CN115186770A - 驾驶员身份识别方法和电子设备 - Google Patents

驾驶员身份识别方法和电子设备 Download PDF

Info

Publication number
CN115186770A
CN115186770A CN202211092612.9A CN202211092612A CN115186770A CN 115186770 A CN115186770 A CN 115186770A CN 202211092612 A CN202211092612 A CN 202211092612A CN 115186770 A CN115186770 A CN 115186770A
Authority
CN
China
Prior art keywords
identity recognition
recognition model
driving data
data set
layer
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.)
Granted
Application number
CN202211092612.9A
Other languages
English (en)
Other versions
CN115186770B (zh
Inventor
徐国胜
徐国爱
王云豪
王晨宇
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202211092612.9A priority Critical patent/CN115186770B/zh
Publication of CN115186770A publication Critical patent/CN115186770A/zh
Application granted granted Critical
Publication of CN115186770B publication Critical patent/CN115186770B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G07CHECKING-DEVICES
    • G07CTIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00Registering or indicating the working of vehicles
    • G07C5/08Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808Diagnosing performance data

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供一种驾驶员身份识别方法和电子设备。所述方法包括:根据获取的冗余数据对获取的原始驾驶数据进行过滤,得到纯净驾驶数据;根据所述纯净驾驶数据的标识域对所述纯净驾驶数据进行预处理,得到驾驶数据集;将所述驾驶数据集输入训练好的身份识别模型,识别得到对应的驾驶员身份;对比所述驾驶员身份与真实的驾驶员身份是否相同;响应于所述驾驶员身份与真实的驾驶员身份相同,所述驾驶员身份识别通过。本申请实施例通过过滤掉冗余数据,有效提升了后续算法的运行效率和性能。另外,对于现有的分类任务可以持续收集样本,使得驾驶员身份识别的结果更加精确,还可以在不改变大框架的前提下增加分类任务,可以支持更加灵活的认证规模。

