CN112969053B - 车内信息传输方法、装置、车载设备及存储介质 - Google Patents

车内信息传输方法、装置、车载设备及存储介质 Download PDF

Info

Publication number
CN112969053B
CN112969053B CN202110202208.1A CN202110202208A CN112969053B CN 112969053 B CN112969053 B CN 112969053B CN 202110202208 A CN202110202208 A CN 202110202208A CN 112969053 B CN112969053 B CN 112969053B
Authority
CN
China
Prior art keywords
vehicle
driver
distance threshold
information
cloud server
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.)
Active
Application number
CN202110202208.1A
Other languages
English (en)
Other versions
CN112969053A (zh
Inventor
朱文和
刘�文
汤义强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Leading Technology Co Ltd
Original Assignee
Nanjing Leading Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Leading Technology Co Ltd filed Critical Nanjing Leading Technology Co Ltd
Priority to CN202110202208.1A priority Critical patent/CN112969053B/zh
Publication of CN112969053A publication Critical patent/CN112969053A/zh
Application granted granted Critical
Publication of CN112969053B publication Critical patent/CN112969053B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明是关于一种车内信息传输方法、装置、车载设备及存储介质，涉及车载设备技术领域，用以解决现有技术中需要先建立网络连接再进行数据传输导致信息传输起来比较麻烦。本发明包括：通过车内的采集装置采集车内信息；在无连接的通信过程中，根据车内驾驶员驾驶的车载设备的标识，生成上传信息指令，并将上传信息指令发送给云服务器；在接收到云服务器的应答消息后，根据上传信息指令的标识和车内信息，生成文件数据包，并将文件数据包发送给云服务器。由于本发明实施例通过确定上传信息指令的标识使得云服务器知道上传信息指令对应的具体车内信息，从而实现无连接的通信的情况下传输车内信息，简化了通信过程。

Description

车内信息传输方法、装置、车载设备及存储介质
技术领域
本发明涉及车载设备技术领域，尤其涉及一种车内信息传输方法、装置、车载设备及存储介质。
背景技术
当前在运营车辆尤其是网约车、出租车上，安装嵌入式设备并运行AI(ArtificialIntelligence，人工智能)算法模型，以实现对驾驶员、乘客、司乘关系的监控。
当前能够实现对驾驶员进行合法身份验证，支持夜间红外场景，在行车过程中，能够通过采集车内图像、视频、音频信息，对驾驶员危险性行为进行监控，可监控到驾驶员的抽烟、使用手机、未佩戴口罩、喝水、左顾右盼、疲劳驾驶(闭眼、打哈欠)等危险行为。对车内摄像头遮挡状态进行检测、防止驾驶员恶意遮挡摄像头，逃避监控。
同时可以监控乘客与司机、乘客之间发生的肢体冲突、语音冲突等异常行为。监控车内所有人(司机和乘客)，统计总人数。还可以结合车辆的运营状态进一步判断有订单无乘客、有乘客无订单等异常状态。
在上述功能中，部分或全部需要上传到云服务器，采用云服务器强大的处理功能实现上述功能，主要困难在于，一个车辆每天工作十几小时甚至24小时轮班工作，这样一天产生几十G大小的视频、图片、或音频数据，如果同时监控多辆汽车，就会有大量的数据与云服务器进行交互。为了避免云服务器不清楚车辆传输指令与具体的传输信息的对应关系，车辆与云服务器交互时通常会先建立网络连接，然后再进行数据传输，导致信息传输起来比较麻烦。
发明内容
本发明提供一种车内信息传输方法、装置、车载设备及存储介质，用以解决现有技术中需要先建立网络连接再进行数据传输导致信息传输起来比较麻烦。
第一方面，本发明实施例提供的一种车内信息传输方法，包括：
通过车内的采集装置采集车内信息；其中所述车内信息包括以下一种或多种：车内图像、车内视频、车内语音；
在无连接的通信过程中，根据车内驾驶员驾驶的车载设备的标识，生成上传信息指令，并将所述上传信息指令发送给云服务器；
在接收到所述云服务器的应答消息后，根据所述上传信息指令的标识和车内信息，生成文件数据包，并将所述文件数据包发送给所述云服务器。
上述方法，能够在无连接的通信过程中，根据车内驾驶员驾驶的车载设备的标识，生成上传信息指令，并发送给云服务器，接收到云服务器应答后，根据上传信息指令的标识和车内信息生成文件数据包发送给云服务器，这样在无连接的通信的过程中，通过确定上传信息指令的标识使得云服务器知道上传信息指令对应的具体车内信息，从而能够实现在无连接的通信过程中实现信息的上传，解决了需要先建立网络连接再进行数据传输导致信息传输起来比较麻烦的问题，简化了通信过程。
在一种可能的实现方式中，在无连接的通信过程中，根据车内驾驶员驾驶的车载设备的标识，生成上传信息指令之前，所述方法还包括：
