CN112906486B - 无人驾驶出租车的乘客状况检测方法、控制方法及系统 - Google Patents

Abstract

本发明提供了无人驾驶出租车的乘客状况检测方法、控制方法及系统。乘客状况检测方法包括如下步骤：获取无人驾驶出租车的座位区域的第一图像数据、第二图像数据以及冗余检测数据；将第一图像数据和冗余校验数据进行数据融合，获得第一融合数据，将第二图像数据和冗余校验数据进行数据融合，获得第二融合数据；判断第一融合数据和第二融合数据是否一致，若一致，则将第一融合数据或第二融合数据作为第一结果数据，从而根据第一结果数据输出乘客数量以及乘客行为；若不一致，则将第一融合数据和第二融合数据进行数据融合，以获得第二结果数据，从而根据第二结果数据输出乘客数量以及乘客行为。该方法提高了无人驾驶出租车乘客数量和行为检测准确率。

Description

无人驾驶出租车的乘客状况检测方法、控制方法及系统

技术领域

本发明涉及无人驾驶技术领域，尤其涉及一种无人驾驶出租车的乘客状况检测方法、无人驾驶出租车的乘客状况检测系统、无人驾驶出租车的控制方法及无人驾驶出租车的控制系统。

背景技术

随着无人驾驶技术的发展，为缓解城市交通压力、节能减排，百度、谷歌等无人驾驶行业巨头先后在各大城市上线无人驾驶出租车，无人驾驶出租车具有智能化管理、统一调度、更高效、更安全、低运营成本等优点，可提供更准确、更个性化的服务。

为充分高效的运行无人驾驶出租车，合理的路径规划和拼车服务是有效降低无人驾驶出租车成本的有效手段。相比与传统的出租车，无人驾驶出租车没有司机和相关的服务人员，结合运营成本和统一调度等问题，无人驾驶出租车不可能实现一对一的后台服务，因此运营过程中车内情况无法有效的获取，包括乘客数量和乘客的安全。拼车过程中存在预约人数和实际上车人数不符造成车辆的超载，以及车内乘客的不文明和危险行为，会严重影响乘客安全和车辆安全。

目前无人驾驶出租车的运营只是少量，可以通过后台连线车内监控设备，实时检测和确认车内情况，判断是否有乘客数量和预约不符以及乘客的危险行为，但无人驾驶出租车大量的商用时，考虑运营成本，不可能部署大量的后台员工实时监控车内状况，必须在车端部署乘客数量和行为的检测手段。检测手段通过是视觉相机人脸识别和行为检测等算法实现。

视觉相机人脸识别的实时图像的清晰度和乘客图像获取的完整度决定了匹配的准确度，夜间时段车内光线暗淡、乘客图像不完整(处于盲区或被遮挡)和数据库匹配错误等都会影响乘客数量的准确度。基于机械学习的行为检测算法也是基于图像的实时信息，根据乘客当前的行为预测和判断是否危险的行为，图像越清晰及乘客行为获取越完整，行为检测的准确性越高。同时由于传统的人脸识别和机械学习都存在误检，一般准确度可达99％，一旦无人驾驶出租车大量部署，系统的每一次的误检都会带来无人驾驶出租车运营成本的增加。

发明内容

本申请的发明人发现，可见光摄像头检测准确度和环境亮度有关，光线越好获取的面部和行为信息越清晰，算法效果越好，红外摄像头受环境温度影响较大，其在夜间、低照度环境下通过温度识别乘客面部和行为信息相比于白天和高照度环境更准确。因此，可见光和红外摄像头检测易受环境温度和光照强度的影响存在漏检。而毫米波雷达具有全天候检测能力，不受环境温度和光照强度影响，可以利用其高带宽和高分辨率的特性可采集乘客心跳变化带来的多普勒频率完成心跳检测，通过心跳变化规律完成乘客数量和危险行为的检测，但其通过检测心跳多普勒频率变化的方法易存在误检。

