CN111368277A - 车辆启动方法、装置、存储介质及车辆 - Google Patents
车辆启动方法、装置、存储介质及车辆 Download PDFInfo
- Publication number
- CN111368277A CN111368277A CN201911150835.4A CN201911150835A CN111368277A CN 111368277 A CN111368277 A CN 111368277A CN 201911150835 A CN201911150835 A CN 201911150835A CN 111368277 A CN111368277 A CN 111368277A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- vehicle
- information
- target
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 27
- 238000012216 screening Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 6
- 230000001815 facial effect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 230000009545 invasion Effects 0.000 description 3
- 208000035139 partial with pericentral spikes epilepsy Diseases 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
- B60R25/10—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles actuating a signalling device
- B60R25/102—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles actuating a signalling device a signal being sent to a remote location, e.g. a radio signal being transmitted to a police station, a security company or the owner
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
- B60R25/20—Means to switch the anti-theft system on or off
- B60R25/25—Means to switch the anti-theft system on or off using biometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mechanical Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种车辆启动方法、装置、存储介质及车辆，用于解决现有车辆防盗系数不高的技术问题。该方法包括：在检测到无钥匙进入与启动系统发生预设触发事件时，获取至少一帧位于目标区域内的待识别图像；解析该待识别图像得到人脸图像信息；若人脸图像信息与预设面部图像信息的匹配结果一致，控制车辆执行启动操作。
Description
技术领域
本公开涉及车辆技术领域，具体地，涉及一种车辆启动方法、装置、存储介质及车辆。
背景技术
目前，汽车已经成为人们普遍的代步工具，有关车辆领域的新的应用技术也层出不穷，例如，可以通过无钥匙进入与启动技术(Passive Entry Passive Start，简称PEPS)实现无需按动遥控器即可进入车内以及一键启动发动机等功能。然而现有的PEPS系统在操作过程中存在非法用户在获取智能钥匙后也可以直接启动车辆的漏洞，也就是说，若车主的智能钥匙丢失，可能会面临车辆被盗用的风险，导致车辆的防盗系数不高。
发明内容
本公开的目的是提供一种车辆启动方法、装置、存储介质及车辆，用于解决现有车辆防盗系数不高的技术问题。
为了实现上述目的，本公开实施例的第一方面，提供一种车辆启动方法，所述方法包括：
在检测到无钥匙进入与启动系统发生预设触发事件时，获取至少一帧位于目标区域内的待识别图像；
解析所述待识别图像得到人脸图像信息；
若所述人脸图像信息与预设面部图像信息的匹配结果一致，控制所述车辆执行启动操作。
可选地，所述解析所述待识别图像得到人脸图像信息，包括：
基于Viola-jones框架的面部识别算法遍历所述待识别图像，得到所述待识别图像的至少一个子图像的矩形特征信息；
将每一所述矩形特征信息依次通过级联的多个目标分类器，以筛选得到包括人脸特征的目标矩形特征信息，其中，每一所述目标分类器是通过多个基础分类器按照Adaboost算法训练得到的，所述基础分类器的权值可自适应调节；
根据所述目标矩形特征信息确定人脸图像信息。
可选地，所述目标分类器是通过如下方式构建的：
确定样本数据的权值分布，所述样本数据包括矩形特征信息及该矩形特征信息对应的分类标签，所述分类标签用于表征所述矩形特征信息对应的子图像是否包含人脸特征；
将所述样本数据的矩形特征信息作为输入训练样本数据，将该样本数据的分类标签作为输出训练样本数据训练得到多个基础分类器；
将多个所述基础分类器按照Adaboost算法迭代训练得到目标分类器，其中，所述目标分类器中的每一基础分类器的权值可自适应调节。
可选地，所述根据所述目标矩形特征信息确定人脸图像信息，包括：
根据目标矩形特征信息确定所述待识别图像中的人脸特征点以及所述人脸特征点的数量；
通过金字塔KLT跟踪算法迭代计算每一所述人脸特征点的光流值，以对每一所述人脸特征点进行跟踪；
若所述人脸特征点的数量处于预设阈值范围内，且跟踪过程中每一相邻帧之间丢失的人脸特征点数量均小于预设数量，根据所述待识别图像的人脸特征点确定人脸图像信息。