Description

驾驶员身份识别方法和电子设备
技术领域
本申请涉及身份识别技术领域,尤其涉及一种驾驶员身份识别方法和电子设备。
背景技术
近年来,基于车辆终端的驾驶员身份认证手段得到了业界的广泛认可,主要是基于车载传感器收集到的驾驶员驾驶过程中的物理数据,基于这些数据中隐含的驾驶员的行为习惯提取出含有驾驶员身份信息的数据,并据此作为身份认证的基础。但需要注意的是,现有技术方案中对于原始数据并没有做相应的处理,获取到的未经处理的原始驾驶数据的特征冗余且混杂,不利于后续的身份识别,会引入很多无用的影响因素,进而影响最终的识别结果。另外,现有技术中在模型投入使用后,若需要提高该模型的识别精度或是需要增添识别驾驶员的数量,都需要对整个模型进行重新训练。
发明内容
有鉴于此,本申请的目的在于提出一种驾驶员身份识别方法和电子设备。
基于上述目的,本申请提供了一种驾驶员身份识别方法,包括:
根据获取的冗余数据对获取的原始驾驶数据进行过滤,得到纯净驾驶数据;
根据所述纯净驾驶数据的标识域对所述纯净驾驶数据进行预处理,得到驾驶数据集;
将所述驾驶数据集输入训练好的身份识别模型,识别得到驾驶员身份。
在一种可能的实现方式中,所述根据获取的冗余数据对获取的原始驾驶数据进行过滤,得到纯净驾驶数据,包括:
根据所述冗余数据,获取所述冗余数据的规律;
根据所述冗余数据的规律,对所述冗余数据进行推测扩展,得到扩展冗余数据;
将所述原始驾驶数据中与所述扩展冗余数据中相同的部分过滤,得到所述纯净驾驶数据。
在一种可能的实现方式中,所述根据所述纯净驾驶数据的标识域对所述纯净驾驶数据进行预处理,得到驾驶数据集,包括:
所述纯净驾驶数据包括:时间戳;
根据所述时间戳,将所述纯净驾驶数据按照时间顺序进行排序,得到排序后的纯净驾驶数据;
根据所述标识域,将处于同一预设时间间隔内的所述排序后的纯净驾驶数据进行合并,得到合并后的纯净驾驶数据;
根据所述标识域,将所述合并后的纯净驾驶数据根据所述标识域的大小进行排列,得到驾驶数据集。
在一种可能的实现方式中,所述将所述驾驶数据集输入训练好的身份识别模型,识别得到驾驶员身份,包括:
将所述驾驶数据及输入训练好的身份识别模型,在所述训练好的身份识别模型中,将所述驾驶数据集进行卷积,得到第一特征值数据集;
对所述第一特征值数据集进行填充,并通过线性整流函数输出,得到第二特征值数据集;
利用最大池化提取所述第二特征值数据集的特征映射;
根据所述特征映射,利用归一化指数函数识别得到驾驶员身份。
在一种可能的实现方式中,所述方法,还包括:
响应于所述驾驶员身份与真实的驾驶员身份相同,持续获取所述原始驾驶数据,并根据所述原始驾驶数据得到新的驾驶数据集;所述新的驾驶数据集包括训练用新的驾驶数据集;
响应于更新身份识别模型需求,根据所述训练好的身份识别模型构建新的身份识别模型;
利用所述训练用新的驾驶数据集训练所述新的身份识别模型,得到第一待确认身份识别模型;
响应于所述第一待确认身份识别模型的准确率高于所述身份识别模型的准确率,利用所述第一待确认身份识别模型替换所述训练好的身份识别模型。
在一种可能的实现方式中,所述训练好的身份识别模型,包括:第一卷积层、第二卷积层和第一分类器层;
其中,所述根据所述训练好的身份识别模型构建新的身份识别模型,包括:
复制所述第二卷积层以得到复制卷积层;复制所述第一分类器层以得到复制分类器层;将所述第一卷积层、复制卷积层和复制分类器层作为新的身份识别模型。
在一种可能的实现方式中,所述新的驾驶数据集包括:验证用新的驾驶数据集;所述第一待确认身份识别模型包括:第三卷积层和第二分类器层;
根据所述复制卷积层和所述新的驾驶数据集,得到所述第三卷积层;
根据所述复制分类器层和所述新的驾驶数据集,得到所述第二分类器层;
其中,所述响应于所述第一待确认身份识别模型的准确率高于所述身份识别模型的准确率,利用所述第一待确认身份识别模型替换所述训练好的身份识别模型,包括:
利用所述验证用新的驾驶数据集对所述身份识别模型进行验证,得到第一验证结果数据集;