根据车内信息确定所述车内驾驶员没有通过身份验证；其中，所述车内信息包括的车内图像为车内驾驶员的图像；
在无连接的通信过程中，向所述云服务器发送请求身份验证指令，以使所述云服务器在接收到车内驾驶员的图像后对所述车内驾驶员进行身份验证。
上述方法，如果在车内设备中设置对车内驾驶员的认证过程，并且在认证失败后上传驾驶员的图像，从而可以再次发起对车内驾驶员的身份认证，降低了认证的错误率。
在一种可能的实现方式中，根据所述车内信息确定所述车内驾驶员没有通过身份验证，包括：
从所述车内驾驶员的图像中提取实际特征向量，并确定所述车内驾驶员对应的参考特征向量与所述实际特征向量之间的空间距离；
若所述空间距离大于目标距离阈值，则确定车内驾驶员没有通过身份验证；其中，所述目标距离阈值是根据每种预设状态和距离阈值的对应关系，确定的所述车内驾驶员当前处于的状态对应的距离阈值得到的；所述预设状态用于表征所述车内驾驶员的行为和/或外貌。
上述方法，能够针对不同状态的驾驶员确定不同的距离阈值与空间距离进行对比，从而提高了对比的准确率。
在一种可能的实现方式中，通过以下方式确定目标距离阈值，包括：
若所述车内驾驶员当前处于一种预设状态，则根据每种预设状态和距离阈值的对应关系，确定所述车内驾驶员当前处于的预设状态对应的距离阈值，作为目标距离阈值；或
若所述车内驾驶员当前处于多种预设状态，则根据每种预设状态和距离阈值的对应关系，确定所述车内驾驶员当前处于的每种预设状态对应的候选距离阈值；并根据多个所述候选距离阈值，确定目标距离阈值。
上述方法，能够在车内驾驶员处于一种预设状态时，直接将该预设状态对应的距离阈值作为目标距离阈值，或者处于多种预设状态时，根据多种预设状态对应的候选距离阈值，确定目标距离阈值，本发明针对不同的情况，得到不同的目标距离阈值，提高了确定的准确性。
在一种可能的实现方式中，根据多个所述候选距离阈值，确定目标距离阈值，包括：
从多个所述候选距离阈值中选择数值最大的候选距离阈值，作为目标距离阈值；或
将多个所述候选距离阈值的平均值，作为目标距离阈值；或
根据多个所述候选距离阈值和对应的预设状态的权值，确定目标距离阈值。
上述方法，由于空间距离越大，采集的驾驶员的图像和参考驾驶员的图像越不相近，同时由于驾驶员处于不同状态下时，如果设置的值比较少会造成大量的身份验证不通过从而导致人工介入，从而导致效率下降，基于此，上述方法可以选择最大的距离阈值作为目标距离阈值，提高了工作效率。本发明可以考虑到有多个候选距离阈值，从而选择他们的平均值作为目标距离阈值，提高了确定的准确性。本发明还可以考虑到每个预设状态对于采集的驾驶员的改变的程度不同，所以，根据多个所述候选距离阈值和对应的预设状态的权值，确定目标距离阈值，提高了确定的准确性。
在一种可能的实现方式中，从所述车内驾驶员的图像中提取实际特征向量，包括：
从所述车内驾驶员的图像中，提取多张所述车内驾驶员的脸部特征图；
对提取到的每张所述车内驾驶员的脸部特征图中的预设脸部区域的脸部特征进行加权处理；
将加权后的多张所述车内驾驶员的脸部特征图进行融合，得到预设维数的实际特征向量。
上述方法，能够在提取特征向量时，首先通过提取多张特征图，在对多种特征图的预设脸部区域进行加权，再融合多张特征图得到预设维数的实际特征向量，即一张特征图，从而提高了特征提取的精度。
在一种可能的实现方式中，从所述车内驾驶员的图像中，提取多张所述车内驾驶员的脸部特征图，包括：
通过提取网络，从所述车内驾驶员的图像中，提取多张所述车内驾驶员的脸部特征图；其中，所述提取网络依次包括以下结构：1个由64个3×3卷积核组成的卷积层Conv3×3，1个由128个3×3卷积核组成的深度可分离卷积层Conv3×3，2个由128个卷积核组成的瓶颈卷积层Bottleneck，4个由256个卷积核组成的瓶颈卷积层Bottleneck，1个由512个1×1卷积核组成的卷积层Conv1×1；由128个卷积核组成的第二个瓶颈卷积层Bottleneck的执行次数为6次；
对提取到的每张所述车内驾驶员的脸部特征图中的上半部分脸部特征进行加权处理，包括：
通过由512个卷积核组成的自注意力层self-attention，对提取到的每张所述车内驾驶员的脸部特征图中的上半部分脸部特征进行加权处理；
将加权后的多张所述车内驾驶员的脸部特征图进行融合，得到预设维数的实际特征向量，包括：
通过融合网络，将加权后的多张所述车内驾驶员的脸部特征图进行融合，得到预设维数的实际特征向量；其中，所述融合网络依次包括以下结构：1个由512个7x7卷积核组成的线性深度可分离的卷积层linearGDConv7x7，1个由512个1x1卷积核组成的线性卷积层Linearconv1x1。
上述方法，能够增加卷积核个数、增加注意力机制、增加网络执行次数，得到当前的网络结构，并使用该网络结构提取特征，提高了特征提取的精度。
第二方面，本发明实施例提供的一种车内信息传输装置，包括：
采集单元，用于通过车内的采集装置采集车内信息；其中所述车内信息包括以下一种或多种：车内图像、车内视频、车内语音；
第一生成单元，用于在无连接的通信过程中，根据车内驾驶员驾驶的车载设备的标识，生成上传信息指令，并将所述上传信息指令发送给云服务器；
第二生成单元，用于在接收到所述云服务器的应答消息后，根据所述上传信息指令的标识和车内信息，生成文件数据包，并将所述文件数据包发送给所述云服务器。
第三方面，本发明实施例提供的一种车载设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如第一方面中任一项所述的车内信息传输方法。
第四方面，本发明实施例提供的一种存储介质，当所述存储介质中的指令由车载设备的处理器执行时，使得所述车载设备能够执行如第一方面中任一项所述的车内信息传输方法。
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，并不能限制本发明。
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，并不构成对本发明的不当限定。
图1是根据本发明实施例提供的一种车内信息传输方法的流程图；