本申请的一个目的在于提高无人驾驶出租车全天候、全时段乘客数量和行为检测准确率。

本申请的一个进一步的目的在于进一步提高驾驶出租车全天候、全时段乘客数量和行为检测准确率，以实现驾驶出租车全天候、全时段乘客数量和行为检测无误的效果。

特别地，本发明提供了无人驾驶出租车的乘客状况检测方法，包括如下步骤：

获取无人驾驶出租车的座位区域的由不同的数据获取单元获取的第一图像数据、第二图像数据以及冗余检测数据，所述第一图像数据、所述第二图像数据以及所述冗余检测数据均至少包含用以反映乘客数量以及乘客行为的数据；

将所述第一图像数据和所述冗余校验数据进行数据融合，获得至少包含乘客数量以及乘客行为的第一融合数据，将所述第二图像数据和所述冗余校验数据进行数据融合，获得至少包含乘客数量以及乘客行为的第二融合数据；

判断所述第一融合数据和所述第二融合数据是否一致，

若一致，则将所述第一融合数据或所述第二融合数据作为第一结果数据，从而根据所述第一结果数据输出所述无人驾驶出租车内乘客的数量以及乘客行为；

若不一致，则将所述第一融合数据和所述第二融合数据进行数据融合，以获得第二结果数据，从而根据所述第二结果数据输出所述无人驾驶出租车内乘客的数量以及乘客行为。

可选地，提取所述第一图像数据和所述冗余校验数据中所包含的时间戳以及至少包含乘客身份特征、乘客位置以及乘客行为的属性特征；

根据所述第一图像数据中的所述属性特征来确定第一乘客特征，根据与所述第一图像数据时间戳相同或相近的所述冗余校验数据中的所述属性特征来确定第二乘客特征，所述第一乘客特征和所述第二乘客特征均包括乘客数量以及各个乘客的乘客行为；

将所述第一乘客特征和所述第二乘客特征进行比较，

在所述第一乘客特征和所述第二乘客特征一致时，将所述第一图像数据中的所述属性特征以及所述第一乘客特征作为所述第一融合数据，或者将所述冗余校验数据中的所述属性特征以及所述第二乘客特征作为所述第一融合数据；

在所述第一乘客特征和所述第二乘客特征存在不一致的数据时，将该不一致的数据中能够表示更多乘客数量以及乘客行为危险的数据作为所述第一融合数据的部分数据，并将其他一致的数据作为所述第一融合数据的另一部分数据。

可选地，将所述第二图像数据和所述冗余校验数据进行数据融合，获得至少包含乘客数量以及乘客行为的第二融合数据，包括如下步骤：

提取所述第二图像数据中所包含的时间戳以及至少包含乘客身份特征、乘客位置以及乘客行为的属性特征；

根据与所述冗余校验数据时间戳相同或相近的所述第二图像数据中的所述属性特征来确定第三乘客特征，所述第三乘客特征包括乘客数量以及各个乘客的乘客行为；

将所述第二乘客特征和所述第三乘客特征进行比较，

在所述第二乘客特征和所述第三乘客特征一致时，将所述第二图像数据中的所述属性特征以及所述第三乘客特征作为所述第二融合数据，或者将所述冗余校验数据中的所述属性特征以及所述第二乘客特征作为所述第二融合数据；

在所述第二乘客特征和所述第三乘客特征存在不一致的数据时，将该不一致的数据中能够表示更多乘客数量以及乘客行为危险的数据作为所述第二融合数据的部分数据，并将其他一致的数据作为所述第二融合数据的另一部分数据。

可选地，所述属性特征中能够确定乘客数量的特征包括所述乘客身份特征以及所述乘客位置。

可选地，将所述第一融合数据和所述第二融合数据进行数据融合，以获得第二结果数据，包括如下步骤：

将所述第一融合数据的权值和所述第二融合数据中权值进行比较，将权值较大的作为所述第二数据结果，其中，所述权值表示数据的准确度；

可选地，所述权值按照以下方法获取：

获取当前的环境温度以及环境亮度；

根据所述环境温度和所述环境亮度通过查询环境-数据权值表来确定所述第一融合数据和所述第二融合数据的权值。

可选地，所述第一图像数据对应的图像质量受环境温度影响；

所述第二图像数据对应的图像质量受环境亮度影响。

特别地，本发明提供了一种无人驾驶出租车的乘客状况检测系统，包括第一控制装置，所述第一控制装置包括第一存储器和第一处理器，所述第一存储器内存储有第一控制程序，所述第一控制程序被所述第一处理器执行时用于实现前述的乘客状况检测方法。

