CN113971821A - 驾驶员信息确定方法、装置、终端设备及存储介质 - Google Patents
驾驶员信息确定方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN113971821A CN113971821A CN202010709741.2A CN202010709741A CN113971821A CN 113971821 A CN113971821 A CN 113971821A CN 202010709741 A CN202010709741 A CN 202010709741A CN 113971821 A CN113971821 A CN 113971821A
- Authority
- CN
- China
- Prior art keywords
- information
- driver
- vehicle
- identification 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于信息技术领域,提供了驾驶员信息确定方法、装置、终端设备及存储介质,包括:获取车辆行驶场景的图片;对车辆行驶场景的图片进行车辆检测确定车辆检测信息,车辆检测信息包括车辆区域图像;对车辆区域图像进行人像检测,确定驾驶员识别信息,驾驶员识别信息包括第一人像图;对车辆区域图像进行车牌识别,确定车辆的车牌信息;根据车牌信息,从预存数据库中获取车牌信息对应的第一驾驶员身份信息,第一驾驶员身份信息包含第二人像图;若驾驶员识别信息与第一驾驶员身份信息相符(包括第一人像图与第二人像图相匹配),则以第一驾驶员身份信息作为目标驾驶员的信息。本申请实施例能够准确地确定车辆行驶场景中驾驶车辆的驾驶员的信息。
Description
技术领域
本申请属于信息技术领域,尤其涉及一种驾驶员信息确定方法、装置、终端设备及存储介质。
背景技术
随着人们生活质量的提高,越来越多的人选择驾驶车辆出行。在现实的车辆行驶场景中,常常存在着不规范驾驶的情况。在现有技术中,通常在车辆行驶场景设有监控摄像头,交通部门可以通过观察该监控摄像头监控到的视频信息来进行驾驶情况的监控查询和管理。然而,交通部门通常难以根据该视频信息准确地辨认车辆行驶场景中正在驾驶车辆的驾驶员的身份,即使发现不规范驾驶情况,也难以找到实际作出该不规范驾驶行为的驾驶员,从而影响交通部门的侦查办案效率。
发明内容
有鉴于此,本申请实施例提供了驾驶员信息确定方法、装置、终端设备及存储介质,以解决现有技术中如何准确地确定车辆行驶场景中驾驶车辆的驾驶员的信息的问题。
本申请实施例的第一方面提供了一种驾驶员信息确定方法,包括:
获取车辆行驶场景的图片;
对所述车辆行驶场景的图片进行车辆检测,确定车辆检测信息,所述车辆检测信息包括车辆区域图像;所述车辆区域图像为所述车辆行驶场景的图片中存在车辆的区域对应的图像;
对所述车辆区域图像进行人像检测,确定驾驶员识别信息,所述驾驶员识别信息至少包括第一人像图,所述第一人像图为当前驾驶所述车辆行驶场景中的车辆的驾驶员的图像;
对所述车辆区域图像进行车牌识别,确定所述车辆的车牌信息;
根据所述车牌信息,从预存数据库中获取与所述车牌信息对应的第一驾驶员身份信息,所述第一驾驶员身份信息包含第二人像图;其中所述预存数据库为登记车牌信息及对应的驾驶员身份信息的数据库;
若所述驾驶员识别信息与所述第一驾驶员身份信息相符,则以所述第一驾驶员身份信息作为目标驾驶员的信息;其中所述驾驶员识别信息与所述第一驾驶员身份信息相符的条件包括所述第一人像图与所述第二人像图相匹配。
本申请实施例的第二方面提供了一种驾驶员信息确定装置,包括:
图片获取单元,用于获取车辆行驶场景的图片;
车辆检测单元,用于对所述车辆行驶场景的图片进行车辆检测,确定车辆检测信息,所述车辆检测信息包括车辆区域图像;所述车辆区域图像为所述车辆行驶场景的图片中存在车辆的区域对应的图像;
人像检测单元,用于对所述车辆区域图像进行人像检测,确定驾驶员识别信息,所述驾驶员识别信息至少包括第一人像图,所述第一人像图为当前驾驶所述车辆行驶场景中的车辆的驾驶员的图像;
车牌识别单元,用于对所述车辆区域图像进行车牌识别,确定所述车辆的车牌信息;
第一驾驶员身份信息获取单元,用于根据所述车牌信息,从预存数据库中获取与所述车牌信息对应的第一驾驶员身份信息,所述第一驾驶员身份信息包含第二人像图;其中所述预存数据库为登记车牌信息及对应的驾驶员身份信息的数据库;
目标驾驶员信息确定单元,用于若所述驾驶员识别信息与所述第一驾驶员身份信息相符,则以所述第一驾驶员身份信息作为目标驾驶员的信息;其中所述驾驶员识别信息与所述第一驾驶员身份信息相符的条件包括所述第一人像图与所述第二人像图相匹配。
本申请实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,当所述处理器执行所述计算机程序时,使得终端设备实现如所述驾驶员信息确定方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,使得终端设备实现如所述驾驶员信息确定方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行如第一方面中所述的驾驶员信息确定方法。
本申请实施例与现有技术相比存在的有益效果是:本申请实施例中,对车辆行驶场景的图片进行车辆检测得到车辆区域图像后,通过人像检测确定包含目标驾驶员的第一人像图的驾驶员识别信息,通过车牌识别确定车辆的车牌信息;之后通过该车牌信息获取与该车牌信息对应的第一驾驶员身份信息,并将在第一人像图与该第一驾驶员身份信息包含的第二人像图匹配时,将该第一驾驶员身份信息确定为目标驾驶员的信息。由于驾驶车辆的人员大多数情况为提前与该车辆的车牌信息对应登记的驾驶员,因此根据车牌信息从预存数据库中获取第一驾驶员身份信息,能够直接高效地获取最可能与目标驾驶员相匹配的信息;并且,由于在获取第一驾驶员身份信息后,会进一步将识别到的目标驾驶员的第一人像图与该第一驾驶员身份信息中包含的第二人像图进行匹配,只有驾驶员识别信息与所述第一驾驶员身份信息相符的情况下,才会将该第一驾驶员身份信息作为目标驾驶员的信息,因此能够保证目标驾驶员的信息的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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本申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种驾驶员信息确定方法的实现流程示意图;
图2是本申请实施例提供的一种车辆行驶场景的图片的示意图;
图3是本申请实施例提供的一种车辆区域图像的示意图;