利用所述验证用新的驾驶数据集对所述第一待确认身份识别模型进行验证,得到第二验证结果数据集;
响应于所述第二验证结果数据集的准确率高于所述第一验证结果数据集的准确率,利用所述第三卷积层替换所述第二卷积层,利用所述第二分类器层替换所述第一分类器层,以利用所述第一待确认身份识别模型替换所述训练好的身份识别模型。
在一种可能的实现方式中,所述方法,还包括:
响应于驾驶员身份增添事件,获取增添的驾驶员的所述原始驾驶数据,并根据增添的驾驶员的原始驾驶数据得到增添驾驶数据集;
根据所述训练好的身份识别模型构建新的身份识别模型;
利用所述增添驾驶数据集训练所述新的身份识别模型,得到第二待确认身份识别模型;
验证所述第二待确认身份识别模型的准确率是否达到预设阈值;
响应于所述第二待确认身份识别模型的准确率达到预设阈值,将所述第二待确认身份识别模型与所述训练好的身份识别模型合并,得到增添身份识别模型。
在一种可能的实现方式中,所述训练好的身份识别模型,包括:第一卷积层、第二卷积层和第一分类器层;所述第二待确认身份识别模型包括:第四卷积层和第三分类器层;
其中,所述根据所述训练好的身份识别模型构建新的身份识别模型,包括:
复制所述第二卷积层以得到复制卷积层;复制所述第一分类器层以得到复制分类器层;将所述第一卷积层、复制卷积层和复制分类器层作为新的身份识别模型;
根据所述复制卷积层和所述增添驾驶数据集,得到所述第四卷积层;
根据所述复制分类器层和所述增添驾驶数据集,得到所述第三分类器层;
其中,所述将所述第二待确认身份识别模型与所述训练好的身份识别模型合并,得到增添身份识别模型,包括:
将所述第四卷积层和所述第三分类器层作为新分支,与所述训练好的身份识别模型合并,得到增添身份识别模型。
基于同一发明构思,本申请实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任意一项所述的驾驶员身份识别方法。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案,下面将对实施例或相关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为本申请实施例的驾驶员身份识别方法流程图;
图2为本申请实施例的CAN总线数据格式示意图;
图3为本申请实施例的冗余数据示意图;
图4为本申请实施例的身份识别模型示意图;
图5为本申请实施例的复制后的身份识别模型示意图;
图6为本申请实施例的增添身份识别模型示意图;
图7为本申请实施例的电子设备结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本申请进一步详细说明。
需要说明的是,除非另外定义,本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如背景技术部分所述,相关技术中的驾驶员身份识别方法,一般对获取到的原始驾驶数据并不进行处理,获取到的未经处理的原始驾驶数据的特征冗余且混杂,导致在后续的数据处理的过程中,存在许多无驾驶特征的数据,会引入很多无用的影响因素,不利于后续的身份识别,进而影响最终的识别结果。且对原始驾驶数据不进行预处理,在后续的训练和实际应用过程中,数据量会过大,会影响训练和实际应用中数据处理的效率。
综合上述考虑,本申请实施例提出一种驾驶员身份识别方法,根据获取的冗余数据对获取的原始驾驶数据进行过滤,得到纯净驾驶数据;根据所述纯净驾驶数据的标识域对所述纯净驾驶数据进行预处理,得到驾驶数据集;将所述驾驶数据集输入训练好的身份识别模型,识别得到驾驶员身份。从而能够有效减少原始驾驶数据中无用的数据,降低无用数据对模型识别精度的影响。同时,也降低了待处理数据的数量,有效提升了训练模型以及身份识别的效率。
以下,通过具体的实施例来详细说明本申请实施例的技术方案。
参考图1,本申请实施例的驾驶员身份识别方法,包括以下步骤:
步骤S101,根据获取的冗余数据对获取的原始驾驶数据进行过滤,得到纯净驾驶数据;
步骤S102,根据所述纯净驾驶数据的标识域对所述纯净驾驶数据进行预处理,得到驾驶数据集;
