CN109948729A - 司机身份识别方法及装置、电子设备 - Google Patents
司机身份识别方法及装置、电子设备 Download PDFInfo
- Publication number
- CN109948729A CN109948729A CN201910244133.6A CN201910244133A CN109948729A CN 109948729 A CN109948729 A CN 109948729A CN 201910244133 A CN201910244133 A CN 201910244133A CN 109948729 A CN109948729 A CN 109948729A
- Authority
- CN
- China
- Prior art keywords
- current
- driver
- portrait
- history
- information
- 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
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本公开是关于一种司机身份识别方法及装置、电子设备和计算机可读存储介质,其中,司机身份识别方法包括:获取当前司机的当前画像信息和历史画像信息,当前画像信息包括当前生理特征、当前声纹频谱特征和当前驾驶行为中的至少一项,历史画像信息包括历史生理特征、历史声纹频谱特征和历史驾驶行为中的至少一项;基于获取到的对应的当前画像信息和历史画像信息,确定接受当前订单的当前司机与注册司机的相似度;基于当前司机与注册司机的相似度和预先确定的相似度阈值,得到当前司机的身份识别结果。上述实施例基于多个维度信息确定当前司机与注册司机的相似度,使得所确定的相似度以及当前司机的身份识别结果具有较高的准确率。
Description
技术领域
本公开涉及用户出行技术领域,尤其涉及一种司机身份识别方法及装置、电子设备和计算机可读存储介质。
背景技术
随着智能设备和移动互联网技术的发展,打车软件的普及给人们的出行带来了极大的便利。司机进行注册并通过审核之后,可以接受后台服务器派单,司机驾车接到乘客并安全送达目的地,完成订单并获取收益。而对司机身份的识别是保证出行安全的一个重要环节。
目前,对司机身份进行识别的方式是:后台服务器每隔一段时间对司机进行图像采集,然后进行人脸识别,但是这种方式存在时间跨度盲区,即在部分时段无法保证当前出车的司机是注册司机。
发明内容
有鉴于此,本申请提供一种司机身份识别方法及装置、电子设备和计算机可读存储介质。
具体地,本申请是通过如下技术方案实现的:
根据本公开实施例的第一方面,提供一种司机身份识别方法,所述方法包括:
获取当前司机的当前画像信息和历史画像信息,所述当前画像信息包括当前生理特征、当前声纹频谱特征和当前驾驶行为中的至少一项,所述历史画像信息包括历史生理特征、历史声纹频谱特征和历史驾驶行为中的至少一项;
基于获取到的对应的所述当前画像信息和所述历史画像信息,确定接受当前订单的所述当前司机与注册司机的相似度;
基于所述相似度和预先确定的相似度阈值,得到所述当前司机的身份识别结果。
在一实施例中,所述获取当前司机的当前画像信息和历史画像信息,包括:
接收当前司机终端上报的所述当前司机的当前画像初始信息,所述当前画像初始信息包括当前初始生理特征、当前声波信息和当前轨迹特征;
对所述当前画像初始信息进行处理,得到所述当前画像信息;
获取所述当前司机的历史画像初始信息,所述历史画像初始信息包括历史初始生理特征、历史声波信息和历史轨迹特征;
对所述历史画像初始信息进行处理,得到所述历史画像信息。
在一实施例中,所述基于所述当前画像信息和所述历史画像信息,确定接受当前订单的所述当前司机与注册司机的相似度,包括:
基于所述当前生理特征和所述历史生理特征,计算生理特征偏差值;
基于所述当前声纹频谱特征和所述历史声纹频谱特征,计算频谱特征偏差值;
基于所述当前驾驶行为和所述历史驾驶行为,计算驾驶行为偏差值;
基于所述生理特征偏差值、所述频谱特征偏差值、所述驾驶行为偏差值以及预先分别为所述生理特征偏差值、所述频谱特征偏差值、所述驾驶行为偏差值确定的权重,确定所述相似度。
在一实施例中,所述基于所述相似度和预先确定的相似度阈值,得到所述当前司机的身份识别结果,包括:
将所述相似度与所述相似度阈值进行比较;
若所述相似度小于所述相似度阈值,则识别出所述当前司机不是所述注册司机;