图4是本申请实施例提供的另一种车辆区域图像的示意图;
图5是本申请实施例提供的一种卷积神经网络的结构示意图;
图6是本申请实施例提供的一种驾驶员信息确定装置的示意图;
图7是本申请实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
实施例一:
图1示出了本申请实施例提供的第一种驾驶员信息确定方法的流程示意图,本申请实施例的执行主体为终端设备,详述如下:
在S101中,获取车辆行驶场景的图片。
本申请实施例中,车辆行驶场景可以为高速公路、街道等道路场景,通过安装于这些道路场景的摄像头进行拍摄,可以得到该车辆行驶场景的图片。可选地,该摄像头实时拍摄该车辆行驶场景,得到该车辆行驶场景的视频数据,通过每隔预设时间间隔或者每隔预设帧数采集该视频数据(即捕获该视频数据中的一帧图片),得到该车辆行驶场景的图片。具体地,该车辆行驶场景存在一辆或者多辆车辆,对应地,该车辆行驶场景的图片包含一辆或者多辆车辆对应的图像。
在S102中,对所述车辆行驶场景的图片进行车辆检测,确定车辆检测信息,所述车辆检测信息包括车辆区域图像;所述车辆区域图像为所述车辆行驶场景的图片中存在车辆的区域对应的图像。
在获取到车辆行驶场景的图片后,通过预设车辆检测算法对该车辆行驶场景的图片进行车辆检测,得到车辆检测信息。其中,该车辆检测信息至少包括车辆区域图像,即车辆行驶场景的图片中存在车辆的区域对应的图像;进一步地,该车辆检测信息还可以包括目标车辆属性信息,该目标车辆属性信息为车辆行驶场景的图片中的车辆对应的属性信息,该属性信息可以包括车辆的颜色、型号等信息。具体地,一个车辆检测信息与车辆行驶场景中的一辆车辆对应,若车辆行驶场景中存在多辆车辆,则对应存在多个车辆检测信息、存在多个车辆区域图像。
可选地,该预设车辆检测算法可以为基于卷积神经网络的检测算法。具体地,将该车辆行驶场景的图片输入训练后的第一卷积神经网络中进行处理,得到车辆识别信息,之后,根据该车辆识别信息确定车辆区域图像。具体地,该车辆识别信息可以包括车辆行驶场景的图片中识别到的车辆图像所在的位置信息,该位置信息可以通过图像坐标表示,也可以直接在该车辆行驶场景的图片中通过用于定位图像的矩形框表示;在确定车辆图像所在的位置信息后,从该车辆行驶场景的图片中的相应位置上截取图像,得到该车辆区域图像。示例性地,如图2所示即为一种经过车辆检测后的车辆行驶场景的图片的示意图,图3、图4即为对应分别得到的两个车辆区域图像的示意图。进一步地,若本申请实施例的车辆行驶场景具体为高速公路,则由于高速公路的道路情况相对于街道(街道可能存在自行车、行人、宠物及各种各样物体)来说较为简单,因此具体可以通过轻量级的卷积神经网络来完成车辆检测。具体地,轻量级的卷积神经网络是指需要参数数量较少和计算代价较小的卷积神经网络模型。由于轻量级的卷积神经网络计算开销小,因此能够提高检测效率,也使得本申请实施例的方法可以部署在计算资源有限的设备上,如智能手机、平板电脑或其他嵌入式设备执行。
在S103中,对所述车辆区域图像进行人像检测,确定驾驶员识别信息,所述驾驶员识别信息至少包括第一人像图,所述第一人像图为当前驾驶所述车辆行驶场景中的车辆的人员的图像。
在获取到车辆区域图像后,通过预设人像检测算法对该车辆区域图像进行人像检测,确定驾驶员识别信息,该驾驶员识别信息至少包括第一人像图,即驾驶该车辆区域图像对应的车辆的驾驶员(以下简称目标驾驶员)的图像。可选地,该驾驶员识别信息还可以包括目标驾驶员个人属性信息,即目标驾驶员的个人属性信息,该个人属性信息可以包括年龄、性别、是否佩戴眼镜、衣服颜色等信息。
可选地,该预设人像检测算法可以为基于卷积神经网络的检测算法。具体地,将该车辆区域图像输入训练后的第二卷积神经网络中进行处理,得到车辆区域图像中的驾驶员图像所在的位置信息,该位置信息可以通过图像坐标表示,也可以直接在该车辆区域图像中通过定位图像的矩形框表示;之后根据该驾驶员图像所在的位置信息,从该车辆区域图像中的相应位置上截取图像,得到该第一人像图。
可选地,所述步骤S103包括:
S10301:对所述车辆区域图像进行超分辨率重建,得到重建图像;
S10302:对所述重建图像进行人像检测,确定所述驾驶员识别信息。
由于在车辆行驶场景的图片中,车辆区域图像以及驾驶员的图像所占的区域很小,导致驾驶员对应的图像细节信息不清晰,从而给人像检测带来较大的挑战。本申请实施例中具体通过对车辆区域图像进行超分辨率重建的方法来解决该问题。具体地,在S10301中,通过预设的超分辨率算法对车辆区域图像进行超分辨率重建,得到分辨率较高的重建图像,该重建图像能够更好地表达车辆区域对应的图像细节信息。可选地,具体可以通过高效的亚像素卷积神经网络(Efficient Sub-Pixel Convolutional Neural Network,ESPCN)对该车辆区域图像进行超分辨率重建,得到高分辨率图像;之后,通过预设的缩放操作(例如通过图像大小调整函数——resize函数)将该高分辨率图像缩放到指定的大小,得到重建图像。在S10302中,对该具有较多图像细节信息的重建图像进行人像检测,确定驾驶员识别信息。
本申请实施例中,由于具体将车辆区域图像进行超分辨率重建后再进行人像检测,使得人像检测能够基于更多图像细节信息进行,从而提高人像检测的成功率及准确性,保证驾驶员识别信息的准确性,进而提高驾驶员信息确定方法的准确性。
在S104中,对所述车辆区域图像进行车牌识别,确定所述车辆的车牌信息。
在执行步骤S103的同时或者之后,将步骤S102确定的车辆区域图像通过与预设的车牌识别算法进行车辆识别,得到车辆的车牌信息,即车辆的车牌号码。具体地,将该车辆区域图像裁剪为指定大小的待识别图像;接着,将该待识别图像输入到预设的车牌识别算法中,得到该待识别图像中的车牌的位置信息和车牌的号码信息。示例性地,本申请实施例通过面向移动端的准商业级车牌识别库Mobile-LPR来作为车牌识别算法对车辆区域图像进行车牌识别,从而准确、高效地确定车辆的车牌信息。
在S105中,根据所述车牌信息,从预存数据库中获取与所述车牌信息对应的第一驾驶员身份信息,所述第一驾驶员身份信息包含第二人像图;其中所述预存数据库为登记车牌信息及对应的驾驶员身份信息的数据库。
本申请实施例,预存数据库为公安部门或者交通部门提前记录的车牌信息和对应的驾驶员身份信息的数据库,一般为车主在上牌照或者年检时主动登记的信息。其中,驾驶员身份信息至少包括驾驶员的人像图及驾驶员基本信息,该驾驶员基本信息可以包括驾驶员的姓名、年龄、性别、身份证号码、驾驶证信息、联系方式等信息。
根据步骤S104得到的车牌信息,查询该预存数据库,确定与步骤S104得到的车牌信息相对应的存储项中的驾驶员身份信息,为了便于区别,将该查询得到的与前一步骤确定的车牌信息对应的驾驶员身份信息称为第一驾驶员身份信息,该第一驾驶员身份信息包含的驾驶员的人像图称为第二人像图。