步骤S103,将所述驾驶数据集输入训练好的身份识别模型,识别得到驾驶员身份。
针对步骤S101,本申请实施例首先需要获取驾驶数据,具体的,需要从控制器局域网络(Controller Area Network,CAN)中获取数据。
CAN被广泛应用于汽车计算机控制系统,负责车辆上所有控制节点之间的通信。其中自然包含所有的与驾驶员行为以及车辆状态的数据。而CAN总线协议只规定了电气特性、编码、节点结构等标准,并不涉及数据内容和含义,因此我们需要在海量的CAN总线原始数据中过滤出与驾驶员操作相关的数据来减少无关数据对后续工作的干扰。
参考图2,为本申请实施例的CAN总线数据格式示意图。CAN总线数据格式中包含10个数据域,图中SOF表示起始帧,Identifier表示标识域,RTR表示远程发送请求位,IDE表示标识符扩展位,R0表示保留位,DLC表示数据长度代码,DATA FIELD表示数据域,CRC段检查帧是否传输错误,ACK段确认是否正常接收,EOF表示结束帧,CAN总线格式中还包括时间戳,图2中未示出具体位置。其中,SOF、RTR、IDE、DLC、CRC、ACK和EOF部分是携带协议格式要求的协议数据域,执行相关的协议功能,而标识域对应此条数据发送节点的标识,数据域对应此条数据中包含的有效信息,时间戳对应的是发送此条数据或者接收此条数据时的时间。在整条数据中,我们需要关注的数据只有标识域、数据域和时间戳,因此对于每一条CAN总线报文,我们首先需要做的就是提取报文中的标识域、数据域以及对应的报文的时间戳。
CAN总线数据大致可以分成驾驶员操作、车辆状态和其他无关信息三部分,我们可以对驾驶期间的数据进行简单的过滤和分类,剔除无关信息并在保证消息相关时序信息的同时标记出驾驶行为和车辆状态。通过观察CAN总线数据我们能够很容易的发现,在车辆启动后,CAN总线即开始存在数据传输,并保持在2000帧每秒左右的发送频率,如果对全部的总线数据进行收集并传输,则造成极大的数据冗余以及网络压力,而且此时驾驶员尚未做出任何操作,这些数据中应当不包含任何与驾驶员行为习惯有关的数据。参考图3,为本申请实施例的冗余数据示意图,经过进一步分析我们发现,在车辆发动但不进行任何驾驶操作时,CAN总线上发送的数据大部分有着明显的规律或固定的标识域,并且这类数据在驾驶过程中仍然会以相同的规律出现。因此我们认定此类数据为冗余数据需要进行过滤。
进一步的,在获取到冗余数据后,获取冗余数据中的规律,参考图3,数据域部分可以发现明显的规律。具体的,若某标识域出现的数据存在明显的等差关系,则推断后续等差数列内容都为冗余数据。本领域技术人员应当无疑义的理解,此处的规律并不仅限于等差关系。进一步的,在知晓该规律后,根据规律对已经获取到的冗余数据进行推测扩展,得到扩展冗余数据。进一步的,将原始驾驶数据中与扩展冗余数据中相同的部分过滤,得到纯净驾驶数据。
因为在驾驶员操作过程中可能还会持续的出现冗余数据,且在驾驶过程中无法纯净的获取冗余数据,而我们又需要清除驾驶过程产生的数据中的冗余数据,因此对一开始获取的冗余数据进行规律性的扩展,得到扩展冗余数据之后,直接将扩展冗余数据与原始驾驶数据进行对比,将相同的部分删除,即可实现将原始驾驶数据中的冗余数据有效清除。
进一步的,针对步骤S102,在得到纯净驾驶数据之后,将纯净驾驶数据根据其对应的时间戳进行排序,得到排序后的纯净驾驶数据,之后将处于同一时间间隔的排序后的纯净驾驶数据,按照标识域进行合并,即将同一标识域的排序后的纯净驾驶数据进行合并,得到合并后的纯净驾驶数据。之后对合并后的纯净驾驶数据,在连续的多个时间间隔内出现的多个标识域的数据,按照标识域的编号,从小到大进行排序,得到最终的驾驶数据集,驾驶数据集最终是以时间间隔的数量作为横向数量,标识域的数量作为纵向数量构成的矩阵。
在本实施例中,上述时间间隔一般取1秒,当然的,本领域技术人员可以自行按照需求设置时间间隔,本申请的应用范围并不仅限于时间间隔为1秒的实施例。
进一步的,针对步骤S103,将上述步骤中获得的驾驶数据集输入训练好的身份识别模型,识别得到驾驶员身份。