若所述相似度大于等于所述相似度阈值,则识别出所述当前司机是所述注册司机。
在一实施例中,所述方法还包括:
获取样本数据;
基于预设模型对所述样本数据进行分类;
根据分类结果调整并确定所述相似度阈值和所述权重。
在一实施例中,所述对所述当前画像初始信息进行处理,得到所述当前画像信息,包括:
滤除所述当前声波中的噪声;
对滤除噪声后的声波进行预处理,得到初始频谱特征;
从所述当前司机所接多个订单中获取出现频率最高的频谱特征;
若所述初始频谱特征中包含所述出现频率最高的频谱特征,则将所述出现频率最高的频谱特征作为所述当前声纹频谱特征。
在一实施例中,所述对所述当前画像初始信息进行处理,得到所述当前画像信息,包括:
根据所述当前轨迹特征获得所述当前驾驶行为,所述当前驾驶行为包括线加速度、角加速度和行驶偏好信息中的至少一项。
根据本公开实施例的第二方面,提供一种司机身份识别装置,所述装置包括:
获取模块,用于获取当前司机的当前画像信息和历史画像信息,所述当前画像信息包括当前生理特征、当前声纹频谱特征和当前驾驶行为中的至少一项,所述历史画像信息包括历史生理特征、历史声纹频谱特征和历史驾驶行为中的至少一项;
确定模块,用于基于所述获取模块获取到的对应的所述当前画像信息和所述历史画像信息,确定接受当前订单的所述当前司机与注册司机的相似度;
识别模块,用于基于所述确定模块确定的所述相似度和预先确定的相似度阈值,得到所述当前司机的身份识别结果。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述司机身份识别方法。
根据本公开实施例的第四方面,提供一种电子设备,包括处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述司机身份识别方法。
本公开实施例,基于获取到的对应的当前画像信息和历史画像信息,确定接受当前订单的当前司机与注册司机的相似度,并基于当前司机与注册司机的相似度和预先确定的相似度阈值,得到当前司机的身份识别结果,由于该实施例基于多个维度信息确定当前司机与注册司机的相似度,使得所确定的相似度具有较高的准确率,从而使得基于当前司机与注册司机的相似度以及预先确定的相似度阈值所得到的当前司机的身份识别结果具有较高的准确率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种司机身份识别方法的流程图。
图2是根据一示例性实施例示出的一种对当前画像初始信息进行处理的流程图。
图3是根据一示例性实施例示出的一种确定当前司机与注册司机的相似度的流程图。
图4是根据一示例性实施例示出的一种确定相似度阈值和权重的流程图。
图5是根据一示例性实施例示出的一种司机身份识别装置所在电子设备的一种硬件结构图。
图6是根据一示例性实施例示出的一种司机身份识别装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种司机身份识别方法的流程图,如图1所示,该司机身份识别方法包括:
步骤S101,获取当前司机的当前画像信息和历史画像信息,当前画像信息包括当前生理特征、当前声纹频谱特征和当前驾驶行为中的至少一项,历史画像信息包括历史生理特征、历史声纹频谱特征和历史驾驶行为中的至少一项。
其中,获取当前司机的当前画像信息的过程可以为:接收当前司机终端上报的当前司机的当前画像初始信息,当前画像初始信息包括当前初始生理特征、当前声波信息和当前轨迹特征,然后对当前画像初始信息进行处理,得到当前画像信息。
在该实施例中,当前初始生理特征和当前声波信息可以由当前司机佩戴的可穿戴设备采集,可穿戴设备可以包括但不局限于手环、手表、手链等。
例如,在当前司机佩戴的手环连接到当前司机的接单手机之后,内置于手环的传感器采集当前司机的当前初始生理特征,当前初始生理特征可以包括但不局限于脉搏、心率、体温和脉搏传导速率等。
在该实施例中,当前初始生理特征包括的信息维度越多,越可以提高当前司机身份的识别准确率。
在该实施例中,若当前画像初始信息包括当前初始生理特征,则对当前画像初始信息进行处理,得到当前画像信息的过程可以为:
从当前画像初始信息中剔除异常值,并对剔除异常值后的预设区间画像信息进行运算,得到当前画像信息。
例如,可以对剔除异常值后的画像信息取上90%和下10%区间进行均值运算,得到当前画像信息。
在该实施例中,若当前画像初始信息包括当前声波信息,则对当前画像初始信息进行处理,得到当前画像信息的过程可以参见图2,如图2所示,该过程包括:
步骤S1011,滤除当前声波中的噪声。
