CN114241459A - 一种驾驶员身份验证方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请公开了一种驾驶员身份验证方法、装置、计算机设备及存储介质，属于人工智能技术领域。本申请通过实时获取驾驶员的视频影像和语音数据，并通过对视频影像进行处理，获得驾驶员的面部图像，基于预先训练好的面部图像识别模型对驾驶员的面部图像进行识别，以确驾驶员的初始身份信息，再通过对语音数据进行文本转化，以及对文本进行实体抽取，得到驾驶员身份信息，通过比对驾驶员身份信息和初始身份信息，进一步核验驾驶员的身份。此外，本申请还涉及区块链技术，视频影像和语音数据可存储于区块链中。本申请相比传统的驾驶员身份验证方式，本申请简化了驾驶员身份核验流程，提高了驾驶员身份核验的效率和准确度。

Description

一种驾驶员身份验证方法、装置、计算机设备及存储介质

技术领域

本申请属于人工智能技术领域，具体涉及一种驾驶员身份验证方法、装置、计算机设备及存储介质。

背景技术

在交警处理交通事故时，需要核验事故当事人的身份信息，传统的做法是让驾驶人现场出示驾驶证，交警通过现场人工比对查验或通过警用PDA查验。

近年来，随着人脸识别等AI技术各行各业得到广泛应用，远程视频连线技术已逐渐应用于交通事故处理等业务场景，然而远程查验身份的模式仍然沿用传统模式，只是将线下流程简单挪用到线上去实现，例如，目前的做法是在远程视频连线过程中拍摄证件照片，再由坐席人员通过警用PDA或者人工查验，但这种模式需要驾驶员主动拍摄自己的证件，然后主动上传图片，而如果是拍摄的图像存在反光、模糊等问题，则需要驾驶员重新对证件进行拍摄和上传，费时费力，且如驾驶员未携带身份证件，则无法查验并确认身份，需现场派警处理，无法实现智能处理。

发明内容

本申请实施例的目的在于提出一种驾驶员身份验证方法、装置、计算机设备及存储介质，以解决现有驾驶员身份验证方案存在的验证流程繁琐，费时费力，且效率较低的技术问题。

为了解决上述技术问题，本申请实施例提供一种驾驶员身份验证方法，采用了如下所述的技术方案：

一种驾驶员身份验证方法，包括：

接收身份核验指令，确定待核验身份的驾驶员，并实时获取所述驾驶员的视频影像和语音数据；

对所述视频影像进行关键帧提取，得到关键帧图像；

利用预先训练好的内容识别模型对所述关键帧图像进行识别，得到所述驾驶员的面部图像；

利用预先训练好的图像特征提取器提取所述面部图像的特征，得到所述驾驶员的面部图像特征；

在预先训练好的身份核验模型中计算所述面部图像特征与预设特征标签的相似度，输出相似度大于预设阈值的特征标签，得到目标特征标签；

基于所述目标特征标签确定初始核验对象，并获取所述初始核验对象的身份信息，得到初始身份信息；

对所述语音数据进行文本转化，得到语料文本，并对所述语料文本进行实体抽取，得到驾驶员身份信息；

比对所述驾驶员身份信息和所述初始身份信息，得到所述驾驶员的身份验证结果。

进一步地，所述对所述视频影像进行关键帧提取，得到关键帧图像的步骤，具体包括：

计算所述视频影像中相邻两个视频帧的直方图数据和灰度图数据；

基于所述直方图数据和所述灰度图数据，计算相邻两个视频帧之间的加权欧式距离；

基于所述加权欧式距离确定所述视频影像的镜头转换边界；

基于所述镜头转换边界确定所述视频影像中的关键帧图像。

进一步地，所述利用预先训练好的内容识别模型对所述关键帧图像进行识别，得到所述驾驶员的面部图像的步骤，具体包括：

基于预设的内容识别模型对所述关键帧图像进行识别，得到人体面部轮廓特征；

对所述关键帧图像进行去噪处理，去除所述关键帧图像的椒盐噪点，得到去噪图像；

基于所述去噪图像和所述人体面部轮廓特征，确定所述驾驶员的面部图像。

进一步地，所述利用预先训练好的图像特征提取器提取所述面部图像的特征，得到所述驾驶员的面部图像特征的步骤，具体包括：

构建图像生成网络，通过预设的训练样本对所述图像生成网络进行训练，得到所述图像特征提取器；

利用所述图像特征提取器提取所述面部图像的特征，得到所述驾驶员的面部图像特征。

进一步地，所述图像生成网络包括编码层和解码层，所述构建图像生成网络，通过预设的训练样本对所述图像生成网络进行训练，得到所述图像特征提取器的步骤，具体包括：

利用所述训练样本对所述编码层进行训练，得到若干个训练完成的卷积核；

获取所述编码层输出的训练结果，利用所述训练结果对所述解码层进行训练，得到若干个训练完成的反卷积核；

对训练完成的所述卷积核和所述反卷积核进行筛选，去除所述卷积核和所述反卷积核中的冗余项；

基于筛选完成的所述卷积核和所述反卷积核构建所述图像特征提取器。

进一步地，所述身份核验模型包括嵌入单元、卷积单元和全连接单元，所述在预先训练好的身份核验模型中计算所述面部图像特征与预设特征标签的相似度，输出相似度大于预设阈值的特征标签，得到目标特征标签的步骤，具体包括：

