CN114973211A - 对象识别方法、装置、设备及存储介质 - Google Patents

对象识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114973211A
CN114973211A CN202210306904.1A CN202210306904A CN114973211A CN 114973211 A CN114973211 A CN 114973211A CN 202210306904 A CN202210306904 A CN 202210306904A CN 114973211 A CN114973211 A CN 114973211A
Authority
CN
China
Prior art keywords
vehicle
detection frame
determining
face detection
face
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
Application number
CN202210306904.1A
Other languages
English (en)
Inventor
王彤舟
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.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime 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 Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN202210306904.1A priority Critical patent/CN114973211A/zh
Publication of CN114973211A publication Critical patent/CN114973211A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30268—Vehicle interior
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Abstract

本申请实施例公开了一种对象识别方法、装置、设备及存储介质，其中，所述方法包括：获取画面包括行驶车辆的交通图像；在所述交通图像中，确定所述车辆的车辆检测框和位于所述车辆内部的车内人员的人脸检测框；基于所述人脸检测框和所述车辆检测框在所述交通图像中的第一位置关系，确定驾驶所述车辆的目标人员。

Description

对象识别方法、装置、设备及存储介质
技术领域
本申请实施例涉及图像处理领域，尤其涉及对象识别方法、装置、设备及存储介质。
背景技术
相关技术中，通过交通图像中行驶车辆的车牌号码，在车辆管理数据库中查找关联的车辆驾驶员。这样仅能确定车辆的注册车主，并不能够确定车辆的真实驾驶员。
发明内容
本申请实施例提供一种对象识别技术方案。
本申请实施例的技术方案是这样实现的：
本申请实施例提供一种对象识别方法，所述方法包括：
获取画面包括行驶车辆的交通图像；
在所述交通图像中，确定所述车辆的车辆检测框和位于所述车辆内部的车内人员的人脸检测框；
基于所述人脸检测框和所述车辆检测框在所述交通图像中的第一位置关系，确定驾驶所述车辆的目标人员。
在一些实施例中，所述在所述交通图像中，确定所述车辆的车辆检测框和位于所述车辆内部的车内人员的人脸检测框，包括：对所述交通图像进行车辆识别，得到所述车辆检测框；对所述车辆检测框对应的车辆图像进行人脸识别，得到位于所述车辆检测框内的所述人脸检测框。如此，依次对交通图像进行车辆识别，得到车辆检测框，并对车辆检测框中对应的车辆图像进行人脸识别得到人脸检测框，能够得到精准度更高的车辆检测框和人脸检测框，以便后续基于车辆检测框和人脸检测框确定驾驶车辆的目标人员。
在一些实施例中，所述对所述交通图像进行车辆识别，得到所述车辆检测框，包括：对所述交通图像进行车辆识别，得到至少一个第一检测框；基于所述至少一个第一检测框，确定所述车辆检测框。如此，通过对交通图像中车辆识别得到的至少一个第一检测框进行筛选，能够使得确定的车辆检测框的精准度和清晰度更高。
在一些实施例中，所述在所述第一检测框的数量为至少两个的情况下，所述基于所述至少一个第一检测框，确定所述车辆检测框，包括：确定所述每一第一检测框的第一区域面积以及置信度；基于所述第一区域面积和所述置信度，对所述至少两个第一检测框进行排序，得到第一序列；将位于所述第一序列中预设位置的第一检测框，确定为所述车辆检测框。如此，基于第一检测框的区域面积以及置信度对至少两个第一检测框进行排序，进而基于该排序筛选对应的车辆检测框，能够使得确定的车辆检测框精准度和准确度更高。
在一些实施例中，所述对所述车辆检测框对应的车辆图像进行人脸识别，得到位于所述车辆检测框内的所述人脸检测框，包括：对所述车辆检测框对应的车辆图像进行人脸识别，得到至少一个第二检测框；确定所述至少一个第二检测框的第二区域面积；在所述至少一个第二检测框中，确定所述第二区域面积最大的目标第二检测框；在所述至少一个第二检测框中，过滤与所述目标第二检测框之间的区域面积比值大于预设比值的第二检测框，得到所述人脸检测框。如此，基于第二检测框的区域面积，从至少一个第二检测框中确定区域面积最大的目标第二检测框，并在至少一个第二检测框中，过滤与目标第二检测框之间的区域面积比值大于预设比值的第二检测框，能够精准识别到位于车辆前排的人脸检测框。
在一些实施例中，所述基于所述人脸检测框和所述车辆检测框在所述交通图像中的位置关系，确定驾驶所述车辆的目标人员，包括：在所述人脸检测框的数量为大于1的情况下，确定所述每一人脸检测框与所述车辆检测框的预设侧边之间的距离；对所述车辆检测框中的车辆进行车辆属性识别，得到所述车辆的左右舵信息；基于所述距离和所述车辆的左右舵信息，从至少一个人脸检测框中确定目标人脸检测框；将所述目标人脸检测框对应的车内人员，确定为所述目标人员。如此，通过对车辆检测框中的车辆进行车辆属性识别，得到车辆的左右舵信息，进而基于该左右舵信息，以及每一人脸检测框与车辆检测框的预设侧边之间的距离，能够精准地识别交通图像中驾驶车辆的真实驾驶员，以便交通系统对其进行统计和执行相关操作。