其中,当前声波可以为当前司机和乘客的对话声波,噪声可以包括但不限于发动机的声音等。
步骤S1012,对滤除噪声后的声波进行预处理,得到初始频谱特征。
在该实施例中,可以对滤除噪声后的声波进行梅尔频率倒谱系数(Mel FrequencyCepstral Coefficient,简称MFCC)处理,得到初始频谱特征。
步骤S1013,从当前司机所接多个订单中获取出现频率最高的频谱特征。
其中,获取到的出现频率最高的频谱特征为当前司机说话的频段对应的频谱特征。
步骤S1014,若初始频谱特征中包含出现频率最高的频谱特征,则将出现频率最高的频谱特征作为当前声纹频谱特征。
由于该实施例中采用的是声纹频谱特征,而不涉及司机与乘客对话的具体内容,因此可以保护司机和乘客的隐私。
在该实施例中,若当前画像初始信息包括当前轨迹特征,则对当前画像初始信息进行处理,得到当前画像信息的过程可以为:
根据当前轨迹特征获得当前驾驶行为,当前驾驶行为包括线加速度、角加速度和行驶偏好信息中的至少一项。
其中,获取当前司机的历史画像信息的过程可以为:获取当前司机的历史画像初始信息,历史画像初始信息包括历史初始生理特征、历史声波信息和历史轨迹特征,然后对历史画像初始信息进行处理,得到历史画像信息。
在该实施例中,对历史画像初始信息的处理过程与对当前画像初始信息的处理过程对应相同,此处不赘述。
步骤S102,基于获取到的对应的当前画像信息和历史画像信息,确定接受当前订单的当前司机与注册司机的相似度。
如图3所示,确定当前司机与注册司机的相似度的过程可以包括:
步骤S1021,基于当前生理特征和历史生理特征,计算生理特征偏差值。
步骤S1022,基于当前声纹频谱特征和历史声纹频谱特征,计算频谱特征偏差值。
步骤S1023,基于当前驾驶行为和历史驾驶行为,计算驾驶行为偏差值。
步骤S1024,基于生理特征偏差值、频谱特征偏差值、驾驶行为偏差值以及预先分别为生理特征偏差值、频谱特征偏差值、驾驶行为偏差值确定的权重,确定相似度。
例如,可以对生理特征偏差值、频谱特征偏差值和驾驶行为偏差值进行加权运算,所得运算结果即为当前司机与注册司机的相似度。
该实施例,基于多个维度信息的偏差值确定当前司机与注册司机的相似度,使得所确定的相似度具有较高的准确率。
步骤S103,基于当前司机与注册司机的相似度和预先确定的相似度阈值,得到当前司机的身份识别结果。
其中,可以将步骤S102中确定的当前司机与注册司机的相似度与相似度阈值进行比较,若当前司机与注册司机的相似度小于相似度阈值,则识别出当前司机不是注册司机,若当前司机与注册司机的相似度大于等于相似度阈值,则识别出当前司机是注册司机。
若后台服务器识别出当前司机不是注册司机,则停止为当前司机派单,以保证乘客安全。
可选地,若后台服务器识别出当前司机是注册司机,且基于可穿戴设备采集的生理特征确定当前司机的健康状态处于预设状态,例如亚健康状态或疲累驾驶状态,则向当前司机终端发送提示信息,以预防突发疾病或避免疲劳驾驶等。
可选地,若后台服务器识别出当前司机是注册司机,且基于可穿戴设备采集的生理特征确定当前司机的驾驶偏好为超速驾驶,则向当前司机终端发送提示信息,以对当前司机进行引导教育。
需要说明的是,获取画像信息和身份识别的过程是持续迭代的,即获取到的当前画像信息在用来识别当前司机的身份之后就会成为历史数据,用来生成历史画像信息。
由于该实施例中需要预先确定相似度阈值和之前为生理特征偏差值、频谱特征偏差值、驾驶行为偏差值确定的权重,因此,如图4所示,该方法还可以包括:
步骤S401,获取样本数据。
其中,样本数据包括两类数据,一类是司机未发生变更的数据,另一类是司机发生变更的数据。
步骤S402,基于预设模型对样本数据进行分类。
其中,预设模板可以包括但不局限于逻辑回归(Logistic Regression,简称LR)模型。
步骤S403,根据分类结果调整并确定相似度阈值和权重。
在基于预设模型得到分类结果之后,可以比较分类结果和真实数据的差异,并根据该差异调整相似度阈值和权重,直至调整出最优的相似度阈值和最优的权重,所调整出的最优的相似度阈值和最优的权重即为最终确定的相似度阈值和权重。
在该实施例中,通过基于预设模型对样本数据进行分类,根据分类结果调整并确定相似度阈值和权重,从而为确定接受当前订单的当前司机与注册司机的相似度以及得到当前司机的身份识别结果提供了条件。
