CN111553233A - 一种智慧车辆管理方法 - Google Patents
一种智慧车辆管理方法 Download PDFInfo
- Publication number
- CN111553233A CN111553233A CN202010321735.XA CN202010321735A CN111553233A CN 111553233 A CN111553233 A CN 111553233A CN 202010321735 A CN202010321735 A CN 202010321735A CN 111553233 A CN111553233 A CN 111553233A
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- image
- information
- intelligent vehicle
- feature
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 53
- 238000012795 verification Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 5
- VLPFTAMPNXLGLX-UHFFFAOYSA-N trioctanoin Chemical compound CCCCCCCC(=O)OCC(OC(=O)CCCCCCC)COC(=O)CCCCCCC VLPFTAMPNXLGLX-UHFFFAOYSA-N 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
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
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Human Computer Interaction (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明实施例公开了一种智慧车辆管理方法，包括以下步骤：S01、在指纹验证区域进行指纹信息采集，通过特征提取算法提取指纹特征信息；S02、根据指纹特征信息建立相应的指纹模板库；S03、将待识别指纹与指纹模板库内任意两个采用指纹拼接策略形成的指纹模板进行识别；S04、创建任意规模形式和功能的安全运行环境，提供对称多处理模式的指纹识别环境，将基于Surf算法的指纹拼接识别技术运用到智慧车辆管理系统中，并结合普通系统的运用程序采集工作人员的指纹信息，能够有效地对驾驶车辆的人员进行严格管控，能够确认作为司机的申请人以便弄清楚后续的责任归属，为车辆调度提供了极大的便利。
Description
技术领域
本发明实施例涉及指纹识别车控技术领域，具体涉及一种智慧车辆管理方法。
背景技术
随着配电规模的增大以及市场对供电效率要求的提高，电网配电行业的车辆调度正面临着严峻的挑战，在这种情况下，依托现有的资源优势，运用通信技术和信息技术，将车辆调度加入智能控制领域，使得每辆车都能配合供电工作人员积极调度，提高供电抢修的效率。
目前在电网作业中，在现有车辆调度关系系统下，供电工作人员需要使用到公司内部的车辆时，需先通过预约，然后到智能钥匙柜刷卡拿走钥匙即可开走公用车辆，并且在出闸时，只需要刷任意一个员工卡片即可离开公司，但该方式存在一定的漏洞，无法确认该员工卡是否是相对的员工所持，也无法确认驾驶车辆的司机是否与调度车辆的员工一致，这会导致在后期发生交通事故或车辆丢失时，无法判断相对应的员工责任。
发明内容
为此，本发明实施例提供一种智慧车辆管理方法，将基于Surf算法的指纹拼接识别技术运用到智慧车辆管理方法中，并结合普通系统的运用程序采集工作人员的指纹信息，能够有效地对驾驶车辆的人员进行严格管控，能够确认作为司机的申请人以便弄清楚后续的责任归属，以解决现有技术中由于无法确认驾驶车辆的司机是否与调度车辆的员工一致，导致的在后期发生交通事故或车辆丢失时无法判断责任归属人的问题。
为了实现上述目的，本发明的实施方式提供如下技术方案：
一种智慧车辆管理方法，包括以下步骤：
S01、在指纹验证区域进行指纹信息采集，通过特征提取算法提取指纹特征信息；
S02、根据指纹特征信息建立相应的指纹模板库；
S03、将待识别指纹与指纹模板库内任意两个采用指纹拼接策略形成的指纹模板进行识别；
S04、采用TrustZone软件架构创建任意规模形式和功能的安全运行环境，提供对称多处理模式的指纹识别环境。
作为本发明的一种优选方案，步骤S01中所述特征提取算法包括以下几个步骤：