可选地,预存数据库中具体绑定存储了车牌信息及对应驾驶员的身份证照片,通过识别该身份证照片,确定第二人像图。具体地,根据确定的车牌信息,从预存数据库中获取对应的驾驶员的身份证照片;通过预设人像检测算法检测并提取该身份证照片上的人像区域,得到第二人像图。其中,该预设人像算法可以为基于卷积神经网络的检测算法,将该身份证照片输入训练后的第三卷积神经网络中进行处理,确定身份证照片中的人像区域,从而得到第二人像图。
在S106中,若所述驾驶员识别信息与所述第一驾驶员身份信息相符,则以所述第一驾驶员身份信息作为目标驾驶员的信息;其中所述驾驶员识别信息与所述第一驾驶员身份信息相符的条件包括所述第一人像图与所述第二人像图相匹配。
将步骤S103中确定的驾驶员识别信息和步骤S105中获取的第一驾驶员身份信息进行比对,若相符,则判定当前驾驶车辆区域图像中的车辆的驾驶员(即目标驾驶员)即为预存数据库登记了第一驾驶员信息的第一驾驶员,将该第一驾驶员身份信息作为目标驾驶员的信息。具体地,驾驶员识别信息与第一驾驶员身份信息相符的条件至少包括:检测到上述的第一人像图和第二人像图相匹配。可选地,在检测到驾驶员识别信息与第一驾驶员身份信息相符后,提取驾驶员识别信息中的驾驶员基本信息作为目标驾驶员的信息,并显示于目标显示设备中或者发送到指定的终端设备中,以便交通执法人员查看。
可选地,所述步骤S106包括:
S10601:提取所述第一人像图的人脸特征,得到第一特征向量;
S10602:提取所述第二人像图的人脸特征,得到第二特征向量;
S10603:若所述第一特征向量与所述第二特征向量的相似度大于或者等于预设阈值,则判定所述第一人像图与所述第二人像图相匹配,并以所述第一驾驶员身份信息作为所述目标驾驶员的信息。
本申请实施例中,具体可以通过同一人脸特征提取网络来依次分别提取第一人像图、第二人像图的人脸特征,或者通过两个相同的人脸特征提取网络同时分别提取第一人像图、第二人像图的人脸特征,从而分别得到对应的第一特征向量、第二特征向量。示例性地,该人脸特征提取网络依次由预处理模块、多任务卷积神经网络(Multi-taskconvolutional neural network,MTCNN)、特征检测网络和主成分分析(PrincipalComponent Analysis,PCA)算法组成。具体地,首先,通过预处理模块将输入的人像图裁剪为规定大小(例如128*128)的目标人像图;然后,将该目标人像图输入MTCNN网络,从目标人像图中检测并定位人脸位置;接着,使用特征检测网络——例如MobileNet(一种专用于移动和嵌入式视觉应用的卷积神经网络),对目标人像图中的人脸位置的图像进行人脸特征提取,得到一个第一维度(例如512维)的特征向量;之后,将该第一维度的特征向量通过PCA算法进行降维处理,得到第二维度(例如128维)的特征向量。
在S10601中,将第一人像图输入上述的人脸特征提取网络逐层进行处理,得到维度大小为第二维度的第一特征向量,该第一特征向量用于表征第一人像图的人脸特征。
在S10602中,将第二人像图输入上述的人脸特征提取网络逐层进行处理,得到维度大小为第二维度的第二特征向量,该第二特征向量用于表征第二人像图的人脸特征。
在S10603中,通过余弦公式确定第一特征向量和第二特征向量的相似度,该余弦公式如下:
其中,A表示第一特征向量,B表示第二特征向量,cosθ表示相似度,该相似度为0-1之间的值,相似度的值越大,表示第一特征向量和第二特征向量越相似,即表示第一人像图和第二人像图越相似。
当求得的第一特征向量和第二特征向量的相似度大于或者等于预设阈值时,则判定第一人像图和第二人像图相匹配,此时可以判定驾驶员识别信息与第一驾驶员身份信息相符,从而将第一驾驶员身份信息作为目标驾驶员的信息。
本申请实施例中,通过对第一人像图、第二人像图分别进行人脸特征提取,得到对应的第一特征向量和第二特征向量后,通过计算该第一特征向量和第二特征向量的相似度来进行第一人像图与第二人像图是否相匹配的判定,进而能够准确地判定驾驶员识别信息是否与第一驾驶员身份信息相符,从而准确地确定出目标驾驶员的信息。
可选地,驾驶员识别信息与第一驾驶员身份信息相符的条件还包括:目标驾驶员个人属性信息(即通过步骤S103的人像检测确定的驾驶员的个人属性信息)与第一驾驶员身份信息中的个人属性信息相符,该个人属性信息可以包括年龄、性别等。在判定第一人像图和第二人像图相匹配之后,进一步判断目标驾驶员个人属性信息与第一驾驶员身份信息中的个人属性信息是否相符;若相符,再判定驾驶员识别信息与第一驾驶员身份信息相符。
可选地,驾驶员识别信息与第一驾驶员身份信息相符的条件还包括:目标车辆属性信息与第一驾驶员身份信息中的预存车辆属性信息相符,该目标车辆属性信息即为步骤S102中确定的车辆检测信息中包含的车辆行驶场景中的车辆的属性信息,该预存车辆属性信息即为第一驾驶员身份信息中预存的车辆的属性信息,其中,车辆的属性信息可以包括车辆的颜色、型号等信息。可选地,在判定第一人像图和第二人像图相匹配且目标驾驶员个人属性信息与第一驾驶员身份信息中的个人属性信息相符后,进一步判断目标车辆属性信息与第一驾驶员身份信息中的预存车辆属性信息是否相符;若相符,则判定驾驶员识别信息与第一驾驶员身份信息相符。
本申请实施例中,由于驾驶员识别信息与第一驾驶员身份信息相符的条件除了包括第一人像图与第二人像图相匹配外,还进一步包括目标驾驶员个人属性信息与第一驾驶员身份信息中的个人属性信息相符和/或目标车辆属性信息与第一驾驶员身份信息中的预存车辆属性信息相符,从而通过多条件判断来提高驾驶员识别信息与第一驾驶员身份信息相符与否的判断的准确性,进而提高确定目标驾驶员信息的准确性。
示例性地,上述步骤S102中的第一卷积神经网络、步骤S103第二卷积神经网络、步骤S105中的第三卷积神经网均可以用同样结构的轻量级卷积网络实现,该轻量级卷积网络的网络层级结构如下表所示:
表1:
其中,Convolution为卷积层,Maxpool为最大池化层,Detection为检测层;该轻量级卷积网络总共包含24层,其中,第0-21层这21层网络层可以作为一个整体模块,称为特征提取网络,该特征提取网络的输入大小为416*416,经过该特征提取网络中17个卷积层的卷积操作及5个池化层的池化操作,最终映射得到大小为13*13*1024的特征向量;之后,将该特征向量通过第22层的卷积层的卷积操作及最后一层的Detection的检测操作,得到对应的检测结果。
具体地,上述的第一卷积神经网络为基于上述层级结构的轻量级卷积网络,以预设数量的已标识车辆检测信息的车辆行驶场景的图片作为车辆检测样本,对该轻量级卷积网络进行训练得到的网络。该训练过程可以通过开源的Python(一种解释型、面向对象、动态数据类型的高级程序设计语言)机器学习库——PyTorch中的深度学习框架来进行。示例性地,该第一卷积神经网络的训练参数如表2所示。