在一些实施例中，所述基于所述距离和所述车辆的左右舵信息，从至少一个人脸检测框中确定目标人脸检测框，包括：基于所述车辆的左右舵信息，确定所述预设侧边与所述车辆的驾驶位置的第二位置关系；基于所述距离和所述第二位置关系，从所述至少一个人脸检测框中确定所述目标人脸检测框。如此，基于人脸检测框与车辆检测框的预设侧边之间的距离，以及车辆驾驶位置与车辆检测框的预设侧边之间的关系，共同确定目标人脸检测框，能够提高确定的目标检测框的准确度。
在一些实施例中，所述基于所述距离和所述第二位置关系，从所述至少一个人脸检测框中确定所述目标人脸检测框，包括：基于所述第二位置关系，确定预设距离范围；在所述至少一个人脸检测框中，将所述距离符合所述预设距离范围的人脸检测框，确定为所述目标人脸检测框。如此，基于第二位置关系对应的预设距离范围，在至少一个人脸检测框中将距离符合该预设距离范围的人脸检测框，确定为目标人脸检测框，能够实现在车辆检测框内，精准识别到位于车辆前排位置的目标人脸检测框。
在一些实施例中，所述基于所述距离和所述第二位置关系，从所述至少一个人脸检测框中确定所述目标人脸检测框，包括：基于所述距离，对所述至少一个人脸检测框进行排序，得到第三序列；基于所述第二位置关系，将位于所述第三序列中预设位置的人脸检测框，确定为所述目标人脸检测框。如此，通过距离对至少一个人脸检测框进行排序，进而基于第二位置关系该排序中确定对应的目标人脸检测框。如此，能够高效且便捷地确定出精准度较高的目标人脸检测框。
本申请实施例提供一种对象识别装置，所述装置包括：
获取模块，用于获取画面包括行驶车辆的交通图像；
第一确定模块，用于在所述交通图像中，确定所述车辆的车辆检测框和位于所述车辆内部的车内人员的人脸检测框；
第二确定模块，用于基于所述人脸检测框和所述车辆检测框在所述交通图像中的第一位置关系，确定驾驶所述车辆的目标人员。
本申请实施例提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时能够实现上述的对象识别方法。
本申请实施例提供一种计算机存储介质，所述计算机存储介质上存储有计算机可执行指令，该计算机可执行指令被执行后，能够实现上述的对象识别方法。
本申请实施例提供一种对象识别方法、装置、设备及存储介质；首先，从获取的画面包括行驶车辆的交通图像中，确定车辆的车辆检测框和位于车辆内部的车内人员的人脸检测框；然后，基于人脸检测框和车辆检测框在交通图像中的第一位置关系，确定驾驶车辆的目标人员。如此，能够精准识别交通图像中驾驶车辆的驾驶人员。
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实施例的一些实施例，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它的附图，其中：
图1为本申请实施例提供的对象识别方法的第一种实现流程示意图；
图2为本申请实施例提供的对象识别方法的第二种实现流程示意图；
图3为本申请实施例提供的对象识别方法的第三种实现流程示意图；
图4为应用本申请实施例提供的对象识别方法来确定驾驶车辆的驾驶员的流程示意图；
图5A为实际应用中交通卡口抓拍的画面包括一个行驶车辆的交通图像示意图；
图5B为实际应用中交通卡口抓拍的画面包括多个行驶车辆的交通图像示意图；
图6为本申请实施例提供的对象识别装置的结构组成示意图；
图7为本申请实施例提供的计算机设备的组成结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对发明的具体技术方案做进一步详细描述。以下实施例用于说明本申请实施例，但不用来限制本申请实施例的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
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实施例的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请实施例。
对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。
置信度：在统计学中，一个概率样本的置信区间(Confidence interval)是对这个样本的某个总体参数的区间估计；置信区间展现的是这个参数的真实值有一定概率落在测量结果的周围的程度。置信区间给出的是被测量参数测量值的可信程度范围，即前面所要求的“一定概率”。这个概率被称为置信水平。
下面说明本申请实施例提供的对象识别的设备的示例性应用，本申请实施例提供的设备可以实施为具有图像采集功能的笔记本电脑，平板电脑，台式计算机，相机，移动设备(例如，个人数字助理，专用消息设备，便携式游戏设备)等各种类型的用户终端，也可以实施为服务器。下面，将说明设备实施为终端或服务器时示例性应用。
该方法可以应用于计算机设备，该方法所实现的功能可以通过计算机设备中的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该计算机设备至少包括处理器和存储介质。
本申请实施例提供一种对象识别方法，如图1所示，示出本申请实施例提供的对象识别方法的第一种实现流程示意图；结合图1所示步骤进行以下说明：
步骤S101，获取画面包括行驶车辆的交通图像。
在一些实施例中，交通图像可以是设置于任意交通卡口或道路上的，具有采集功能的至少一个设备采集的图像；其中，至少一个设备中每一设备可以设置于交通卡口内或道路上的多个采集点位，以实现对交通卡口内或道路上的相关信息进行采集。同时交通卡口可以是依托道路上特定场所，比如：收费站。
在一些实施例中，交通图像的数量可以是一张，也可以是两张及以上。其中，交通图像中包括的行驶车辆的数量可以是一个，也可以是两个及以上。同时，在交通图像中包括的行驶车辆的数量为两个及以上的情况下，不同行驶车辆之间的距离可以相同或不同。
在一些实施例中，行驶车辆可以指代以任意车速行驶的机动车辆。同时行驶车辆可以位于交通图像的任意位置处。在本申请实施例中，行驶车辆均指代需要相关人员驾驶才能够实现移动的车辆。
步骤S102，在所述交通图像中，确定所述车辆的车辆检测框和位于所述车辆内部的车内人员的人脸检测框。
在一些实施例中，车辆检测框为能够包括行驶车辆在交通图像中全部信息的检测框。其中，该检测框可以是能够包括交通图像中行驶车辆的全部信息的最小矩形框；在交通图像中包括多个行驶车辆的情况下，每一车辆对应一个车辆检测框，且每两个车辆检测框之间的位置关系可以是相邻、远离，同时每两个车辆检测框在交通图像中所占区域面积可以相同，也可以不同。
在一些实施例中，位于车辆内部的车内人员的人脸检测框可以是能够包括人脸在交通图像中的呈现全部部分。其中，该人脸检测框可以是能够包括交通图像中人脸的全部信息的最小矩形框。同时位于车辆内部的车内人员的数量可以是一个，也可以是两个及以上，同时在车辆内部的车内人员的数量为两个及以上的情况下，车内人员的人脸检测框之间的位置关系可以是相邻、远离，且两个人脸检测框在交通图像中所占区域面积可以相同，也可以不同。
