CN111539319A - 一种智慧驾驶管理方法 - Google Patents

Abstract

本发明实施例公开了一种智慧驾驶管理方法，包括以下步骤：步骤1：利用嵌入式控制系统构建用户注册登录模块，供新老用户注册登录；步骤2、通过调用Linux内核中视频接口函数获取相关图片；步骤3、读取图像信息，通过人脸检测算法搜索获取的图片，并将检测到的人脸通过矩形框图进行标记、保存；步骤4、通过人脸训练函数对得到的图片样本集进行训练；步骤5、调用人脸检测模块通过人脸识别函数进行识别，并反馈识别结果，采用基于人脸检测算法和PCA人脸识别算法，对采集到的图像进行格式转换和人脸预处理，训练出人脸数据库模型文件，滤除了人脸图像噪声和冗余信息，减少了训练时间，提高了识别率，能够有效的用于驾驶车辆管理识别系统。

Description

一种智慧驾驶管理方法

技术领域

本发明实施例涉及驾驶管理技术领域，具体涉及一种智慧驾驶管理方法。

背景技术

随着经济的发展以及科技的进入，大量资本投入互联网行业，互联网行业的盛行带动电网平台的供电效率问题，导致在电网平台供电成了最重要的事情，但是在电网工作人员驾驶车辆出动维修过程中，由于用车次数和数量较多，无法准确的核对驾驶员本人信息，导致驾驶车辆登记信息比较凌乱，无法保障后续的责任归属问题。

目前，在电网平台虽然也提供了智能识别系统，通过识别指纹的形式登记驾驶人员的身份信息，但是由于指纹识别处于集中识别的过程，只能确定识别后驾驶车辆的人员，但无法一车确认一人驾驶，即人与车无法准确配对，任存在驾驶车辆无法与当前驾驶员一一对应的现象。

发明内容

为此，本发明实施例提供一种智慧驾驶管理方法，采用基于人脸检测算法和PCA人脸识别算法，对采集到的图像进行格式转换和人脸预处理，训练出人脸数据库模型文件，滤除了人脸图像噪声和冗余信息，减少了训练时间，提高了识别率，能够有效的用于驾驶车辆管理识别系统，以解决现有技术中驾驶车辆无法与当前驾驶员一一对应的问题。

为了实现上述目的，本发明的实施方式提供如下技术方案：

一种智慧驾驶管理方法，包括以下步骤：

步骤1：利用嵌入式控制系统构建用户注册登录模块，供新老用户进行注册登录；

步骤2、通过调用Linux内核中视频接口函数将由摄像头获取的YUV格式图像通过相关函数转换成BMP图片；

步骤3、读取图像信息，通过人脸检测算法搜索获取的图片，并将检测到的人脸通过矩形框图进行标记、保存；

步骤4、通过人脸训练函数对得到的图片样本集进行训练，并将训练结果以XML文件格式保存；

步骤5、调用人脸检测模块通过人脸识别函数进行识别，并反馈识别结果。

作为本发明的一种优选方案，步骤1中所述嵌入式控制系统采用基于Qt设计的主界面作为人机交互的界面。

作为本发明的一种优选方案，步骤2中所述视频接口函数图像采集步骤如下：

首先，打开摄像头设备文件，对设备文件初始化设置，并向内核申请视频采集数据的缓冲区，将申请的内核中视频缓冲区映射到用户空间；

其次，在视频采集队列中，按次序将申请到的视频缓冲区排队，同时开始采集视频；

再者，根据底层部分完成视频的采集，通过应用程序取出帧缓冲区的视频，之后，将帧缓冲区放回视频采集队列；

最后，关闭摄像头，停止视频采集。

作为本发明的一种优选方案，对所述视频接口函数采集到的图像通过所述人脸识别算法进行识别，所述人脸识别算法步骤如下：

首先，依据图像的像素灰度值I(x，y)，定义图像中任意一点A(x，y)的积分为：

其中，I(x′，y′)为原始图像在点(x′，y′)处点的颜色值，灰度图像的取值为0-255；

其次，逐点扫描原图像得到图像积分信息：

SAT(x，y)＝SAT(x-1，y)+s(x，y)

其中，s(x，y)表示(x，y)在y方向的原始图像之和。

作为本发明的一种优选方案，根据所述图像积分信息构建级联分类器，所述级联分类器的训练步骤如下：

首先，将图像积分信息作为给定的训练样本集：(x₁，y₁)，(x₂，y₂)，…，(x_n，y_n)，x_n表示样本标号，y_n表示是否为人脸，n表示样本总数；

然后，初始化样本的权值w_i，j，将变量从1到T进行T轮循环，得到每一个样本对应的权值p_i，j、不等号的方向p以及阈值θ：

；

再根据样本对应的权值p_i，j、不等号的方向p以及阈值θ得到分类误差最小的特征：

h_i(x)＝h(x，f_j，p_j，θ_i)