具体的,参考图4,为本申请实施例的身份识别模型示意图。
其中,包括输入层(Input Layer),卷积层(Conv Layer),填充层(BN Layer),激活层(ReLU Layer),预测层(Predict Layer),输出层(Output Layer)。
具体的,在训练好的身份识别模型中,首先将驾驶数据集进行卷积,得到第一特征值数据集,在本申请中,卷积核的大小为c*h一般可以为3*3或5*5,当然的,还可以包括其他的规格,管道数为256,步长为1,需要注意的是,上述对具体参数的限定并不代表本申请仅能应用于上述参数设置的实施例中,本领域技术人员可以根据自己的需求进行修改。
进一步的,对上述卷积后得到的第一特征值数据集进行填充,之后再利用激活函数输出,得到第二特征值数据集,在本实施例中,利用线性整流函数输出,经线性整流函数输出后,形成c1神经元;每个c1神经元连接到输入矩阵中的一个c*h的邻域中,并且256个管道使得在c1中每个图像深度都为256;考虑到边界效应,每个特征映射的大小为n*1,上述数据为未填充时的数据。
所述第二特征数据集通过下式计算:
Figure 61230DEST_PATH_IMAGE001
其中,
Figure 916053DEST_PATH_IMAGE003
表示第i个卷积核的第1层的输出,ReLU表示线性整流函数计算,conv2表 示2维矩阵卷积运算,A表示神经网络层的输入,
Figure 633474DEST_PATH_IMAGE005
表示第i个卷积核,‘valid’表示填充,bi 表示随机误差。
进一步的,利用最终预测层输出驾驶员的分类标签,具体的,最终预测层包括最大池层和全连接层。
在最大池层中可以利用最大池化提取第二特征数据集的特征映射,之后根据特征映射,利用归一化指数函数识别得到驾驶员身份。具体的,过滤器为8*1,步长为2,特征映射后的尺寸为n’*1。
所述特征映射通过下式计算:
Figure 231945DEST_PATH_IMAGE006
其中,
Figure 452842DEST_PATH_IMAGE008
表示第i个卷积核的第2层的特征映射,mapooling表示最大池化计算,
Figure DEST_PATH_IMAGE009
表示第i个卷积核的第1层的输出。
进一步的,在全连接层利用归一化指数函数识别得到驾驶员身份,具体的,利用该函数输出驾驶员对应的标签值,标签值与驾驶员一一对应。
在另一可选的实施例中,当模型可以正常运行后,即识别的驾驶员身份和真实的驾驶员身份相同后,可以持续的获取该驾驶员对应的原始驾驶数据,并且根据获取的原始驾驶数据再次进行处理后得到新的驾驶数据集,新的驾驶数据集中包括训练用新的驾驶数据集和验证用新的驾驶数据集,当发现现有模型需要更新的时候,根据训练好的身份识别模型构建新的身份识别模型。
具体的,训练好的身份识别模型中包括第一卷积层、第二卷积层和第一分类器层,进一步的,将第二卷积层进行复制以得到复制卷积层,将第一分类器层进行复制以得到复制分类器层,进一步的,将第一卷积层、复制卷积层和复制分类器层作为新的身份识别模型。参考图5,为本申请实施例的复制后的身份识别模型。共享层(Shared Layers),即上述的第一卷积层,在第一卷积层后,下半部分依次为第二卷积层和第一分类器层,上半部分从左至右为复制卷积层和复制分类器层。
进一步的,利用训练用新的驾驶数据集(Newknowledge)训练新的身份识别模型,得到第一待确认身份识别模型。
具体的,利用新的驾驶数据集对新的身份识别模型进行训练,在训练过程中,保持第一卷积层的参数不变,在训练过程中对复制卷积层和复制分类器层的参数进行改进。训练结束后得到第一待确认身份识别模型。
进一步的,判断第一待确认身份识别模型的准确率和训练好的身份识别模型的准确率,当第一待确认身份识别模型的准确率高于利用训练用驾驶数据集(Oldknowledge)训练好的身份识别模型的准确率后,利用第一待确认身份识别模型替换训练好的身份识别模型。