在一些实施例中，人脸检测框，可以完全位于车辆的车辆检测框内，也可以与车辆检测框之间存在部分重合，还可以与车辆检测框之间相邻。同时人脸检测框的尺寸是基于人脸在交通图像中呈现的尺寸大小确定的；相应地，车辆检测框的尺寸是基于车辆在待检测图像中呈现的尺寸大小确定的。
在一些实施例中，可以通过经过训练的车辆检测模型和人脸检测模型，分别对交通图像中的车辆和人脸进行检测，确定对应的车辆检测框和人脸检测框。
在一些实施例中，车辆检测框和人脸检测框可以是基于目标检测算法生成的。示例性地，本申请实施例中可以使用目标检测算法，如：快速区域卷积神经网络(Fast RegionConvolutional Neural Networks，Fast R-CNN)、更快速区域卷积神经网络(FasterRegion Convolutional Neural Networks，Faster R-CNN)或区域全卷积网络(Regionbased Fully Convolutional Network，R-FCN)，对交通图像中的车辆进行检测，得到车辆检测框，然后对车辆检测框对应的车辆图像进行人脸识别，以得到人脸的人脸检测框。
步骤S103，基于所述人脸检测框和所述车辆检测框在所述交通图像中的第一位置关系，确定驾驶所述车辆的目标人员。
在一些实施例中，基于人脸检测框和车辆检测框在交通图像中的第一位置关系，确定驾驶车辆的目标人员，即从位于车内的车内人员中确定驾驶车辆的目标人员，也就是驾驶人员。其中，第一位置关系还可以指代交通图像中的人脸检测框在车辆检测框中的位置信息。
在一些实施例中，首先可以在交通图像中，确定人脸检测框的中心点与车辆检测框的预设侧边的距离；然后基于该距离和车辆检测框中车辆的左右舵信息，从人脸检测框中确定对应的目标人员。
在一些实施例中，首先，通过对获取到的交通图像进行对象检测，即分别得到交通图像中行驶车辆的车辆检测框，以及位于车辆内部的车内人员的人脸检测框；然后，通过车辆检测框和人脸检测框在交通图像中的第一位置关系，即人脸检测框与车辆检测框相关预设侧边的距离，确定驾驶车辆的目标人员；也就是从位于车内的车内人员中，确定驾驶车辆的目标人员。如此，能够使得得到驾驶车辆的驾驶员的信息更加精准，即能够更加精准地确定交通图像中驾驶车辆的驾驶人员。
本申请实施例提供的对象识别方法，首先，从获取的画面包括行驶车辆的交通图像中，确定车辆的车辆检测框和位于车辆内部的车内人员的人脸检测框；然后，基于人脸检测框和车辆检测框在交通图像中的第一位置关系，确定驾驶车辆的目标人员。如此，能够精准识别交通图像中驾驶车辆的驾驶人员。
在一些实施例中，依次对交通图像进行车辆识别，得到车辆检测框，并对车辆检测框中对应的车辆图像进行人脸识别得到人脸检测框。如此，能够得到精准度更高的车辆检测框和人脸检测框，以便后续基于车辆检测框和人脸检测框确定驾驶车辆的目标人员。即上述实施例提供的步骤S102可以通过以下步骤S201和步骤S202来实现，如图2所示，图2为本申请实施例提供的对象识别方法的第二种实现流程示意图；结合图1和图2所示的步骤进行以下说明：
步骤S201，对所述交通图像进行车辆识别，得到所述车辆检测框。
在一些实施例中，可采用已经训练好的车辆检测模型，对交通图像进行车辆识别，得到车辆检测框；其中，交通图像中识别到的车辆检测框的数量可以是一个，也可以是两个及以上。在本申请实施例中，车辆检测框均指代交通图像中清晰最高且置信度最高的车辆对应的检测框。
在一些可能的实现方式中，基于交通图像识别到的至少一个第一检测框，筛选并确定车辆检测框。如此，通过对交通图像中车辆识别得到的至少一个第一检测框进行筛选，能够使得确定的车辆检测框的精准度和清晰度更高。即上述步骤S201可以通过以下步骤S2011和步骤S2012来实现(图中未示出)：
步骤S2011，对所述交通图像进行车辆识别，得到至少一个第一检测框。
在一些实施例中，采用已经训练好的车辆检测模型，对交通图像进行车辆识别，得到至少第一检测框；其中，每一第一检测框对应一个车辆。这里，交通图像的画面中可以包括至少一个行驶车辆。即第一检测框为能够包围交通图像中任一车辆的最小矩形框。
步骤S2012，基于所述至少一个第一检测框，确定所述车辆检测框。
在一些实施例中，可以是从至少一个第一检测框，筛选并确定车辆检测框；其中，在第一检测框的数量为一个时，可以直接将第一检测框确定为车辆检测框；在第一检测框的数量为两个及以上时，可以基于第一检测框的相关属性，例如：第一检测框的置信度、第一检测框的清晰度等，从至少两个第一检测框中进行筛选，得到符合相关要求的车辆检测框。
在一些可能的实现方式中，在第一检测框的数量为至少两个的情况下，基于至少一个第一检测框，确定车辆检测框，即上述步骤S2012可以通过以下过程来实现(图中未示出)：
第一步，确定所述每一第一检测框的第一区域面积以及置信度。
在一些实施例中，对每一第一检测框的区域面积进行确定，以及确定每一第一检测框的置信度；其中，第一区域面积可以指代第一检测框在交通图像中所占的面积大小，且第一检测框的第一区域面积可以使用长*宽来表示；同时置信度可以是基于第一检测框对应的尺寸比例，和/或第一检测框在交通图像所占的位置信息确定的，且置信度可以使用(0，1)来表示，其中，越接近1表示其对应的置信度越高，越接近0表示其对应的置信度越低。示例性地，在第一检测框处于交通图像的边缘处，则确定其对应的置信度接近0，在第一检测框处于交通图像的中间，则确定其对应的置信度接近1。
其中，每两个第一检测框之间的第一区域面积可以相同，也可以不同，同时每两个第一检测框之间的置信度可以相同，也可以不同。
在一些实施例中，可以采用已训练好的车辆检测模型，对交通图像进行车辆识别，不仅得到至少两个第一检测框，还可以得到每一第一检测框的第一区域面积以及对应的置信度。
在一些实施例中，第一检测框的置信度的优先级可以高于第一检测框的第一区域面积。
第二步，基于所述第一区域面积和所述置信度，对所述至少两个第一检测框进行排序，得到第一序列。
在一些实施例中，基于每一第一检测框的第一区域面积以及置信度，对至少两个第一检测框中的每一第一检测框进行排序；其中，可以首先基于置信度，对至少两个第一检测框进行初步排序，得到第一预序列；然后再基于第一区域面积对第一预序列进行调整，得到第一序列。例如可以将置信度相同，第一区域面积越大的往前排，第一区域面积越小的往后排。
第三步，将位于所述第一序列中预设位置的第一检测框，确定为所述车辆检测框。