首先，采用Gamma矫正法(伽马校正算法)对指纹验证区域图像进行颜色空间标准化，并通过计算图像每个像素的梯度捕获指纹轮廓信息；
其次，将指纹轮廓图形划分为小的单元，统计每个单元的梯度直方图得到其描述子参数；
再者，将每几个单元组成一个block，将一个block内所有的单元的特征描述子参数串联起来得到该block的梯度直方图特征参数；
最后，将图像中的所有block的梯度直方图特征参数串联组成整个图像的梯度直方图特征参数，并通过特征参数向量进行最终的分类。
作为本发明的一种优选方案，所述描述子参数在计算时，先选定原点为原始图像的第一个像素点，以右轴为正向的x坐标轴，y轴取其下方的方向，将选定的坐标轴的点至原点之间的区域内的所有像素累加得到所求的描述子参数，并将其添加到指纹模板库中。
作为本发明的一种优选方案，选定所述描述子参数与原点之间构成的区域，利用所述区域内相对主方向划分的两个不同方向计算统计区域内的所有haar小波的特征信息，统计每个子区域的特征向量将其作为描述子参数向量。
作为本发明的一种优选方案，通过所述haar小波的特征信息提取特征点结合，利用所述特征点将待检测指纹图像与模板库内部任意两个通过所述指纹拼接策略拼接的指纹图像相同点对应起来。
作为本发明的一种优选方案，所述指纹拼接策略包括以下步骤：
首先、分别在待检测指纹图像与指纹库中选定的图像上任意选定一点RA、RB作为特征点，DA、DB分别表示该特征点的描述子向量，则点RA到RB的距离可以表示为：
其中DAi和DBi分别表示第i个分量；
其次、根据图像的特征点通过距离公式计算出最小值以选定另一幅图像的两个特征点，所得的距离值为最近距离ND，次近的距离为NND；
再者、利用最近距离ND除以次近的距离NND得到的比率Rod；
最后，根据设定的阈值T，若比值Rod明显小于设定的阈值，则表明匹配成功，否则匹配失败。
作为本发明的一种优选方案，根据设定的所述阈值T设定主任务空闲时间，初步解析执行环境的服务命令请求。
作为本发明的一种优选方案，所述服务命令请求在TrustZone软件架构中设置有对应的唯一识别码，该识别码放置在内存管理模块中。
作为本发明的一种优选方案，所述内存管理模块采用动态内存管理与分页存储管理模式，所述动态内存管理采用边界标识法来记录此内存块的信息及容量，所述分页存储管理使用循环链表管理，通过循环拟合算法为其分配内存空间。
作为本发明的一种优选方案，所述循环拟合算法采用非对称加密对敏感数据进行安全防护。
本发明的实施方式具有如下优点：
本发明实质上将基于Surf算法的指纹拼接识别技术运用到智慧车辆管理方法中，并结合普通系统的运用程序采集工作人员的指纹信息，将之传输到安全系统中，结合相应的指纹加密解密处理，最后与指纹库中的数据相比对，在反馈至普通系统中用于确定终端的下一步操作，整个系统的开发，能够有效对驾驶车辆的人员进行严格管控，能够确认作为司机的申请人以便弄清楚后续的责任归属，整个系统起到了安全防护以及责任到人作用，为车辆调度提供了极大的便利。
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车辆管理方法的结构框图。
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车辆管理方法，主要通过指纹识别技术在智慧终端提供指纹解锁功能，将SURF算法与智慧终端小面积指纹识别进行结合，构建了指纹图像作为自建数据库，并在FVC数据库中进行验证，能够将普通系统的应用程序用于采集指纹信息，将之传输至安全系统中，并同步进行指纹加密解密处理，最后与信息库比对匹配的结果反馈至普通系统中用以确定终端下一步操作，不仅提高了智慧车辆指纹识别的安全性能，还提供了严格的人员管控机制，避免了在后期因发生交通事故或车辆丢失责任归属上存在严重的问题。
包括以下步骤：
S01、在指纹验证区域进行指纹信息采集，通过特征提取算法提取指纹特征信息；
S02、根据指纹特征信息建立相应的指纹模板库；
S03、将待识别指纹与指纹模板库内任意两个采用指纹拼接策略形成的指纹模板进行识别；
S04、采用TrustZone软件架构创建任意规模形式和功能的安全运行环境，提供对称多处理模式的指纹识别环境。
ARM TrustZone技术是系统范围的安全方法，针对高性能计算平台上的大量应用，安全性较高。TrustZone软件是一种应用技术。
该智慧车辆管理方法的特征之一在于，通过收集作业人员的指纹信息建立指纹模板库，采用指纹拼接策略将待识别指纹与指纹模板库内的指纹信息进行比对，并通过TrustZone软件架构建立具有唯一标识的识别码，并保证安全存储空间，为智慧车辆管控提供了唯一的识别标识，不仅提高了车辆管理的准确度及高识别率，而且使得系统车辆便于管控，避免了由于管控不力在后期发生交通事故或车辆丢失责任归属上存在严重的问题。