图2是根据本发明实施例提供的一种车内驾驶员身份认证方法的流程图；
图3是根据本发明实施例提供的一种车内驾驶员危险行为识别的方法的流程图；
图4是根据本发明实施例提供的一种车内语音识别的方法的流程图；
图5是根据本发明实施例提供的一种三个向量的示意图；
图6是根据本发明实施例提供的另一种车内驾驶员身份认证方法的流程图；
图7是根据本发明实施例提供的一种车内信息传输装置的结构框图。
具体实施方式
为了使本领域普通人员更好地理解本发明的技术方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。
本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本发明的描述中，除非另有说明，“多个”的含义。
目前车辆的传输大量数据时，需要与云服务器先建立网络连接，然后再进行数据传输，导致信息传输起来比较麻烦。
基于此，结合图1所示，本发明实施例提供了一种方法，应用于车载设备，包括：
S100：通过车内的采集装置采集车内信息；其中，车内信息包括以下一种或多种：车内图像、车内视频、车内语音；
其中，采集车内图像和车内视频时，采集装置为摄像装置，例如，DVR(DriverVehicle Road，硬盘录像机)。采集车内语音时采集装置为收音器。
S101：在无连接的通信过程中，根据车内驾驶员驾驶的车载设备的标识，生成上传信息指令，并将上传信息指令发送给云服务器；
S102：在接收到云服务器的应答消息后，根据上传信息指令的标识和车内信息，生成文件数据包，并将文件数据包发送给云服务器。
上述方案，通过无连接的通信过程中，根据车内驾驶员驾驶的车载设备的标识，生成上传信息指令发送给云服务器；在接收到云服务器的应答消息后，根据上传信息指令的标识和车内信息，生成文件数据包发送给云服务器，从而能够通过使得云服务器能够确定上传信息指令对应的文件数据，使得云服务器能够对文件数据进行处理，这样能够实现在无连接的通信下传输文件数据，从而简化了信息传输过程。
上传信息指令：为车载设备向云服务器发送的消息，上传信息指令的数据格式见表1。
表1
Figure BDA0002948239400000081
其中，文件名称为车内信息的名称，该文件名称可以为时间戳信息，文件类型为车内信息的类型，例如，车内信息为车内图像，则文件类型为图片，车内信息为车内视频，则文件类型为视频，车内信息为车内语音，则文件类型为音频。文件大小为要上传的文件的大小。
上传信息指令的格式为，0～17个字节为车内驾驶员驾驶的车载设备的ID，18～145个字节为文件类型，146字节为文件类型，147～150个字节为文件大小。
其中，上传信息指令中车载设备ID、文件名称、文件类型和文件大小，对于车载设备ID，和文件名称来说，在设定时，可以设定在预设个数的数据，例如车载设备ID设置在18个字节以内，文件名称设置在128个字节以内，以减少上传信息指令的文件大小，从而能够减少对网络资源的占用，更加适用于车联网的大环境。
云服务器收到车载设备上报的上传信息指令后，向车载设备发送通用应答消息。
文件数据上传：车载设备向云服务器发送上传信息指令并得到应答后，向云服务器发送文件数据包，文件数据包如表2所示。
表2
Figure BDA0002948239400000091
其中，帧头标识为上传信息指令的标识。文件名称为车内信息的名称，数据长度为数据体的长度，数据体为要上传的车内信息。
上传信息指令的格式为，0～3个字节为上传信息指令的标识，4～131个字节为文件名称，132～135个字节为数据长度，136～n个字节为车内信息。
其中，文件数据包中帧头标识、文件名称来说，在设定时，可以设定在预设个数的数据，例如帧头标识设置在4个字节以内，文件名称设置在128个字节以内，以减少文件数据包的文件大小，从而能够减少对网络资源的占用，更加适用于车联网的大环境。
文件上传完成消息：车载设备向云服务器完成传输文件时，发送完成消息，数据格式见表3。
表3
Figure BDA0002948239400000092
上传信息指令的格式为，0个字节为文件名称长度，1～128个字节为文件名称，129个字节为文件类型，130～n个字节为文件大小。
其中，完成消息也包括帧头标识。帧头标识为上传信息指令的标识。文件名称长度为车内信息的名称长度，文件名称为车内信息的名称，文件类型为长度为数据体的长度，数据体为要上传的车内信息。
无连接的通信过程为非时刻保持连接的通信过程，即车载设备与云服务器并非时刻保持通信状态，并不是向保持通话一样保持通话的两个设备一直处于连接的状态。
示例性的，对于无连接的通信过程采用UDP(UDP，User Datagram Protocol，用户数据包协议)。车载设备均安装有SIM卡(Subscriber Identity Module，用户身份识别卡)，该UDP为应用程序提供了一种无需建立连接就可以发送封装的IP数据包的方法。
本发明实施例车载设备通过SIM卡进行联网，车载设备发送信息时，通过通信协议包中指定要发送给的云服务器的IP地址，网络服务侧就可以将车载设备发送的信息发送给云服务器，云服务器反馈车载设备信息时，云服务器告知网络服务侧，网络服务侧会根据IP地址和端口号发送给车载设备。
针对车载设备和云服务器进行通信，可以实现以下功能：
例如，结合图2所示，本发明实施例提供了一种车内驾驶员身份认证方法，包括：
S200：车载设备通过车内的摄像装置采集驾驶员的图像；即车内信息包括的车内图像为驾驶员的图像。
其中，可以根据专门采集驾驶员的图像的摄像装置采集车内图像。可选的，专门采集驾驶员的图像的摄像装置可以安装在车身内部的A柱上。
S201：车载设备在无连接的通信过程中，根据车内驾驶员驾驶的车载设备的标识，生成上传信息指令，并将上传信息指令发送给云服务器；
S202：车载设备在接收到云服务器的应答消息后，根据上传信息指令的标识和驾驶员的图像，生成文件数据包，并将文件数据包发送给云服务器。
S203：云服务器根据驾驶员的图像对驾驶员进行身份验证，并将验证结果发送给车载设备；