在一些实施例中，将位于第一序列中预设位置的第一检测框，确定为需要识别人脸的车辆检测框。其中，在第一序列为基于置信度和第一区域面积从高到低排序的情况下，将处于序列顶端的第一检测框，确定为车辆检测框；在第一序列为基于置信度和第一区域面积从低到高排序的情况下，将处于序列底端的第一检测框，确定为车辆检测框。其中，第一序列中预设位置可以指代第一序列的序列顶端。
在一些实施例中，车辆检测框可以指代交通图像中精准度最高且清晰度最高的检测框，在本申请以下实施例中，车辆检测框的数量为1个。如此，基于第一检测框的区域面积以及置信度对至少两个第一检测框进行排序，进而基于该排序筛选对应的车辆检测框，能够使得确定的车辆检测框精准度和准确度更高。
步骤S202，对所述车辆检测框对应的车辆图像进行人脸识别，得到位于所述车辆检测框内的所述人脸检测框。
在一些实施例中，在确定出交通图像中的车辆检测框后，进一步对车辆检测框对应的车辆图像进行人脸识别，可以得到交通图像中位于车辆检测框内的人脸检测框；其中，人脸检测框的数量可以是一个，可以是两个及以上。同时人脸检测框可以位于车辆检测框内的任意位置处。
在一些可能的实现方式中，基于第二检测框的区域面积，从至少一个第二检测框中确定区域面积最大的目标第二检测框，并在至少一个第二检测框中，过滤与目标第二检测框之间的区域面积比值大于预设比值的第二检测框，能够精准识别到位于车辆前排的人脸检测框；即上述步骤S202可以通过以下步骤S2021至步骤S2024来实现(图中未示出)：
步骤S2021，对所述车辆检测框对应的车辆图像进行人脸识别，得到至少一个第二检测框。
在一些实施例中，可采用已训练好的人脸识别模型，对车辆检测框对应的车辆图像进行人脸识别，得到至少一个第二检测框；其中，每一第二检测框对应一个人脸。
步骤S2022，确定所述至少一个第二检测框的第二区域面积。
在一些实施例中，确定至少一个第二检测框的第二区域面积，其中，在第二检测框的数量为两个及以上的情况下，确定每一第二检测框的第二区域面积。
在一些实施例中，可以采用已训练好的人脸检测模型，对车辆检测框对应的车辆图像进行人脸识别，不仅得到至少两个第二检测框，还可以得到每一第二检测框的第二区域面积。
其中，第二检测框的第二区域面积小于第一检测框的第一区域面积；其中，第二区域面积第二检测框在车辆检测框对应的车辆图像中所占的面积大小，也可以指代第二检测框在交通图像所占的面积大小。
其中，每两个第二检测框之间的第二区域面积可以相同，也可以不同。
步骤S2023，在所述至少一个第二检测框中，确定所述第二区域面积最大的目标第二检测框。
在一些实施例中，基于每一第二检测框的第二区域面积，从至少两个第二检测框中确定第二区域面积最大的目标第二检测框；其中，可以是将每两个第二检测框的第二区域面积进行比对，从中确定出第二区域面积最大的目标第二检测框。这里第二区域面积最大的目标第二检测框是位于车辆前排的人员对应的人脸检测框，同时位于车辆后排的人员所对应的人脸检测框的第二区域面积，相对于位于车辆前排的人员对应的人脸检测框的第二区域面积来说较小。
步骤S2024，在所述至少一个第二检测框中，过滤与所述目标第二检测框之间的区域面积比值大于预设比值的第二检测框，得到所述人脸检测框。
在一些实施例中，可以将目标第二检测框与至少一个第二检测框中每一第二检测框的区域面积进行比对，得到每一第二检测框与目标第二检测框之间的区域面积比值；然后将区域面积比值大于预设比值的第二检测框过滤掉，即可以默认其为车辆内部位于车辆后排的乘客对应的人脸检测框，这样在至少一个第二检测框中，过滤掉位于车辆后排的乘客对应的人脸检测框之后，得到位于车辆前排的人员所对应的检测框，即人脸检测框。
在一些实施例中，该预设比值可以是事先设定好的，例如可以是1.5或2等。这里，目标第二检测框的第二区域面积，与位于车辆前排的人员所对应的第二检测框的第二区域面积基本接近，进而两者之间的区域面积比值接近1；而位于车辆后排的人员所对应的第二检测框，其第二检测框的第二区域面积与目标第二检测框的第二区域面积相差较大，进而目标第二检测框与位于车辆后排的人员所对应的第二检测框之间的区域面积比值远远大于1。这里是将目标第二检测框与对应的第二检测框之间的区域面积进行比对。
在一些实施例中，通过对车辆检测框中的车辆进行车辆属性识别，得到车辆的左右舵信息，进而基于该左右舵信息，以及每一人脸检测框与车辆检测框的预设侧边之间的距离，能够精准地识别交通图像中驾驶车辆的真实驾驶员，以便交通系统对其进行统计和执行相关操作，即上述实施例提供的步骤S103可以通过以下步骤S301至步骤S304来实现。如图3所示，图3为本申请实施例提供的对象识别方法的第三种实现流程示意图；结合图1和图3所示的步骤进行以下说明：
步骤S301，在所述人脸检测框的数量为大于1的情况下，确定所述每一人脸检测框与所述车辆检测框的预设侧边之间的距离。
在一些实施例中，在交通图像中识别到位于车内的车内人员的人脸检测框，即位于交通图像中的车辆检测框中的人脸检测框的数量为大于1的情况下，在交通图像中，确定每一人脸检测框与车辆检测框的预设侧边之间的距离；其中，预测侧边可以是车辆检测框的任一侧边，同时每两个人脸检测框与车辆检测框的预设侧边之间的距离可以相同，也可以不同。
在一些实施例中，每一人脸检测框与车辆检测框的预设侧边之间的距离，可以指代每一人脸检测框的中心点与车辆检测框的预设侧边之间的距离，也可以指代每一人脸检测框的任意侧边与车辆检测框的预设侧边之间的距离。
步骤S302，对所述车辆检测框中的车辆进行车辆属性识别，得到所述车辆的左右舵信息。
在一些实施例中，对车辆检测框对应的车辆图像中的车辆进行车辆属性识别，可以是对车辆的车型或车牌进行识别，得到识别结果；进而基于该识别结果确定车辆的左右舵信息，即车辆属于左舵车辆还是属于右舵车辆。
步骤S303，基于所述距离和所述车辆的左右舵信息，从至少一个人脸检测框中确定目标人脸检测框。
在一些实施例中，基于该距离和车辆的左右舵信息，从至少一个人脸检测框中筛选确定目标人脸检测框；其中，车辆的左右舵信息可以用于表征，交通图像中行驶车辆的驾驶位置位于车辆的右侧还是左侧。
在一些可能的实现方式中，首先可以基于该车辆的左右舵信息，确定预设侧边与车辆驾驶位置的第二位置关系，进而基于该第二位置关系和距离，从至少一个人脸检测框中确定目标人脸检测框。即上述步骤S303可以通过以下步骤S3031和步骤S3032来实现(图中未示出)：
步骤S3031，基于所述车辆的左右舵信息，确定所述预设侧边与所述车辆的驾驶位置的第二位置关系。
在一些实施例中，可以基于车辆的左右舵信息，确定车辆的驾驶位置处于车辆的左侧还是右侧，来确定车辆检测框的预设侧边与车辆的驾驶位置的第二位置关系。