步骤S01中所述特征提取算法包括以下几个步骤：
首先，采用Gamma矫正法对指纹验证区域图像进行颜色空间标准化，并通过计算图像每个像素的梯度捕获指纹轮廓信息。
指纹验证区域是指对指纹进行识别的区域，是一个提前设置好的区域，而通过对验证区域得到的指纹验证区域图像进行处理得到该图像的轮廓信息。
其次，将指纹轮廓图形划分为小的单元，统计每个单元的梯度直方图得到其描述子参数。
由于捕获的指纹轮廓信息是以图形形式存在的，因此可以对该图形进行小单元划分。
再者，将每几个单元组成一个block，将一个block内所有的单元的特征描述子参数串联起来得到该block的梯度直方图特征参数。
最后，将图像中的所有block的梯度直方图特征参数串联组成整个图像的梯度直方图特征参数，并通过特征参数向量进行最终的分类。
本实施例中，通过Gamma矫正法对指纹验证区域图像进行颜色空间标准化，该算法流程如下：
首先，将指纹图像分成N*N个子块，其中每一块的大小为W*W；
其次，分别计算出指纹图像中每一子块的灰度均值和灰度方差，第x行y列个子块图像的灰度均值和方差公式为：
其中，x＝1，2，3…m，y＝1，2，3…n。
最后，根据指纹图像的灰度方差值的分布，确定阈值T，分割图像，将上一步得到的灰度方差与T进行比较，大于该阈值的块为指纹的前景区，保留该子块的灰度值，否则为背景。
本实施例中，在对待识别图像分别与指纹模板1和指纹模板2进行比对时，根据待识别图像分别与指纹模板1和指纹模板2之间的重合区域设定相关阈值，降低了由于相匹配的关键点过小而导致的识别失败问题，并且能够根据设定阈值T将待识别图像与指纹模板1与指纹模板2拼接后的模板进行识别即能正确识别，从而指纹拼接策略能够提高正确识别率和降低错误接受率。
所述描述子参数在计算时，先选定原点为原始图像的第一个像素点，以右轴为正向的x坐标轴，y轴取其下方的方向，将选定的坐标轴的点至原点之间的区域内的所有像素累加得到所求的描述子参数，并将其添加到指纹模板库中。其中，原始图像，即采集到的指纹信息图像，没有经过任何处理的图像。
本实施例中，采用对描述子参数积分处理的方法，可以起到简化计算过程和提高识别率的作用，其优势在于计算过程中，矩阵的变化不会直接影响到运算量，而且面积大小的变化也与计算过程无关，这样就可以直接选择区域内的顶角位置计算覆盖区域内的像素值之和，从而提高计算精度。
选定所述描述子参数与原点之间构成的区域，利用所述区域内相对主方向划分的两个不同方向计算统计区域内的所有haar小波的特征信息，统计每个子区域的特征向量将其作为描述子参数向量。
本实施例中，利用haar小波选取区域内的特征主方向作为特征信息区域内的主方向，主要流程为：利用haar小波对图像作进一步处理，即利用小波响应的变化，对两个坐标轴对应的方向进行计算，最后在间隔0.2弧度大小内，根据计算得的旋转扇形区域中haar小波特征值最大对应的方向，即为最后确定的特征点的主方向，该方法不仅保证了特征值的稳定性，而且提高了运算速率。
本实施例中，通过构建矩阵的形式提取设定区域的特征信息，利用二阶偏导来计算相关的多元函数方阵的局部曲率，其矩阵公式如下：
其中点(x，y)为设定区域内的特征信息；
再对该矩阵进行高斯卷积计算出所得值det(H)，在将需要考虑的误差加入，乘以相对应的加权值m，由下式即可得到：
det(H)＝Dxy*Dyy-(Dyy-m)2
其中，Dxy、Dyy为点(x，y)在垂直方向上的对应值，该方法可以极大优化计算的过程和提高计算结果的精确性。
通过所述haar小波的特征信息提取特征点结合，利用所述特征点将待检测指纹图像与模板库内部任意两个通过所述指纹拼接策略拼接的指纹图像相同点对应起来。
本实施例中，主要通过构建描述子向量提取特征点信息，根据每个梯度方向的不同，并利用子区域内相对主方向划分的两个不同方向计算统计区域内的所有haar小波的特征信息，不仅能够提高匹配速率，还降低了数据处理的维数。
所述指纹拼接策略包括以下步骤：
首先、分别在待检测指纹图像与指纹库中选定的图像上任意选定一点RA、RB作为特征点，DA、DB分别表示该特征点的描述子向量，则点RA到RB的距离可以表示为：
其中DAi和DBi分别表示第i个分量；
其次、根据图像的特征点通过距离公式计算出最小值以选定另一幅图像的两个特征点，所得的距离值为最近距离ND，次近的距离为NND；
再者、利用最近距离ND除以次近的距离NND得到的比率Rod；
最后，根据设定的阈值T，若比值Rod明显小于设定的阈值，则表明匹配成功，否则匹配失败。