特别地，本发明提供了一种无人驾驶出租车的控制方法，包括如下步骤：

响应于乘客发送的包含乘车位置的乘车需求，以使无人驾驶出租车到达所述乘车位置；

对乘客进行上车前的身份认证，并在所述身份认证通过之后开启车门，以允许乘客上车；

执行前述的乘客状况检测方法，以监控所述无人驾驶出租车内乘客的数量以及乘客行为。

可选地，所述控制方法还包括如下步骤：

将所述无人驾驶出租车内乘客的数量与实际预约乘客数量进行比较，若两者一致，则使得所述无人驾驶出租车按照预先制定的最优路线完成载客任务；

若两者不一致，则将当前乘客数量发送至后台，以进行再次确认。

特别地，本发明还提供了一种无人驾驶出租车的控制系统，包括第二控制装置，所述第二控制装置包括第二存储器和第二处理器，所述第二存储器内存储有第二控制程序，所述第二控制程序被所述第二处理器执行时用于实现前述的控制方法。

根据本发明实施例的方案，通过获取第一图像数据、第二图像数据以及冗余检测数据，并将第一图像数据与冗余检测数据进行融合获得第一融合数据，将第二图像数据与冗余检测数据进行融合获得第二融合数据，并进一步判断第一融合数据和第二融合数据是否一致，并在两者一致的情况下，根据第一结果数据输出无人驾驶出租车内乘客的数量以及乘客行为，在两者不一致的情况下，将第一融合数据和第二融合数据进行数据融合后获得的第二结果数据输出为无人驾驶出租车内乘客的数量以及乘客行为，由此极大提高了提高无人驾驶出租车全天候、全时段乘客数量和行为检测准确率。

进一步地，通过将第一乘客特征和第二乘客特征进行比较，从而获得第一融合数据，并通过将第二乘客特征和第三乘客特征进行比较，从而获得第二融合数据，并再次比较第一融合数据和第二融合数据，并根据两者是否一致来确定是否再次进行数据融合，从而获得精确的乘客数量以及乘客行为，从而实现无人驾驶出租车全天候、全时段乘客数量和行为检测无误的目的。

根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。

附图说明

后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：

图1示出了根据本发明一个实施例的无人驾驶出租车的乘客状况检测方法的示意性流程图；

图2示出了图1所示的步骤S200的示意性流程图；

图3示出了本发明一个实施例的无人驾驶出租车的控制方法的示意性流程图。

具体实施方式

图1示出了根据本发明一个实施例的无人驾驶出租车的乘客状况检测方法的示意性流程图。如图1所示，该乘客状况检测方法包括：

步骤S100，获取无人驾驶出租车的座位区域的由不同的数据获取单元获取的第一图像数据、第二图像数据以及冗余检测数据，第一图像数据、第二图像数据以及冗余检测数据均至少包含用以反映乘客数量以及乘客行为的数据；

步骤S200，将第一图像数据和冗余校验数据进行数据融合，获得至少包含乘客数量以及乘客行为的第一融合数据，将第二图像数据和冗余校验数据进行数据融合，获得至少包含乘客数量以及乘客行为的第二融合数据；

步骤S300，判断第一融合数据和第二融合数据是否一致，

若一致，则将第一融合数据或第二融合数据作为第一结果数据，从而根据第一结果数据输出无人驾驶出租车内乘客的数量以及乘客行为；

若不一致，则将第一融合数据和第二融合数据进行数据融合，以获得第二结果数据，从而根据第二结果数据输出无人驾驶出租车内乘客的数量以及乘客行为。

根据本发明实施例的方案，通过获取第一图像数据、第二图像数据以及冗余检测数据，并将第一图像数据与冗余检测数据进行融合获得第一融合数据，将第二图像数据与冗余检测数据进行融合获得第二融合数据，并进一步判断第一融合数据和第二融合数据是否一致，并在两者一致的情况下，根据第一结果数据输出无人驾驶出租车内乘客的数量以及乘客行为，在两者不一致的情况下，将第一融合数据和第二融合数据进行数据融合后获得的第二结果数据输出为无人驾驶出租车内乘客的数量以及乘客行为，由此极大提高了提高无人驾驶出租车全天候、全时段乘客数量和行为检测准确率。