这里，第二位置关系可以划分为四种情况，即以下四种情况：
情况一：在车辆的左右舵信息确定车辆的驾驶位置为车辆的右侧，且预设侧边为车辆检测框的右侧边的情况下，预设侧边与车辆的驾驶位置的第二位置关系，可以表示为预设侧边与车辆的驾驶位置相邻，且处于车辆的驾驶位置的右侧。
情况二：在车辆的左右舵信息确定车辆的驾驶位置为车辆的右侧，且预设侧边为车辆检测框的左侧边的情况下，预设侧边与车辆的驾驶位置的第二位置关系，可以表示为预设侧边与车辆的驾驶位置远离，且处于车辆的驾驶位置的左侧。
情况三：在车辆的左右舵信息确定车辆的驾驶位置为车辆的左侧，且预设侧边为车辆检测框的右侧边的情况下，预设侧边与车辆的驾驶位置的第二位置关系，可以表示为预设侧边与车辆的驾驶位置远离，且处于车辆的驾驶位置的右侧。
情况四：在车辆的左右舵信息确定车辆的驾驶位置为车辆的左侧，且预设侧边为车辆检测框的左侧边的情况下，预设侧边与车辆的驾驶位置的第二位置关系，可以表示为预设侧边与车辆的驾驶位置相邻，且处于车辆的驾驶位置的左侧。
步骤S3032，基于所述距离和所述第二位置关系，从所述至少一个人脸检测框中确定所述目标人脸检测框。
在一些实施例中，基于该距离和第二位置关系，从至少一个人脸检测框中确定目标人脸检测框。如此，基于人脸检测框与车辆检测框的预设侧边之间的距离，以及车辆驾驶位置与车辆检测框的预设侧边之间的关系，共同确定目标人脸检测框，能够提高确定的目标检测框的准确度。
在一些可能的实现方式中，基于距离和第二位置关系，从至少一个人脸检测框中确定目标人脸检测框，可以通过以下两种方式来实现：
方式一，可以通过以下步骤来实现：
第一步，基于所述第二位置关系，确定预设距离范围。
在一些实施例中，基于第二位置关系，确定预设距离范围，即可以基于车辆检测框的预设侧边与车辆的驾驶位置之间的相对位置关系，确定一预设距离范围；示例性地，在预设侧边与车辆的驾驶位置远离，且处于车辆的驾驶位置的左侧，或，预设侧边与车辆的驾驶位置远离，且处于车辆的驾驶位置的右侧的情况下，确定第一预设距离范围；在预设侧边与车辆的驾驶位置相邻，且处于车辆的驾驶位置的右侧，或，预设侧边与车辆的驾驶位置相邻，且处于车辆的驾驶位置的左侧的情况下，确定第二预设距离范围。其中，第一预设距离范围可以使用(50，100)来表示；第二预设距离范围可以使用(0，20)来表示。
第二步，在所述至少一个人脸检测框中，将所述距离符合所述预设距离范围的人脸检测框，确定为所述目标人脸检测框。
在一些实施例中，在至少一个人脸检测框中，将与车辆检测框的预设侧边之间的距离在预设距离范围之间的人脸检测框，确定为目标人脸检测框。
这里，可基于上文给出的四种第二位置关系情况，确定对应的预设距离范围，进而将人脸检测框与预设侧边之间的距离在该预设距离范围之内的人脸检测框，确定为目标人脸检测框。如此，能够在车辆检测框内，精准识别到位于车辆前排位置的目标人脸检测框。
方式二，可以通过以下步骤来实现：
第一步，基于所述距离，对所述至少一个人脸检测框进行排序，得到第三序列。
在一些实施例中，基于该距离，对至少一个人脸检测框进行排序，得到第三序列；其中，可以按照距离从大到小进行排序，也可以是按照距离从小到大进行排序，进而得到第三序列。
第二步，基于所述第二位置关系，将位于所述第三序列中预设位置的人脸检测框，确定为所述目标人脸检测框。
在一些实施例中，基于第二位置关系，将位于第三序列中预设位置的人脸检测框，确定为目标人脸检测框。其中，若第三序列为距离从大到小进行排序的情况下，且在第二位置关系表示为预设侧边与车辆的驾驶位置远离，且处于车辆的驾驶位置的左侧，或，预设侧边与车辆的驾驶位置远离，且处于车辆的驾驶位置的右侧的情况下，将处于第三序列顶端的人脸检测框，确定为目标人脸检测框。若第三序列为距离从大到小进行排序的情况下，且在第二位置关系表示为预设侧边与车辆的驾驶位置相邻，且处于车辆的驾驶位置的右侧，或，预设侧边与车辆的驾驶位置相邻，且处于车辆的驾驶位置的左侧的情况下，将处于第三序列底端的人脸检测框，确定为目标人脸检测框。
在一些实施例中，通过距离对至少一个人脸检测框进行排序，进而基于第二位置关系该排序中确定对应的目标人脸检测框。如此，能够高效且便捷地确定出精准度较高的目标人脸检测框。
步骤S304，将所述目标人脸检测框对应的车内人员，确定为所述目标人员。
在一些实施例中，可以将目标人脸检测框对应的车内人员，确定为目标人员，即驾驶车辆的目标人员。
在一些实施例中，通过交通图像中识别的车辆检测框和位于车辆检测框内的人脸检测框，确定对应的距离信息，即人脸检测框与车辆检测框的预设侧边之间的距离；进而基于该距离来确定驾驶车辆的真实驾驶员。这样，能够精准地识别交通图像中驾驶车辆的真实驾驶员，以便交通系统对其进行统计和执行相关操作。
这里，在本申请实施例提供的对象识别方法中，在所述人脸检测框的数量为等于1的情况下，可以直接将该人脸检测框对应的车内人员确定为行驶车辆的驾驶人员。
下面结合一个具体实施例对上述对象识别方法进行说明，然而值得注意的是，该具体实施例仅是为了更好地说明本申请实施例，并不构成对本申请实施例的不当限定。
交通卡口的驾乘关系的判断，是指将交通卡口抓拍的交通图像中的车辆内部的人员进行驾驶员和乘客的区分。其可用于对违法车辆进行驾驶员识别，在相关技术中，确定违法车辆仅通过交通卡口采集的交通图像识别违法车辆的车牌号码，进而在车辆管理数据库中查找与识别到的车牌号码关联的车辆注册车主，并对其做出相应的处罚。这种方法仅能定位到车辆的注册车主，对真实驾驶人员无法做出追踪定位或执行相关处罚。进而这种情况的存在也变相的催生了机动车辆中买分卖分的违法犯罪行为。
基于以上问题，本申请实施例提供一种对象识别方法，可以对驾驶车辆的驾驶人员进行精准识别，进而可以对交通车辆违法行为中车辆的驾驶人员的身份信息进行精准确定，即能够更好的查找真实违法的驾驶人。其首先基于深度学习建模的车辆及人脸的检测模型，精确定位抓拍的图像画面中车辆的车辆检测框及人脸的检测框；然后通过对图像中车辆检测框和人脸检测框的位置进行比较判断，确定图像画面中车辆的驾驶人员信息。同时本申请实施例提供的对象识别方案主要包含以下几个步骤。如图4所示，为应用本申请实施例提供的对象识别方法来确定驾驶车辆的驾驶员的流程示意图。
第一步，获取交通卡口的采集设备采集的抓拍图像，并对抓拍图像进行解码，即401获取抓拍图像并解码。