具体的,利用验证用新的驾驶数据集对训练好的身份识别模型进行验证,得到第一验证结果数据集,利用验证用新的驾驶数据集对第一待确认身份识别模型进行验证,得到第二验证结果数据集,对第一验证结果数据集和第二验证结果数据集的准确率进行比较,如果第二验证结果数据集的准确率高于第一验证结果数据集,那么,利用第三卷积层替换第二卷积层,利用第二分类器层替换第一分类器层,以实现利用第一待确认身份识别模型替换训练好的身份识别模型。经过上述步骤,利用旧知识结合新知识替换单纯的旧知识实现了模型的更新。
在另一可选的实施例中,当需要增添需要识别的驾驶员身份时,获取需要增添的驾驶员的原始驾驶数据,利用上述实施例中的方法将增添的驾驶员的原始驾驶数据转化得到增添驾驶数据集。
进一步的,根据训练好的身份识别模型构建新的身份识别模型,具体的构建过程与上述实施例中的过程一致,在此不再赘述。
进一步的,增添驾驶数据集中包括训练用增添驾驶数据集和验证用增添驾驶数据集,利用训练用增添驾驶数据集对新的身份识别模型进行训练,得到第二待确认身份识别模型。同样的,在不改变共享层参数的前提下,利用增添驾驶数据集训练新的身份识别模型以改变复制卷积层和复制分类器层的参数,最终得到第四卷积层和第三分类器层,以实现训练。
训练结束之后,利用验证用增添驾驶数据集验证第二待确认身份识别模型的准确率是否达到预设阈值。本领域技术人员应当知晓,预设阈值可以根据自己的需求自行设置。
当达到预设阈值后,将第二待确认身份识别模型与训练好的身份识别模型合并,得到增添身份识别模型。具体的,将第四卷积层和第三分类器层作为新分支,与训练好的身份识别模型合并,得到增添身份识别模型。参考图6,阴影遮挡部分从左往右依次为第四卷积层和第三分类器层,下半部分从左至右依次为第一卷积层、第二卷积器层和第一分类器层。
另外,若身份识别模型中有的驾驶员身份无需继续识别,只需将其对应的第四卷积层和第三分类器层删除即可,有效减少了删去数据对模型本身的影响。
通过上述实施例可以看出,本申请实施例所述的驾驶员身份识别方法,根据获取的冗余数据对获取的原始驾驶数据进行过滤,得到纯净驾驶数据;根据所述纯净驾驶数据的标识域对所述纯净驾驶数据进行预处理,得到驾驶数据集;将所述驾驶数据集输入训练好的身份识别模型,识别得到驾驶员身份。能够有效减少原始驾驶数据中无用的数据,降低无用数据对模型识别精度的影响。同时,也降低了待处理数据的数量,有效提升了训练模型以及身份识别的效率。
另外,在后续出现模型更新需求时,无需重新对整个模型进行训练。只需利用新数据对模型进行训练,之后再行替换即可,达到了对新知识的学习,完成基于旧知识和新知识结合的方式对驾驶员身份进行认证。
进一步的,当需要对驾驶员的数量进行改变时,利用新的驾驶员的新的驾驶数据在原有模型的基础上再次训练,之后再与旧的身份识别模型合并,即可在模型不会忘记已经学习的任务的前提下,实现新任务的增添。且在删去不需要的任务时,对模型本身也无太大影响。
需要说明的是,本申请实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上任意一实施例所述的驾驶员身份识别方法。
图7示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线 1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的驾驶员身份识别方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的范围(包括权利要求)被限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本申请实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本申请实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本申请的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。