其中，f_j训练样本的特征值；

最后，重新初始化样本权值，得到训练强分类器h(x)：

其中，e_i＝1表示样本被错误分类，e_i＝0表示样本被正确分类。

作为本发明的一种优选方案，根据所述训练强分类器训练结果截取人脸图像特征，并定义容器存放图像数据与对应的标签，通过加载人脸训练数据集对训练数据集进行PCA变化，得到训练人脸数据库模型。

作为本发明的一种优选方案，所述PCA变化通过提取人脸的样本均值以及总体散步矩阵实现，所述样本均值以及总体散步矩阵如下：

其中，X是有所有去均值的样本构成的N²×m维矩阵，C称作总体散布矩阵，维数为N²×N²。

作为本发明的一种优选方案，所述PCA变化具体步骤如下：

首先，给定样本集m个样本，由灰度图像组成，每个样本的大小为N*N，训练样本矩阵为：X＝(X₁，X₂，…，X_m)；

其次，计算图片的平均值E(X)以及计算每一张人脸与平均值的差值d_i＝x_i-E(X)；

再构建总体散布矩阵C，求出总体散布矩阵的特征向量和特征脸空间，将待识别的人脸与平均值的差值投影到特征脸空间，得到特征向量空间；

最后，计算特征向量空间与每个人脸的距离，通过系统设定阈值作为可信度判断是否识别成功，并输出识别结果。

作为本发明的一种优选方案，将所述识别结果加载到嵌入式控制系统的用户端，作为最终识别结果。

本发明的实施方式具有如下优点：

本发明实质上是基于嵌入式控制系统的智慧驾驶管理方法，通过嵌入式系统构建用户界面，并利用人脸检测算法和PCA人脸识别算法，对人脸图像进行训练并将训练数据集载入数据库，根据待识别图像的特性信息计算可信度与系统设定阈值相比较，同时能够找出与人脸数据库中模型中欧式距离最小的图像的标号，并将结果在人机交互界面上显示出来，该方法减少了算法流程以及计算量，提高了识别速率，同时在检测人脸后能够将该图形信息加载到人脸数据库文件中，便于下次直接显示，不仅提高了识别效率，而且摄像头能够自动移动准确扫描出人脸，能够有效的用于驾驶员管理系统。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1为本发明实施方式中智慧驾驶管理方法的流程图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供了一种智慧驾驶管理方法，采用基于人脸检测算法和PCA人脸识别算法，对采集到的图像进行格式转换和人脸预处理，训练出人脸数据库模型文件，滤除了人脸图像噪声和冗余信息，减少了训练时间，提高了识别率，能够有效的用于驾驶车辆管理识别系统。

包括以下步骤：

步骤1：利用嵌入式控制系统构建用户注册登录模块，供新老用户进行注册登录；

步骤2、通过调用Linux内核中视频接口函数将由摄像头获取的YUV格式图像通过相关函数转换成BMP图片；

步骤3、读取图像信息，通过人脸检测算法搜索获取的图片，并将检测到的人脸通过矩形框图进行标记、保存；

步骤4、通过人脸训练函数对得到的图片样本集进行训练，并将训练结果以XML文件格式保存；

步骤5、调用人脸检测模块通过人脸识别函数进行识别，并反馈识别结果。

本实施例中，利用嵌入式控制系统作为数据采集、无线通讯以及算法处理模块的硬件处理单元，对数据能够有效的进行严密的加解密算法处理，使得截取的数据失去价值，对数据的压缩不仅提高了传输速率、减少了被干扰的概率，还可以提高数据传输的可靠性，能够有效的将由分类训练器训练出的人脸数据库模型文件移植到该系统内进行用户端操作，不仅方便便捷，还提高了人脸识别效率。

步骤1中所述嵌入式控制系统采用基于Qt设计的主界面作为人机交互的界面。

本实施例中，采用基于Qt设计的主界面作为人机交互界面，其环境开发具体步骤如下：

首先，将嵌入式Qt压缩文件拷贝到Linux的根目录下，打开终端应用程序，切换到root用户，然后进入根目录；

其次，使用解压命令解压压缩包，进入解压后的目录，运行脚本文件，

最后，再添加和配置环境变量，通过串口将嵌入式控制器与PC连接，然后利用rz命令将交叉编译完成的嵌入式版本的Qt库文件移植到移动端。

步骤2中所述视频接口函数图像采集步骤如下：

首先，打开摄像头设备文件，对设备文件初始化设置，并向内核申请视频采集数据的缓冲区，将申请的内核中视频缓冲区映射到用户空间；

其次，在视频采集队列中，按次序将申请到的视频缓冲区排队，同时开始采集视频；

再者，根据底层部分完成视频的采集，通过应用程序取出帧缓冲区的视频，之后，将帧缓冲区放回视频采集队列；

最后，关闭摄像头，停止视频采集。

对所述视频接口函数采集到的图像通过所述人脸识别算法进行识别，所述人脸识别算法步骤如下：

首先，依据图像的像素灰度值I(x，y)，定义图像中任意一点A(x，y)的积分为：

其中，I(x′，y′)为原始图像在点(x′，y′)处点的颜色值，灰度图像的取值为0-255；

其次，逐点扫描原图像得到图像积分信息：

SAT(x，y)＝SAT(x-1，y)+s(x，y)