通过所述身份核验模型的嵌入单元对所述面部图像特征进行向量转换处理，得到初始特征向量；

采用所述身份核验模型的卷积单元对所述初始特征向量进行卷积计算，得到初始特征标签；

采用所述身份核验模型的全连接单元计算所述初始特征标签与预设特征标签的相似度，并输出相似度大于预设阈值的特征标签，得到目标特征标签。

进一步地，在所述在预先训练好的身份核验模型中计算所述面部图像特征与预设特征标签的相似度，输出相似度大于预设阈值的特征标签，得到目标特征标签的步骤之前，还包括：

从预设的数据库中获取训练数据，并对所述训练数据进行特征提取，得到训练数据特征；

将所述训练数据特征导入预设的初始识别模型，其中，所述初始识别模型包括嵌入单元、卷积单元和全连接单元；

通过所述初始识别模型的嵌入单元对所述训练数据特征进行向量转换处理，得到训练特征向量；

采用所述初始识别模型的卷积单元对所述训练特征向量进行卷积计算，得到训练特征标签；

采用所述初始识别模型的全连接单元计算所述训练特征标签与预设特征标签的相似度，并输出相似度大于预设阈值的特征标签作为所述初始识别模型的识别结果；

基于所述识别结果与预设标准结果，使用反向传播算法进行拟合，获取识别误差；

将所述识别误差与预设误差阈值进行比较，若所述识别误差大于预设误差阈值，则对所述初始识别模型进行迭代更新，直到所述识别误差小于等于预设误差阈值为止，得到所述身份核验模型。

为了解决上述技术问题，本申请实施例还提供一种驾驶员身份验证装置，采用了如下所述的技术方案：

一种驾驶员身份验证装置，包括：

数据获取模块，用于接收身份核验指令，确定待核验身份的驾驶员，并实时获取所述驾驶员的视频影像和语音数据；

关键帧提取模块，用于对所述视频影像进行关键帧提取，得到关键帧图像；

内容识别模块，用于利用预先训练好的内容识别模型对所述关键帧图像进行识别，得到所述驾驶员的面部图像；

特征提取模块，用于利用预先训练好的图像特征提取器提取所述面部图像的特征，得到所述驾驶员的面部图像特征；

相似度计算模块，用于在预先训练好的身份核验模型中计算所述面部图像特征与预设特征标签的相似度，输出相似度大于预设阈值的特征标签，得到目标特征标签；

初始核验模块，用于基于所述目标特征标签确定初始核验对象，并获取所述初始核验对象的身份信息，得到初始身份信息；

语音处理模块，用于对所述语音数据进行文本转化，得到语料文本，并对所述语料文本进行实体抽取，得到驾驶员身份信息；

身份验证模块，用于比对所述驾驶员身份信息和所述初始身份信息，得到所述驾驶员的身份验证结果。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：

一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上述任一项所述的驾驶员身份验证方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述中任一项所述的驾驶员身份验证方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请公开了一种驾驶员身份验证方法、装置、计算机设备及存储介质，属于人工智能技术领域。本申请通过实时获取驾驶员的视频影像和语音数据，并通过对视频影像进行处理，获得驾驶员的面部图像，基于预先训练好的面部图像识别模型对驾驶员的面部图像进行识别，以确驾驶员的初始身份信息，再通过对语音数据进行文本转化，以及对文本进行实体抽取，得到驾驶员身份信息，通过比对驾驶员身份信息和初始身份信息，进一步核验驾驶员的身份。本申请通过实时获取驾驶员的视频影像和语音数据，并结合人脸识别和文本比对两种方式综合核验驾驶员身份，相比传统的驾驶员身份验证方式，本申请简化了驾驶员身份核验流程，提高了驾驶员身份核验的效率和准确度。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图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示出了本申请可以应用于其中的示例性系统架构图；

图2 示出了根据本申请的驾驶员身份验证方法的一个实施例的流程图；

图3示出了根据本申请的驾驶员身份验证装置的一个实施例的结构示意图；

图4示出了根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

需要说明的是，本申请实施例所提供的驾驶员身份验证方法一般由服务器执行，相应地，驾驶员身份验证装置一般设置于服务器中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的驾驶员身份验证的方法的一个实施例的流程图。本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。所述的驾驶员身份验证方法，包括以下步骤：

S201，接收身份核验指令，确定待核验身份的驾驶员，并实时获取所述驾驶员的视频影像和语音数据。

具体的，当需要进行驾驶员身份核验时，服务器接收上传的身份核验指令，并根据身份核验指令确定待核验身份的驾驶员，在确定确定待核验身份的驾驶员后，服务器调用关联的摄像设备和录音识别实时获取驾驶员的视频影像和语音数据，其中，视频影像用于完成人脸识别，以初步识别驾驶员身份，语音数据在实时转化成文本后，通过实体抽取和文本比对，以进一步用于识别驾驶员身份。