可选地，所述方法还包括：
若所述人脸特征点的数量不处于预设阈值范围内，或者跟踪过程中任一相邻帧之间丢失的人脸特征点数量大于等于预设数量，控制所述车辆保持锁止并执行提醒操作。
可选地，所述方法还包括：
若所述人脸图像信息与预设脸部图信息的匹配结果连续不一致次数达到预设次数，则控制所述车辆保持锁止并执行提醒操作。
可选地，所述执行提醒操作，包括：
向所述车辆绑定的用户终端发送提醒消息，所述提醒消息包括待识别图像，以提醒用户所述车辆正在被使用。
本公开实施例的第二方面，提供一种车辆启动装置，所述装置包括：
获取模块，用于在检测到无钥匙进入与启动系统发生预设触发事件时，获取至少一帧位于目标区域内的待识别图像；
解析模块，用于解析所述待识别图像得到人脸图像信息；
控制模块，用于在所述人脸图像信息与预设面部图像信息的匹配结果一致时，控制所述车辆执行启动操作。
可选地，所述解析模块包括：
遍历子模块，用于基于Viola-jones框架的面部识别算法遍历所述待识别图像，得到所述待识别图像的至少一个子图像的矩形特征信息；
筛选子模块，用于将每一所述矩形特征信息依次通过级联的多个目标分类器，以筛选得到包括人脸特征的目标矩形特征信息，其中，每一所述目标分类器是通过多个基础分类器按照Adaboost算法训练得到的，所述基础分类器的权值可自适应调节；
确定子模块，用于根据所述目标矩形特征信息确定人脸图像信息。
可选地，所述目标分类器是通过如下方式构建的：
确定样本数据的权值分布，所述样本数据包括矩形特征信息及该矩形特征信息对应的分类标签，所述分类标签用于表征所述矩形特征信息对应的子图像是否包含人脸特征；
将所述样本数据的矩形特征信息作为输入训练样本数据，将该样本数据的分类标签作为输出训练样本数据训练得到多个基础分类器；
将多个所述基础分类器按照Adaboost算法迭代训练得到目标分类器，其中，所述目标分类器中的每一基础分类器的权值可自适应调节。
可选地，所述确定子模块用于：
根据目标矩形特征信息确定所述待识别图像中的人脸特征点以及所述人脸特征点的数量；
通过金字塔KLT跟踪算法迭代计算每一所述人脸特征点的光流值，以对每一所述人脸特征点进行跟踪；
若所述人脸特征点的数量处于预设阈值范围内，且跟踪过程中每一相邻帧之间丢失的人脸特征点数量均小于预设数量，根据所述待识别图像的人脸特征点确定人脸图像信息。
可选地，所述控制模块还用于：
在所述人脸特征点的数量不处于预设阈值范围内，或者跟踪过程中任一相邻帧之间丢失的人脸特征点数量大于等于预设数量时，控制所述车辆保持锁止并执行提醒操作。
可选地，所述控制模块还用于：
在所述人脸图像信息与预设脸部图信息的匹配结果连续不一致次数达到预设次数时，控制所述车辆保持锁止并执行提醒操作。
可选地，所述控制模块用于向所述车辆绑定的用户终端发送提醒消息，所述提醒消息包括待识别图像，以提醒用户所述车辆正在被使用。
本公开实施例的第三方面，提供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本公开实施例的第一方面所提供的车辆启动方法的步骤。
本公开实施例的第四方面，提供一种车辆启动装置，包括：
本公开实施例的第三方面所提供计算机可读存储介质；以及
一个或者多个处理器，用于执行所述计算机可读存储介质中的程序。
本公开实施例的第五方面，提供一种车辆，该车辆包括本公开实施例的第二方面或者本公开实施例的第四方面提供的车辆启动装置。
根据上述技术方案，在检测到无钥匙进入与启动系统发生预设触发事件时，获取至少一帧位于目标区域内的待识别图像，解析该待识别图像得到人脸图像信息，并将解析得到的人脸图像信息与预设面部图像信息进行匹配，若匹配结果一致，则控制车辆执行启动操作。这样，在通过无钥匙进入与启动系统认证之后，再通过人脸识别技术对驾驶人员进行人脸识别，若驾驶人员通过双重身份途径的认证，可以确定该驾驶人员为合法使用者，继而控制车辆执行相应的启动操作，提高了车辆启动认证过程的安全系数，降低了车辆被非法用户盗用的风险。此外，采用本方案提供的车辆启动方法，操作方式简单便捷，提升了用户的使用体验。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的一种车辆启动方法的流程图；
图2是根据一示例性实施例示出的另一种车辆启动方法的流程图；
图3是根据一示例性实施例示出的一种车辆启动装置的框图；
图4是根据一示例性实施例示出的一种车辆启动装置的解析模块的框图；
图5是根据一示例性实施例示出的一种车辆启动装置的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
为了解决现有车辆防盗系数不高的技术问题，本公开实施例提供一种车辆启动方法、装置、存储介质及车辆，下面结合具体实施例对本公开提供的技术方案进行详细说明。
图1是根据一示例性实施例示出的一种车辆启动方法的流程图，如图1所示，该方法包括以下步骤：
S11、在检测到无钥匙进入与启动系统发生预设触发事件时，获取至少一帧位于目标区域内的待识别图像。
其中，预设触发事件包括接收到指示无钥匙进入与启动系统(Passive EntryPassive Start，简称PEPS)发起一次认证过程的指令，例如具体表现为在车辆电源关闭时，检测到刹车踏板被踩下，且一键启动开关被按下，确定无钥匙进入与启动系统发生预设触发事件，通过设置于车内的摄像头获取目标区域内的图像信息，例如目标区域为驾驶座位区域，图像信息可以是包括至少一帧待识别图像的面部视频数据。
S12、解析待识别图像得到人脸图像信息。
针对一帧待识别图像进行解析，得到该待识别图像的人脸图像信息，人脸图像信息包括人脸特征点向量，人脸特征点向量用于表示人脸器官的形状描述以及距离特征数据。
S13、若人脸图像信息与预设面部图像信息的匹配结果一致，控制车辆执行启动操作。
示例地，预设面部图像信息为所有具有驾驶权限的人脸图像组成的数据集，该数据集可以通过车辆摄像头预先采集录入，或者通过与车辆绑定的终端设备向数据集中添加人脸图像，并对其赋予驾驶权限。将获取到的人脸图像信息与数据集中的人脸图像进行比对，根据比对结果可以确定当前驾驶人员是否为车辆的合法使用者。