表2:
参数名称 | 默认值 | 描述 |
Input_size | 416 | 输入图片大小 |
lr | 0.001 | 学习率 |
epoch | 100000 | 迭代次数 |
batch_size | 16 | 每次训练使用的图片个数 |
optimizer | SGD | 优化器 |
具体地,上述的第二卷积神经网络为基于上述层级结构的轻量级卷积网络,以预设数量的已标识驾驶员识别信息的车辆区域图像作为人像检测样本,对该轻量级卷积网络进行训练得到的网络,该训练过程同样可以通过PyTorch中的深度学习框架来进行。示例性地,该第二卷积神经网络的训练参数可以与上述表2中的参数一致。
具体地,上述的第三卷积神经网络为基于上述层级结构的轻量级卷积网络,以预设数量的已标识人像信息的身份证照片作为人像检测样本,对该轻量级卷积网络进行训练得到的网络,该训练过程同样可以通过PyTorch中的深度学习框架来进行。示例性地,该第三卷积神经网络的训练参数如表3所示。
表3:
参数名称 | 默认值 | 描述 |
Input_size | 416 | 输入图片大小 |
lr | 0.001 | 学习率 |
epoch | 80000 | 迭代次数 |
batch_size | 16 | 每次训练使用的图片个数 |
optimizer | SGD | 优化器 |
可选地,上述步骤S102中的第一卷积神经网络除了用于检测、定位车辆区域图像外,还用于确定车辆的属性信息;上述步骤S103中的第二卷积神经网络除了用于检测、定位第一人像图外,还用于确定目标驾驶员个人属性信息。对应地,该第一卷积神经网络和第二卷积神经网络的网络结构如图5所示,包含特征提取网络、定位检测网络和属性检测网络。其中,特征提取网络可以为包含表1所示的第0-21层网络层的网络;该定位检测网络可以包含回归模块和分类模块,回归模块用于输出检测到的目标(即车辆图像或驾驶员人像)的位置(可以通过输出矩形框进行位置表示),分类模块用于输出该目标的标识信息和/或检测分数;该属性检测网络可以包括多个属性检测分支,用于检测定位到的目标的各种属性信息(例如车辆的颜色、型号,或者人像的年龄、性别)。
可选地,所述驾驶员信息确定方法还包括:
S1071:若所述驾驶员识别信息与所述第一驾驶员身份信息不相符,则根据所述驾驶员识别信息从所述预存数据库中搜索与所述驾驶员识别信息相符的第二驾驶员身份信息;
S1072:以所述第二驾驶员身份信息作为所述目标驾驶员的信息。
在S1071中,在判定驾驶员识别信息和第一驾驶员身份信息不相符后,进一步地从预存数据库中搜索与驾驶员识别信息相符的驾驶员身份信息(为了便于区别,将该驾驶员身份信息称为第二驾驶员身份信息)。可选地,将驾驶员识别信息中的第一人像图与预存数据库中驾驶员身份信息包含的人像图进行匹配,若匹配成功,则判定该驾驶员身份信息为与当前的驾驶员识别信息相符的第二驾驶员身份信息。
在S1072中,将搜索到的与驾驶员识别信息相符的第二驾驶员身份信息作为目标驾驶员的信息。
本申请实施例中,由于在驾驶员识别信息与第一驾驶员身份信息不相符时,能够进一步地从预存数据库中搜索得到与该驾驶员识别信息相符的第二驾驶员身份信息,即,在当前驾驶车辆的目标驾驶员不是与该车辆的车牌信息对应登记的驾驶员时,也能够准确有效地从包含众多驾驶员身份信息的预存数据库中找到与当前驾驶员识别信息相符的第二驾驶员身份信息,从而准确有效地确定当前目标驾驶员的信息。
可选地,所述步骤S1071包括:
A1:若所述驾驶员识别信息与所述第一驾驶员身份信息不相符,则根据目标属地标识号及所述预存数据库中的车牌信息,从所述预存数据库中筛选得到第一数据集;所述目标属地标识号为根据所述车辆行驶场景的位置确定的属地标识号和/或根据所述车辆的车牌信息确定的属地标识号,所述属地标识号为车牌信息中用于标识所述车牌信息的属地的标识号;所述第一数据集中的车牌信息包含所述目标属地标识号;
A2:根据所述第一人像图,从所述第一数据集中搜索与所述第一人像图匹配的第二驾驶员身份信息。
在车牌信息中,存在着用于标识车牌信息的属地的标识号,称为属地标识号。具体地,在车牌信息中,号码的前两位即为属地标识号。示例性地,车牌信息“粤BXXXXX”中,“粤B”即为属地标识号,用于标识该车辆的属地为广东省深圳市。
在A1中,判定驾驶员识别信息和第一驾驶员身份信息不相符后,根据当前车辆行驶场景的位置确定目标属地标识号,例如,若确定当前车辆行驶场景所在的位置为广东省深圳市,则将“粤B”确定为目标属地标识号。或者,将步骤S104中识别到的车牌信息中号码的前两位确定为目标属地标识号。之后,根据该目标属地标识号及预存数据库中存储的车牌信息,筛选出预存数据库中包含该目标属地标识号的车牌信息的数据集合作为第一数据集,该第一数据集中,每一项数据都包含第一车牌信息及与该第一车牌信息绑定存储的驾驶员身份信息,该第一车牌信息包含该目标属地标识号。
在A2中,根据步骤S103中识别到的当前驾驶员的第一人像图,从第一数据集中获取驾驶员身份信息中包含的人像图与该第一人像图进行匹配,并将匹配成功的人像图对应的驾驶员身份信息确定为第二驾驶员身份信息。
本申请实施例中,由于在驾驶员识别信息与第一驾驶员身份信息不相符时,先根据目标属地标识号从预存数据库中筛选得到第一数据集后,再将第一人像图与第一数据集中的数据进行匹配,从而能够缩小驾驶员身份信息的查找范围,减少需要进行人像匹配的数据,在保证准确性的同时提高第二驾驶员身份信息的搜索效率,使得最终能够准确高效地确定目标驾驶员的信息。
可选地,所述预存数据库中的驾驶员身份信息包括个人属性信息,所述驾驶员识别信息包括目标驾驶员个人属性信息,对应地,所述驾驶员识别信息与所述第一驾驶员身份信息相符的条件还包括:所述目标驾驶员个人属性信息与所述第一驾驶员身份信息中的个人属性信息相符;其中所述目标驾驶员个人属性信息为所述车辆区域图像对应的车辆上的驾驶员的个人属性信息;
对应地,所述步骤S1071包括:
B1:若所述驾驶员识别信息与所述第一驾驶员身份信息不相符,则根据所述目标驾驶员个人属性信息,从所述预存数据库中筛选得到第二数据集;其中,所述第二数据集中的个人属性信息与所述目标驾驶员个人属性信息相符;
B2:根据所述第一人像图,从所述第二数据集中搜索与所述第一人像图匹配的第二驾驶员身份信息。
本申请实施例中,预存数据库中的驾驶员身份信息包括个人属性信息,步骤S103中确定的驾驶员识别信息包括目标驾驶员个人属性信息,即车辆区域图像对应的车辆上的驾驶员的个人属性信息。上述的个人属性信息可以包括年龄、性别等信息。其中,目标驾驶员个人属性信息是根据人像检测识别人像特征后判定出来的信息,例如通过上述的第二卷积神经网络中的属性检测分支检测出来的信息,该年龄信息可以为一个范围值(例如21-30岁、31-40岁等);而驾驶员身份信息中的个人属性信息为驾驶员主动登记的、明确的年龄信息(一个具体值,例如25岁)和性别信息。