在本实施例中，驾驶员身份验证方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收身份核验指令。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB( ultra wideband )连接、以及其他现在已知或将来开发的无线连接方式。

S202，对所述视频影像进行关键帧提取，得到关键帧图像。

具体的，服务器通过摄像设备实时获取驾驶员的视频影像，通过视频影像实现整个核验过程可追溯。在本申请的实施例中，为了实现驾驶员的人脸识别，需要从实时视频影像中获取带有驾驶员面部特征的关键帧图像，本申请通计算视频影像相邻两个视频帧之间的加权欧式距离来进行关键帧提取，得到关键帧图像。

S203，利用预先训练好的内容识别模型对所述关键帧图像进行识别，得到所述驾驶员的面部图像。

具体的，在进行驾驶员面部特征提取之前，需要先进行面部区域识别，通过利用预先训练好的内容识别模型对关键帧图像进行识别，获得关键帧图像中的背景区域和人体区域，并进一步从人体区域中识别面部区域，得到驾驶员的面部图像。

S204，利用预先训练好的图像特征提取器提取所述面部图像的特征，得到所述驾驶员的面部图像特征。

具体的，为了获得驾驶员的面部图像特征，本申请通过预先训练一个图像特征提取器来提取面部图像中的特征，其中，图像特征提取器基于一个特殊的transformer模型结构进行训练得到，利用预先训练好的图像特征提取器提取面部图像的特征，得到驾驶员的面部图像特征。

其中，Transformer网络架构是一种基于“U”型的神经网络架构，其中，Transformer网络架构包括编码层和解码层，编码层与解码层相互对应，编码层输出的特征编码向量会被送至对应的解码层进行解码，通过一个“U”型的编码-解码网络结构，使得图像特征提取可以完整的获得输入图像在各个维度的特征。除此之外，在编码层前面配置有对应的自注意力层，自注意力层用于提高关键特征的权重，在解码层后面配置有对应的全连接层，全连接层由softmax函数构成，用于实现结果的归一化。

S205，在预先训练好的身份核验模型中计算所述面部图像特征与预设特征标签的相似度，输出相似度大于预设阈值的特征标签，得到目标特征标签。

其中，本申请的身份核验模型基于卷积神经网络结构进行搭建，卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络”。卷积神经网络仿造生物的视知觉（visual perception）机制构建，可以进行监督学习和非监督学习，其卷积层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化（grid-like topology）特征，例如像素和音频进行学习，有稳定的效果且对数据没有额外的特征工程要求。

具体的，服务器预先训练一个基于CNN卷积神经网络结构的身份核验模型，然后在预先训练好的身份核验模型中计算面部图像特征与预设特征标签的相似度，输出相似度大于预设阈值的特征标签，得到目标特征标签，根据目标特征标签可以初步确定驾驶员的初始身份信息。

S206，基于所述目标特征标签确定初始核验对象，并获取所述初始核验对象的身份信息，得到初始身份信息。

具体的，每一个目标特征标签对应一份身份信息，例如，在本身一种具体的实施例中，身份核验模型输出3个目标特征标签，分别为标签A、标签B和标签C，标签A与张三的身份信息关联，标签B与李四的身份信息关联，标签A与王五的身份信息关联。服务器基于目标特征标签确定对应的初始核验对象，并直接通过关联的后台数据库获取初始核验对象的身份信息，得到初始身份信息。

在本申请一种具体的实施例中，通过直接调用后台数据库进行人员身份核实，消除了伪造证件的风险，通过查询比对重点管控人员库，如发现重点布控人员及时提醒坐席派警线下处理，提升办案的及时性。

S207，对所述语音数据进行文本转化，得到语料文本，并对所述语料文本进行实体抽取，得到驾驶员身份信息。

具体的，在完成面部识别确定对应的初始核验对象，并获得初始身份信息后，服务器指示驾驶员进行语音交互，在此过程中，服务器实时获取驾驶员的语音数据，例如，服务器通过语音询问驾驶员的身份信息，如“请问您的名字是”，驾驶员回答“我是张三”，服务器根据实时实时获取语音数据，对语音数据进行文本转化，得到语料文本“我是张三”，然后对语料文本进行实体抽取得到为“我”和“张三”，通过语义识别，得到“张三”表征了驾驶员身份信息。

S208，比对所述驾驶员身份信息和所述初始身份信息，得到所述驾驶员的身份验证结果。

具体的，将上述通过人脸识别获得的初始身份信息和通过语音识别获得的驾驶员身份信息进行文本比对，将初始身份信息和驾驶员身份信息比对一致的识别结果作为驾驶员的身份验证结果。例如，在上述实施例中，初始身份信息为“张三”，驾驶员身份信息也为“张三”，则确定驾驶员为“张三”。

需要说明的是，在完成驾驶员身份核验后，对于身份核验通过者系统自动生成驾驶证电子凭证，供案件存档及审核使用。电子凭证记载驾驶人姓名、性别、证件号码、证件状态、照片、凭证生成时间、操作人员、凭证用途等信息。

