个训练样本s_i的稀疏表示向量θ_i，其中采用的函数为：

其中||θ_i||₀≤T₀，i＝1,2,…,N，

式中，φ表示稀疏字典矩阵，s_i表示第i个人脸训练样本特征，N表示人脸训练样本的数目，T₀表示稀疏度；

码本更新阶段：更新φ^(j-1)中的每一列d_k，k＝1,2,…,K，具体包括：

(1)定义使用了第k个字典原子的样本序号集合即向量矩阵X第k行中不为0的元素所在的列；

(2)计算整体的表示误差：其中d_j表示稀疏字典φ中的第j列，表示稀疏向量矩阵X中的第j行；

(3)从表示误差τ_k中选择集合ω_k中序号对应的列构成误差矩阵

(4)对误差矩阵进行SED分解，即选择U的第1列作为更新后的字典列将稀疏向量更新为E的第1列和Δ(1,1)的乘积；

(5)更新迭代次数j＝j+1；

重复步骤码本更新，当达到最大迭代次数E_max时，输出稀疏字典

本优选实施例，首先提取由驾驶员预先录入的人脸图像和数据库中本身用于区分识别的人脸图像构成训练样本，所述用于区分识别的人脸图像可以是现成的人脸数据库，然后对训练样本进行特征训练，构建人脸字典，然后提取获取的人脸图像的特征，然后采用人脸字典中的训练人脸图像集合的线性组合表示获取的人脸图像，计算获取的人脸图像对应的最稀疏线组合稀疏解，选择最小特征误差对应的人脸作为获取人脸图像的识别结果；其中，采用上述的方法构建人脸字典，能够很好地对训练人脸进行分类，有效地降低冗余性，全面刻画训练人脸的数据特征，间接提高之后根据人脸字典的稀疏表示人脸识别的性能，提高人脸识别的准确度。

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分析，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 (6)

1.一种汽车启动系统，其特征在于，包括：人脸摄像头、处理器，车身控制模块、存储器、无钥匙启动系统和发动机，其中：所述人脸摄像头与所述处理器连接，用于获取驾驶员的人脸图像；所述处理器连接所述车身控制模块和存储器，用于对获取的人脸图像进行识别比对，向所述车身控制模块发送控制信号；所述车身控制模块连接无钥匙启动系统，用于控制所述无钥匙启动系统启动发动机；所述无钥匙启动系统连接发动机，用于启动发动机；所述存储器用于储存人脸信息。

2.根据权利要求1所述的一种汽车启动系统，其特征在于，还包括报警模块，所述报警模块与所述车身控制模块连接，用于接收所述车身控制模块发出的信号并发出警报。

3.根据权利要求2所述的一种汽车启动系统，其特征在于，所述报警模块包括后视镜警示灯和蜂鸣警报器。

4.根据权利要求1所述的一种汽车启动系统，其特征在于，所述处理器包括人脸图像处理模块，用于对获取的人脸图像进行识别处理，分析比较获取的人脸图像和在存储器内的人脸信息。

5.根据权利要求1所述的一种汽车启动系统，其特征在于，所述人脸图像处理模块包括：图像预处理单元，人脸检测单元，人脸特征提取单元，比对单元和比对信息建立单元，其中：所述图像预处理单元用于对获取的人脸图像进行预处理，获取预处理后的人脸图像；所述人脸检测单元，用于对预处理后的人脸图像进行人脸检测处理，确定所述图像的人脸部分；所述人脸比对单元，用于对所述人脸部分进行人脸识别处理，并和存储器中的人脸信息进行比对，生成相应的控制信号。

6.根据权利要求1所述的一种汽车启动系统，其特征在于，所述人脸检测单元，具体包括：

(1)将预处理后的人脸图像U分割为N个图像区域{δ_n}_{n＝1,2,…,N}；

(2)分别根据所述图像U的颜色特征和纹理特征获取图像U的颜色特征图像和纹理特征图像

(3)获取区域δ_n的颜色特征和纹理特征的显著性，其中采用的函数为：

其中，x∈δ_n，δ_nk∈N(δ_n)，

式中，和分别表示区域δ_n的颜色特征和纹理特征的显著性，N(δ_n)表示区域δ_n的所有相邻区域的集合，K＝|N(δ_n)|，表示区域δ_nk的坐标，表示像素点x和区域δ_nk中心坐标之间的距离，其中，表示区域δ_nk的颜色区域级别显著性，其中γ_{α_Y}(δ_nk)表示区域δ_nk的颜色全局区域对比度，w(δ_nk,δ_b)表示全局控制因子，其中w(δ_nk,δ_b)＝1+{-D(δ_nk,δ_b)}，D(δ_nk,δ_b)表示区域δ_nk和区域δ_b的欧氏距离，和分别表示区域δ_nk和区域δ_b的颜色特征，γ_{β_Y}(δ_nk)表示区域δ_nk的颜色背景对比度， B_p表示图像U的上、下、左和右边界区域，表示区域B_p的颜色特征，表示区域δ_nk的纹理区域级别显著性， γ_{α_Z}(δ_nk)表示区域δ_nk的纹理全局区域对比度， 和分别表示区域δ_nk和区域δ_b的纹理特征，γ_{β_Z}(δ_nk)表示区域δ_nk的纹理背景对比度， 表示区域B_p的纹理特征，γ_ω(δ_nk)表示区域δ_nk的中心先验， 表示区域δ_nk的坐标，o_{U_center}表示图像U中心的坐标；

则有，其中，和分别表示图像U的颜色和纹理特征的显著性；

(4)获取显著性区域中心先验后关于颜色和纹理特征的单尺度显著性，其中采用的函数为：

其中，

式中，o_k表示像素点k的坐标，o_{s_center}表示显著性区域中心的坐标，表示在中融入了显著性区域中心先验后的关于颜色特征的单尺度显著性，表示在中融入了显著性区域中心先验后的关于纹理特征的单尺度显著性；

(5)获取多尺度颜色显著性和多尺度纹理显著性，其中采用的函数为：

式中，和分别为多尺度颜色显著性和多尺度纹理显著性，和分别表示第r个尺度的单尺度颜色显著性和单尺度纹理显著性，表示第r层显著性图像的信息熵，其中H表示显著性图像的大小，P_r(n)表示第r层显著性图像中像素点n的概率分布，

(6)获取多特征多尺度全局区域对比度显著性，其中采用的函数为：

式中，表示图像的多特征多尺度全局区域对比度显著性；

(7)根据最终显著性图像进行自适应分割，检测图像中的人脸，并确定图像U中的人脸部分。