其中，s(x，y)表示(x，y)在y方向的原始图像之和。

本实施例中，利用积分图方法可以减少计算量，快速计算特征值，且能够从大量的特征选取少量特征就可以构建成强分类器，从而串联成级联分类器，提高计算速度。

根据所述图像积分信息构建级联分类器，所述级联分类器的训练步骤如下：

首先，将图像积分信息作为给定的训练样本集：(x₁，y₁)，(x₂，y₂)，…，(x_n，y_n)，x_n表示样本标号，y_n表示是否为人脸，n表示样本总数；

然后，初始化样本的权值w_i，_j，将变量从1到T进行T轮循环，得到每一个样本对应的权值p_i，_j、不等号的方向p以及阈值θ：

；

再根据样本对应的权值p_i，j、不等号的方向p以及阈值θ得到分类误差最小的特征：

h_i(x)＝h(x，f_j，p_j，θ_i)

其中，f_j训练样本的特征值；

最后，重新初始化样本权值，得到训练强分类器h(x)：

其中，e_i＝1表示样本被错误分类，e_i＝0表示样本被正确分类。

该智慧驾驶管理方法特征之一在于，采用级联的强分类器能够自适应错误信息，把被错误分类的样本的对应的权值加强，把权值加强后的所有样本用来训练下一轮基本分类器，在每一轮的分类器中都要加入一个新的分类器，直到达到设定的错误率或者迭代次数才结束。

根据所述训练强分类器训练结果截取人脸图像特征，并定义容器存放图像数据与对应的标签，通过加载人脸训练数据集对训练数据集进行PCA变化，得到训练人脸数据库模型。

所述PCA变化通过提取人脸的样本均值以及总体散步矩阵实现，所述样本均值E(X)以及总体散步矩阵C如下：

其中，X是有所有去均值的样本构成的N²×m维矩阵，C称作总体散布矩阵，维数为N²×N²。

所述PCA变化具体步骤如下：

首先，给定样本集m个样本，由灰度图像组成，每个样本的大小为N*N，训练样本矩阵为：X＝(X₁，X₂，…，X_m)；

其次，计算图片的平均值E(X)以及计算每一张人脸与平均值的差值d_i＝x_i-E(X)；

再构建总体散布矩阵C，求出总体散布矩阵的特征向量和特征脸空间，将待识别的人脸与平均值的差值投影到特征脸空间，得到特征向量空间；

最后，计算特征向量空间与每个人脸的距离，通过系统设定阈值作为可信度判断是否识别成功，并输出识别结果。

将所述识别结果加载到嵌入式控制系统的用户端，作为最终识别结果。

该智慧驾驶管理方法特征之二在于，特征向量和特征脸空间的提取主要将待识别的人脸在人脸数据库中进行匹配，对特征信息进行降维处理，降低非人脸特征信息的影响，达到数据降维的目的，提高算法的运行速度，并在显示界面上用红色矩形框标记，提高了人脸识别的时间与成功率。

本实施例中，PCA算法训练的过程主要过程是将训练数据集载入数据库，将要训练的人脸和平均脸差值向特征空间投影，得到对应的特征向量，然后计算欧式距离和可信度大小，当度大于设定的阈值时，识别成功，同时，找出与人脸数据库中模型中欧式距离最小的图像的标号，并将结果在人机交互界面上显示出来，否则识别失败。

本实施例中，当用户第一次使用人脸识别系统时，用户需要对准摄像头，点击界面上的人脸检测按钮，检测出人脸后，然后点击开始训练，当训练完成后，该用户的人脸信息就会加载到人脸数据库文件中，当点击人脸识别时，系统会调用人脸数据库，计算可信度，当可信度大于系统后台设置的阈值时，在嵌入式人脸识别系统界面显示识别的成员结果。

该基于嵌入式控制系统的智慧驾驶管理方法，通过嵌入式系统构建用户界面，并利用人脸检测算法和PCA人脸识别算法，对人脸图像进行训练并将训练数据集载入数据库，根据待识别图像的特性信息计算可信度与系统设定阈值相比较，同时能够找出与人脸数据库中模型中欧式距离最小的图像的标号，并将结果在人机交互界面上显示出来，该方法减少了算法流程以及计算量，提高了识别速率，同时在检测人脸后能够将该图形信息加载到人脸数据库文件中，便于下次直接显示，不仅提高了识别效率，而且摄像头能够自动移动准确扫描出人脸，能够有效的用于驾驶员管理系统。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (9)