上述司机身份识别方法实施例,基于获取到的对应的当前画像信息和历史画像信息,确定接受当前订单的当前司机与注册司机的相似度,并基于当前司机与注册司机的相似度和预先确定的相似度阈值,得到当前司机的身份识别结果,由于该实施例基于多个维度信息确定当前司机与注册司机的相似度,使得所确定的相似度具有较高的准确率,从而使得基于当前司机与注册司机的相似度以及预先确定的相似度阈值所得到的当前司机的身份识别结果具有较高的准确率。
与前述司机身份识别方法的实施例相对应,本申请还提供了司机身份识别装置的实施例。
本申请司机身份识别装置的实施例可以应用在电子设备上。其中,该电子设备可以为服务器。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。如图5所示,为本公开司机身份识别装置500所在电子设备的一种硬件结构图,该电子设备包括处理器510、存储器520及存储在存储器520上并可在处理器510上运行的计算机程序,该处理器510执行该计算机程序时实现上述司机身份识别方法。除了图5所示的处理器510及存储器520之外,实施例中装置所在的电子设备通常根据该司机身份识别的实际功能,还可以包括其他硬件,对此不再赘述。
图6是根据一示例性实施例示出的一种司机身份识别装置的框图,如图6所示,该装置包括:获取模块61、确定模块62和识别模块63。
获取模块61用于获取当前司机的当前画像信息和历史画像信息,当前画像信息包括当前生理特征、当前声纹频谱特征和当前驾驶行为中的至少一项,历史画像信息包括历史生理特征、历史声纹频谱特征和历史驾驶行为中的至少一项。
其中,获取当前司机的当前画像信息的过程可以为:
接收当前司机终端上报的当前司机的当前画像初始信息,当前画像初始信息包括当前初始生理特征、当前声波信息和当前轨迹特征,然后对当前画像初始信息进行处理,得到当前画像信息。
在该实施例中,当前初始生理特征和当前声波信息可以由当前司机佩戴的可穿戴设备采集,可穿戴设备可以包括但不局限于手环、手表、手链等。
例如,在当前司机佩戴的手环连接到当前司机的接单手机之后,内置于手环的传感器采集当前司机的当前初始生理特征,当前初始生理特征可以包括但不局限于脉搏、心率、体温和脉搏传导速率等。
在该实施例中,当前初始生理特征包括的信息维度越多,越可以提高当前司机身份的识别准确率。
在该实施例中,若当前画像初始信息包括当前初始生理特征,则对当前画像初始信息进行处理,得到当前画像信息的过程可以为:
从当前画像初始信息中剔除异常值,并对剔除异常值后的预设区间画像信息进行运算,得到当前画像信息。
例如,可以对剔除异常值后的画像信息取上90%和下10%区间进行均值运算,得到当前画像信息。
在该实施例中,若当前画像初始信息包括当前声波信息,则对当前画像初始信息进行处理,得到当前画像信息的过程可以包括:
滤除当前声波中的噪声,对滤除噪声后的声波进行预处理,得到初始频谱特征。从当前司机所接多个订单中获取出现频率最高的频谱特征,若初始频谱特征中包含出现频率最高的频谱特征,则将出现频率最高的频谱特征作为当前声纹频谱特征。
其中,当前声波可以为当前司机和乘客的对话声波,噪声可以包括但不限于发动机的声音等。
在该实施例中,可以对滤除噪声后的声波进行梅尔频率倒谱系数(Mel FrequencyCepstral Coefficient,简称MFCC)处理,得到初始频谱特征。
其中,获取到的出现频率最高的频谱特征为当前司机说话的频段对应的频谱特征。
由于该实施例中采用的是声纹频谱特征,而不涉及司机与乘客对话的具体内容,因此可以保护司机和乘客的隐私。
在该实施例中,若当前画像初始信息包括当前轨迹特征,则对当前画像初始信息进行处理,得到当前画像信息的过程可以为:
根据当前轨迹特征获得当前驾驶行为,当前驾驶行为包括线加速度、角加速度和行驶偏好信息中的至少一项。
其中,获取当前司机的历史画像信息的过程可以为:
获取当前司机的历史画像初始信息,历史画像初始信息包括历史初始生理特征、历史声波信息和历史轨迹特征,然后对历史画像初始信息进行处理,得到历史画像信息。
在该实施例中,对历史画像初始信息的处理过程与对当前画像初始信息的处理过程对应相同,此处不赘述。
确定模块62用于基于获取模块61获取到的对应的当前画像信息和历史画像信息,确定接受当前订单的当前司机与注册司机的相似度。
其中,确定当前司机与注册司机的相似度的过程可以包括:
基于当前生理特征和历史生理特征,计算生理特征偏差值。
基于当前声纹频谱特征和历史声纹频谱特征,计算频谱特征偏差值。
基于当前驾驶行为和历史驾驶行为,计算驾驶行为偏差值。
基于生理特征偏差值、频谱特征偏差值、驾驶行为偏差值以及预先分别为生理特征偏差值、频谱特征偏差值、驾驶行为偏差值确定的权重,确定相似度。