该智慧车辆管理方法的特征之二在于，采用基于Surf算法的指纹拼接算法，通过在面积较小的指纹区域内进行信息采集，对图像的像素点进行积分运算，并且将对应的值转化为矩阵方法求取Hessian矩阵行列式的值，这样的计算可以在建立Surf尺度金字塔时，排除滤波器本身造成的计算结果的影响，不仅可以减少运算时间、缩短分析过程，而且可以进一步提取特征点进行分析从而建立模板库。
本实施例中，选择阈值T时，往往需要根据不同的情况加以调整，具体是利用特征点的数量和要求保证的准确度来调整，特征点的鲁棒性和阈值的选定直接相关，阈值越大，相关的特性越好，但是实际情况中，可适当降低阈值，目的在于应对较为简单的图像识别和处理，以保证过程的简化，相反，复杂图像需要将阈值调整成较高的数值以进行分析和识别工作。
根据设定的所述阈值T设定主任务空闲时间，初步解析执行环境的服务命令请求。
本实施例中，所述服务请求命令通过主任务模块运行在T-OS系统架构中，该主任务模块通过用于监控运行状态且初步解析、监听普通执行环境的服务命令请求，且在T-OS空闲时运行，它的作用类似于普通操作系统的守护进程，当T-OS完成相应的初始化并且成功启动之后，主任务成为第一个被创建的任务且调度执行，该任务会一直存在除非断电。
所述服务命令请求在TrustZone软件架构中设置有对应的唯一识别码，该识别码放置在内存管理模块中。
本实施例中，主任务模块的功能都是通过唯一识别码来对应进行功能的实现。
所述内存管理模块采用动态内存管理与分页存储管理模式，所述动态内存管理采用边界标识法来记录此内存块的信息及容量，所述分页存储管理使用循环链表管理，通过循环拟合算法为其分配内存空间。
本实施例中，内存管理模块对于空闲的内存块则根据其相邻内存空闲与否确定是否以一并进行回收，来扩大内存空间大小，不仅可以实现位图法标记内存空间，清晰易识别内存结构和各类情况，还可以更加高效地进行空间管理。
所述循环拟合算法采用非对称加密对敏感数据进行安全防护。
本实施例中，针对车辆管理环境，为了保证加密数据具有较高级别的安全性，使用了非对称加密的方式，分别使用两种密钥，公钥代表前段的所有请求，可以满足给所有请求。而私钥则由专人负责管理，解密和加密过程分别采用两种不同的密钥进行。
本实施例中，T-OS架构系统内部安全防护流程如下：
首先，在T-OS系统内部定义用于车辆管理的通用唯一识别码以及用于指纹识别服务的命令标识；
其次，利用非对称结构的加密模块解密指纹密文信息获取指纹数据；
再者，调用指纹信息特征提取函数，得到可以描述该指纹信息的特征向量；
最后，利用最近距离比次近距离的匹配方法进行指纹比配，并将拼接好的指纹信息存储在指纹库中，完后指纹模式匹配。
该基于的智慧车辆管理方法，将基于Surf算法的指纹拼接识别技术运用到智慧车辆管理方法中，并结合普通系统的运用程序采集工作人员的指纹信息，将之传输到安全系统中，结合相应的指纹加密解密处理，最后与指纹模板库中的数据相比对，在反馈至普通系统中用于确定终端的下一步操作，整个系统的开发，能够有效对驾驶车辆的人员进行严格管控，能够确认作为司机的申请人以便弄清楚后续的责任归属，整个系统起到了安全防护以及责任到人作用，为车辆调度提供了极大的便利。
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 (10)
1.一种智慧车辆管理方法，其特征在于，包括以下步骤：
S01、在指纹验证区域进行指纹信息采集，通过特征提取算法提取指纹特征信息；
S02、根据指纹特征信息建立相应的指纹模板库；
S03、将待识别指纹与指纹模板库内任意两个采用指纹拼接策略形成的指纹模板进行识别；
S04、采用TrustZone软件架构创建任意规模形式和功能的安全运行环境，提供对称多处理模式的指纹识别环境。
2.根据权利要求1所述的一种智慧车辆管理方法，其特征在于，步骤S01中所述特征提取算法包括以下几个步骤：
首先，采用Gamma矫正法对指纹验证区域图像进行颜色空间标准化，并通过计算图像每个像素的梯度捕获指纹轮廓信息；
其次，将指纹轮廓图形划分为小的单元，统计每个单元的梯度直方图得到其描述子参数；
再者，将每几个单元组成一个block，将一个block内所有的单元的特征描述子参数串联起来得到该block的梯度直方图特征参数；
最后，将图像中的所有block的梯度直方图特征参数串联组成整个图像的梯度直方图特征参数，并通过特征参数向量进行最终的分类。
3.根据权利要求2所述的一种智慧车辆管理方法，其特征在于，所述描述子参数在计算时，先选定原点为原始图像的第一个像素点，以右轴为正向的x坐标轴，y轴取其下方的方向，将选定的坐标轴的点至原点之间的区域内的所有像素累加得到所求的描述子参数，并将其添加到指纹模板库中。
4.根据权利要求3所述的一种智慧车辆管理方法，其特征在于，选定所述描述子参数与原点之间构成的区域，利用所述区域内相对主方向划分的两个不同方向计算统计区域内的所有haar小波的特征信息，统计每个子区域的特征向量将其作为描述子参数向量。