在步骤S100中，第一图像数据的图像质量受环境温度影响，第二图像数据的图像质量受环境亮度影响。在一个实施例中，该第一图像数据可以由第一数据获取单元获取，该第一数据获取单元例如可以为可见光摄像头，该第二图像数据可以由第二数据获取单元获取，该第二数据获取单元例如可以为红外摄像头。该冗余检测数据可以由第三数据获取单元获取，该第三数据获取单元例如可以为毫米波雷达。该步骤可以每隔一段时间获取一次第一图像数据、第二图像数据和冗余检测数据。

该第一图像数据和第二图像数据均至少包括能够用于表示出乘客数量以及乘客行为的属性特征，该属性特征例如可以包括乘客ID、乘客位置、乘客形状、乘客性别以及乘客行为等。其中，一个乘客对应一个乘客ID，乘客ID即为乘客身份特征，乘客位置是在车辆坐标系中的位置，其中，车辆坐标系为公知常识，即x轴平行地面指向行进方向，y轴指向汽车的左侧，z轴指向上方并垂直与地面，原点为汽车的质心。乘客形状包括乘客身高、胖瘦数据。乘客行为包括正常、危险和未知行为。危险行为包含打架、抢劫和破坏车内装置以及存在危害乘客生命安全的行为。其中，乘客ID、乘客位置、乘客形状、乘客性别可以用来确定是否存在乘客以及乘客数量。

同样，该冗余检测数据至少包括能够用于表示出乘客数量以及乘客行为的属性特征，该属性特征例如可以包括乘客ID、乘客位置、乘客形状、乘客心跳频率等。乘客ID、乘客位置乘客形状以及乘客心跳频率可以反映出是否真实存在乘客以及乘客的数量。乘客心跳频率也可以反映出乘客行为。

如图2所示，该步骤S200包括如下步骤：

步骤S210，提取第一图像数据、冗余校验数据和第二图像数据中所包含的时间戳以及至少包含乘客身份特征、乘客位置以及乘客行为的属性特征；

步骤S220，根据第一图像数据中的属性特征来确定第一乘客特征，根据与第一图像数据时间戳相同或相近的冗余校验数据中的属性特征来确定第二乘客特征，第一乘客特征和第二乘客特征均包括乘客数量以及各个乘客的乘客行为；

步骤S230，将第一乘客特征和第二乘客特征进行比较，

在第一乘客特征和第二乘客特征一致时，将第一图像数据中的属性特征以及第一乘客特征作为第一融合数据，或者将冗余校验数据中的属性特征以及第二乘客特征作为第一融合数据；

在第一乘客特征和第二乘客特征存在不一致的数据时，将该不一致的数据中能够表示更多乘客数量以及乘客行为危险的数据作为第一融合数据的部分数据，并将其他一致的数据作为第一融合数据的另一部分数据；

步骤S240，根据与冗余校验数据时间戳相同或相近的第二图像数据中的属性特征来确定第三乘客特征，第三乘客特征包括乘客数量以及各个乘客的乘客行为；

步骤S250，将第二乘客特征和第三乘客特征进行比较，

在第二乘客特征和第三乘客特征一致时，将第二图像数据中的属性特征以及第三乘客特征作为第二融合数据，或者将冗余校验数据中的属性特征以及第二乘客特征作为第二融合数据；

在第二乘客特征和第三乘客特征存在不一致的数据时，将该不一致的数据中能够表示更多乘客数量以及乘客行为危险的数据作为第二融合数据的部分数据，并将其他一致的数据作为第二融合数据的另一部分数据。

在该步骤S210中，该第一图像数据和冗余校验数据中均还包含时间戳。

在步骤S220中第一图像数据和冗余检测数据为时间戳相同或相近的数据。

在步骤S230中，在第一乘客特征和第二乘客特征一致时：

第一图像数据中的属性特征以及第一乘客特征作为第一融合数据时，t时间戳的第一融合数据D_1t可以表示为{O₁₁,O₁₂,O₁₃,……O_1N,P}，其中，O_1i表示第一图像数据中对第i个乘客的属性特征，P表示根据第一图像数据的属性特征确定的乘客数量，其中，第一图像数据的属性特征包括乘客ID、乘客位置、乘客形状、乘客性别以及乘客行为。