在B1中,当判定驾驶员识别信息和第一驾驶员身份信息不相符后,根据目标驾驶员个人属性信息,从预存数据库中筛选出个人属性信息与该目标驾驶员个人属性信息相符的数据,得到第二数据集,即,该第二数据集的每一项数据都包含一位驾驶员的驾驶员身份信息,该驾驶员身份识别信息包含与目标驾驶员个人属性信息相符的个人属性信息。
在B2中,根据步骤S103中识别到的当前驾驶员的第一人像图,从第二数据集中获取驾驶员身份信息,并提取其包含的人像图,与该第一人像图进行匹配,并将匹配成功的人像图对应的驾驶员身份信息确定为第二驾驶员身份信息。
本申请实施例中,由于在驾驶员识别信息与第一驾驶员身份信息不相符时,先根据目标驾驶员个人属性信息从预存数据库中筛选得到第二数据集后,再将第一人像图与第二数据集中的数据进行匹配,从而能够缩小驾驶员身份信息的查找范围,减少需要进行人像匹配的数据,在保证准确性的同时提高第二驾驶员身份信息的搜索效率,使得最终能够准确高效地确定目标驾驶员的信息。
可选地,所述车辆检测信息还包括目标车辆属性信息,所述预存数据库中与所述车牌信息对应存储的还包括预存车辆属性信息,对应地,所述驾驶员识别信息与所述第一驾驶员身份信息相符的条件还包括所述目标车辆属性信息与所述第一驾驶员身份信息中的预存车辆属性信息相符;
对应地,所述步骤S10701,包括:
C1:若所述驾驶员识别信息与所述第一驾驶员身份信息不相符,则根据所述目标车辆属性信息,从所述预存数据库中筛选得到第三数据集;其中,所述第三数据集中的预存车辆属性信息与所述目标车辆属性信息相符;
C2:根据所述第一人像图,从所述第三数据集中搜索与所述第一人像图匹配的第二驾驶员身份信息。
本申请实施例中,在步骤S102中车辆检测确定的车辆检测信息还包括当前车辆行驶场景中的车辆的车辆属性信息,称为目标车辆属性信息;示例性地,该目标车辆属性信息可以通过上述的第一卷积神经网络中的属性检测分支检测得到。预存数据库中与登记的车牌信息对应存储的信息还包括预存车辆属性信息,即在登记车牌信息时记录的该车牌信息对应的车辆的车辆属性信息。前述的车辆属性信息可以包括车辆的颜色、型号等信息。
在C1中,当判定驾驶员识别信息和第一驾驶员身份信息不相符后,根据目标车辆属性信息,从预存数据库中筛选出预存车辆属性信息与该目标车辆属性信息相符的数据,得到第三数据集。即,该第三数据集中的每一项数据都包含一个车牌信息、预存车辆属性信息及该车牌信息对应登记的驾驶员身份信息,且该预存车辆属性信息与目标车辆属性信息相符。
在C2中,根据步骤S103中识别到的当前驾驶员的第一人像图,从第三数据集中获取驾驶员身份信息,并提取其包含的人像图,与该第一人像图进行匹配,并将第三数据集中,与该第一人像图匹配成功的人像图对应的驾驶员身份信息确定为第二驾驶员身份信息。
本申请实施例中,由于在驾驶员识别信息与第一驾驶员身份信息不相符时,先根据目标车辆属性信息从预存数据库中筛选得到第三数据集后,再将第一人像图与第三数据集中的数据进行匹配,从而能够缩小驾驶员身份信息的查找范围,减少需要进行人像匹配的数据,在保证准确性的同时提高第二驾驶员身份信息的搜索效率,使得最终能够准确高效地确定目标驾驶员的信息。
可选地,具体可以结合上述的步骤A1、步骤B1、步骤C1,通过目标属地标识号、目标驾驶员个人属性信息、目标车辆属性信息这三个信息来依次进行数据集的层层筛选,从而进一步人像匹配的数据查找范围,提高人像匹配效率,进而提高驾驶员信息确定效率。此时步骤S1071具体包括:
D1:若所述驾驶员识别信息与所述第一驾驶员身份信息不相符,则根据目标属地标识号及所述预存数据库中的车牌信息,从所述预存数据库中筛选得到第一数据集;所述目标属地标识号为根据所述车辆行驶场景的位置确定的属地标识号和/或根据所述车辆的车牌信息确定的属地标识号,所述属地标识号为车牌信息中用于标识所述车牌信息的属地的标识号;所述第一数据集中的车牌信息包含所述目标属地标识号
D2:根据所述目标驾驶员个人属性信息,从所述第一数据集中筛选得到第二数据集;其中,所述第二数据集中的个人属性信息与所述目标驾驶员个人属性信息相符;
D3:根据所述目标车辆属性信息,从所述第二数据集中筛选得到第三数据集;其中,所述第三数据集中的预存车辆属性信息与所述目标车辆属性信息相符;
D4:根据所述第一人像图,从所述第三数据集中搜索与所述第一人像图匹配的第二驾驶员身份信息。
可选地,在所述步骤S106或者所述步骤S1072之后,还包括:
将所述车牌信息及所述目标驾驶员的信息一同上传至目标数据库进行绑定存储。
将步骤S104中确定出的当前车辆的车牌信息与最终确定的目标驾驶员的信息一同上传至目标数据库进行绑定存储,以便公安部门或者交警部门等部门的相关监管人员根据需要调取该目标数据库的数据进行查看,从而提高相关监管人员的监管效率及侦察工作的效率。可选地,在上传车牌信息与目标驾驶员的信息的同时,上传该车辆行驶场景的图片的拍摄时间一同进行数据存储,以进一步地便于相关监管人员准确地获取特定时间段内车辆的驾驶员的信息。可选地,该目标数据库每个预设周期(例如一个月、一年)进行清除更新,以节省存储资源。
本申请实施例中,对车辆行驶场景的图片进行车辆检测得到车辆区域图像后,通过人像检测确定包含目标驾驶员的第一人像图的驾驶员识别信息,通过车牌识别确定车辆的车牌信息;之后通过该车牌信息获取与该车牌信息对应的第一驾驶员身份信息,并将在第一人像图与该第一驾驶员身份信息包含的第二人像图匹配时,将该第一驾驶员身份信息确定为目标驾驶员的信息。由于驾驶车辆的人员大多数情况为提前与该车辆的车牌信息对应登记的驾驶员,因此根据车牌信息从预存数据库中获取第一驾驶员身份信息,能够直接高效地获取最可能与目标驾驶员相匹配的信息;并且,由于在获取第一驾驶员身份信息后,会进一步将识别到的目标驾驶员的第一人像图与该第一驾驶员身份信息中包含的第二人像图进行匹配,只有驾驶员识别信息与所述第一驾驶员身份信息相符的情况下,才会将该第一驾驶员身份信息作为目标驾驶员的信息,因此能够保证目标驾驶员的信息的准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
实施例二:
图6示出了本申请实施例提供的一种驾驶员信息确定装置的结构示意图,为了便于说明,仅示出了与本申请实施例相关的部分:
该驾驶员信息确定装置包括:图片获取单元61、车辆检测单元62、人像检测单元63、车牌识别单元64、第一驾驶员身份信息获取单元65和目标驾驶员信息确定单元66。其中:
图片获取单元61,用于获取车辆行驶场景的图片。
车辆检测单元62,用于对所述车辆行驶场景的图片进行车辆检测,确定车辆检测信息,所述车辆检测信息包括车辆区域图像;所述车辆区域图像为所述车辆行驶场景的图片中存在车辆的区域对应的图像。