5.根据权利要求4所述的一种智慧车辆管理方法，其特征在于，通过所述haar小波的特征信息提取特征点结合，利用所述特征点将待检测指纹图像与模板库内部任意两个通过所述指纹拼接策略拼接的指纹图像相同点对应起来。
6.根据权利要求5所述的一种智慧车辆管理方法，其特征在于，所述指纹拼接策略包括以下步骤：
首先、分别在待检测指纹图像与指纹库中选定的图像上任意选定一点RA、RB作为特征点，DA、DB分别表示该特征点的描述子向量，则点RA到RB的距离可以表示为：
其中DAi和DBi分别表示第i个分量；
其次、根据图像的特征点通过距离公式计算出最小值以选定另一幅图像的两个特征点，所得的距离值为最近距离ND，次近的距离为NND；
再者、利用最近距离ND除以次近的距离NND得到的比率Rod；
最后，根据设定的阈值T，若比值Rod明显小于设定的阈值，则表明匹配成功，否则匹配失败。
7.根据权利要求6所述的一种智慧车辆管理方法，其特征在于，根据设定的所述阈值T设定主任务空闲时间，初步解析执行环境的服务命令请求。
8.根据权利要求7所述的一种智慧车辆管理方法，其特征在于，所述服务命令请求在TrustZone软件架构中设置有对应的唯一识别码，该识别码放置在内存管理模块中。
9.根据权利要求8所述的一种智慧车辆管理方法，其特征在于，所述内存管理模块采用动态内存管理与分页存储管理模式，所述动态内存管理采用边界标识法来记录此内存块的信息及容量，所述分页存储管理使用循环链表管理，通过循环拟合算法为其分配内存空间。
10.根据权利要求9所述的一种智慧车辆管理方法，其特征在于，所述循环拟合算法采用非对称加密对敏感数据进行安全防护。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010321735.XA CN111553233A (zh) | 2020-04-22 | 2020-04-22 | 一种智慧车辆管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010321735.XA CN111553233A (zh) | 2020-04-22 | 2020-04-22 | 一种智慧车辆管理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111553233A true CN111553233A (zh) | 2020-08-18 |
Family
ID=72004230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010321735.XA Pending CN111553233A (zh) | 2020-04-22 | 2020-04-22 | 一种智慧车辆管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111553233A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1197912A2 (en) * | 2000-10-11 | 2002-04-17 | Hiroaki Kunieda | System for fingerprint authentication |
| US20110044513A1 (en) * | 2009-08-19 | 2011-02-24 | Harris Corporation | Method for n-wise registration and mosaicing of partial prints |
| CN105320946A (zh) * | 2015-11-03 | 2016-02-10 | 盐城工学院 | 一种基于matlab的指纹识别方法 |
| CN106529407A (zh) * | 2016-10-09 | 2017-03-22 | 北京电子科技职业学院 | 一种车载指纹识别方法 |
| CN109949227A (zh) * | 2019-03-12 | 2019-06-28 | 湖北文理学院 | 图像拼接方法、系统及电子设备 |
-
2020
- 2020-04-22 CN CN202010321735.XA patent/CN111553233A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1197912A2 (en) * | 2000-10-11 | 2002-04-17 | Hiroaki Kunieda | System for fingerprint authentication |