将冗余校验数据中的属性特征以及第二乘客特征作为第一融合数据时，第一融合数据D_1t可以表示为{Q₁₁,Q₁₂,Q₁₃,……Q_1N,P}，其中，Q_1i表示冗余校验数据中对第i个乘客的属性特征，P表示根据冗余校验数据的属性特征确定的乘客数量，其中，冗余校验数据的属性特征包括乘客ID、乘客位置、乘客形状以及乘客心跳频率。可以根据乘客心跳频率、乘客位置确定乘客的行为。

在第一乘客特征和第二乘客特征存在不一致的数据时：

将该不一致的数据中能够表示更多乘客数量以及乘客行为危险的数据作为第一融合数据的部分数据，并将其他一致的数据作为第一融合数据的另一部分数据。这存在两种情况，一种是第一乘客特征和第二乘客特征中的数据完全不同，另一种是两者数据部分相同。

当第一乘客特征和第二乘客特征中的数据完全不同时，将表示更多乘客数量以及乘客行为危险的数据作为第一融合数据。

当第一乘客特征和第二乘客特征中的数据部分相同时，将表示更多乘客数量以及乘客行为危险的数据作为第一融合数据的部分数据，并将相同的数据作为第一融合数据的另一部分数据。

在步骤S240中，第二图像数据与冗余校验数据的时间戳相同或相近，而冗余校验数据与第一图像数据的时间戳相同或相近，因此，第一图像数据、第二图像数据与冗余校验数据的时间戳相同或相近。

在步骤S250中，在第二乘客特征和第三乘客特征一致时：

将第二图像数据中的属性特征以及第三乘客特征作为第二融合数据时，t时间戳的第二融合数据D_2t可以表示为{O₂₁,O₂₂,O₂₃,……O_2N,R}，其中，O_2i表示第二图像数据中对第i个乘客的属性特征，R表示根据第二图像数据的属性特征确定的乘客数量，其中，第二图像数据的属性特征包括乘客ID、乘客位置、乘客形状、乘客性别以及乘客行为。

将冗余校验数据中的属性特征以及第二乘客特征作为第二融合数据时，第二融合数据D_2t可以表示为{Q₂₁,Q₂₂,Q₂₃,……Q_2N,R}，其中，Q_2i表示冗余校验数据中对第i个乘客的属性特征，R表示根据冗余校验数据的属性特征确定的乘客数量，其中，冗余校验数据的属性特征包括乘客ID、乘客位置、乘客形状以及乘客心跳频率。可以根据乘客心跳频率、乘客位置确定乘客的行为。

在第二乘客特征和第三乘客特征存在不一致的数据时：

将该不一致的数据中能够表示更多乘客数量以及乘客行为危险的数据作为第二融合数据的部分数据，并将其他一致的数据作为第二融合数据的另一部分数据。这存在两种情况，一种是第二乘客特征和第三乘客特征中的数据完全不同，另一种是两者数据部分相同。

当第二乘客特征和第三乘客特征中的数据完全不同时，将表示更多乘客数量以及乘客行为危险的数据作为第二融合数据。

当第二乘客特征和第三乘客特征中的数据部分相同时，将表示更多乘客数量以及乘客行为危险的数据作为第二融合数据的部分数据，并将相同的数据作为第二融合数据的另一部分数据。

在步骤S300中，例如，第一融合数据例如为包括三个乘客，第一个和第二个乘客行为正常，第三个乘客行为危险。第二融合数据例如为包括三个乘客，第一个和第二个乘客行为正常，第三个乘客行为危险。那么输出乘客数量为是三个，第一个和第二个乘客行为正常，第三个乘客行为危险。