其中，云服务器可以采用Resnet100作为骨干网制作人脸识别模型，具体来说，采用驾驶员不同角度的人脸图像训练Resnet100，得到人脸识别模型，将驾驶员的图像输入到人脸识别模型中，使得人脸识别模型对驾驶员的图像进行人脸识别，得到人脸识别结果。
S204：车载设备通知车内驾驶员验证结果。
结合图3所示，本发明实施例提供了一种车内驾驶员危险行为识别的方法，包括：
S300：车载设备通过车内的摄像装置采集驾驶员的视频；即车内信息包括的车内视频为驾驶员的视频。
其中，可以根据专门采集驾驶员的视频的摄像装置进行采集。
S301：车载设备在无连接的通信过程中，根据车内驾驶员驾驶的车载设备的标识，生成上传信息指令，并将上传信息指令发送给云服务器；
S302：车载设备在接收到云服务器的应答消息后，根据上传信息指令的标识和驾驶员的视频，生成文件数据包，并将文件数据包发送给云服务器。
其中，云服务器通过行为识别网络对驾驶员的抽烟、使用手机、未佩戴口罩、喝水、左顾右盼、疲劳驾驶(闭眼、打哈欠)等危险行为进行识别。
S303：云服务器根据驾驶员的视频判断驾驶员的行为是否为危险行为，如果识别到驾驶员的行为为危险行为，生成告警信息，并将告警信息发送给车载设备；
S304：车载设备展示告警信息。其中，展示告警信息可以为播报告警信息，也可以为显示告警信息。
结合图4所示，本发明实施例提供了一种车内语音识别的方法，包括：
S400：车载设备通过车内的采集装置采集车内语音。
S401：车载设备在无连接的通信过程中，根据车内驾驶员驾驶的车载设备的标识，生成上传信息指令，并将上传信息指令发送给云服务器；
S402：车载设备在接收到云服务器的应答消息后，根据上传信息指令的标识和车内语音，生成文件数据包，并将文件数据包发送给云服务器。
其中，云服务器将车内语音转换为文本，将文本划分为词，从词中找到预设的词，如果有，则说明有语言冲突。预设的词为侮辱性的词语。
S403：云服务器根据车内语音判断驾驶员和乘车之间是否存在语言冲突，如果识别到语言冲突，生成告警信息，并将告警信息发送给车载设备；
S404：车载设备展示告警信息。
当然，还可以监控乘客与司机、乘客与乘客之间发生的肢体冲突等异常行为。监控车内所有人(司机和乘客)，统计总人数。还可以结合车辆的运营状态进一步判断有订单无乘客、有乘客无订单等异常状态。
其中，由于每一项传输的信息需要云服务器做的处理不同，所以，可以将请求处理与上传信息指令一起发送给云服务器，或者单独发送请求给云服务器。
例如，如图2中所示的，需要云服务器进行驾驶员身份验证时，可以上传请求身份验证指令，如图3所示的，需要云服务器进行危险行为识别时，可以上传对驾驶员危险行驶识别的请求，如图4所示的，需要云服务器进行语言冲突识别时，可以上传语言冲突识别的请求，这样云服务器在接收到语音后，可以对语音进行识别。
示例性的，在无连接的通信过程中，根据车内驾驶员驾驶的车载设备的标识，生成上传信息指令之前，所述方法还包括：
根据车内信息确定所述车内驾驶员没有通过身份验证；其中，车内信息包括的车内图像为车内驾驶员的图像；
在无连接的通信过程中，向所述云服务器发送请求身份验证指令，以使云服务器在接收到车内驾驶员的图像后对车内驾驶员进行身份验证。其中，请求和上传指令信息一起传输给云服务器，这样云服务器就可以知道再接收到驾驶员的图像时对驾驶员的身份进行验证。
具体来说，对于车内驾驶员的身份验证时，除了可以直接在云服务器进行身份验证外，还可以在车载设备上先对车内驾驶员的身份验证，如果对车内驾驶员的身份没有验证通过，再上报给云服务器，使用云服务器再次进行身份验证。
云服务器进行身份验证的过程如上所述。
其中，在车载设备中，根据车内信息确定车内驾驶员没有通过身份验证的过程包括：
从车内驾驶员的图像中提取实际特征向量，并确定车内驾驶员对应的参考特征向量与实际特征向量之间的空间距离；
若空间距离大于目标距离阈值，则确定车内驾驶员没有通过身份验证；其中，目标距离阈值是根据每种预设状态和距离阈值的对应关系，确定的车内驾驶员当前处于的状态对应的距离阈值得到的；预设状态用于表征车内驾驶员的行为和/或外貌。
示例性的，从车内驾驶员的图像中提取实际特征向量，包括：
从车内驾驶员的图像中，提取多张车内驾驶员的脸部特征图；
对提取到的每张车内驾驶员的脸部特征图中的预设脸部区域的脸部特征进行加权处理；其中，预设脸部区域可以根据实际的需求而定。例如，考虑到驾驶员普遍带口罩的情况，所以，加权处理时，预设脸部区域可以为眼睛部位。
将加权后的多张车内驾驶员的脸部特征图进行融合，得到预设维数的实际特征向量。
其中，本发明实施例可以通过网络实现从车内驾驶员的图像中，提取多张车内驾驶员的脸部特征图。
车载设备由于内存比较小，需要设计出轻量级、推理速度快的模型结构，同时考虑到车载设备有一定的能力，并不需要极度轻量的模型，所以考虑有所限制的增大模型，从而带来精度的提升。但是并不是简单的增大模型就能提升模型精度。所以必须精心设计模型的结构，并多做试验验证效果。
本发明通过采用增大模型组件个数、增大通道数，引入自注意力机制，最终模型只有小幅增加的情况下带来了模型精度较好的提升。
(1)增大网络层通道数；
实践表明，将网络第2～8层通道数增加1倍，有较好的精度提升效果。如果再扩大，反而带来精度下降。
(2)增加瓶颈部件数量；
经过反复试验将28x28x128尺寸的瓶颈层数量增加2个，达到6个，效果最好。同样，再增加也会带来精度下降。
(3)引入自注意力机制；
自注意力机制能够更好的地学习全局特征之间的依赖关系。对于人脸识别来说，人脸应该有五官(眼睛、鼻子、耳朵、嘴巴等)组成。但是从全局来说他们之间也有各自位置分布，如果仅仅从局部说有这五官存在就是人脸，是不够的准确的。所以本案引入自注意力机制，从而学习到了全局的依赖关系。试验效果提升2个百分点左右。
网络具体执行过程为：
通过提取网络，从车内驾驶员的图像中，提取多张车内驾驶员的脸部特征图；其中，所述提取网络依次包括以下结构：1个由64个3×3卷积核组成的卷积层Conv3×3，1个由128个3×3卷积核组成的深度可分离卷积层Conv3×3，2个由128个卷积核组成的瓶颈卷积层Bottleneck，4个由256个卷积核组成的瓶颈卷积层Bottleneck，1个由512个1×1卷积核组成的卷积层Conv1×1；由128个卷积核组成的第二个瓶颈卷积层Bottleneck的执行次数为6次；