具体地，在本公开实施例中，可以基于主成分分析算法(Principal componentsanalysis，简称PCA)作为匹配算法的主体，对人脸图像信息与预设面部图像信息进行匹配计算，执行步骤如下：
1、定义数据集为S＝{x1，x2，x3…xm}，其中S为具有驾驶权限的人脸图像组成的数据集，m为数据集中的人脸数量；
2、计算数据集的平均值
并将数据集中的每个样本xi减去该平均值，即
得到新的数据集S；
3、计算新的数据集S的协方差矩阵
用奇异值法求解该协方差矩阵的特征值和特征向量，并将得到的特征值由大到小进行排列，选取其中的前n’个特征值对应的特征向量，组成特征向量矩阵w。其中，可以通过公式
确定n’值,即降维后保留原来的85％的特征。
4、将原数据集S基于特征向量矩阵w做线性变换得到zi＝wTxi；
5、得到新的数据集S’＝{z1，z2，z3…zn}。
这样，对于待识别图像中解析得到的人脸图像信息Ω，需将该人脸图像信息减去平均值，并投影到特征向量空间中得到Ω’＝wTΩ，然后在数据集S’中找到与Ω’距离最近的人脸图像zi，得到两者之间的距离e＝min||Zi-n′||，若求解得到的e小于或等于预设距离阈值e0，说明人脸图像信息与预设面部图像信息的匹配结果一致，则控制电子立锁柱(selectrical steering column lock，简称ESCL)解锁，并控制发动机管理系统(EngineManegement System，简称EMS)启动发动机，完成车辆的启动操作。
可选地，若求解得到的e大于预设距离阈值e0，说明人脸图像信息与预设面部图像信息的匹配结果不一致，重复执行上述方法步骤，若人脸图像信息与预设脸部图信息的匹配结果连续不一致次数达到预设次数，例如预设次数为3次，也就是说，在连续发起3次认证过程，3次返回的人脸识别匹配结果均为不一致，则控制电子立锁柱(selectricalsteering column lock，简称ESCL)保持锁止状态，并控制发动机管理系统(EngineManegement System，简称EMS)不启动发动机，此外还可以执行提醒操作，以提醒用户车辆正在被使用。其中，执行的提醒操作可以是向车辆绑定的用户终端发送提醒消息，该提醒消息包括获取到的待识别图像，这样可以使车主及时知晓车辆非法入侵信息，有利于及时制止非法用户用车，提高了车辆的防盗系数。
采用上述方法，在检测到无钥匙进入与启动系统发生预设触发事件时，获取至少一帧位于目标区域内的待识别图像，解析该待识别图像得到人脸图像信息，并将解析得到的人脸图像信息与预设面部图像信息进行匹配，若匹配结果一致，则控制车辆执行启动操作。这样，在通过无钥匙进入与启动系统认证之后，再通过人脸识别技术对驾驶人员进行人脸识别，若驾驶人员通过双重身份途径的认证，可以确定该驾驶人员为合法使用者，继而控制车辆执行相应的启动操作，提高了车辆启动认证过程的安全系数，降低了车辆被非法用户盗用的风险。此外，采用本方案提供的车辆启动方法，操作方式简单便捷，提升了用户的使用体验。
图2是根据一示例性实施例示出的另一种车辆启动方法的流程图，如图2所示，该方法包括以下步骤：
S21、在检测到无钥匙进入与启动系统发生预设触发事件时，获取至少一帧位于目标区域内的待识别图像。
在一种可能的实施方式中，人脸识别算法通过Viola-jones框架和级联Adaboost分类器实现解析待识别图像，从而确定可能存在的人脸图像并生成相应的人脸图像信息，因此解析待识别图像得到人脸图像信息的方法步骤具体可以执行为步骤S22至步骤S24：
S22、基于Viola-jones框架的面部识别算法遍历待识别图像，得到待识别图像的至少一个子图像的矩形特征信息。
示例地，根据Viola-jones框架定义一个预设大小的检测窗口，通过该窗口在待识别图像上的逐次移动以遍历整个图像，并从每个移动到的位置形成的子图像中提取该子图像的矩形特征信息。其中，在Viola-jones框架中，定义了四种以黑白两色为基色的haar-like矩形特征，每一个矩形特征的特征值为子图像中的白色区域像素和与黑色区域像素和的差值，本公开实施例中使用积分图像法来计算某个矩形特征的特征值，积分图像法将某点的积分图像定义为该点左上角的像素和，并在代码阶段将所有点的像素保存在一个数组中该其，因此，在计算某个矩形区域的矩形特征的特征值时，可以直接从数组中引用所需点的积分图像值并通过简单加减运算即可完成。例如，检测窗口的大小为24*24(像素)，在一帧待识别图像中可以产生162336个矩形特征。
S23、将每一矩形特征信息依次通过级联的多个目标分类器，以筛选得到包括人脸特征的目标矩形特征信息。
通过步骤S22得到的矩形特征数目庞大，会造成大量的冗余计算，导致人脸识别过程效率低下。通常情况下，包含人脸特征的矩形特征仅占其中一部分，本公开实施例中提供级联的多个目标分类器对矩形特征进行训练筛选，以排除其中的非人脸矩形特征。其中，每一目标分类器是通过多个基础分类器按照Adaboost算法训练得到的。
具体地，本公开实施例使用的基础分类器公式如下：
其中，x表示子图像(即24*24像素的检测窗口中的子图像)，fj为当前子图像中包含矩形特征的个数，pj为偶数，θj为矩形特征的个数阈值。当子图像中包含的矩形特征的个数小于矩形特征的个数阈值时，hj(x)＝1，否则，hj(x)＝0。
在一个由多个基础分类器组成的目标分类器中，每一基础分类器的权值可自适应调节，具体权值分配可以通过训练得出，示例地，目标分类器是通过如下方式构建的：
确定样本数据的权值分布，样本数据包括矩形特征信息及该矩形特征信息对应的分类标签，分类标签用于表征矩形特征信息对应的子图像是否包含人脸特征；将样本数据的矩形特征信息作为输入训练样本数据，将该样本数据的分类标签作为输出训练样本数据训练得到多个基础分类器；将多个基础分类器按照Adaboost算法迭代训练得到目标分类器。
示例地，对于n个样本数据((x1,y1)…(xn,yn))，其中包括L个正训练样本(人脸样本)，M个负训练样本(非人脸样本)，首先初始化正训练样本的权值为1/L，负训练样本的权值为1/M，并定义最大迭代轮数T，对每一轮迭代执行如下步骤：
1、通过公式
标准化样本权值，也就是说，对于某个矩形特征在下一轮迭代的样本权值wt,i更新为该矩形特征本轮迭代的样本权值wt,i除以n个样本权值的总和