第二步，采用车辆检测模型检测抓拍图像，得到车辆检测框，并对该车辆检测框进行过滤即402；也就是说，首先，采用深度学习且已经训练好的车辆检测模型对抓拍图像进行车辆识别，输出并得到车辆检测框以及车辆检测框的基本信息，比如：车辆检测框的高和宽等、车辆检测框对应的车辆类别(label)以及置信度等。然后对得到的车辆检测框进行过滤，引用过滤后的检测框图像并进行人脸检测；即对车辆检测框进行过滤。由于交通卡口抓拍机对每辆车都会进行抓拍，目的是抓拍到当前的一个通过车辆的清晰图像，但是对图像画面中也可能存在多个车辆检测框，因此需要进行车辆检测框的过滤操作。主要过滤掉置信度较低的边缘车辆检测框以及检测框区域面积较小的车辆检测框。
第三步，对车辆检测框对应的图像进行人脸检测，得到人脸检测框，并对人脸检测框进行过滤，即403；也就是说，首先引用保留的唯一车辆检测框的区域图像，并以该图像作为人脸检测模型的输入，即检测车内人脸的检测框。对得到的人脸检测框进行过滤，由于车辆内的人脸可能不止一个，以及抓拍角度的因素决定，因此可能需要过滤掉检测框区域面积较小的后排乘客人脸，只保留两个最大的人脸检测框，即驾驶员以及副驾驶乘客的人脸检测框。
第四步，基于人脸检测框和车辆检测框之间的位置关系，确定车辆驾驶员即404；同时其通过车内人脸检测框位置来判断驾驶员和副驾驶乘客，主要通过以下几个步骤：
1)如果车辆内只保留了一个人脸检测框，则默认该人脸检测框对应的车内人员即为车辆驾驶员。
2)如果车辆内保留了两个人脸检测框，即对两个人脸检测框进行位置判断，在该位置符合预设条件的情况下，可认为该人脸检测框对应的车内人员，即为车辆驾驶员，同时另一个即为副驾驶乘客；其中，在抓拍图像中确定车辆驾驶位置为检测框内部的右侧，则将两个人脸检测框相对于车辆检测框的左侧侧边距离较大的一个，认为是车辆驾驶人员对应的人脸检测框。
第五步，输出驾驶员信息即405，可以将输入的图像中车辆上的人脸信息进行识别，以确定出精准的车辆驾驶员。
本申请实施例提供的对象识别方法，主要是将输入来自于交通卡口抓拍的图像进行车辆驾驶员识别；其中，该识别方法是先通过车辆检测模型对抓拍图像进行车辆检测，得到车辆的检测框。再利用车辆的检测框的图像去检测人脸得到人脸检测框，即检测到的人脸在该车辆内部。之后通过比较车辆内部人脸检测框的位置来判断出该车辆的驾驶员与乘客的关系，即驾驶车辆的驾驶人员。如图5A所示，为实际应用中交通卡口抓拍的画面包括一个行驶车辆的交通图像示意图；其中，采用车辆检测模型对该交通图像进行车辆识别，可以得到该车辆对应的车辆检测框。同时如图5B所示，为实际应用中交通卡口抓拍的画面包括多个行驶车辆的交通图像示意图；其中，如图5B所示，采用车辆检测模型对该交通图像进行车辆识别，可以得到三个车辆检测框501、502以及503，基于车辆检测框对应的区域面积进行检测框筛选，将车辆检测框502作为最终进行识别的车辆。
如此，采用深度学习检测模型对交通图像的车辆和人脸的识别，得到车辆检测框和人脸检测框，然后再通过对车辆检测框和人脸检测框之间的位置关系进行判断，以识别车辆的真实驾驶人员。这样，在交通卡口上可以更好的获取驾驶人员信息。同时也能够拓展各种业务场景，主要丰富了类似智能交通监管系统的以人像为主的视频解析的流程，对后续该信息的应用产生其应有价值。例如，在某智能交管系统中，需要对某违法车辆的真实驾驶人员做出判断，(包括车辆违规行驶以及司机无证驾驶等)进而对该驾驶人员进行信息核实与责任追究，采取本申请实施例提供的对象识别方法，可在道路或者交通卡口通过摄像机设防，对所追踪的车辆快速反馈真实驾驶员、乘客与车辆的关联关系，如此，能够通过确定的驾驶人员的信息找到真实违法驾驶人员。
本申请实施例提供一种对象识别装置，图6为本申请实施例提供的对象识别装置的结构组成示意图，如图6所示，所述对象识别装置600包括：
获取模块601，用于获取画面包括行驶车辆的交通图像；
第一确定模块602，用于在所述交通图像中，确定所述车辆的车辆检测框和位于所述车辆内部的车内人员的人脸检测框；
第二确定模块603，用于基于所述人脸检测框和所述车辆检测框在所述交通图像中的第一位置关系，确定驾驶所述车辆的目标人员。
在一些实施例中，第一确定模块602，还包括：第一识别子模块，用于对所述交通图像进行车辆识别，得到所述车辆检测框；第二识别子模块，用于对所述车辆检测框对应的车辆图像进行人脸识别，得到位于所述车辆检测框内的所述人脸检测框。
在一些实施例中，所述第一识别子模块，还用于对所述交通图像进行车辆识别，得到至少一个第一检测框；基于所述至少一个第一检测框，确定所述车辆检测框。
在一些实施例中，所述第一识别子模块，在所述第一检测框的数量为至少两个的情况下，还用于确定所述每一第一检测框的第一区域面积以及置信度；基于所述第一区域面积和所述置信度，对所述至少两个第一检测框进行排序，得到第一序列；将位于所述第一序列中预设位置的第一检测框，确定为所述车辆检测框。
在一些实施例中，所述第二识别子模块，还用于对所述车辆检测框对应的车辆图像进行人脸识别，得到至少一个第二检测框；确定所述至少一个第二检测框的第二区域面积；在所述至少一个第二检测框中，确定所述第二区域面积最大的目标第二检测框；在所述至少一个第二检测框中，过滤与所述目标第二检测框之间的区域面积比值大于预设比值的第二检测框，得到所述人脸检测框。
在一些实施例中，所述第二确定模块603，还包括：第一确定子模块，用于在所述人脸检测框的数量为大于1的情况下，确定所述每一人脸检测框与所述车辆检测框的预设侧边之间的距离；第二确定子模块，用于对所述车辆检测框中的车辆进行车辆属性识别，得到所述车辆的左右舵信息；第三确定子模块，用于基于所述距离和所述车辆的左右舵信息，从至少一个人脸检测框中确定目标人脸检测框；第四确定子模块，用于将所述目标人脸检测框对应的车内人员，确定为所述目标人员。
在一些实施例中，所述第三确定子模块，还用于基于所述车辆的左右舵信息，确定所述预设侧边与所述车辆的驾驶位置的第二位置关系；基于所述距离和所述第二位置关系，从所述至少一个人脸检测框中确定所述目标人脸检测框。
在一些实施例中，所述第三确定子模块，还用于基于所述第二位置关系，确定预设距离范围；在所述至少一个人脸检测框中，将所述距离符合所述预设距离范围的人脸检测框，确定为所述目标人脸检测框。
在一些实施例中，所述第三确定子模块，还用于基于所述距离，对所述至少一个人脸检测框进行排序，得到第三序列；基于所述第二位置关系，将位于所述第三序列中预设位置的人脸检测框，确定为所述目标人脸检测框。
需要说明的是，以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的对象识别方法，并作为独立的产品销售或使用时，也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，本申请实施例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中，包括若干指令用以使得一台计算机设备(可以是终端、服务器等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、运动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。