其中，该由128个卷积核组成的第二个瓶颈卷积层Bottleneck为2个由128个卷积核组成的瓶颈卷积层Bottleneck中的后一个执行的瓶颈卷积层Bottleneck。
对提取到的每张车内驾驶员的脸部特征图中的上半部分脸部特征进行加权处理，包括：
通过由512个卷积核组成的自注意力层self-attention，对提取到的每张所述车内驾驶员的脸部特征图中的上半部分脸部特征进行加权处理；
将加权后的多张车内驾驶员的脸部特征图进行融合，得到预设维数的实际特征向量，包括：
通过融合网络，将加权后的多张所述车内驾驶员的脸部特征图进行融合，得到预设维数的实际特征向量；其中，融合网络依次包括以下结构：1个由512个7x7卷积核组成的线性深度可分离的卷积层linearGDConv7x7，1个由512个1x1卷积核组成的线性卷积层Linearconv1x1。
整个网络结构如表4所示。
表4
Figure BDA0002948239400000161
其中，输入尺寸为输入到下一个的结构的尺寸，通道数据为卷积核个数，数目为当前结构执行的次数，跨步大小为学习率，用来控制每一步网络权值改变量的大小。
在进行特征提取时，将车内驾驶员的图像112x112x3输入到由64个3×3卷积核组成的卷积层Conv3×3，得到64张56x56的脸部特征图，将56x56x64输入到由128个3×3卷积核组成的深度可分离卷积层Conv3×3，得到128张56x56脸部特征图；将56x56x128输入到由128个卷积核组成的第一个瓶颈卷积层Bottleneck中，得到128张28x28的脸部特征图，将28x28x128由128个卷积核组成的第二个瓶颈卷积层Bottleneck中，得到128张28x28的脸部特征图，将28x28x128再次输入到由128个卷积核组成的第二个瓶颈卷积层Bottleneck中，得到128张28x28的脸部特征图，一共进行上述操作反复执行6次，得到128张28x28的脸部特征图。
将28x28x128输入到由256个卷积核组成的第三个瓶颈卷积层Bottleneck，得到256张14x14的脸部特征图，将14x14x256输入到由256个卷积核组成的第四个瓶颈卷积层Bottleneck，得到256张14x14的脸部特征图，一共在第四个Bottleneck上进行6次操作，将14x14x256输入到由256个卷积核组成的第五个瓶颈卷积层Bottleneck，得到256张7x7的脸部特征图，将7x7x256输入到由256个卷积核组成的第六个瓶颈卷积层Bottleneck，得到256张7x7脸部特征图，一共在第六层Bottleneck上进行2次操作，得到256张7x7脸部特征图。
将7x7x256输入到由512个1×1卷积核组成的卷积层Conv1×1，得到512张7x7脸部特征图。将7x7 x512输入到self-attention，得到512张7x7的脸部特征图。将7x7 x512输入到由512个7x7卷积核组成的线性深度可分离的卷积层linearGDConv7x7，得到512张1x1的脸部特征图。将1x1 x512输入到由512个1x1卷积核组成的线性卷积层Linearconv1x1，得到一张特征图，该特征图为预设维度的特征向量组成。
计算实际特征向量和参考特征向量之间的空间距离如下：
Figure BDA0002948239400000171
其中A为参考特征向量，通常存储在车载设备中，为一个512维的特征向量，B为通过上述网络结构提取到的512维的实际特征向量。||.||为范数，本公式为二范数计算方法。Dist表示两张图片的空间距离大小，值越小表示越相似。
二范数定义如下：
Figure BDA0002948239400000172
为了便于便于说明，使用二维向量来举例说明Dist计算方法。假设：参考特征向量A＝[1,1]T，有两个实际特征向量分别为B＝[-2,1]T，C＝[2,1]T。三个向量的图形如图5所示，向量A，向量B，向量C。
现在，分别计算B、C与A的距离。
Figure BDA0002948239400000181
同理，
Figure BDA0002948239400000182
由此可计算，
Figure BDA0002948239400000183
同理可得，DistAC＝0.32。
所以，向量A与向量B的空间距离小于向量A与向量C的空间距离，向量A与向量B比向量C更加相近，向量A对应的图像与向量B对应的图像更加相似。
其中，预设状态包括发车、开车、接单、带口罩。车内驾驶员的发车行为，车内驾驶员的开车行为、车内驾驶员的接单行为、车内驾驶员戴口罩。如果将车内的摄像装置安装在车辆的A柱上，那么在行车过程中和发车时，对采集的图像中驾驶员的人脸的五官并不全，戴口罩也一样，如果都采用同一个距离阈值进行比对的话，会导致认证失败的概率比较大，效率比较低，所以，针对上述情况，会预先存储预设状态与距离阈值的对应关系。
对应关系如表5所示：
表5
Figure BDA0002948239400000184
若车内驾驶员当前处于一种预设状态，则根据每种预设状态和距离阈值的对应关系，确定车内驾驶员当前处于的预设状态对应的距离阈值，作为目标距离阈值。
例如：当车内驾驶员在发车时，采用阈值1与空间距离进行比较，若空间距离大于阈值1，则确定车内驾驶员没有通过身份验证；
当车内驾驶员在开车时，采用阈值2与空间距离进行比较，若空间距离大于阈值2，则确定车内驾驶员没有通过身份验证；
当车内驾驶员在接单时，采用阈值3与空间距离进行比较，若空间距离大于阈值3，则确定车内驾驶员没有通过身份验证；
当车内驾驶员带口罩时，采用阈值4与空间距离进行比较，若空间距离大于阈值4，则确定车内驾驶员没有通过身份验证。
若车内驾驶员当前处于多种预设状态，则根据每种预设状态和距离阈值的对应关系，确定所述车内驾驶员当前处于的每种预设状态对应的候选距离阈值；并根据多个所述候选距离阈值，确定目标距离阈值。