若第一融合数据例如为包括三个乘客，第一个和第二个乘客行为正常，第三个乘客行为危险。第二融合数据例如为包括四个乘客，第一个、第二个和第四个乘客行为正常，第三个乘客行为危险。那么输出的乘客数量以及乘客行为，需要对第一融合数据和第二融合数据进行数据融合后才能得出。其中，融合的步骤具体为：将第一融合数据的权值和第二融合数据中权值进行比较，将权值较大的作为第二数据结果，其中，权值表示数据的准确度。权值按照以下方法获取：获取当前的环境温度以及环境亮度；根据环境温度和环境亮度通过查询环境-数据权值表来确定第一融合数据和第二融合数据的权值。此处，环境-数据权值表为通过大量实验验证获得的经验表。

根据本发明实施例的方案，通过将第一乘客特征和第二乘客特征进行比较，从而获得第一融合数据，并通过将第二乘客特征和第三乘客特征进行比较，从而获得第二融合数据，并再次比较第一融合数据和第二融合数据，并根据两者是否一致来确定是否再次进行数据融合，从而获得精确的乘客数量以及乘客行为，从而实现无人驾驶出租车全天候、全时段乘客数量和行为检测无误的目的。

相应地，本发明还提供了一种无人驾驶出租车的乘客状况检测系统，包括第一控制装置，第一控制装置包括第一存储器和第一处理器，第一存储器内存储有第一控制程序，第一控制程序被第一处理器执行时用于实现前述的乘客状况检测方法。

特别地，如图3所示，本发明还提供了一种无人驾驶出租车的控制方法，包括：

步骤S110，响应于乘客发送的包含乘车位置的乘车需求，以使无人驾驶出租车到达乘车位置；

步骤S120，对乘客进行上车前的身份认证，并在身份认证通过之后开启车门，以允许乘客上车；

步骤S130，执行前述的乘客状况检测方法，以监控无人驾驶出租车内乘客的数量以及乘客行为。

在步骤S110中，乘客可以通过APP实时预约和查看周边RobTaxi的分布情况，通过手机App完成乘坐需求的发送，系统收到乘坐需求后，通过最优分配策略，完成乘客与车辆之间的链接。

在步骤S120中，乘客需要完成身份认定，现有的身份认定技术包含电子扫码、人脸识别等均可作为本发明中关键环节中的有效手段。

进一步地，该无人驾驶出租车的控制方法还可以包括如下步骤：将无人驾驶出租车内乘客的数量与实际预约乘客数量进行比较，若两者一致，则使得无人驾驶出租车按照预先制定的最优路线完成载客任务，若两者不一致，则将当前乘客数量发送至后台，以进行再次确认。

相应地，本发明还提供了一种无人驾驶出租车的控制系统，包括第二控制装置，第二控制装置包括第二存储器和第二处理器，第二存储器内存储有第二控制程序，第二控制程序被第二处理器执行时用于实现前述的无人驾驶出租车的控制方法。

至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明常用理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。

Claims (9)

1.无人驾驶出租车的乘客状况检测方法，其特征在于，包括如下步骤：

获取无人驾驶出租车的座位区域的由不同的数据获取单元获取的第一图像数据、第二图像数据以及冗余检测数据，所述第一图像数据对应的图像质量受环境温度影响，所述第二图像数据对应的图像质量受环境亮度影响，且所述第一图像数据、所述第二图像数据以及所述冗余检测数据均至少包含用以反映乘客数量以及乘客行为的数据；

将所述第一图像数据和所述冗余检测数据进行数据融合，获得至少包含乘客数量以及乘客行为的第一融合数据，将所述第二图像数据和所述冗余检测数据进行数据融合，获得至少包含乘客数量以及乘客行为的第二融合数据；

判断所述第一融合数据和所述第二融合数据是否一致，

若一致，则将所述第一融合数据或所述第二融合数据作为第一结果数据，从而根据所述第一结果数据输出所述无人驾驶出租车内乘客的数量以及乘客行为；

若不一致，则将所述第一融合数据和所述第二融合数据进行数据融合，以获得第二结果数据，从而根据所述第二结果数据输出所述无人驾驶出租车内乘客的数量以及乘客行为。

2.根据权利要求1所述的乘客状况检测方法，其特征在于，将所述第一图像数据和所述冗余检测数据进行数据融合，获得至少包含乘客数量以及乘客行为的第一融合数据，包括如下步骤：