例如,可以对生理特征偏差值、频谱特征偏差值和驾驶行为偏差值进行加权运算,所得运算结果即为当前司机与注册司机的相似度。
该实施例,基于多个维度信息的偏差值确定当前司机与注册司机的相似度,使得所确定的相似度具有较高的准确率。
识别模块63用于基于确定模块62确定的相似度和预先确定的相似度阈值,得到当前司机的身份识别结果。
其中,可以将确定模块62确定的当前司机与注册司机的相似度与相似度阈值进行比较,若当前司机与注册司机的相似度小于相似度阈值,则识别出当前司机不是注册司机,若当前司机与注册司机的相似度大于等于相似度阈值,则识别出当前司机是注册司机。
上述司机身份识别方法实施例,基于获取到的对应的当前画像信息和历史画像信息,确定接受当前订单的当前司机与注册司机的相似度,并基于当前司机与注册司机的相似度和预先确定的相似度阈值,得到当前司机的身份识别结果,由于该实施例基于多个维度信息确定当前司机与注册司机的相似度,使得所确定的相似度具有较高的准确率,从而使得基于当前司机与注册司机的相似度以及预先确定的相似度阈值所得到的当前司机的身份识别结果具有较高的准确率。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
在示例性实施例中,还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,该计算机程序用于执行上述司机身份识别方法,其中,该司机身份识别方法包括:
获取当前司机的当前画像信息和历史画像信息,当前画像信息包括当前生理特征、当前声纹频谱特征和当前驾驶行为中的至少一项,历史画像信息包括历史生理特征、历史声纹频谱特征和历史驾驶行为中的至少一项;
基于获取到的对应的当前画像信息和历史画像信息,确定接受当前订单的当前司机与注册司机的相似度;
基于相似度和预先确定的相似度阈值,得到当前司机的身份识别结果。
上述计算机可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、光盘只读存储器(CD-ROM)、磁带、软盘和光数据存储设备等。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由权利要求指出。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (10)
1.一种司机身份识别方法,其特征在于,所述方法包括:
获取当前司机的当前画像信息和历史画像信息,所述当前画像信息包括当前生理特征、当前声纹频谱特征和当前驾驶行为中的至少一项,所述历史画像信息包括历史生理特征、历史声纹频谱特征和历史驾驶行为中的至少一项;
基于获取到的对应的所述当前画像信息和所述历史画像信息,确定接受当前订单的所述当前司机与注册司机的相似度;
基于所述相似度和预先确定的相似度阈值,得到所述当前司机的身份识别结果。
2.根据权利要求1所述的方法,其特征在于,所述获取当前司机的当前画像信息和历史画像信息,包括:
接收当前司机终端上报的所述当前司机的当前画像初始信息,所述当前画像初始信息包括当前初始生理特征、当前声波信息和当前轨迹特征;
对所述当前画像初始信息进行处理,得到所述当前画像信息;
获取所述当前司机的历史画像初始信息,所述历史画像初始信息包括历史初始生理特征、历史声波信息和历史轨迹特征;
对所述历史画像初始信息进行处理,得到所述历史画像信息。
3.根据权利要求1所述的方法,其特征在于,所述基于所述当前画像信息和所述历史画像信息,确定接受当前订单的所述当前司机与注册司机的相似度,包括:
基于所述当前生理特征和所述历史生理特征,计算生理特征偏差值;
基于所述当前声纹频谱特征和所述历史声纹频谱特征,计算频谱特征偏差值;
基于所述当前驾驶行为和所述历史驾驶行为,计算驾驶行为偏差值;
基于所述生理特征偏差值、所述频谱特征偏差值、所述驾驶行为偏差值以及预先分别为所述生理特征偏差值、所述频谱特征偏差值、所述驾驶行为偏差值确定的权重,确定所述相似度。
4.根据权利要求1所述的方法,其特征在于,所述基于所述相似度和预先确定的相似度阈值,得到所述当前司机的身份识别结果,包括:
将所述相似度与所述相似度阈值进行比较;
若所述相似度小于所述相似度阈值,则识别出所述当前司机不是所述注册司机;
若所述相似度大于等于所述相似度阈值,则识别出所述当前司机是所述注册司机。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取样本数据;