在上述实施例中，本申请通过实时获取驾驶员的视频影像和语音数据，并结合人脸识别和文本比对两种方式综合核验驾驶员身份，相比传统的驾驶员身份验证方式，本申请简化了驾驶员身份核验流程，提高了驾驶员身份核验的效率和准确度。

进一步地，所述对所述视频影像进行关键帧提取，得到关键帧图像的步骤，具体包括：

计算所述视频影像中相邻两个视频帧的直方图数据和灰度图数据；

基于所述直方图数据和所述灰度图数据，计算相邻两个视频帧之间的加权欧式距离；

基于所述加权欧式距离确定所述视频影像的镜头转换边界；

基于所述镜头转换边界确定所述视频影像中的关键帧图像。

具体的，在进行驾驶员的面部特征识别之前，服务器先获取视频影像中相邻两个视频帧的参数，并计算相邻两个视频帧的直方图数据和灰度图数据，其中，直方图数据包括直方图的帧差异值，灰度图数据包括灰度图的均值差值和灰度图的方差差值。对直方图的帧差异值、灰度图的均值差值和灰度图的方差差值进行加权求和，得到相邻两个视频帧的加权欧式距离，通过比对加权欧式距离与预设镜头变化阈值来确定视频影像的镜头转换边界，然后根据镜头转换边界确定视频影像中的关键帧图像。

在上述实施例中，通过计算邻两个视频帧之间的加权欧式距离以确定视频影像的镜头转换边界，通过镜头转换边界进一步确定视频影像中带有人物面部图像的关键帧图像。

进一步地，所述利用预先训练好的图像特征提取器提取所述面部图像的特征，得到所述驾驶员的面部图像特征的步骤，具体包括：

基于预设的内容识别模型对所述关键帧图像进行识别，得到人体面部轮廓特征；

对所述关键帧图像进行去噪处理，去除所述关键帧图像的椒盐噪点，得到去噪图像；

基于所述去噪图像和所述人体面部轮廓特征，确定所述驾驶员的面部图像。

具体的，在进行驾驶员面部特征提取之前，先要对关键帧图像进行预处理，预处理包括清晰化处理和面部区域识别处理。其中，基于预设的内容识别模型对关键帧图像进行识别，得到关键帧图像的人体轮廓和背景轮廓，并进一步从人体轮廓中识别面部区域，然后对关键帧图像进行去噪处理，去除关键帧图像的椒盐噪点，得到去噪图像，以保证图像的清晰度，基于去噪图像和面部区域，确定事故现场图片中的面部图像。

在上述实施例中，通过内容识别获得人体面部轮廓，通过去噪处理对图片进行清晰化处理，方便后续进行面部特征提取。

进一步地，所述利用预先训练好的图像特征提取器提取所述面部图像的特征，得到所述驾驶员的面部图像特征的步骤，具体包括：

构建图像生成网络，通过预设的训练样本对所述图像生成网络进行训练，得到所述图像特征提取器；

利用所述图像特征提取器提取所述面部图像的特征，得到所述驾驶员的面部图像特征。

其中，本申请用于构建图像生成网络transformer网络架构中包括编码层和解码层，且编码层中预设了若干个卷积核，解码层也预设了若干个反卷积核，且每一个卷积核与一个反卷积核对应，预设的卷积核和反卷积核为未经过训练的初始卷积核和初始反卷积核，卷积核和反卷积核的大小根据图像的特征维度进行设置，如128*128、256*256等等。

具体的，基于transformer网络架构构建图像生成网络，通过预设的训练样本对图像生成网络中的卷积核和反卷积核进行训练，通过训练好的卷积核和反卷积核构建图像特征提取器，利用图像特征提取器提取面部图像的特征，得到驾驶员的面部图像特征。

进一步地，所述图像生成网络包括编码层和解码层，所述构建图像生成网络，通过预设的训练样本对所述图像生成网络进行训练，得到所述图像特征提取器的步骤，具体包括：

利用所述训练样本对所述编码层进行训练，得到若干个训练完成的卷积核；

获取所述编码层输出的训练结果，利用所述训练结果对所述解码层进行训练，得到若干个训练完成的反卷积核；

对训练完成的所述卷积核和所述反卷积核进行筛选，去除所述卷积核和所述反卷积核中的冗余项；

基于筛选完成的所述卷积核和所述反卷积核构建所述图像特征提取器。

其中，基于深度学习压缩算法对训练完成的所述卷积核和所述反卷积核进行筛选，深度学习压缩（deep compression）算法通过对神经网络进行训练，获取训练后的神经网络各个卷积层的权重，设定权重阈值，然后把低于权重阈值的卷积层删除掉，然后迭代训练，通过迭代训练一次次地去掉冗余层。最后把神经网络中保留的卷积层的权重进行聚类和权值共享，将聚类中心点的值作为所有权值的值,通过不断调整聚类中心点和中心点的数量，以获得较好的模型压缩效果，最后将权值进行哈夫曼编码。本提案采用Deepcompression的方法可以在不损失精度的情况将神经网络进行压缩，其中可以将神经网络的大小压缩至原有大小的35倍到49倍，且推理时使存储的应用更有效。