其中，在第一轮迭代时，n个样本权值的总和为1；
2、对于每一矩形特征，确定一个基础分类器hj(x)，使用每一基础分类器hj(x)分别遍历所有矩形特征，得到每个基础分类器hj(x)的错误率，确定其中错误率最小的基础分类器hi(x)，并根据基础分类器hi(x)的错误率确定矩形特征的个数阈值θj，其中，通过公式εt＝∑iwi|hj(xi)-yi|可以计算基础分类器的错误率，也就是说，对于每个训练数据中的样本数据(xi,yi)，如果基础分类器计算的结果hj(xi)和样本数据的yi不同，则基础分类器的权值乘以样本权值；如果基础分类器计算的结果hj(xi)和样本数据的yi相同，则不做处理。
3、通过公式
更新样本权值，其中，
εt为上一步骤求得的错误率，对于样本数据(xi,yi)，若基础分类器计算的结果hj(xi)和样本数据的yi不同，ei＝1，否则ei＝0；
4、重复上述步骤，当每一基础分类器乘以对应的样本权值的和小于预设的错误率阈值，迭代训练过程停止，将多个基础分类器线性组合得到一个目标分类器，按照Adaboost算法迭代训练得到目标分类器可以表示为：
其中，ht(x)表示第t个基础分类器，αt表示第t个基础分类器在目标分类器HT(x)中所占的权值(步骤2中求得)，T为该目标分类器中包含的基础分类器的个数。
由于采用传统的Adaboost强分类器遍历一帧待识别图像，整体计算量较大，会导致图像识别时间过长，在本公开实施例中按照依照Viola-jones框架，将多个目标分类器进行级联实现筛选包括人脸特征的目标矩形特征信息。
具体地，通过检测窗口(例如以24*24为原始窗口，可按比例放大)对待识别图像从左上角开始扫描，将扫描到的子图像的矩形特征信息依次通过级联的多个目标分类器，若任一级的目标分类器检测结果显示该子图像非人脸图像，则立即停止检测，并开始检测扫描到的下一个子图像；若某一子图像的矩形特征信息可以通过级联的每一目标分类器的检测，则可以确定该子图像的矩形特征信息中包含人脸特征，并将该子图像的矩形特征信息作为目标矩形特征信息集合的元素。可选地，级联的目标分类器的个数可以通过以下训练方法确定：
1、定义训练样本集，其中正样本数为P，负样本数为N，定义任一级可接受假阳率不超过f，任一级可接受检测率不小于d，最终级联的分类器可接受的整体假阳率不超过Ftarget，上述参数在实际应用过程中可以根据项目需求自行设定；
2、初始化任一级可接受假阳率不超过f0＝1，任一级可接受检测率不小于d0＝1，级数i＝0；
3、若当前级数i的假阳率Fi大于整体假阳率Ftarget，则增加一个目标分类器；
4、若当前级数i的假阳率Fi大于该级最大可接受的假阳率f*Fi-1，则增加该级目标分类器中基础分类器的个数(i＝i+1)；
5、使用包含P个正样本以及N个负样本的训练样本集，训练得到包含i个基础分类器的目标分类器；
6、使用包含正样本数以及负样本的验证集评估当前级数的目标分类器，若当前级的检测率Di小于该级最小可接受检测率d*Di-1,则降低该级目标分类器中的基础分类器的阈值，直到Di＞d*Di-1。
值得说明的是，若上述步骤5中当前级数的目标分类器存在分类错误的正样本，也就是说将人脸图像识别为非人脸图像，则可以将分类错误的正样本归于负样本N中对下一级目标分类器进行训练，正样本中分类正确的正样本仍作为正样本对下一级目标分类器进行训练。
这样，先将假阳率较高的多个基础分类器按照权值分布线性组合成一个目标分类器，然后将多个目标分类器进行级联，可以降低分类结果的假阳率，实现在保证识别率的情况下从矩形特征信息中筛选得到包括人脸特征的目标矩形特征信息，提高了图像的识别效率。
S24、根据目标矩形特征信息确定人脸图像信息。
示例地，在Viola-jones框架中输入通常为单帧静态的待识别图像，本公开实施例提供一种基于金字塔KLT跟踪算法，用于从多帧图像中选取较优帧，进而得到该帧的人脸图像信息作为人脸匹配环节的输入。
具体地，根据包括人脸特征的目标矩形特征信息确定待识别图像中的人脸特征点以及人脸特征点的数量，并通过金字塔KLT跟踪算法迭代计算每一人脸特征点的光流值，以对每一人脸特征点进行跟踪，若人脸特征点的数量处于预设阈值范围内，且跟踪过程中每一相邻帧之间丢失的人脸特征点数量均小于预设数量，根据待识别图像的人脸特征点确定人脸图像信息。
经过级联的多个目标分类器筛选得到包括人脸特征的目标矩形特征信息，例如可以通过如下方式选取该目标矩形特征信息对应的子图像中的人脸特征点：对于目标矩形特征信息对应的子图像中的每一个像素点，求解像素点的特征值，并选取特征值中的最小值作为每一像素点的λm值；确定所有λm值中的最大者为λmax；舍去λm值小于0.1λmax的像素点；若某像素点的λm值大于其周围预设邻域范围内(例如3*3邻域)其他像素点的λm值，说明该像素点为其邻域范围内梯度最大的点，则该像素点予以保留；执行上述步骤之后所保留的特征点中，确定间距小于5个像素且其中λm值最大的像素点作为人脸特征点。在实际应用过程中，以上参数可以根据项目的需求进行自定义设定。
通常，在一张人脸(正脸)图像中能确认40-60个人脸特征点。当检测出的人脸特征点不在预设阈值范围内时，则认为需要重新选取特征值，若该过程重复预设次数(例如5次)后，人脸特征点数量依然不在预设阈值范围内，则判定认证失败。
在确定待识别图像的人脸特征点之后，基于金字塔KLT跟踪算法对每一特征点进行跟踪，更具体地，按照金字塔KLT跟踪算法建立一个概念上的图像金字塔，定义原始图像为第0层，图像总层数共计为L(通常L<5)，通过如下公式可以计算得到每一层图像的宽和高：
其中，
和
分别为第L层图像的宽和高，计算结果取最接近的整数值。
首先计算最顶层图像L的光流值，并将该光流值作为下一层图像L-1的初始光流值，基于初始光流值计算L-1层的光流值，然后逐层迭代，最后计算出第0层(原始图像)的光流值。设光流的初始值
由于第L层图像没有上一层图像作为初始光流估计值，则设第L层图像的光流的初始值g0＝[0，0]T。
像素点在第L层中产生的位移矢量
定义第L-1层的光流值的初值估计为gL-1＝2(gL+dL)，求得第L-1层的位移dL之后，进行下一次迭代，直到计算出第0层(原始图像)的位移dL，最终第0层(原始图像)中相邻两帧某像素点的位移d可以通过如下公式计算：