基于预设模型对所述样本数据进行分类;
根据分类结果调整并确定所述相似度阈值和所述权重。
6.根据权利要求2所述的方法,其特征在于,所述对所述当前画像初始信息进行处理,得到所述当前画像信息,包括:
滤除所述当前声波中的噪声;
对滤除噪声后的声波进行预处理,得到初始频谱特征;
从所述当前司机所接多个订单中获取出现频率最高的频谱特征;
若所述初始频谱特征中包含所述出现频率最高的频谱特征,则将所述出现频率最高的频谱特征作为所述当前声纹频谱特征。
7.根据权利要求2所述的方法,其特征在于,所述对所述当前画像初始信息进行处理,得到所述当前画像信息,包括:
根据所述当前轨迹特征获得所述当前驾驶行为,所述当前驾驶行为包括线加速度、角加速度和行驶偏好信息中的至少一项。
8.一种司机身份识别装置,其特征在于,所述装置包括:
获取模块,用于获取当前司机的当前画像信息和历史画像信息,所述当前画像信息包括当前生理特征、当前声纹频谱特征和当前驾驶行为中的至少一项,所述历史画像信息包括历史生理特征、历史声纹频谱特征和历史驾驶行为中的至少一项;
确定模块,用于基于所述获取模块获取到的对应的所述当前画像信息和所述历史画像信息,确定接受当前订单的所述当前司机与注册司机的相似度;
识别模块,用于基于所述确定模块确定的所述相似度和预先确定的相似度阈值,得到所述当前司机的身份识别结果。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-7任一所述的司机身份识别方法。
10.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述权利要求1-7任一所述的司机身份识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910244133.6A CN109948729A (zh) | 2019-03-28 | 2019-03-28 | 司机身份识别方法及装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910244133.6A CN109948729A (zh) | 2019-03-28 | 2019-03-28 | 司机身份识别方法及装置、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109948729A true CN109948729A (zh) | 2019-06-28 |
Family
ID=67012267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910244133.6A Pending CN109948729A (zh) | 2019-03-28 | 2019-03-28 | 司机身份识别方法及装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948729A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110660398A (zh) * | 2019-09-19 | 2020-01-07 | 北京三快在线科技有限公司 | 声纹特征更新方法、装置、计算机设备及存储介质 |
CN110808053A (zh) * | 2019-10-09 | 2020-02-18 | 深圳市声扬科技有限公司 | 一种驾驶员身份验证方法、装置及电子设备 |
CN111079116A (zh) * | 2019-12-29 | 2020-04-28 | 钟艳平 | 基于模拟驾驶舱的身份识别方法、装置和计算机设备 |
CN112233740A (zh) * | 2020-09-28 | 2021-01-15 | 广州金域医学检验中心有限公司 | 患者身份识别方法、装置、设备和介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894403A (zh) * | 2010-06-29 | 2010-11-24 | 北京众和汇智科技有限公司 | 监狱门禁监控方法、装置及系统 |
CN103347446A (zh) * | 2010-12-10 | 2013-10-09 | Tk控股公司 | 用于监控车辆驾驶员的系统 |
CN104055521A (zh) * | 2014-06-05 | 2014-09-24 | 胡宝华 | 用户身份识别方法、识别系统及健康仪 |