具体的，将训练样本导入到图像生成网络的编码层encoder，编码层encoder中预先设置有若干个卷积核，利用训练样本对图像生成网络中的编码层encoder的卷积核进行训练，得到若干个个训练完成的卷积核，获取编码层encoder的输出结果，将编码层encoder的输出结果导入解码层decoder，利用编码层encoder的输出结果对解码层decoder的反卷积核进行训练，得到若干个训练完成的反卷积核，设定权重阈值，基于深度学习压缩算法对训练完成的卷积核和反卷积核进行筛选，把低于权重阈值的卷积核和反卷积核删除掉，以去除卷积核和反卷积核中的冗余项，利用筛选卷积核和反卷积核构建图像特征提取器，可以优化图像特征提取器的结构，提升特征提取精度。

在上述实施例中，通过基于transformer网络架构构建图像生成网络，图像生成网络的编码层encoder和解码层decoder，编码层encoder中预先设置有若干个卷积核，解码层decoder预先设置有若干个反卷积核，通过预设的训练样本对图像生成网络中的卷积核和反卷积核进行训练，通过训练好的卷积核和反卷积核构建图像特征提取器，并通过深度学习压缩算法对训练完成的卷积核和反卷积核进行筛选，利用筛选卷积核和反卷积核构建图像特征提取器。

进一步地，所述身份核验模型包括嵌入单元、卷积单元和全连接单元，所述在预先训练好的身份核验模型中计算所述面部图像特征与预设特征标签的相似度，输出相似度大于预设阈值的特征标签，得到目标特征标签的步骤，具体包括：

通过所述身份核验模型的嵌入单元对所述面部图像特征进行向量转换处理，得到初始特征向量；

采用所述身份核验模型的卷积单元对所述初始特征向量进行卷积计算，得到初始特征标签；

采用所述身份核验模型的全连接单元计算所述初始特征标签与预设特征标签的相似度，并输出相似度大于预设阈值的特征标签，得到目标特征标签。

具体的，身份核验模型包括嵌入单元、卷积单元和全连接单元，通过嵌入单元对面部图像特征进行向量转换处理，得到初始特征向量，采用卷积单元对初始特征向量进行卷积计算，得到初始特征标签，采用全连接单元计算初始特征标签与预设特征标签的相似度，并输出相似度大于预设阈值的特征标签，得到目标特征标签。其中，本申请通过1：N的相似度计算方法计算初始特征标签与预设特征标签的相似度，输出相似度大于预设阈值的特征标签。

进一步地，在所述在预先训练好的身份核验模型中计算所述面部图像特征与预设特征标签的相似度，输出相似度大于预设阈值的特征标签，得到目标特征标签的步骤之前，还包括：

从预设的数据库中获取训练数据，并对所述训练数据进行特征提取，得到训练数据特征；

将所述训练数据特征导入预设的初始识别模型，其中，所述初始识别模型包括嵌入单元、卷积单元和全连接单元；

通过所述初始识别模型的嵌入单元对所述训练数据特征进行向量转换处理，得到训练特征向量；

采用所述初始识别模型的卷积单元对所述训练特征向量进行卷积计算，得到训练特征标签；

采用所述初始识别模型的全连接单元计算所述训练特征标签与预设特征标签的相似度，并输出相似度大于预设阈值的特征标签作为所述初始识别模型的识别结果；

基于所述识别结果与预设标准结果，使用反向传播算法进行拟合，获取识别误差；

将所述识别误差与预设误差阈值进行比较，若所述识别误差大于预设误差阈值，则对所述初始识别模型进行迭代更新，直到所述识别误差小于等于预设误差阈值为止，得到所述身份核验模型。

其中，反向传播算法，即误差反向传播算法（Backpropagation algorithm，BP算法）适合于多层神经元网络的一种学习算法，它建立在梯度下降法的基础上，用于深度学习网络的误差计算。BP网络的输入、输出关系实质上是一种映射关系：一个n输入m输出的BP神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射，这一映射具有高度非线性。BP算法的学习过程由正向传播过程和反向传播过程组成。在正向传播过程中，输入信息通过输入层经隐含层，逐层处理并传向输出层，并转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，以作为修改权值的依据。

具体的，从预设的数据库中获取训练数据，并对训练数据进行特征提取，得到训练数据特征，其中，训练数据为预先收集的带人脸的图片，并在图像上预先标注人脸特征，如额头、鼻子、嘴、眉毛等等，通过上述训练好的图像特征提取器提取训练数据的特征，得到训练数据特征，将训练数据特征导入预设的初始识别模型，其中，初始识别模型基于CNN卷积神经网络结构搭建，包括初始识别模型也包括嵌入单元、卷积单元和全连接单元，通过初始识别模型的嵌入单元对训练数据特征进行向量转换处理，得到训练特征向量，采用初始识别模型的卷积单元对训练特征向量进行卷积计算，得到训练特征标签，采用初始识别模型的全连接单元计算训练特征标签与预设特征标签的相似度，并输出相似度大于预设阈值的特征标签作为初始识别模型的识别结果，基于初始识别模型的损失函数计算识别结果与预设标准结果的误差，使用反向传播算法进行误差传递，获取各个网络层的识别误差，将识别误差与预设误差阈值进行比较，若识别误差大于预设误差阈值，则对初始识别模型进行迭代更新，直到识别误差小于等于预设误差阈值为止，得到身份核验模型。