对应地，本申请实施例再提供一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，该计算机可执行指令被执行后，能够实现本申请实施例提供的对象识别方法。
相应的，本申请实施例提供一种计算机设备，图7为本申请实施例提供的计算机设备的组成结构示意图，如图7所示，所述计算机设备700包括：一个处理器701、至少一个通信总线704、通信接口702、至少一个外部通信接口和存储器703。其中，通信接口702配置为实现这些组件之间的连接通信。其中，通信接口702可以包括显示屏，外部通信接口可以包括标准的有线接口和无线接口。其中所述处理器701，配置为执行存储器中的程序，以实现上述实施例提供的对象识别方法。
相应的，本申请实施例再提供一种计算机存储介质，所述计算机存储介质上存储有计算机可执行指令，所述该计算机可执行指令被处理器执行时实现上述实施例提供的对象识别方法。
以上对象识别装置、计算机设备和存储介质实施例的描述，与上述方法实施例的描述是类似的，具有同相应方法实施例相似的技术描述和有益效果，限于篇幅，可参照上述方法实施例的记载，故在此不再赘述。对于本申请对象识别装置、计算机设备和存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请实施例的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请实施例的各种实施例中，上述各过程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。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请实施例所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本申请实施例各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请实施例上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本申请实施例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中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请实施例各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。以上所述，仅为本申请实施例的具体实施方式，但本申请实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请实施例的保护范围之内。因此，本申请实施例的保护范围应以所述权利要求的保护范围为准。

Claims (12)

1.一种对象识别方法，其特征在于，所述方法包括：
获取画面包括行驶车辆的交通图像；
在所述交通图像中，确定所述车辆的车辆检测框和位于所述车辆内部的车内人员的人脸检测框；
基于所述人脸检测框和所述车辆检测框在所述交通图像中的第一位置关系，确定驾驶所述车辆的目标人员。
2.根据权利要求1所述的方法，其特征在于，所述在所述交通图像中，确定所述车辆的车辆检测框和位于所述车辆内部的车内人员的人脸检测框，包括：
对所述交通图像进行车辆识别，得到所述车辆检测框；
对所述车辆检测框对应的车辆图像进行人脸识别，得到位于所述车辆检测框内的所述人脸检测框。
3.根据权利要求2所述的方法，其特征在于，所述对所述交通图像进行车辆识别，得到所述车辆检测框，包括：
对所述交通图像进行车辆识别，得到至少一个第一检测框；
基于所述至少一个第一检测框，确定所述车辆检测框。
4.根据权利要求3所述的方法，其特征在于，在所述第一检测框的数量为至少两个的情况下，所述基于所述至少一个第一检测框，确定所述车辆检测框，包括：
确定所述每一第一检测框的第一区域面积以及置信度；
基于所述第一区域面积和所述置信度，对所述至少两个第一检测框进行排序，得到第一序列；
将位于所述第一序列中预设位置的第一检测框，确定为所述车辆检测框。
5.根据权利要求2至4任一所述的方法，其特征在于，所述对所述车辆检测框对应的车辆图像进行人脸识别，得到位于所述车辆检测框内的所述人脸检测框，包括：
对所述车辆检测框对应的车辆图像进行人脸识别，得到至少一个第二检测框；
确定所述至少一个第二检测框的第二区域面积；
在所述至少一个第二检测框中，确定所述第二区域面积最大的目标第二检测框；
在所述至少一个第二检测框中，过滤与所述目标第二检测框之间的区域面积比值大于预设比值的第二检测框，得到所述人脸检测框。
6.根据权利要求1至5任一所述的方法，其特征在于，所述基于所述人脸检测框和所述车辆检测框在所述交通图像中的位置关系，确定驾驶所述车辆的目标人员，包括：
在所述人脸检测框的数量为大于1的情况下，确定所述每一人脸检测框与所述车辆检测框的预设侧边之间的距离；
对所述车辆检测框中的车辆进行车辆属性识别，得到所述车辆的左右舵信息；
基于所述距离和所述车辆的左右舵信息，从至少一个人脸检测框中确定目标人脸检测框；
将所述目标人脸检测框对应的车内人员，确定为所述目标人员。
7.根据权利要求6所述的方法，其特征在于，所述基于所述距离和所述车辆的左右舵信息，从至少一个人脸检测框中确定目标人脸检测框，包括：
基于所述车辆的左右舵信息，确定所述预设侧边与所述车辆的驾驶位置的第二位置关系；
基于所述距离和所述第二位置关系，从所述至少一个人脸检测框中确定所述目标人脸检测框。
8.根据权利要求7所述的方法，其特征在于，所述基于所述距离和所述第二位置关系，从所述至少一个人脸检测框中确定所述目标人脸检测框，包括：
基于所述第二位置关系，确定预设距离范围；
在所述至少一个人脸检测框中，将所述距离符合所述预设距离范围的人脸检测框，确定为所述目标人脸检测框。
9.根据权利要求7所述的方法，其特征在于，所述基于所述距离和所述第二位置关系，从所述至少一个人脸检测框中确定所述目标人脸检测框，包括：
基于所述距离，对所述至少一个人脸检测框进行排序，得到第三序列；
基于所述第二位置关系，将位于所述第三序列中预设位置的人脸检测框，确定为所述目标人脸检测框。
10.一种对象识别装置，其特征在于，所述装置包括：
获取模块，用于获取画面包括行驶车辆的交通图像；