Claims (10)

1.一种驾驶员身份识别方法,其特征在于,包括:
根据获取的冗余数据对获取的原始驾驶数据进行过滤,得到纯净驾驶数据;
根据所述纯净驾驶数据的标识域对所述纯净驾驶数据进行预处理,得到驾驶数据集;
将所述驾驶数据集输入训练好的身份识别模型,识别得到驾驶员身份。
2.根据权利要求1所述的方法,其特征在于,所述根据获取的冗余数据对获取的原始驾驶数据进行过滤,得到纯净驾驶数据,包括:
根据所述冗余数据,获取所述冗余数据的规律;
根据所述冗余数据的规律,对所述冗余数据进行推测扩展,得到扩展冗余数据;
将所述原始驾驶数据中与所述扩展冗余数据中相同的部分过滤,得到所述纯净驾驶数据。
3.根据权利要求1所述的方法,其特征在于,所述根据所述纯净驾驶数据的标识域对所述纯净驾驶数据进行预处理,得到驾驶数据集,包括:
所述纯净驾驶数据包括:时间戳;
根据所述时间戳,将所述纯净驾驶数据按照时间顺序进行排序,得到排序后的纯净驾驶数据;
根据所述标识域,将处于同一预设时间间隔内的所述排序后的纯净驾驶数据进行合并,得到合并后的纯净驾驶数据;
根据所述标识域,将所述合并后的纯净驾驶数据根据所述标识域的大小进行排列,得到驾驶数据集。
4.根据权利要求1所述的方法,其特征在于,所述将所述驾驶数据集输入训练好的身份识别模型,识别得到驾驶员身份,包括:
将所述驾驶数据及输入训练好的身份识别模型,在所述训练好的身份识别模型中,将所述驾驶数据集进行卷积,得到第一特征值数据集;
对所述第一特征值数据集进行填充,并通过线性整流函数输出,得到第二特征值数据集;
利用最大池化提取所述第二特征值数据集的特征映射;
根据所述特征映射,利用归一化指数函数识别得到驾驶员身份。
5.根据权利要求1所述的方法,其特征在于,所述方法,还包括:
响应于所述驾驶员身份与真实的驾驶员身份相同,持续获取所述原始驾驶数据,并根据所述原始驾驶数据得到新的驾驶数据集;所述新的驾驶数据集包括训练用新的驾驶数据集;
响应于更新身份识别模型需求,根据所述训练好的身份识别模型构建新的身份识别模型;
利用所述训练用新的驾驶数据集训练所述新的身份识别模型,得到第一待确认身份识别模型;
响应于所述第一待确认身份识别模型的准确率高于所述身份识别模型的准确率,利用所述第一待确认身份识别模型替换所述训练好的身份识别模型。
6.根据权利要求5所述的方法,其特征在于,所述训练好的身份识别模型,包括:第一卷积层、第二卷积层和第一分类器层;
其中,所述根据所述训练好的身份识别模型构建新的身份识别模型,包括:
复制所述第二卷积层以得到复制卷积层;复制所述第一分类器层以得到复制分类器层;将所述第一卷积层、复制卷积层和复制分类器层作为新的身份识别模型。
7.根据权利要求6所述的方法,其特征在于,所述新的驾驶数据集包括:验证用新的驾驶数据集;所述第一待确认身份识别模型包括:第三卷积层和第二分类器层;
根据所述复制卷积层和所述新的驾驶数据集,得到所述第三卷积层;
根据所述复制分类器层和所述新的驾驶数据集,得到所述第二分类器层;
其中,所述响应于所述第一待确认身份识别模型的准确率高于所述身份识别模型的准确率,利用所述第一待确认身份识别模型替换所述训练好的身份识别模型,包括:
利用所述验证用新的驾驶数据集对所述训练好的身份识别模型进行验证,得到第一验证结果数据集;
利用所述验证用新的驾驶数据集对所述第一待确认身份识别模型进行验证,得到第二验证结果数据集;
响应于所述第二验证结果数据集的准确率高于所述第一验证结果数据集的准确率,利用所述第三卷积层替换所述第二卷积层,利用所述第二分类器层替换所述第一分类器层,以利用所述第一待确认身份识别模型替换所述训练好的身份识别模型。
8.根据权利要求1所述的方法,其特征在于,所述方法,还包括:
响应于驾驶员身份增添事件,获取增添的驾驶员的所述原始驾驶数据,并根据增添的驾驶员的原始驾驶数据得到增添驾驶数据集;
根据所述训练好的身份识别模型构建新的身份识别模型;
利用所述增添驾驶数据集训练所述新的身份识别模型,得到第二待确认身份识别模型;
验证所述第二待确认身份识别模型的准确率是否达到预设阈值;
响应于所述第二待确认身份识别模型的准确率达到预设阈值,将所述第二待确认身份识别模型与所述训练好的身份识别模型合并,得到增添身份识别模型。
9.根据权利要求8所述的方法,其特征在于,所述训练好的身份识别模型,包括:第一卷积层、第二卷积层和第一分类器层;所述第二待确认身份识别模型包括:第四卷积层和第三分类器层;
其中,所述根据所述训练好的身份识别模型构建新的身份识别模型,包括:
复制所述第二卷积层以得到复制卷积层;复制所述第一分类器层以得到复制分类器层;将所述第一卷积层、复制卷积层和复制分类器层作为新的身份识别模型;
根据所述复制卷积层和所述增添驾驶数据集,得到所述第四卷积层;
根据所述复制分类器层和所述增添驾驶数据集,得到所述第三分类器层;
其中,所述将所述第二待确认身份识别模型与所述训练好的身份识别模型合并,得到增添身份识别模型,包括:
将所述第四卷积层和所述第三分类器层作为新分支,与所述训练好的身份识别模型合并,得到增添身份识别模型。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至9任意一项所述的方法。
CN202211092612.9A 2022-09-08 2022-09-08 驾驶员身份识别方法和电子设备 Active CN115186770B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211092612.9A CN115186770B (zh) 2022-09-08 2022-09-08 驾驶员身份识别方法和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211092612.9A CN115186770B (zh) 2022-09-08 2022-09-08 驾驶员身份识别方法和电子设备