本申请公开了一种驾驶员身份验证方法，属于人工智能技术领域。本申请通过实时获取驾驶员的视频影像和语音数据，并通过对视频影像进行处理，获得驾驶员的面部图像，基于预先训练好的面部图像识别模型对驾驶员的面部图像进行识别，以确驾驶员的初始身份信息，再通过对语音数据进行文本转化，以及对文本进行实体抽取，得到驾驶员身份信息，通过比对驾驶员身份信息和初始身份信息，进一步核验驾驶员的身份。本申请通过实时获取驾驶员的视频影像和语音数据，并结合人脸识别和文本比对两种方式综合核验驾驶员身份，相比传统的驾驶员身份验证方式，本申请简化了驾驶员身份核验流程，提高了驾驶员身份核验的效率和准确度。

需要强调的是，为进一步保证上述视频影像和语音数据的私密和安全性，上述视频影像和语音数据还可以存储于一区块链的节点中。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）等非易失性存储介质，或随机存储记忆体（Random Access Memory，RAM）等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种驾驶员身份验证装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，本实施例所述的驾驶员身份验证装置包括：

数据获取模块301，用于接收身份核验指令，确定待核验身份的驾驶员，并实时获取所述驾驶员的视频影像和语音数据；

关键帧提取模块302，用于对所述视频影像进行关键帧提取，得到关键帧图像；

内容识别模块303，用于利用预先训练好的内容识别模型对所述关键帧图像进行识别，得到所述驾驶员的面部图像；

特征提取模块304，用于利用预先训练好的图像特征提取器提取所述面部图像的特征，得到所述驾驶员的面部图像特征；

相似度计算模块305，用于在预先训练好的身份核验模型中计算所述面部图像特征与预设特征标签的相似度，输出相似度大于预设阈值的特征标签，得到目标特征标签；

初始核验模块306，用于基于所述目标特征标签确定初始核验对象，并获取所述初始核验对象的身份信息，得到初始身份信息；

语音处理模块307，用于对所述语音数据进行文本转化，得到语料文本，并对所述语料文本进行实体抽取，得到驾驶员身份信息；

身份验证模块308，用于比对所述驾驶员身份信息和所述初始身份信息，得到所述驾驶员的身份验证结果。

进一步地，所述关键帧提取模块302具体包括：

视频帧数据获取单元，用于计算所述视频影像中相邻两个视频帧的直方图数据和灰度图数据；

加权欧式距离计算单元，用于基于所述直方图数据和所述灰度图数据，计算相邻两个视频帧之间的加权欧式距离；

转换边界确定单元，用于基于所述加权欧式距离确定所述视频影像的镜头转换边界；

关键帧提取单元，用于基于所述镜头转换边界确定所述视频影像中的关键帧图像。

进一步地，所述内容识别模块303具体包括：

内容识别单元，用于基于预设的内容识别模型对所述关键帧图像进行识别，得到人体面部轮廓特征；

去噪处理单元，用于对所述关键帧图像进行去噪处理，去除所述关键帧图像的椒盐噪点，得到去噪图像；

图像清晰化单元，用于基于所述去噪图像和所述人体面部轮廓特征，确定所述驾驶员的面部图像。

进一步地，所述特征提取模块304具体包括：

图像特征提取器训练单元，用于构建图像生成网络，通过预设的训练样本对所述图像生成网络进行训练，得到所述图像特征提取器；

特征提取单元，用于利用所述图像特征提取器提取所述面部图像的特征，得到所述驾驶员的面部图像特征。

进一步地，所述图像生成网络包括编码层和解码层，所述图像特征提取器训练单元具体包括：

卷积核训练子单元，用于利用所述训练样本对所述编码层进行训练，得到若干个训练完成的卷积核；

反卷积核训练子单元，用于获取所述编码层输出的训练结果，利用所述训练结果对所述解码层进行训练，得到若干个训练完成的反卷积核；

筛选子单元，用于对训练完成的所述卷积核和所述反卷积核进行筛选，去除所述卷积核和所述反卷积核中的冗余项；

图像特征提取器构建子单元，用于基于筛选完成的所述卷积核和所述反卷积核构建所述图像特征提取器。

进一步地，所述身份核验模型包括嵌入单元、卷积单元和全连接单元，所述相似度计算模块305具体包括：

向量转换单元，用于通过所述身份核验模型的嵌入单元对所述面部图像特征进行向量转换处理，得到初始特征向量；

卷积计算单元，用于采用所述身份核验模型的卷积单元对所述初始特征向量进行卷积计算，得到初始特征标签；

相似度计算单元，用于采用所述身份核验模型的全连接单元计算所述初始特征标签与预设特征标签的相似度，并输出相似度大于预设阈值的特征标签，得到目标特征标签。

进一步地，所述驾驶员身份验证装置还包括：