人像检测单元63,用于对所述车辆区域图像进行人像检测,确定驾驶员识别信息,所述驾驶员识别信息至少包括第一人像图,所述第一人像图为当前驾驶所述车辆行驶场景中的车辆的驾驶员的图像。
车牌识别单元64,用于对所述车辆区域图像进行车牌识别,确定所述车辆的车牌信息。
第一驾驶员身份信息获取单元65,用于根据所述车牌信息,从预存数据库中获取与所述车牌信息对应的第一驾驶员身份信息,所述第一驾驶员身份信息包含第二人像图;其中所述预存数据库为登记车牌信息及对应的驾驶员身份信息的数据库。
目标驾驶员信息确定单元66,用于若所述驾驶员识别信息与所述第一驾驶员身份信息相符,则以所述第一驾驶员身份信息作为目标驾驶员的信息;其中所述驾驶员识别信息与所述第一驾驶员身份信息相符的条件包括所述第一人像图与所述第二人像图相匹配。
可选地,所述人像检测单元63,包括超分辨率重建模块和人像检测模块:
超分辨率重建模块,用于对所述车辆区域图像进行超分辨率重建,得到重建图像;
人像检测模块,用于对所述重建图像进行人像检测,确定所述驾驶员识别信息。
可选地,所述目标驾驶员信息确定单元66包括第一特征提取模块、第二特征提取模块以及判定块:
第一特征提取模块,用于提取所述第一人像图的人脸特征,得到第一特征向量;
第二特征提取模块,用于提取所述第二人像图的人脸特征,得到第二特征向量;
判定模块,用于若所述第一特征向量与所述第二特征向量的相似度大于或者等于预设阈值,则判定所述第一人像图与所述第二人像图相匹配,并以所述第一驾驶员身份信息作为所述目标驾驶员的信息
可选地,所述驾驶员信息确定装置还包括:
搜索单元,用于若所述驾驶员识别信息与所述第一驾驶员身份信息不相符,则根据所述驾驶员识别信息从所述预存数据库中搜索与所述驾驶员识别信息相符的第二驾驶员身份信息;
对应地,所述目标驾驶员信息确定单元66,还用于以所述第二驾驶员身份信息作为所述目标驾驶员的信息。
可选地,所述搜索单元包括第一筛选模块和第一匹配模块:
第一筛选模块,用于若所述驾驶员识别信息与所述第一驾驶员身份信息不相符,则根据目标属地标识号及所述预存数据库中的车牌信息,从所述预存数据库中筛选得到第一数据集;所述目标属地标识号为根据所述车辆行驶场景的位置确定的属地标识号和/或根据所述车辆的车牌信息确定的属地标识号,所述属地标识号为车牌信息中用于标识所述车牌信息的属地的标识号;所述第一数据集中的车牌信息包含所述目标属地标识号;
第一匹配模块,用于根据所述第一人像图,从所述第一数据集中搜索与所述第一人像图匹配的第二驾驶员身份信息。
可选地,所述预存数据库中的驾驶员身份信息包括个人属性信息,所述驾驶员识别信息包括目标驾驶员个人属性信息,对应地,所述驾驶员识别信息与所述第一驾驶员身份信息相符的条件还包括:所述目标驾驶员个人属性信息与所述第一驾驶员身份信息中的个人属性信息相符;其中所述目标驾驶员个人属性信息为所述车辆区域图像对应的车辆上的驾驶员的个人属性信息;
对应地,所述搜索单元包括第二筛选模块和第二匹配模块:
第二筛选模块,用于若所述驾驶员识别信息与所述第一驾驶员身份信息不相符,则根据所述目标驾驶员个人属性信息,从所述预存数据库中筛选得到第二数据集;其中,所述第二数据集中的个人属性信息与所述目标驾驶员个人属性信息相符;
第二匹配模块,用于根据所述第一人像图,从所述第二数据集中搜索与所述第一人像图匹配的第二驾驶员身份信息。
可选地,所述车辆检测信息还包括目标车辆属性信息,所述预存数据库中与所述车牌信息对应存储的还包括预存车辆属性信息,对应地,所述驾驶员识别信息与所述第一驾驶员身份信息相符的条件还包括所述目标车辆属性信息与所述第一驾驶员身份信息中的预存车辆属性信息相符;
对应地,所述搜索单元包括第三筛选模块和第三匹配模块:
第三筛选模块,用于若所述驾驶员识别信息与所述第一驾驶员身份信息不相符,则根据所述目标车辆属性信息,从所述预存数据库中筛选得到第三数据集;其中,所述第三数据集中的预存车辆属性信息与所述目标车辆属性信息相符;
第三匹配模块,根据所述第一人像图,从所述第三数据集中搜索与所述第一人像图匹配的第二驾驶员身份信息。
可选地,所述驾驶员信息确定装置还包括:
绑定单元,用于将所述车牌信息及所述目标驾驶员的信息一同上传至目标数据库进行绑定存储。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
实施例三:
图7是本申请一实施例提供的终端设备的示意图。如图7所示,该实施例的终端设备7包括:处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72,例如驾驶员信息确定程序。所述处理器70执行所述计算机程序72时实现上述各个驾驶员信息确定方法实施例中的步骤,例如图1所示的步骤S101至S106。或者,所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能,例如图6所示单元61至66的功能。
示例性的,所述计算机程序72可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器71中,并由所述处理器70执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。例如,所述计算机程序72可以被分割成图片获取单元、车辆检测单元、人像检测单元、车牌识别单元、第一驾驶员身份信息获取单元和目标驾驶员信息确定单元,各单元具体功能如下:
图片获取单元,用于获取车辆行驶场景的图片。
车辆检测单元,用于对所述车辆行驶场景的图片进行车辆检测,确定车辆检测信息,所述车辆检测信息包括车辆区域图像;所述车辆区域图像为所述车辆行驶场景的图片中存在车辆的区域对应的图像。
人像检测单元,用于对所述车辆区域图像进行人像检测,确定驾驶员识别信息,所述驾驶员识别信息至少包括第一人像图,所述第一人像图为当前驾驶所述车辆行驶场景中的车辆的驾驶员的图像。
车牌识别单元,用于对所述车辆区域图像进行车牌识别,确定所述车辆的车牌信息。
第一驾驶员身份信息获取单元,用于根据所述车牌信息,从预存数据库中获取与所述车牌信息对应的第一驾驶员身份信息,所述第一驾驶员身份信息包含第二人像图;其中所述预存数据库为登记车牌信息及对应的驾驶员身份信息的数据库。
目标驾驶员信息确定单元,用于若所述驾驶员识别信息与所述第一驾驶员身份信息相符,则以所述第一驾驶员身份信息作为目标驾驶员的信息;其中所述驾驶员识别信息与所述第一驾驶员身份信息相符的条件包括所述第一人像图与所述第二人像图相匹配。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是终端设备7的示例,并不构成对终端设备7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元,例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备,例如所述终端设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (11)