CN104392221A (zh) * | 2014-11-28 | 2015-03-04 | 曾嵘 | 一种多元身份识别系统及多维多元身份识别方法 |
CN106878303A (zh) * | 2017-02-15 | 2017-06-20 | 北京航空航天大学 | 一种针对远程指令的车载T‑Box信息安全防护系统及方法 |
CN107323423A (zh) * | 2016-04-29 | 2017-11-07 | 宇龙计算机通信科技(深圳)有限公司 | 一种车辆防盗方法及系统 |
CN107832748A (zh) * | 2017-04-18 | 2018-03-23 | 黄海虹 | 一种共享汽车驾驶人员更换系统及方法 |
CN108280482A (zh) * | 2018-01-30 | 2018-07-13 | 广州小鹏汽车科技有限公司 | 基于用户行为的驾驶员识别方法、装置及系统 |
-
2019
- 2019-03-28 CN CN201910244133.6A patent/CN109948729A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894403A (zh) * | 2010-06-29 | 2010-11-24 | 北京众和汇智科技有限公司 | 监狱门禁监控方法、装置及系统 |
CN103347446A (zh) * | 2010-12-10 | 2013-10-09 | Tk控股公司 | 用于监控车辆驾驶员的系统 |
CN104055521A (zh) * | 2014-06-05 | 2014-09-24 | 胡宝华 | 用户身份识别方法、识别系统及健康仪 |
CN104392221A (zh) * | 2014-11-28 | 2015-03-04 | 曾嵘 | 一种多元身份识别系统及多维多元身份识别方法 |
CN107323423A (zh) * | 2016-04-29 | 2017-11-07 | 宇龙计算机通信科技(深圳)有限公司 | 一种车辆防盗方法及系统 |
CN106878303A (zh) * | 2017-02-15 | 2017-06-20 | 北京航空航天大学 | 一种针对远程指令的车载T‑Box信息安全防护系统及方法 |
CN107832748A (zh) * | 2017-04-18 | 2018-03-23 | 黄海虹 | 一种共享汽车驾驶人员更换系统及方法 |
CN108280482A (zh) * | 2018-01-30 | 2018-07-13 | 广州小鹏汽车科技有限公司 | 基于用户行为的驾驶员识别方法、装置及系统 |
Non-Patent Citations (3)
Title |
---|
张文俊 等: "《数字媒体技术基础》", 31 March 2007, 上海大学出版社 * |
徐元强 等: "《简捷靠谱的安全省油驾车秘诀》", 31 August 2013 * |
郑宏达 等: "《人工智能视频分析 智能终端的崛起》", 31 August 2017, 浙江工商大学出版社 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110660398A (zh) * | 2019-09-19 | 2020-01-07 | 北京三快在线科技有限公司 | 声纹特征更新方法、装置、计算机设备及存储介质 |
CN110660398B (zh) * | 2019-09-19 | 2020-11-20 | 北京三快在线科技有限公司 | 声纹特征更新方法、装置、计算机设备及存储介质 |
CN110808053A (zh) * | 2019-10-09 | 2020-02-18 | 深圳市声扬科技有限公司 | 一种驾驶员身份验证方法、装置及电子设备 |
CN110808053B (zh) * | 2019-10-09 | 2022-05-03 | 深圳市声扬科技有限公司 | 一种驾驶员身份验证方法、装置及电子设备 |
CN111079116A (zh) * | 2019-12-29 | 2020-04-28 | 钟艳平 | 基于模拟驾驶舱的身份识别方法、装置和计算机设备 |
CN112233740A (zh) * | 2020-09-28 | 2021-01-15 | 广州金域医学检验中心有限公司 | 患者身份识别方法、装置、设备和介质 |