例如：当车内驾驶员在开车、车内驾驶员带口罩时，根据阈值2和阈值4与空间距离确定目标距离阈值，若空间距离大于目标距离阈值，则确定车内驾驶员没有通过身份验证；
当车内驾驶员在开车、且车内驾驶员在接单时，采用阈值2和阈值3确定目标距离阈值，若空间距离大于目标距离阈值，则确定车内驾驶员没有通过身份验证。
示例性的，根据多个所述候选距离阈值，确定目标距离阈值，包括：
从多个所述候选距离阈值中选择数值最大的候选距离阈值，作为目标距离阈值。
例如，候选距离阈值为阈值2、阈值3和阈值4时，如果阈值4最大，则选择阈值4作为目标距离阈值。
示例性的，根据多个所述候选距离阈值，确定目标距离阈值，包括：将多个所述候选距离阈值的平均值，作为目标距离阈值。
同样的，候选距离阈值为阈值2、阈值3和阈值4时，阈值2、阈值3和阈值4这三个阈值之和除以3得到平均值，作为目标距离阈值。
示例性的，根据多个所述候选距离阈值，确定目标距离阈值，包括：根据多个所述候选距离阈值和对应的预设状态的权值，确定目标距离阈值。
同样的，候选距离阈值为阈值2、阈值3和阈值4时，阈值2对应的预设状态为开车，权重为0.5，阈值3对应的预设状态为接单，权重为0.8，阈值4对应的预设状态为戴口罩，权重为0.6。目标距离阈值＝阈值2乘以0.5+阈值3乘以0.8+阈值4乘以0.6。
本发明实施例提供了另一种驾驶员身份验证方法，结合图6所示，包括：
S600：车载终端通过车内的采集装置采集车内驾驶员的图像；
S601：车载终端从车内驾驶员的图像中提取实际特征向量，并确定车内驾驶员对应的参考特征向量与实际特征向量之间的空间距离；
S602：车载终端判断空间距离是否小于目标距离阈值；如果是，则结束；否则，执行S603；
S603：车载终端在无连接的通信过程中，根据车内驾驶员驾驶的车载设备的标识，生成请求驾驶员身份验证的上传信息指令，并将上传信息指令发送给云服务器；
S604：车载终端在接收到云服务器的应答消息后，根据上传信息指令的标识和车内驾驶员的图像，生成文件数据包，并将文件数据包发送给云服务器。
S605：云服务器对车内驾驶员进行身份验证；
S606：云服务器确定车内驾驶员身份验证通过，则结束处理，云服务器确定车内驾驶员身份验证没通过，则上报给管理平台，以使管理平台进行处理。
云服务器可以将身份验证结果发给管理平台，以使管理平台人工介入对车内驾驶员进行身份验证。和/或者发送给车内驾驶员认证失败的信息，同时给车内驾驶员申诉的窗口，让其车内驾驶员重新发起认证。
本发明实施例提供的一种车内信息传输装置。结合图7所述，该车内信息传输装置包括：采集单元700，用于通过车内的采集装置采集车内信息；其中所述车内信息包括以下一种或多种：车内图像、车内视频、车内语音；
第一生成单元701，用于在无连接的通信过程中，根据车内驾驶员驾驶的车载设备的标识，生成上传信息指令，并将所述上传信息指令发送给云服务器；
第二生成单元702，用于在接收到所述云服务器的应答消息后，根据所述上传信息指令的标识和车内信息，生成文件数据包，并将所述文件数据包发送给所述云服务器。
可选的，所述装置还包括：
验证模块，用于根据车内信息确定所述车内驾驶员没有通过身份验证；其中，所述车内信息包括的车内图像为车内驾驶员的图像；
在无连接的通信过程中，向所述云服务器发送请求身份验证指令，以使所述云服务器在接收到车内驾驶员的图像后对所述车内驾驶员进行身份验证。
可选的，验证模块，包括：
提取子模块，用于从所述车内驾驶员的图像中提取实际特征向量，并确定所述车内驾驶员对应的参考特征向量与所述实际特征向量之间的空间距离；
判断子模块，用于若所述空间距离大于目标距离阈值，则确定车内驾驶员没有通过身份验证；其中，所述目标距离阈值是根据每种预设状态和距离阈值的对应关系，确定的所述车内驾驶员当前处于的状态对应的距离阈值得到的；所述预设状态用于表征所述车内驾驶员的行为和/或外貌。
可选的，判断子模块，具体用于通过以下方式确定目标距离阈值，包括：
若所述车内驾驶员当前处于一种预设状态，则根据每种预设状态和距离阈值的对应关系，确定所述车内驾驶员当前处于的预设状态对应的距离阈值，作为目标距离阈值；或
若所述车内驾驶员当前处于多种预设状态，则根据每种预设状态和距离阈值的对应关系，确定所述车内驾驶员当前处于的每种预设状态对应的候选距离阈值；并根据多个所述候选距离阈值，确定目标距离阈值。
可选的，判断子模块，还用于：
从多个所述候选距离阈值中选择数值最大的候选距离阈值，作为目标距离阈值；或
将多个所述候选距离阈值的平均值，作为目标距离阈值；或
根据多个所述候选距离阈值和对应的预设状态的权值，确定目标距离阈值。
可选的，提取子模块，具体用于：
从所述车内驾驶员的图像中，提取多张所述车内驾驶员的脸部特征图；
对提取到的每张所述车内驾驶员的脸部特征图中的预设脸部区域的脸部特征进行加权处理；
将加权后的多张所述车内驾驶员的脸部特征图进行融合，得到预设维数的实际特征向量。
可选的，提取子模块，还用于：
通过提取网络，从所述车内驾驶员的图像中，提取多张所述车内驾驶员的脸部特征图；其中，所述提取网络依次包括以下结构：1个由64个3×3卷积核组成的卷积层Conv3×3，1个由128个3×3卷积核组成的深度可分离卷积层Conv3×3，2个由128个卷积核组成的瓶颈卷积层Bottleneck，4个由256个卷积核组成的瓶颈卷积层Bottleneck，1个由512个1×1卷积核组成的卷积层Conv1×1；由128个卷积核组成的第二个瓶颈卷积层Bottleneck的执行次数为6次；
通过由512个卷积核组成的自注意力层self-attention，对提取到的每张所述车内驾驶员的脸部特征图中的上半部分脸部特征进行加权处理；
通过融合网络，将加权后的多张所述车内驾驶员的脸部特征图进行融合，得到预设维数的实际特征向量；其中，所述融合网络依次包括以下结构：1个由512个7x7卷积核组成的线性深度可分离的卷积层linearGDConv7x7，1个由512个1x1卷积核组成的线性卷积层Linearconv1x1。
本发明实施例还提供一种车载设备，该设备包括：处理器和用于存储所述处理器可执行指令的存储器。