1.一种驾驶员信息确定方法,其特征在于,包括:
获取车辆行驶场景的图片;
对所述车辆行驶场景的图片进行车辆检测,确定车辆检测信息,所述车辆检测信息包括车辆区域图像;所述车辆区域图像为所述车辆行驶场景的图片中存在车辆的区域对应的图像;
对所述车辆区域图像进行人像检测,确定驾驶员识别信息,所述驾驶员识别信息至少包括第一人像图,所述第一人像图为当前驾驶所述车辆行驶场景中的车辆的驾驶员的图像;
对所述车辆区域图像进行车牌识别,确定所述车辆的车牌信息;
根据所述车牌信息,从预存数据库中获取与所述车牌信息对应的第一驾驶员身份信息,所述第一驾驶员身份信息包含第二人像图;其中所述预存数据库为登记车牌信息及对应的驾驶员身份信息的数据库;
若所述驾驶员识别信息与所述第一驾驶员身份信息相符,则以所述第一驾驶员身份信息作为目标驾驶员的信息;其中所述驾驶员识别信息与所述第一驾驶员身份信息相符的条件包括所述第一人像图与所述第二人像图相匹配。
2.如权利要求1所述的驾驶员信息确定方法,其特征在于,所述对所述车辆区域图像进行人像检测,确定驾驶员识别信息,包括:
对所述车辆区域图像进行超分辨率重建,得到重建图像;
对所述重建图像进行人像检测,确定所述驾驶员识别信息。
3.如权利要求1所述的驾驶员信息确定方法,其特征在于,所述若所述驾驶员识别信息与所述第一驾驶员身份信息相符,则以所述第一驾驶员身份信息作为目标驾驶员的信息,包括:
提取所述第一人像图的人脸特征,得到第一特征向量;
提取所述第二人像图的人脸特征,得到第二特征向量;
若所述第一特征向量与所述第二特征向量的相似度大于或者等于预设阈值,则判定所述第一人像图与所述第二人像图相匹配,并以所述第一驾驶员身份信息作为所述目标驾驶员的信息。
4.如权利要求1所述的驾驶员信息确定方法,其特征在于,所述方法还包括:
若所述驾驶员识别信息与所述第一驾驶员身份信息不相符,则根据所述驾驶员识别信息从所述预存数据库中搜索与所述驾驶员识别信息相符的第二驾驶员身份信息;
以所述第二驾驶员身份信息作为所述目标驾驶员的信息。
5.如权利要求4所述的驾驶员信息确定方法,其特征在于,所述若所述驾驶员识别信息与所述第一驾驶员身份信息不相符,则根据所述驾驶员识别信息从所述预存数据库中搜索与所述驾驶员识别信息相符的第二驾驶员身份信息,包括:
若所述驾驶员识别信息与所述第一驾驶员身份信息不相符,则根据目标属地标识号及所述预存数据库中的车牌信息,从所述预存数据库中筛选得到第一数据集;所述目标属地标识号为根据所述车辆行驶场景的位置确定的属地标识号和/或根据所述车辆的车牌信息确定的属地标识号,所述属地标识号为车牌信息中用于标识所述车牌信息的属地的标识号;所述第一数据集中的车牌信息包含所述目标属地标识号;
根据所述第一人像图,从所述第一数据集中搜索与所述第一人像图匹配的第二驾驶员身份信息。
6.如权利要求4所述的驾驶员信息确定方法,其特征在于,所述预存数据库中的驾驶员身份信息包括个人属性信息,所述驾驶员识别信息包括目标驾驶员个人属性信息,对应地,所述驾驶员识别信息与所述第一驾驶员身份信息相符的条件还包括:所述目标驾驶员个人属性信息与所述第一驾驶员身份信息中的个人属性信息相符;其中所述目标驾驶员个人属性信息为所述车辆区域图像对应的车辆上的驾驶员的个人属性信息;
对应地,所述若所述驾驶员识别信息与所述第一驾驶员身份信息不相符,则根据所述驾驶员识别信息从所述预存数据库中搜索与所述驾驶员识别信息相符的第二驾驶员身份信息,包括:
若所述驾驶员识别信息与所述第一驾驶员身份信息不相符,则根据所述目标驾驶员个人属性信息,从所述预存数据库中筛选得到第二数据集;其中,所述第二数据集中的个人属性信息与所述目标驾驶员个人属性信息相符;
根据所述第一人像图,从所述第二数据集中搜索与所述第一人像图匹配的第二驾驶员身份信息。
7.如权利要求4所述的驾驶员信息确定方法,其特征在于,所述车辆检测信息还包括目标车辆属性信息,所述预存数据库中与所述车牌信息对应存储的还包括预存车辆属性信息,对应地,所述驾驶员识别信息与所述第一驾驶员身份信息相符的条件还包括所述目标车辆属性信息与所述第一驾驶员身份信息中的预存车辆属性信息相符;
对应地,所述若所述驾驶员识别信息与所述第一驾驶员身份信息不相符,则根据所述驾驶员识别信息从所述预存数据库中搜索与所述驾驶员识别信息相符的第二驾驶员身份信息,包括:
若所述驾驶员识别信息与所述第一驾驶员身份信息不相符,则根据所述目标车辆属性信息,从所述预存数据库中筛选得到第三数据集;其中,所述第三数据集中的预存车辆属性信息与所述目标车辆属性信息相符;
根据所述第一人像图,从所述第三数据集中搜索与所述第一人像图匹配的第二驾驶员身份信息。
8.如权利要求1至7任意一项所述的驾驶员信息确定方法,其特征在于,所述方法还包括:
将所述车牌信息及所述目标驾驶员的信息一同上传至目标数据库进行绑定存储。
9.一种驾驶员信息确定装置,其特征在于,包括:
图片获取单元,用于获取车辆行驶场景的图片;
车辆检测单元,用于对所述车辆行驶场景的图片进行车辆检测,确定车辆检测信息,所述车辆检测信息包括车辆区域图像;所述车辆区域图像为所述车辆行驶场景的图片中存在车辆的区域对应的图像;
人像检测单元,用于对所述车辆区域图像进行人像检测,确定驾驶员识别信息,所述驾驶员识别信息至少包括第一人像图,所述第一人像图为当前驾驶所述车辆行驶场景中的车辆的驾驶员的图像;
车牌识别单元,用于对所述车辆区域图像进行车牌识别,确定所述车辆的车牌信息;
第一驾驶员身份信息获取单元,用于根据所述车牌信息,从预存数据库中获取与所述车牌信息对应的第一驾驶员身份信息,所述第一驾驶员身份信息包含第二人像图;其中所述预存数据库为登记车牌信息及对应的驾驶员身份信息的数据库;
目标驾驶员信息确定单元,用于若所述驾驶员识别信息与所述第一驾驶员身份信息相符,则以所述第一驾驶员身份信息作为目标驾驶员的信息;其中所述驾驶员识别信息与所述第一驾驶员身份信息相符的条件包括所述第一人像图与所述第二人像图相匹配。
10.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,当所述处理器执行所述计算机程序时,使得终端设备实现如权利要求1至8任一项所述方法的步骤。