训练数据获取模块，用于从预设的数据库中获取训练数据，并对所述训练数据进行特征提取，得到训练数据特征；

训练数据导入模块，用于将所述训练数据特征导入预设的初始识别模型，其中，所述初始识别模型包括嵌入单元、卷积单元和全连接单元；

第一处理模块，用于通过所述初始识别模型的嵌入单元对所述训练数据特征进行向量转换处理，得到训练特征向量；

第二处理模块，用于采用所述初始识别模型的卷积单元对所述训练特征向量进行卷积计算，得到训练特征标签；

第三处理模块，用于采用所述初始识别模型的全连接单元计算所述训练特征标签与预设特征标签的相似度，并输出相似度大于预设阈值的特征标签作为所述初始识别模型的识别结果；

反向传播模块，用于基于所述识别结果与预设标准结果，使用反向传播算法进行拟合，获取识别误差；

模型迭代模块，用于将所述识别误差与预设误差阈值进行比较，若所述识别误差大于预设误差阈值，则对所述初始识别模型进行迭代更新，直到所述识别误差小于等于预设误差阈值为止，得到所述身份核验模型。

本申请公开了一种驾驶员身份验证装置，属于人工智能技术领域。本申请通过实时获取驾驶员的视频影像和语音数据，并通过对视频影像进行处理，获得驾驶员的面部图像，基于预先训练好的面部图像识别模型对驾驶员的面部图像进行识别，以确驾驶员的初始身份信息，再通过对语音数据进行文本转化，以及对文本进行实体抽取，得到驾驶员身份信息，通过比对驾驶员身份信息和初始身份信息，进一步核验驾驶员的身份。本申请通过实时获取驾驶员的视频影像和语音数据，并结合人脸识别和文本比对两种方式综合核验驾驶员身份，相比传统的驾驶员身份验证方式，本申请简化了驾驶员身份核验流程，提高了驾驶员身份核验的效率和准确度。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。

所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备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。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4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（FlashCard）等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如驾驶员身份验证方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器42在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述驾驶员身份验证方法的计算机可读指令。

所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。

本申请公开了一种计算机设备，属于人工智能技术领域。本申请通过实时获取驾驶员的视频影像和语音数据，并通过对视频影像进行处理，获得驾驶员的面部图像，基于预先训练好的面部图像识别模型对驾驶员的面部图像进行识别，以确驾驶员的初始身份信息，再通过对语音数据进行文本转化，以及对文本进行实体抽取，得到驾驶员身份信息，通过比对驾驶员身份信息和初始身份信息，进一步核验驾驶员的身份。本申请通过实时获取驾驶员的视频影像和语音数据，并结合人脸识别和文本比对两种方式综合核验驾驶员身份，相比传统的驾驶员身份验证方式，本申请简化了驾驶员身份核验流程，提高了驾驶员身份核验的效率和准确度。

本申请还提供了另一种实施方式，即提供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可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的驾驶员身份验证方法的步骤。

本申请公开了一种存储介质，属于人工智能技术领域。本申请通过实时获取驾驶员的视频影像和语音数据，并通过对视频影像进行处理，获得驾驶员的面部图像，基于预先训练好的面部图像识别模型对驾驶员的面部图像进行识别，以确驾驶员的初始身份信息，再通过对语音数据进行文本转化，以及对文本进行实体抽取，得到驾驶员身份信息，通过比对驾驶员身份信息和初始身份信息，进一步核验驾驶员的身份。本申请通过实时获取驾驶员的视频影像和语音数据，并结合人脸识别和文本比对两种方式综合核验驾驶员身份，相比传统的驾驶员身份验证方式，本申请简化了驾驶员身份核验流程，提高了驾驶员身份核验的效率和准确度。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种驾驶员身份验证方法，其特征在于，包括：