其中，所述处理器被配置为执行所述指令，以实现如上述实施例中任一项所述的车内信息传输方法。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器，上述指令可由车载设备的处理器执行以完成上述车内信息传输方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明实施例还提供一种计算机程序产品，当所述计算机程序产品在车载设备上运行时，使得所述车载设备执行实现本发明实施例上述任意一项车内信息传输方法。
本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、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发明的一般性原理并包括本发明未发明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，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种车内信息传输方法，其特征在于，包括：
通过车内的采集装置采集车内信息；其中所述车内信息包括以下一种或多种：车内图像、车内视频、车内语音；
在无连接的通信过程中，根据车内驾驶员驾驶的车载设备的标识，生成上传信息指令，并将所述上传信息指令发送给云服务器；其中，所述上传信息指令包含车载设备的标识和车内信息的文件类型；
在接收到所述云服务器的应答消息后，根据所述上传信息指令的标识和车内信息，生成文件数据包，并将所述文件数据包发送给所述云服务器。
2.根据权利要求1所述的车内信息传输方法，其特征在于，在无连接的通信过程中，根据车内驾驶员驾驶的车载设备的标识，生成上传信息指令之前，所述方法还包括：
根据车内信息确定所述车内驾驶员没有通过身份验证；其中，所述车内信息包括的所述车内图像为车内驾驶员的图像；
在无连接的通信过程中，向所述云服务器发送请求身份验证指令，以使所述云服务器在接收到车内驾驶员的图像后对所述车内驾驶员进行身份验证。
3.根据权利要求2所述的车内信息传输方法，其特征在于，根据所述车内信息确定所述车内驾驶员没有通过身份验证，包括：
从所述车内驾驶员的图像中提取实际特征向量，并确定所述车内驾驶员对应的参考特征向量与所述实际特征向量之间的空间距离；
若所述空间距离大于目标距离阈值，则确定车内驾驶员没有通过身份验证；其中，所述目标距离阈值是根据每种预设状态和距离阈值的对应关系，确定的所述车内驾驶员当前处于的状态对应的距离阈值得到的；所述预设状态用于表征所述车内驾驶员的行为和/或外貌。
4.根据权利要求3所述的车内信息传输方法，其特征在于，通过以下方式确定目标距离阈值，包括：
若所述车内驾驶员当前处于一种预设状态，则根据每种预设状态和距离阈值的对应关系，确定所述车内驾驶员当前处于的预设状态对应的距离阈值，作为目标距离阈值；或
若所述车内驾驶员当前处于多种预设状态，则根据每种预设状态和距离阈值的对应关系，确定所述车内驾驶员当前处于的每种预设状态对应的候选距离阈值；并根据多个所述候选距离阈值，确定目标距离阈值。
5.根据权利要求4所述的车内信息传输方法，其特征在于，根据多个所述候选距离阈值，确定目标距离阈值，包括：
从多个所述候选距离阈值中选择数值最大的候选距离阈值，作为目标距离阈值；或
将多个所述候选距离阈值的平均值，作为目标距离阈值；或
根据多个所述候选距离阈值和对应的预设状态的权值，确定目标距离阈值。
6.根据权利要求3所述的车内信息传输方法，其特征在于，从所述车内驾驶员的图像中提取实际特征向量，包括：
从所述车内驾驶员的图像中，提取多张所述车内驾驶员的脸部特征图；
对提取到的每张所述车内驾驶员的脸部特征图中的预设脸部区域的脸部特征进行加权处理；
将加权后的多张所述车内驾驶员的脸部特征图进行融合，得到预设维数的实际特征向量。
7.根据权利要求6所述的车内信息传输方法，其特征在于，从所述车内驾驶员的图像中，提取多张所述车内驾驶员的脸部特征图，包括：
通过提取网络，从所述车内驾驶员的图像中，提取多张所述车内驾驶员的脸部特征图；其中，所述提取网络依次包括以下结构：1个由64个3×3卷积核组成的卷积层Conv3×3，1个由128个3×3卷积核组成的深度可分离卷积层Conv3×3，2个由128个卷积核组成的瓶颈卷积层Bottleneck，4个由256个卷积核组成的瓶颈卷积层Bottleneck，1个由512个1×1卷积核组成的卷积层Conv1×1；由128个卷积核组成的第二个瓶颈卷积层Bottleneck的执行次数为6次；
对提取到的每张所述车内驾驶员的脸部特征图中的上半部分脸部特征进行加权处理，包括：
通过由512个卷积核组成的自注意力层self-attention，对提取到的每张所述车内驾驶员的脸部特征图中的上半部分脸部特征进行加权处理；
将加权后的多张所述车内驾驶员的脸部特征图进行融合，得到预设维数的实际特征向量，包括：
通过融合网络，将加权后的多张所述车内驾驶员的脸部特征图进行融合，得到预设维数的实际特征向量；其中，所述融合网络依次包括以下结构：1个由512个7x7卷积核组成的线性深度可分离的卷积层linearGDConv7x7，1个由512个1x1卷积核组成的线性卷积层Linearconv1x1。
8.一种车内信息传输装置，其特征在于，包括：
采集单元，用于通过车内的采集装置采集车内信息；其中所述车内信息包括以下一种或多种：车内图像、车内视频、车内语音；
第一生成单元，用于在无连接的通信过程中，根据车内驾驶员驾驶的车载设备的标识，生成上传信息指令，并将所述上传信息指令发送给云服务器；其中，所述上传信息指令包含车载设备的标识和车内信息的文件类型；
第二生成单元，用于在接收到所述云服务器的应答消息后，根据所述上传信息指令的标识和车内信息，生成文件数据包，并将所述文件数据包发送给所述云服务器。
9.一种车载设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至权利要求7中任一项所述的车内信息传输方法。