Publications (2)

Publication Number Publication Date
CN115186770A true CN115186770A (zh) 2022-10-14
CN115186770B CN115186770B (zh) 2023-04-25

Family

ID=83522647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211092612.9A Active CN115186770B (zh) 2022-09-08 2022-09-08 驾驶员身份识别方法和电子设备

Country Status (1)

Country Link
CN (1) CN115186770B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408917A (zh) * 2014-11-18 2015-03-11 浙江工商大学 基于智能手机加速度传感器实时交通路况估计方法
CN107451607A (zh) * 2017-07-13 2017-12-08 山东中磁视讯股份有限公司 一种基于深度学习的典型人物的身份识别方法
CN109242553A (zh) * 2018-08-22 2019-01-18 平安科技(深圳)有限公司 一种用户行为数据推荐方法、服务器及计算机可读介质
US20190270457A1 (en) * 2018-03-01 2019-09-05 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for identifying risky driving behavior
CN110447214A (zh) * 2018-03-01 2019-11-12 北京嘀嘀无限科技发展有限公司 一种识别驾驶行为的系统、方法、装置和存储介质
CN110532878A (zh) * 2019-07-26 2019-12-03 中山大学 一种基于轻量化卷积神经网络的驾驶员行为识别方法
CN112528940A (zh) * 2020-12-23 2021-03-19 苏州科达科技股份有限公司 驾驶员行为识别模型的训练方法、识别方法及装置
CN113298099A (zh) * 2020-02-21 2021-08-24 北京邮电大学 一种驾驶行为识别方法、装置、电子设备及存储介质
CN113407522A (zh) * 2021-06-18 2021-09-17 上海市第十人民医院 一种数据处理方法、装置、计算机设备和计算机可读存储介质
CN113935392A (zh) * 2020-06-29 2022-01-14 比亚迪股份有限公司 驾驶员身份识别方法、装置、电子设备及可读存储介质
CN114861706A (zh) * 2022-04-06 2022-08-05 杭州电子科技大学 一种基于质量评估和深度迁移学习的心电身份识别方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408917A (zh) * 2014-11-18 2015-03-11 浙江工商大学 基于智能手机加速度传感器实时交通路况估计方法
CN107451607A (zh) * 2017-07-13 2017-12-08 山东中磁视讯股份有限公司 一种基于深度学习的典型人物的身份识别方法
US20190270457A1 (en) * 2018-03-01 2019-09-05 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for identifying risky driving behavior
CN110447214A (zh) * 2018-03-01 2019-11-12 北京嘀嘀无限科技发展有限公司 一种识别驾驶行为的系统、方法、装置和存储介质
CN109242553A (zh) * 2018-08-22 2019-01-18 平安科技(深圳)有限公司 一种用户行为数据推荐方法、服务器及计算机可读介质
CN110532878A (zh) * 2019-07-26 2019-12-03 中山大学 一种基于轻量化卷积神经网络的驾驶员行为识别方法
CN113298099A (zh) * 2020-02-21 2021-08-24 北京邮电大学 一种驾驶行为识别方法、装置、电子设备及存储介质
CN113935392A (zh) * 2020-06-29 2022-01-14 比亚迪股份有限公司 驾驶员身份识别方法、装置、电子设备及可读存储介质
CN112528940A (zh) * 2020-12-23 2021-03-19 苏州科达科技股份有限公司 驾驶员行为识别模型的训练方法、识别方法及装置
CN113407522A (zh) * 2021-06-18 2021-09-17 上海市第十人民医院 一种数据处理方法、装置、计算机设备和计算机可读存储介质
CN114861706A (zh) * 2022-04-06 2022-08-05 杭州电子科技大学 一种基于质量评估和深度迁移学习的心电身份识别方法

Also Published As

Publication number Publication date
CN115186770B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
CN109978893B (zh) 图像语义分割网络的训练方法、装置、设备及存储介质
CN112395978A (zh) 行为检测方法、装置及计算机可读存储介质
CN110058699B (zh) 一种基于智能移动设备传感器的用户行为识别方法
CN112200081A (zh) 异常行为识别方法、装置、电子设备及存储介质
CN111178452B (zh) 驾驶风险识别方法、电子装置及可读存储介质
CN111046027A (zh) 时间序列数据的缺失值填充方法和装置
CN114266894A (zh) 一种图像分割方法、装置、电子设备及存储介质
CN111507403A (zh) 图像分类方法、装置、计算机设备和存储介质
CN116450880B (zh) 一种语义检测的车载视频智能处理方法
CN111274937A (zh) 摔倒检测方法、装置、电子设备及计算机可读存储介质
CN111639857B (zh) 订单智能审核方法、装置、电子设备及存储介质
CN114677650B (zh) 地铁乘客行人违法行为智能分析方法及装置
CN110796060B (zh) 高速行车路线确定方法、装置、设备和存储介质
CN111582304A (zh) 基于深度学习的车辆识别方法、装置及计算机设备
CN111985449A (zh) 救援现场图像的识别方法、装置、设备及计算机介质
CN115186770B (zh) 驾驶员身份识别方法和电子设备
CN107077617B (zh) 指纹提取方法及装置
CN113705686B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN115271055A (zh) 一种神经网络软硬件协同检测方法、装置、设备及存储介质
JP7148462B2 (ja) 画像認識評価プログラム、画像認識評価方法、評価装置及び評価システム
CN113792671A (zh) 人脸合成图像的检测方法、装置、电子设备及介质
CN111860661A (zh) 基于用户行为的数据分析方法、装置、电子设备及介质
CN114267021A (zh) 对象识别方法和装置、存储介质及电子设备
CN112686183A (zh) 遗留物检测装置、系统、方法和电子设备
CN117809062B (zh) 地标识别方法、装置、设备、存储介质及计算机程序产品

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