接收身份核验指令，确定待核验身份的驾驶员，并实时获取所述驾驶员的视频影像和语音数据；

对所述视频影像进行关键帧提取，得到关键帧图像；

利用预先训练好的内容识别模型对所述关键帧图像进行识别，得到所述驾驶员的面部图像；

利用预先训练好的图像特征提取器提取所述面部图像的特征，得到所述驾驶员的面部图像特征；

在预先训练好的身份核验模型中计算所述面部图像特征与预设特征标签的相似度，输出相似度大于预设阈值的特征标签，得到目标特征标签；

基于所述目标特征标签确定初始核验对象，并获取所述初始核验对象的身份信息，得到初始身份信息；

对所述语音数据进行文本转化，得到语料文本，并对所述语料文本进行实体抽取，得到驾驶员身份信息；

比对所述驾驶员身份信息和所述初始身份信息，得到所述驾驶员的身份验证结果。

2.如权利要求1所述的驾驶员身份验证方法，其特征在于，所述对所述视频影像进行关键帧提取，得到关键帧图像的步骤，具体包括：

计算所述视频影像中相邻两个视频帧的直方图数据和灰度图数据；

基于所述直方图数据和所述灰度图数据，计算相邻两个视频帧之间的加权欧式距离；

基于所述加权欧式距离确定所述视频影像的镜头转换边界；

基于所述镜头转换边界确定所述视频影像中的关键帧图像。

3.如权利要求1所述的驾驶员身份验证方法，其特征在于，所述利用预先训练好的内容识别模型对所述关键帧图像进行识别，得到所述驾驶员的面部图像的步骤，具体包括：

基于预设的内容识别模型对所述关键帧图像进行识别，得到人体面部轮廓特征；

对所述关键帧图像进行去噪处理，去除所述关键帧图像的椒盐噪点，得到去噪图像；

基于所述去噪图像和所述人体面部轮廓特征，确定所述驾驶员的面部图像。

4.如权利要求1所述的驾驶员身份验证方法，其特征在于，所述利用预先训练好的图像特征提取器提取所述面部图像的特征，得到所述驾驶员的面部图像特征的步骤，具体包括：

构建图像生成网络，通过预设的训练样本对所述图像生成网络进行训练，得到所述图像特征提取器；

利用所述图像特征提取器提取所述面部图像的特征，得到所述驾驶员的面部图像特征。

5.如权利要求4所述的驾驶员身份验证方法，其特征在于，所述图像生成网络包括编码层和解码层，所述构建图像生成网络，通过预设的训练样本对所述图像生成网络进行训练，得到所述图像特征提取器的步骤，具体包括：

利用所述训练样本对所述编码层进行训练，得到若干个训练完成的卷积核；

获取所述编码层输出的训练结果，利用所述训练结果对所述解码层进行训练，得到若干个训练完成的反卷积核；

对训练完成的所述卷积核和所述反卷积核进行筛选，去除所述卷积核和所述反卷积核中的冗余项；

基于筛选完成的所述卷积核和所述反卷积核构建所述图像特征提取器。

6.如权利要求1至5任意一项所述的驾驶员身份验证方法，其特征在于，所述身份核验模型包括嵌入单元、卷积单元和全连接单元，所述在预先训练好的身份核验模型中计算所述面部图像特征与预设特征标签的相似度，输出相似度大于预设阈值的特征标签，得到目标特征标签的步骤，具体包括：

通过所述身份核验模型的嵌入单元对所述面部图像特征进行向量转换处理，得到初始特征向量；

采用所述身份核验模型的卷积单元对所述初始特征向量进行卷积计算，得到初始特征标签；

采用所述身份核验模型的全连接单元计算所述初始特征标签与预设特征标签的相似度，并输出相似度大于预设阈值的特征标签，得到目标特征标签。

7.如权利要求6所述的驾驶员身份验证方法，其特征在于，在所述在预先训练好的身份核验模型中计算所述面部图像特征与预设特征标签的相似度，输出相似度大于预设阈值的特征标签，得到目标特征标签的步骤之前，还包括：

从预设的数据库中获取训练数据，并对所述训练数据进行特征提取，得到训练数据特征；

将所述训练数据特征导入预设的初始识别模型，其中，所述初始识别模型包括嵌入单元、卷积单元和全连接单元；

通过所述初始识别模型的嵌入单元对所述训练数据特征进行向量转换处理，得到训练特征向量；

采用所述初始识别模型的卷积单元对所述训练特征向量进行卷积计算，得到训练特征标签；

采用所述初始识别模型的全连接单元计算所述训练特征标签与预设特征标签的相似度，并输出相似度大于预设阈值的特征标签作为所述初始识别模型的识别结果；

基于所述识别结果与预设标准结果，使用反向传播算法进行拟合，获取识别误差；

将所述识别误差与预设误差阈值进行比较，若所述识别误差大于预设误差阈值，则对所述初始识别模型进行迭代更新，直到所述识别误差小于等于预设误差阈值为止，得到所述身份核验模型。

8.一种驾驶员身份验证装置，其特征在于，包括：

数据获取模块，用于接收身份核验指令，确定待核验身份的驾驶员，并实时获取所述驾驶员的视频影像和语音数据；

关键帧提取模块，用于对所述视频影像进行关键帧提取，得到关键帧图像；

内容识别模块，用于利用预先训练好的内容识别模型对所述关键帧图像进行识别，得到所述驾驶员的面部图像；

特征提取模块，用于利用预先训练好的图像特征提取器提取所述面部图像的特征，得到所述驾驶员的面部图像特征；

相似度计算模块，用于在预先训练好的身份核验模型中计算所述面部图像特征与预设特征标签的相似度，输出相似度大于预设阈值的特征标签，得到目标特征标签；

初始核验模块，用于基于所述目标特征标签确定初始核验对象，并获取所述初始核验对象的身份信息，得到初始身份信息；

语音处理模块，用于对所述语音数据进行文本转化，得到语料文本，并对所述语料文本进行实体抽取，得到驾驶员身份信息；

身份验证模块，用于比对所述驾驶员身份信息和所述初始身份信息，得到所述驾驶员的身份验证结果。

9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的驾驶员身份验证方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的驾驶员身份验证方法的步骤。

Images