1.一种智慧驾驶管理方法，其特征在于，包括以下步骤：

步骤1：利用嵌入式控制系统构建用户注册登录模块，供新老用户进行注册登录；

步骤2、通过调用Linux内核中视频接口函数将由摄像头获取的YUV格式图像通过相关函数转换成BMP图片；

步骤3、读取图像信息，通过人脸检测算法搜索获取的图片，并将检测到的人脸通过矩形框图进行标记、保存；

步骤4、通过人脸训练函数对得到的图片样本集进行训练，并将训练结果以XML文件格式保存；

步骤5、调用人脸检测模块通过人脸识别函数进行识别，并反馈识别结果。

2.根据权利要求1所述的一种智慧驾驶管理方法，其特征在于，步骤1中所述嵌入式控制系统采用基于Qt设计的主界面作为人机交互的界面。

3.根据权利要求1所述的一种智慧驾驶管理方法，其特征在于，步骤2中所述视频接口函数图像采集步骤如下：

首先，打开摄像头设备文件，对设备文件初始化设置，并向内核申请视频采集数据的缓冲区，将申请的内核中视频缓冲区映射到用户空间；

其次，在视频采集队列中，按次序将申请到的视频缓冲区排队，同时开始采集视频；

再者，根据底层部分完成视频的采集，通过应用程序取出帧缓冲区的视频，之后，将帧缓冲区放回视频采集队列；

最后，关闭摄像头，停止视频采集。

4.根据权利要求3所述的一种智慧驾驶管理方法，其特征在于，对所述视频接口函数采集到的图像通过所述人脸识别算法进行识别，所述人脸识别算法步骤如下：

首先，依据图像的像素灰度值I(x，y)，定义图像中任意一点A(x，y)的积分为：

其中，I(x′，y′)为原始图像在点(x′，y′)处点的颜色值，灰度图像的取值为0-255；

其次，逐点扫描原图像得到图像积分信息：

SAT(x，y)＝SAT(x-1，y)+s(x，y)

其中，s(x，y)表示(x，y)在y方向的原始图像之和。

5.根据权利要求4所述的一种智慧驾驶管理方法，其特征在于，根据所述图像积分信息构建级联分类器，所述级联分类器的训练步骤如下：

首先，将图像积分信息作为给定的训练样本集：(x₁，y₁)，(x₂，y₂)，…，(x_n，y_n)，x_n表示样本标号，y_n表示是否为人脸，n表示样本总数；

然后，初始化样本的权值w_i，j，将变量从1到T进行T轮循环，得到每一个样本对应的权值p_i，j、不等号的方向p以及阈值θ：

再根据样本对应的权值p_i，j、不等号的方向p以及阈值θ得到分类误差最小的特征：

h_i(x)＝h(x，f_j，p_j，θ_i)

其中，f_j训练样本的特征值；

最后，重新初始化样本权值，得到训练强分类器h(x)：

其中，e_i＝1表示样本被错误分类，e_i＝0表示样本被正确分类。

6.根据权利要求5所述的一种智慧驾驶管理方法，其特征在于，根据所述训练强分类器训练结果截取人脸图像特征，并定义容器存放图像数据与对应的标签，通过加载人脸训练数据集对训练数据集进行PCA变化，得到训练人脸数据库模型。

7.根据权利要求6所述的一种智慧驾驶管理方法，其特征在于，所述PCA变化通过提取人脸的样本均值以及总体散步矩阵实现，所述样本均值以及总体散步矩阵如下：

其中，X是有所有去均值的样本构成的N²×m维矩阵，C称作总体散布矩阵，维数为N²×N²。

8.根据权利要求6所述的一种智慧驾驶管理方法，其特征在于，所述PCA变化具体步骤如下：

首先，给定样本集m个样本，由灰度图像组成，每个样本的大小为N*N，训练样本矩阵为：X＝(X₁，X₂，…，X_m)；

其次，计算图片的平均值E(X)以及计算每一张人脸与平均值的差值d_i＝x_i-E(X)；

再构建总体散布矩阵C，求出总体散布矩阵的特征向量和特征脸空间，将待识别的人脸与平均值的差值投影到特征脸空间，得到特征向量空间；

最后，计算特征向量空间与每个人脸的距离，通过系统设定阈值作为可信度判断是否识别成功，并输出识别结果。

9.根据权利要求8所述的一种智慧驾驶管理方法，其特征在于，将所述识别结果加载到嵌入式控制系统的用户端，作为最终识别结果。

Images