由上式可知，求解d需要知道每一层图像的位移dL，其中，dL可以通过传统KLT跟踪法计算得到，具体计算方法如下：
定义相邻两帧图像A(x，y)，B(x，y)，
为第L层的光流值，求解上式的最小值。
由于最小值处函数的一阶偏导
则有：
对于图像金字塔中的每一层，由于采用了金字塔法对图像进行缩放，因而相邻两帧中同一个像素点的位移dL是足够小的，则可以使用泰勒展开将上式转化得到：
其中，存在两点位置差δI(x,y)＝A(x，y)-B(x，y)，和梯度
则：
将上式简化成
其中
在G为可逆矩阵的情况下，根据上述公式和最优解处残差ε对
的一阶偏导等于0，可知光流值
的解为
在跟踪过程中，若由于人脸运动速度过快，任一相邻帧之间丢失的人脸特征点数量大于等于预设数量，则认为需要重新选取特征值。跟踪过程重复预设次数(例如5次)后，仍存在任一相邻帧之间丢失的人脸特征点数量大于等于预设数量的情况，则判定认证失败。
在本公开实施例中，若判定认证失败则在关闭摄像头的同时，控制电子立锁柱(selectrical steering column lock，简称ESCL)保持锁止状态，并控制发动机管理系统(Engine Manegement System，简称EMS)不启动发动机，此外还可以执行提醒操作，以提醒用户车辆正在被使用。
S25、判断人脸图像信息与预设面部图像信息的匹配结果是否一致。
若人脸图像信息与预设面部图像信息的匹配结果一致，则执行步骤S26，若人脸图像信息与预设脸部图信息的匹配结果连续不一致次数达到预设次数，则执行步骤S27。
S26、控制车辆执行启动操作。
S27、若人脸图像信息与预设面部图像信息的匹配结果不一致次数达到预设次数，则控制车辆保持锁止并执行提醒操作。
其中，执行的提醒操作包括向车辆绑定的用户终端发送提醒消息，提醒消息包括待识别图像，以提醒用户车辆正在被使用。
采用上述方法，在通过无钥匙进入与启动系统认证之后，再通过人脸识别技术对驾驶人员进行人脸识别，若驾驶人员通过双重身份途径的认证，可以确定该驾驶人员为合法使用者，继而控制车辆执行相应的启动操作，提高了车辆启动认证过程的安全系数，降低了车辆被非法用户盗用的风险。此外，通过级联Adaboost目标分类器对矩形特征信息进行筛选，得到包括人脸特征的目标矩形特征信息，再对目标矩形特征信息包含的人脸图像信息进行识别和匹配，可以提高图像的识别效率；在用户身份认证过程中发生异常时，还可以执行提醒操作，这样可以使车主及时知晓车辆非法入侵信息，有利于及时制止非法用户用车，提高了车辆的防盗系数。本方案提供的车辆启动方法，操作方式简单便捷，有利于用户的使用体验。
图3是根据一示例性实施例示出的一种车辆启动装置的框图，车辆启动装置可以通过软件、硬件或者两者结合实现成为车辆控制器的部分或者全部。参照图3，该装置300包括：
获取模块31，用于在检测到无钥匙进入与启动系统发生预设触发事件时，获取至少一帧位于目标区域内的待识别图像；
解析模块32，用于解析待识别图像得到人脸图像信息；
控制模块33，用于在人脸图像信息与预设面部图像信息的匹配结果一致时，控制车辆执行启动操作。
在一种可能的实施方式中，车辆启动装置300的解析模块32的框图如图4所示，包括：
遍历子模块321，用于基于Viola-jones框架的面部识别算法遍历待识别图像，得到待识别图像的至少一个子图像的矩形特征信息；
筛选子模块322，用于将每一矩形特征信息依次通过级联的多个目标分类器，以筛选得到包括人脸特征的目标矩形特征信息，其中，每一目标分类器是通过多个基础分类器按照Adaboost算法训练得到的，基础分类器的权值可自适应调节；
确定子模块323，用于根据目标矩形特征信息确定人脸图像信息。
其中，筛选子模块322中的目标分类器是通过如下方式构建的：
确定样本数据的权值分布，样本数据包括矩形特征信息及该矩形特征信息对应的分类标签，分类标签用于表征矩形特征信息对应的子图像是否包含人脸特征；
将样本数据的矩形特征信息作为输入训练样本数据，将该样本数据的分类标签作为输出训练样本数据训练得到多个基础分类器；
将多个基础分类器按照Adaboost算法迭代训练得到目标分类器，其中，目标分类器中的每一基础分类器的权值可自适应调节。
具体地，确定子模块323用于：
根据目标矩形特征信息确定待识别图像中的人脸特征点以及人脸特征点的数量；
通过金字塔KLT跟踪算法迭代计算每一人脸特征点的光流值，以对每一人脸特征点进行跟踪；
若人脸特征点的数量处于预设阈值范围内，且跟踪过程中每一相邻帧之间丢失的人脸特征点数量均小于预设数量，根据待识别图像的人脸特征点确定人脸图像信息。
可选地，控制模块33还用于：
在人脸特征点的数量不处于预设阈值范围内，或者跟踪过程中任一相邻帧之间丢失的人脸特征点数量大于等于预设数量时，控制车辆保持锁止并执行提醒操作。
可选地，控制模块33还用于：
在人脸图像信息与预设脸部图信息的匹配结果连续不一致次数达到预设次数时，控制车辆保持锁止并执行提醒操作。
可选地，控制模块33用于向车辆绑定的用户终端发送提醒消息，提醒消息包括待识别图像，以提醒用户车辆正在被使用。
采用上述装置，在通过无钥匙进入与启动系统认证之后，再通过人脸识别技术对驾驶人员进行人脸识别，若驾驶人员通过双重身份途径的认证，可以确定该驾驶人员为合法使用者，继而控制车辆执行相应的启动操作，提高了车辆启动认证过程的安全系数，降低了车辆被非法用户盗用的风险。此外，通过级联Adaboost目标分类器对矩形特征信息进行筛选，得到包括人脸特征的目标矩形特征信息，再对目标矩形特征信息包含的人脸图像信息进行识别和匹配，可以提高图像的识别效率；在用户身份认证过程中发生异常时，还可以执行提醒操作，这样可以使车主及时知晓车辆非法入侵信息，有利于及时制止非法用户用车，提高了车辆的防盗系数。本方案提供的车辆启动装置，操作方式简单便捷，认证过程科技感倍增，有利于用户的使用体验。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种车辆启动装置500的框图。如图5所示，该车辆启动装置500可以包括：处理器501，存储器502，多媒体组件503，输入/输出(I/O)接口504，以及通信组件505。