CN112233740B (zh) * | 2020-09-28 | 2024-03-29 | 广州金域医学检验中心有限公司 | 患者身份识别方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948729A (zh) | 司机身份识别方法及装置、电子设备 | |
US11249544B2 (en) | Methods and systems for using artificial intelligence to evaluate, correct, and monitor user attentiveness | |
US20200264623A1 (en) | Method and System for Customizing Self-driving Motor Vehicle | |
US11810670B2 (en) | Intelligent health monitoring | |
US10748542B2 (en) | System and method of correlating mouth images to input commands | |
US10019912B2 (en) | Providing information to a user through somatosensory feedback | |
US20200388287A1 (en) | Intelligent health monitoring | |
JP7091807B2 (ja) | 情報提供システムおよび情報提供方法 | |
US20200105267A1 (en) | Processing speech signals in voice-based profiling | |
CN108875682A (zh) | 信息推送方法和装置 | |
JP2003162294A (ja) | 感情検出方法及び感情検出装置 | |
US11706568B2 (en) | Devices, systems and processes for providing adaptive audio environments | |
CN111091044A (zh) | 一种面向网约车的车内危险场景识别方法 | |
CN110648671A (zh) | 声纹模型重建方法、终端、装置及可读存储介质 | |
WO2021067380A1 (en) | Methods and systems for using artificial intelligence to evaluate, correct, and monitor user attentiveness | |
CN110379443A (zh) | 声音识别装置和声音识别方法 | |
Reddy et al. | End-to-end pathological speech detection using wavelet scattering network | |
CN117272155A (zh) | 基于智能手表的驾驶人路怒症检测方法 | |
CN111798857A (zh) | 一种信息识别方法、装置、电子设备及存储介质 | |
CN113035176B (zh) | 语音数据处理方法、装置、计算机设备及存储介质 | |
Seddik et al. | A computer-aided speech disorders correction system for Arabic language | |
WO2022024297A1 (ja) | 音声処理装置、音声処理方法、記録媒体、および音声認証システム | |
JP7109113B1 (ja) | 識別システム装置 | |
Murthy et al. | A Novel Algorithm for Detecting Spasmodic Dysphonia Voice Pathology using Random Forest Frame Work | |
Fink | Sound is Context: Acoustic Work Step Classification using Deep Learning |
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: 20190628 |
|
RJ01 | Rejection of invention patent application after publication |