10.一种存储介质，其特征在于，当所述存储介质中的指令由车载设备的处理器执行时，使得所述车载设备能够执行如权利要求1至权利要求7中任一项所述的车内信息传输方法。
CN202110202208.1A 2021-02-23 2021-02-23 车内信息传输方法、装置、车载设备及存储介质 Active CN112969053B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110202208.1A CN112969053B (zh) 2021-02-23 2021-02-23 车内信息传输方法、装置、车载设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110202208.1A CN112969053B (zh) 2021-02-23 2021-02-23 车内信息传输方法、装置、车载设备及存储介质

Publications (2)

Publication Number Publication Date
CN112969053A CN112969053A (zh) 2021-06-15
CN112969053B true CN112969053B (zh) 2023-04-07

Family

ID=76285727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110202208.1A Active CN112969053B (zh) 2021-02-23 2021-02-23 车内信息传输方法、装置、车载设备及存储介质

Country Status (1)

Country Link
CN (1) CN112969053B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112749657A (zh) * 2021-01-07 2021-05-04 北京码牛科技有限公司 一种租房管理方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111327454A (zh) * 2020-01-20 2020-06-23 深圳市广和通无线股份有限公司 文件升级方法、装置、计算机设备和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729986B (zh) * 2017-09-19 2020-11-03 平安科技（深圳）有限公司 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质
CN111435885B (zh) * 2019-01-11 2022-02-25 华为技术有限公司 用于传输数据的方法、通信设备和网络设备
CN110826435A (zh) * 2019-10-23 2020-02-21 上海能塔智能科技有限公司 驾驶中人脸识别验证方法、装置、车载设备和存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111327454A (zh) * 2020-01-20 2020-06-23 深圳市广和通无线股份有限公司 文件升级方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN112969053A (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
CN110569808A (zh) 活体检测方法、装置及计算机设备
CN107770280B (zh) 多媒体数据处理和获取方法、采集终端和处理装置
CN113420871B (zh) 图像质量的评估方法、装置、存储介质及电子装置
CN114926766A (zh) 识别方法及装置、设备、计算机可读存储介质
US20230206093A1 (en) Music recommendation method and apparatus
CN108449514A (zh) 信息处理方法和装置
CN112969053B (zh) 车内信息传输方法、装置、车载设备及存储介质
US20230351894A1 (en) Accident reporter
CN109214326A (zh) 一种信息处理方法、装置和系统
CN111126411B (zh) 一种异常行为识别方法及装置
CN112464859A (zh) 站台引导系统及方法
CN111881740A (zh) 人脸识别方法、装置、电子设备及介质
JP7281505B2 (ja) 捜査支援システム及び捜査支援方法
CN112652174B (zh) 基于人脸验证的停车服务控制方法和系统
CN116246200A (zh) 一种基于视觉识别的屏显信息偷拍检测方法及系统
KR102367584B1 (ko) 스켈레톤 영상 분석 기법을 이용한 자동 영상 감시 시스템
CN113160603B (zh) 一种基于车联网的智能公交管理
CN110012351B (zh) 标签数据获取方法、存储器、终端、车辆以及车联网系统
CN112883927A (zh) 司乘状态检测方法、装置及计算机可读存储介质
CN112699798A (zh) 一种车路协同的交警动作识别方法和装置
CN112514374A (zh) 监控系统、监控方法、移动平台和远程设备
CN111860563A (zh) 一种车辆验证方法、装置、电子设备和介质
CN116884078B (zh) 摄像装置控制方法、监控设备和计算机可读介质
CN115278361B (zh) 一种行车视频数据的提取方法、系统、介质及电子设备
KR102643646B1 (ko) 영상정보 디스플레이 자동감시 시스템 및 영상정보 디스플레이 자동감시방법

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
GR01 Patent grant
GR01 Patent grant