其中，处理器501用于控制该车辆启动装置500的整体操作，以完成上述车辆启动方法中的全部或部分步骤。存储器502用于存储各种类型的数据以支持在该车辆启动装置500的操作，这些数据例如可以包括用于在该车辆启动装置500上操作的任何应用程序或方法的指令，以及应用程序相关的数据。
存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
多媒体组件503可以包括屏幕和音频组件，其中，屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。所接收的音频信号可以被进一步存储在存储器502或通过通信组件505发送。音频组件还包括至少一个扬声器，用于输出音频信号。
I/O接口504为处理器501和其他接口模块之间提供接口，上述其他接口模块可以为键盘，按钮等。这些按钮可以为虚拟按钮或者实体按钮。
通信组件505用于该车辆启动装置500与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near Field Communication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件505可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，车辆启动装置500可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述车辆启动方法。
本公开实施例提供了一种包括程序指令的计算机可读存储介质，例如包括程序指令的存储器502，其上存储有一个或者多个计算机程序，上述计算机程序可由车辆启动装置500的处理器501执行以完成本公开实施例提供的车辆启动方法。
本公开实施例还提供一种车辆，该车辆包括上述公开实施例所提供任一种的车辆启动装置，具体参照上述对应的描述，此处不再赘述。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (12)
1.一种车辆启动方法，其特征在于，所述方法包括：
在检测到无钥匙进入与启动系统发生预设触发事件时，获取至少一帧位于目标区域内的待识别图像；
解析所述待识别图像得到人脸图像信息；
若所述人脸图像信息与预设面部图像信息的匹配结果一致，控制所述车辆执行启动操作。
2.根据权利要求1所述的方法，其特征在于，所述解析所述待识别图像得到人脸图像信息，包括：
基于Viola-jones框架的面部识别算法遍历所述待识别图像，得到所述待识别图像的至少一个子图像的矩形特征信息；
将每一所述矩形特征信息依次通过级联的多个目标分类器，以筛选得到包括人脸特征的目标矩形特征信息，其中，每一所述目标分类器是通过多个基础分类器按照Adaboost算法训练得到的，所述基础分类器的权值可自适应调节；
根据所述目标矩形特征信息确定人脸图像信息。
3.根据权利要求2所述的方法，其特征在于，所述目标分类器是通过如下方式构建的：
确定样本数据的权值分布，所述样本数据包括矩形特征信息及该矩形特征信息对应的分类标签，所述分类标签用于表征所述矩形特征信息对应的子图像是否包含人脸特征；
将所述样本数据的矩形特征信息作为输入训练样本数据，将该样本数据的分类标签作为输出训练样本数据训练得到多个基础分类器；
将多个所述基础分类器按照Adaboost算法迭代训练得到目标分类器，其中，所述目标分类器中的每一基础分类器的权值可自适应调节。
4.根据权利要求2所述的方法，其特征在于，所述根据所述目标矩形特征信息确定人脸图像信息，包括：
根据目标矩形特征信息确定所述待识别图像中的人脸特征点以及所述人脸特征点的数量；
通过金字塔KLT跟踪算法迭代计算每一所述人脸特征点的光流值，以对每一所述人脸特征点进行跟踪；
若所述人脸特征点的数量处于预设阈值范围内，且跟踪过程中每一相邻帧之间丢失的人脸特征点数量均小于预设数量，根据所述待识别图像的人脸特征点确定人脸图像信息。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
若所述人脸特征点的数量不处于预设阈值范围内，或者跟踪过程中任一相邻帧之间丢失的人脸特征点数量大于等于预设数量，控制所述车辆保持锁止并执行提醒操作。
6.一种车辆启动装置，其特征在于，所述装置包括：
获取模块，用于在检测到无钥匙进入与启动系统发生预设触发事件时，获取至少一帧位于目标区域内的待识别图像；
解析模块，用于解析所述待识别图像得到人脸图像信息；
控制模块，用于在所述人脸图像信息与预设面部图像信息的匹配结果一致时，控制所述车辆执行启动操作。
7.根据权利要求6所述的装置，其特征在于，所述解析模块包括：
遍历子模块，用于基于Viola-jones框架的面部识别算法遍历所述待识别图像，得到所述待识别图像的至少一个子图像的矩形特征信息；
筛选子模块，用于将每一所述矩形特征信息依次通过级联的多个目标分类器，以筛选得到包括人脸特征的目标矩形特征信息，其中，每一所述目标分类器是通过多个基础分类器按照Adaboost算法训练得到的，所述基础分类器的权值可自适应调节；
确定子模块，用于根据所述目标矩形特征信息确定人脸图像信息。
8.根据权利要求7所述的装置，其特征在于，所述目标分类器是通过如下方式构建的：
确定样本数据的权值分布，所述样本数据包括矩形特征信息及该矩形特征信息对应的分类标签，所述分类标签用于表征所述矩形特征信息对应的子图像是否包含人脸特征；
将所述样本数据的矩形特征信息作为输入训练样本数据，将该样本数据的分类标签作为输出训练样本数据训练得到多个基础分类器；
将多个所述基础分类器按照Adaboost算法迭代训练得到目标分类器，其中，所述目标分类器中的每一基础分类器的权值可自适应调节。
9.根据权利要求7所述的装置，其特征在于，所述确定子模块用于：
根据目标矩形特征信息确定所述待识别图像中的人脸特征点以及所述人脸特征点的数量；
通过金字塔KLT跟踪算法迭代计算每一所述人脸特征点的光流值，以对每一所述人脸特征点进行跟踪；
若所述人脸特征点的数量处于预设阈值范围内，且跟踪过程中每一相邻帧之间丢失的人脸特征点数量均小于预设数量，根据所述待识别图像的人脸特征点确定人脸图像信息。