| US20110044513A1 (en) * | 2009-08-19 | 2011-02-24 | Harris Corporation | Method for n-wise registration and mosaicing of partial prints |
| CN105320946A (zh) * | 2015-11-03 | 2016-02-10 | 盐城工学院 | 一种基于matlab的指纹识别方法 |
| CN106529407A (zh) * | 2016-10-09 | 2017-03-22 | 北京电子科技职业学院 | 一种车载指纹识别方法 |
| CN109949227A (zh) * | 2019-03-12 | 2019-06-28 | 湖北文理学院 | 图像拼接方法、系统及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 杨枝: "基于 TrustZone 的小面积指纹识别系统研究与设计" * |
| 杨枝: "基于 TrustZone 的小面积指纹识别系统研究与设计", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 2 - 4 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111191539B (zh) | 证件真伪验证方法、装置、计算机设备和存储介质 | |
| US9928401B2 (en) | System and method of biometric enrollment and verification | |
| CN111275381B (zh) | 核电站备件盘点方法、装置、设备及存储介质 | |
| US8908934B2 (en) | Fingerprint recognition for low computing power applications | |
| CN111191532B (zh) | 基于施工区域的人脸识别方法、装置、计算机设备 | |
| US20090285459A1 (en) | Fingerprint representation using gradient histograms | |
| CN111191567A (zh) | 身份数据处理方法、装置、计算机设备和存储介质 | |
| CN111191568A (zh) | 翻拍图像识别方法、装置、设备及介质 | |
| CN112149088B (zh) | 一种基于人脸识别权限管理装置 | |
| CN114925348B (zh) | 一种基于指纹识别的安全验证方法及系统 | |
| CN112560683A (zh) | 一种翻拍图像识别方法、装置、计算机设备及存储介质 | |
| CN113673439A (zh) | 基于人工智能的宠物狗识别方法、装置、设备及存储介质 | |
| CN111354038B (zh) | 锚定物检测方法及装置、电子设备及存储介质 | |
| CN111178224A (zh) | 物体规则判断方法、装置、计算机设备和存储介质 | |
| CN111553233A (zh) | 一种智慧车辆管理方法 | |
| CN111428708A (zh) | 车牌校验方法、装置、计算机设备及存储介质 | |
| CN107784625A (zh) | 电子装置、虚拟样本生成方法及存储介质 | |
| CN111985448A (zh) | 车辆图像识别方法、装置、计算机设备及可读存储介质 | |
| CN111753716A (zh) | 一种停车压线检测方法及服务器 | |
| CN110717429A (zh) | 一种信息处理方法、电子设备及计算机可读存储介质 | |
| CN115798004A (zh) | 基于局部区域的人脸打卡方法、装置、电子设备及介质 | |
| CN114972540A (zh) | 目标定位方法、装置、电子设备及存储介质 | |
| CN111753722A (zh) | 一种基于特征点类型的指纹识别方法及装置 | |
| US20200387694A1 (en) | Face recognition method and electronic device employing the method | |
| CN117688541B (zh) | 一种电力行业业扩数据处理系统 |
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 |