11.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,当所述计算机程序被处理器执行时,使得终端设备实现如权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010709741.2A CN113971821A (zh) | 2020-07-22 | 2020-07-22 | 驾驶员信息确定方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010709741.2A CN113971821A (zh) | 2020-07-22 | 2020-07-22 | 驾驶员信息确定方法、装置、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113971821A true CN113971821A (zh) | 2022-01-25 |
Family
ID=79584813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010709741.2A Pending CN113971821A (zh) | 2020-07-22 | 2020-07-22 | 驾驶员信息确定方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113971821A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116039549A (zh) * | 2023-03-07 | 2023-05-02 | 小米汽车科技有限公司 | 车辆控制方法及装置 |
CN117319489A (zh) * | 2023-10-21 | 2023-12-29 | 纬创软件(武汉)有限公司 | 一种向物联网设备推送信息的方法及系统 |
US11875608B1 (en) | 2023-05-10 | 2024-01-16 | Quick Quack Car Wash Holdings, LLC | Apparatus and method for generating a vehicle maintenance activity |
CN117493415A (zh) * | 2023-11-03 | 2024-02-02 | 青岛以萨数据技术有限公司 | 一种车辆驾乘人员查询方法、电子设备及存储介质 |
-
2020
- 2020-07-22 CN CN202010709741.2A patent/CN113971821A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116039549A (zh) * | 2023-03-07 | 2023-05-02 | 小米汽车科技有限公司 | 车辆控制方法及装置 |
US11875608B1 (en) | 2023-05-10 | 2024-01-16 | Quick Quack Car Wash Holdings, LLC | Apparatus and method for generating a vehicle maintenance activity |
CN117319489A (zh) * | 2023-10-21 | 2023-12-29 | 纬创软件(武汉)有限公司 | 一种向物联网设备推送信息的方法及系统 |
CN117319489B (zh) * | 2023-10-21 | 2024-06-07 | 纬创软件(武汉)有限公司 | 一种向物联网设备推送信息的方法及系统 |
CN117493415A (zh) * | 2023-11-03 | 2024-02-02 | 青岛以萨数据技术有限公司 | 一种车辆驾乘人员查询方法、电子设备及存储介质 |
CN117493415B (zh) * | 2023-11-03 | 2024-05-24 | 青岛以萨数据技术有限公司 | 一种车辆驾乘人员查询方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740478B (zh) | 车辆检测及识别方法、装置、计算机设备及可读存储介质 | |
CN108596277B (zh) | 一种车辆身份识别方法、装置和存储介质 | |
JP6873237B2 (ja) | 画像ベースの車両損害評価方法、装置、およびシステム、ならびに電子デバイス | |
CN108388888B (zh) | 一种车辆识别方法、装置和存储介质 | |
CN113971821A (zh) | 驾驶员信息确定方法、装置、终端设备及存储介质 | |
US9104914B1 (en) | Object detection with false positive filtering | |
CN111126224A (zh) | 车辆检测方法及分类识别模型训练方法 | |
CN108323209B (zh) | 信息处理方法、系统、云处理设备以及计算机存储介质 | |
CN111797653A (zh) | 基于高维图像的图像标注方法和装置 | |
KR101781358B1 (ko) | 디지털 영상 내의 얼굴 인식을 통한 개인 식별 시스템 및 방법 | |
CN110751037A (zh) | 车身颜色识别的方法及终端设备 | |
CN110619277A (zh) | 一种多社区智慧布控方法以及系统 | |
CN114170516B (zh) | 一种基于路侧感知的车辆重识别方法、装置及电子设备 | |
CN112633255B (zh) | 目标检测方法、装置及设备 | |
Do et al. | Automatic license plate recognition using mobile device | |
CN111783654B (zh) | 车辆重识别方法、装置及电子设备 | |
CN114169381A (zh) | 图像标注方法、装置、终端设备及存储介质 | |
CN111507324A (zh) | 卡片边框识别方法、装置、设备和计算机存储介质 | |
CN109784171A (zh) | 车辆定损图像筛选方法、装置、可读存储介质及服务器 | |
Maiano et al. | A deep-learning–based antifraud system for car-insurance claims | |
CN114494994A (zh) | 车辆异常聚集监控方法、装置、计算机设备及存储介质 | |
CN113077182B (zh) | 一种车辆维保异常监测系统及方法 | |
EP3244344A1 (en) | Ground object tracking system | |
CN112396060B (zh) | 基于身份证分割模型的身份证识别方法及其相关设备 | |
CN116524725B (zh) | 一种智能驾驶的交通标志图像数据识别系统 |
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 |