10.根据权利要求9所述的装置，其特征在于，所述控制模块还用于：
在所述人脸特征点的数量不处于预设阈值范围内，或者跟踪过程中任一相邻帧之间丢失的人脸特征点数量大于等于预设数量时，控制所述车辆保持锁止并执行提醒操作。
11.一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权利要求1至5中任一项所述方法的步骤。
12.一种车辆，其特征在于，该车辆包括权利要求6至10中任一项所述的车辆启动装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911150835.4A CN111368277A (zh) | 2019-11-21 | 2019-11-21 | 车辆启动方法、装置、存储介质及车辆 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911150835.4A CN111368277A (zh) | 2019-11-21 | 2019-11-21 | 车辆启动方法、装置、存储介质及车辆 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111368277A true CN111368277A (zh) | 2020-07-03 |
Family
ID=71211342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911150835.4A Withdrawn CN111368277A (zh) | 2019-11-21 | 2019-11-21 | 车辆启动方法、装置、存储介质及车辆 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111368277A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113246908A (zh) * | 2021-04-22 | 2021-08-13 | 新疆爱华盈通信息技术有限公司 | 一种车辆启动方法及计算机设备 |
| CN114187637A (zh) * | 2021-12-13 | 2022-03-15 | 中国第一汽车股份有限公司 | 车辆控制方法、装置、电子设备及存储介质 |
| CN116962875A (zh) * | 2023-09-20 | 2023-10-27 | 深圳市壹方智能电子科技有限公司 | 一种基于人脸识别自启动的车载摄像头模组及其控制方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831411A (zh) * | 2012-09-07 | 2012-12-19 | 云南晟邺科技有限公司 | 一种快速人脸检测方法 |
| CN103413322A (zh) * | 2013-07-16 | 2013-11-27 | 南京师范大学 | 序列视频关键帧提取方法 |
| CN104966045A (zh) * | 2015-04-02 | 2015-10-07 | 北京天睿空间科技有限公司 | 一种基于视频的飞机进出泊位自动检测方法 |
| CN105224911A (zh) * | 2015-08-27 | 2016-01-06 | 湖北文理学院 | 一种多视角实时行人检测方法及系统 |
| CN105336021A (zh) * | 2014-08-12 | 2016-02-17 | 鸿富锦精密工业（深圳）有限公司 | 汽车及其使用无钥匙解锁系统及汽车无钥匙解锁方法 |
| CN105809123A (zh) * | 2016-03-04 | 2016-07-27 | 北京智慧眼科技股份有限公司 | 人脸检测方法及装置 |
| CN106210808A (zh) * | 2016-08-08 | 2016-12-07 | 腾讯科技（深圳）有限公司 | 媒体信息投放方法、终端、服务器及系统 |
| CN106203369A (zh) * | 2016-07-18 | 2016-12-07 | 三峡大学 | 用于防假冒人脸识别的主动式随机动态指令生成系统 |
| CN107134008A (zh) * | 2017-05-10 | 2017-09-05 | 广东技术师范学院 | 一种基于三维重建下的动态物体识别的方法及系统 |
| CN108068761A (zh) * | 2017-12-20 | 2018-05-25 | 申娟 | 一种无钥匙启动方法及装置 |
| CN109895736A (zh) * | 2019-02-19 | 2019-06-18 | 汉腾汽车有限公司 | 基于人脸识别技术的安全开启车门系统及车门安全开启方法 |
-
2019
- 2019-11-21 CN CN201911150835.4A patent/CN111368277A/zh not_active Withdrawn
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831411A (zh) * | 2012-09-07 | 2012-12-19 | 云南晟邺科技有限公司 | 一种快速人脸检测方法 |
| CN103413322A (zh) * | 2013-07-16 | 2013-11-27 | 南京师范大学 | 序列视频关键帧提取方法 |
| CN105336021A (zh) * | 2014-08-12 | 2016-02-17 | 鸿富锦精密工业（深圳）有限公司 | 汽车及其使用无钥匙解锁系统及汽车无钥匙解锁方法 |
| CN104966045A (zh) * | 2015-04-02 | 2015-10-07 | 北京天睿空间科技有限公司 | 一种基于视频的飞机进出泊位自动检测方法 |
| CN105224911A (zh) * | 2015-08-27 | 2016-01-06 | 湖北文理学院 | 一种多视角实时行人检测方法及系统 |
| CN105809123A (zh) * | 2016-03-04 | 2016-07-27 | 北京智慧眼科技股份有限公司 | 人脸检测方法及装置 |