提取所述第一图像数据和所述冗余检测数据中所包含的时间戳以及至少包含乘客身份特征、乘客位置以及乘客行为的属性特征；

根据所述第一图像数据中的所述属性特征来确定第一乘客特征，根据与所述第一图像数据时间戳相同或相近的所述冗余检测数据中的所述属性特征来确定第二乘客特征，所述第一乘客特征和所述第二乘客特征均包括乘客数量以及各个乘客的乘客行为；

将所述第一乘客特征和所述第二乘客特征进行比较，

在所述第一乘客特征和所述第二乘客特征一致时，将所述第一图像数据中的所述属性特征以及所述第一乘客特征作为所述第一融合数据，或者将所述冗余检测数据中的所述属性特征以及所述第二乘客特征作为所述第一融合数据；

在所述第一乘客特征和所述第二乘客特征存在不一致的数据时，将该不一致的数据中能够表示更多乘客数量以及乘客行为危险的数据作为所述第一融合数据的部分数据，并将其他一致的数据作为所述第一融合数据的另一部分数据。

3.根据权利要求2所述的乘客状况检测方法，其特征在于，将所述第二图像数据和所述冗余检测数据进行数据融合，获得至少包含乘客数量以及乘客行为的第二融合数据，包括如下步骤：

提取所述第二图像数据中所包含的时间戳以及至少包含乘客身份特征、乘客位置以及乘客行为的属性特征；

根据与所述冗余检测数据时间戳相同或相近的所述第二图像数据中的所述属性特征来确定第三乘客特征，所述第三乘客特征包括乘客数量以及各个乘客的乘客行为；

将所述第二乘客特征和所述第三乘客特征进行比较，

在所述第二乘客特征和所述第三乘客特征一致时，将所述第二图像数据中的所述属性特征以及所述第三乘客特征作为所述第二融合数据，或者将所述冗余检测数据中的所述属性特征以及所述第二乘客特征作为所述第二融合数据；

在所述第二乘客特征和所述第三乘客特征存在不一致的数据时，将该不一致的数据中能够表示更多乘客数量以及乘客行为危险的数据作为所述第二融合数据的部分数据，并将其他一致的数据作为所述第二融合数据的另一部分数据。

4.根据权利要求2或3所述的乘客状况检测方法，其特征在于，所述属性特征中能够确定乘客数量的特征包括所述乘客身份特征以及所述乘客位置。

5.根据权利要求1-3中任一项所述的乘客状况检测方法，其特征在于，将所述第一融合数据和所述第二融合数据进行数据融合，以获得第二结果数据，包括如下步骤：

将所述第一融合数据的权值和所述第二融合数据中权值进行比较，将权值较大的作为所述第二结果数据，其中，所述权值表示数据的准确度；

可选地，所述权值按照以下方法获取：

获取当前的环境温度以及环境亮度；

根据所述环境温度和所述环境亮度通过查询环境-数据权值表来确定所述第一融合数据和所述第二融合数据的权值。

6.一种无人驾驶出租车的乘客状况检测系统，其特征在于，包括第一控制装置，所述第一控制装置包括第一存储器和第一处理器，所述第一存储器内存储有第一控制程序，所述第一控制程序被所述第一处理器执行时用于实现根据权利要求1-5中任一项所述的乘客状况检测方法。

7.一种无人驾驶出租车的控制方法，其特征在于，包括如下步骤：

响应于乘客发送的包含乘车位置的乘车需求，以使无人驾驶出租车到达所述乘车位置；

对乘客进行上车前的身份认证，并在所述身份认证通过之后开启车门，以允许乘客上车；

执行权利要求1-5中任一项所述的乘客状况检测方法，以监控所述无人驾驶出租车内乘客的数量以及乘客行为。

8.根据权利要求7所述的控制方法，其特征在于，还包括如下步骤：

将所述无人驾驶出租车内乘客的数量与实际预约乘客数量进行比较，若两者一致，则使得所述无人驾驶出租车按照预先制定的最优路线完成载客任务；

若两者不一致，则将当前乘客数量发送至后台，以进行再次确认。

9.一种无人驾驶出租车的控制系统，其特征在于，包括第二控制装置，所述第二控制装置包括第二存储器和第二处理器，所述第二存储器内存储有第二控制程序，所述第二控制程序被所述第二处理器执行时用于实现根据权利要求7-8中任一项所述的控制方法。