第一确定模块，用于在所述交通图像中，确定所述车辆的车辆检测框和位于所述车辆内部的车内人员的人脸检测框；
第二确定模块，用于基于所述人脸检测框和所述车辆检测框在所述交通图像中的第一位置关系，确定驾驶所述车辆的目标人员。
11.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时能够实现权利要求1至9任一项所述的对象识别方法。
12.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机可执行指令，该计算机可执行指令被执行后，能够实现权利要求1至9任一项所述的对象识别方法。
CN202210306904.1A 2022-03-25 2022-03-25 对象识别方法、装置、设备及存储介质 Pending CN114973211A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210306904.1A CN114973211A (zh) 2022-03-25 2022-03-25 对象识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210306904.1A CN114973211A (zh) 2022-03-25 2022-03-25 对象识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114973211A true CN114973211A (zh) 2022-08-30

Family

ID=82976079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210306904.1A Pending CN114973211A (zh) 2022-03-25 2022-03-25 对象识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114973211A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538961A (zh) * 2021-06-28 2021-10-22 北京工业大学 一种基于图像识别技术的大型停车场反向寻车方法
CN117520979A (zh) * 2023-11-03 2024-02-06 长沙云软信息技术有限公司 一种基于ocr识别的地磅测量设备及其使用方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538961A (zh) * 2021-06-28 2021-10-22 北京工业大学 一种基于图像识别技术的大型停车场反向寻车方法
CN117520979A (zh) * 2023-11-03 2024-02-06 长沙云软信息技术有限公司 一种基于ocr识别的地磅测量设备及其使用方法

Similar Documents

Publication Publication Date Title
CN110390262B (zh) 视频分析方法、装置、服务器及存储介质
CA2858919C (en) License plate recognition
Xu et al. Detection of sudden pedestrian crossings for driving assistance systems
Rashid et al. Automatic parking management system and parking fee collection based on number plate recognition
Lin et al. Helmet use detection of tracked motorcycles using cnn-based multi-task learning
Li et al. Detecting drivers' mirror-checking actions and its application to maneuver and secondary task recognition
CN111126224A (zh) 车辆检测方法及分类识别模型训练方法
CN114973211A (zh) 对象识别方法、装置、设备及存储介质
CN110096975B (zh) 一种车位状态识别方法、设备及系统
CN110517500B (zh) 一种人车关联处理方法及装置
CN106570439B (zh) 一种车辆检测方法及装置
Dua et al. AutoRate: How attentive is the driver?
CN108984644B (zh) 一种套牌车检索方法及系统
CN107529659B (zh) 安全带佩戴检测方法、装置及电子设备
CN111369801B (zh) 车辆识别方法、装置、设备和存储介质
CN111860274A (zh) 基于头部朝向与上半身骨架特征的交警指挥手势识别方法
Kumtepe et al. Driver aggressiveness detection via multisensory data fusion
CN111444843B (zh) 一种多模态驾驶员及车辆违法行为监测方法及系统
CN111783654B (zh) 车辆重识别方法、装置及电子设备
Sangnoree et al. Thermal-image processing and statistical analysis for vehicle category in nighttime traffic
Shaily et al. Smart driver monitoring system
CN114926824A (zh) 一种不良驾驶行为判别方法
Al Nasim et al. An automated approach for the recognition of bengali license plates
Rahman et al. A real-time end-to-end bangladeshi license plate detection and recognition system for all situations including challenging environmental scenarios
CN113065428A (zh) 基于特征选择的自动驾驶目标识别方法

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