| CN106203369A (zh) * | 2016-07-18 | 2016-12-07 | 三峡大学 | 用于防假冒人脸识别的主动式随机动态指令生成系统 |
| CN106210808A (zh) * | 2016-08-08 | 2016-12-07 | 腾讯科技（深圳）有限公司 | 媒体信息投放方法、终端、服务器及系统 |
| CN107134008A (zh) * | 2017-05-10 | 2017-09-05 | 广东技术师范学院 | 一种基于三维重建下的动态物体识别的方法及系统 |
| CN108068761A (zh) * | 2017-12-20 | 2018-05-25 | 申娟 | 一种无钥匙启动方法及装置 |
| CN109895736A (zh) * | 2019-02-19 | 2019-06-18 | 汉腾汽车有限公司 | 基于人脸识别技术的安全开启车门系统及车门安全开启方法 |
Non-Patent Citations (2)
| Title |
|---|
| 郭宝龙等: "《数字图像处理系统工程导论》", 31 July 2012 * |
| 雷帮军等: "《视频目标跟踪系统分步详解》", 31 December 2015 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113246908A (zh) * | 2021-04-22 | 2021-08-13 | 新疆爱华盈通信息技术有限公司 | 一种车辆启动方法及计算机设备 |
| CN114187637A (zh) * | 2021-12-13 | 2022-03-15 | 中国第一汽车股份有限公司 | 车辆控制方法、装置、电子设备及存储介质 |
| CN116962875A (zh) * | 2023-09-20 | 2023-10-27 | 深圳市壹方智能电子科技有限公司 | 一种基于人脸识别自启动的车载摄像头模组及其控制方法 |
| CN116962875B (zh) * | 2023-09-20 | 2024-03-01 | 深圳市壹方智能电子科技有限公司 | 一种基于人脸识别自启动的车载摄像头模组及其控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210082136A1 (en) | Extracting information from images | |
| CN111368277A (zh) | 车辆启动方法、装置、存储介质及车辆 | |
| US10289825B2 (en) | Login access control for secure/private data | |
| CN100542260C (zh) | 一种对电视进行智能控制的方法及其智能控制装置 | |
| JP4389956B2 (ja) | 顔認識装置及び顔認識方法、並びにコンピュータ・プログラム | |
| KR101381439B1 (ko) | 얼굴 인식 장치 및 얼굴 인식 방법 | |
| KR20210013129A (ko) | 차량의 도어록 해제 방법 및 장치, 시스템, 차량, 전자 기기 및 기억 매체 | |
| KR20220066155A (ko) | 차량의 도어 제어 방법 및 장치, 시스템, 차량, 전자 기기 및 기억 매체 | |
| US20120148117A1 (en) | System and method for facial identification | |
| JP4553138B2 (ja) | 顔画像認証装置 | |
| CN110634153A (zh) | 目标跟踪模板更新方法、装置、计算机设备和存储介质 | |
| CN103434484A (zh) | 车载识别认证装置、移动终端、智能车钥控制系统及方法 | |
| US20110069155A1 (en) | Apparatus and method for detecting motion | |
| CN111401196A (zh) | 受限空间内自适应人脸聚类的方法、计算机装置及计算机可读存储介质 | |
| US20210192345A1 (en) | Method for generating labeled data, in particular for training a neural network, by using unlabeled partitioned samples | |
| US20220318369A1 (en) | Face recognition system and method capable of updating registered face templates | |
| JP2004126813A (ja) | 個人認証装置、個人認証方法、入退出管理装置及び入退出管理方法 | |
| WO2022224332A1 (ja) | 情報処理装置、車両制御システム、情報処理方法、及び非一時的なコンピュータ可読媒体 | |
| JP2010086403A (ja) | 顔認識装置、顔認識方法、及び通行制御装置 | |
| JP2009032116A (ja) | 顔認証装置、顔認証方法および入退場管理装置 | |
| JP7427463B2 (ja) | 車両制御装置、車両制御方法、及び車両制御用プログラム | |
| KR102681701B1 (ko) | 얼굴 인식 장치 및 방법 | |
| CN115376080B (zh) | 相机识别 | |
| CN114202677B (zh) | 认证车辆内部中的乘员的方法和系统 | |
| KR102301785B1 (ko) | 얼굴 연속 인증을 위한 방법 및 장치 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200703 |
|
| WW01 | Invention patent application withdrawn after publication |