CN115713801A - 一种基于深度学习的智能车机定位识别方法及装置 - Google Patents

Abstract

本发明公开了一种基于深度学习的智能车机定位识别方法及装置，包括获取位置信息并通过定位阈值判定位置信息正确；位置信息正确后，获取驾驶者人脸影像并对人脸影像进行关键帧提取得到目标图像；通过特征提取器提取目标图像的特征得到面部图像特征，特征提取器基于transformer模型网络架构搭建，transformer模型网络架构包括编码层和解码层，编码层中预设若干个卷积核，解码层预设若干个反卷积核，对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；通过驾驶者身份模型匹配面部图像特征，若面部图像特征与驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。本发明提高了车辆安全防盗性能。

Description

一种基于深度学习的智能车机定位识别方法及装置

技术领域

本发明属于智能车机技术领域，尤其涉及一种基于深度学习的智能车机定位识别方法及装置。

背景技术

伴随现代交通的飞速发展和人民生活水平的日益增高，人均拥车量极具增高，现有技术中的车辆主要通过车门闭锁或通过防盗器警示，其车机系统安全性欠缺，发生失窃时不能提供防窃安全保护，这种情况需要改变。

发明内容

本发明的目的在于提供一种基于深度学习的智能车机定位识别方法及装置，以解决上述背景技术中所提到的问题。

为实现以上发明目的，根据第一方面，本发明实施例公开了一种基于深度学习的智能车机定位识别方法，所述智能车机定位识别方法应用于智能车机定位识别系统，所述智能车机定位识别系统预设有定位阈值和驾驶者身份模型，所述智能车机定位识别方法包括：获取位置信息并通过定位阈值判定所述位置信息正确；所述位置信息正确后，获取驾驶者人脸影像并对所述人脸影像进行关键帧提取得到目标图像；通过特征提取器提取所述目标图像的特征得到面部图像特征，所述特征提取器基于transformer模型网络架构搭建，所述transformer模型网络架构包括编码层和解码层，所述编码层中预设若干个卷积核，所述解码层预设若干个反卷积核，对所述卷积核和所述反卷积核进行训练，通过训练好的卷积核和反卷积核构建图像特征提取器；通过驾驶者身份模型匹配所述面部图像特征，若所述面部图像特征与所述驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。

本发明进一步设置为：所述获取位置信息并通过定位阈值判定所述位置信息正确，具体包括：智能车机与连接移动端设备无线连接并获取移动端设备的所述位置信息；判定所述位置信息与所述智能车机的实时位置的距离差值，定位阈值为所述位置信息与所述智能车机的实时位置的距离差值的±10M数值范围；若所述距离差值≤10M，则判定所述位置信息正确。

本发明进一步设置为：所述获取驾驶者人脸影像并对所述人脸影像进行关键帧提取得到目标图像，具体包括：计算所述人脸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人脸影像的镜头转换边界； 基于所述镜头转换边界确定所述人脸影像中的关键帧并得到目标图像。

本发明进一步设置为：所述基于所述镜头转换边界确定所述人脸影像中的关键帧并得到目标图像，具体包括：基于所述人脸影像对所述关键帧进行识别，得到轮廓特征； 对所述关键帧进行去噪处理，去除所述关键帧的椒盐噪点，得到去噪图像； 基于所述去噪图像和所述轮廓特征，确定所述目标图像。

根据第二方面，本发明实施例公开了一种基于深度学习的智能车机定位追踪装置，搭载有智能车机定位追踪系统，所述智能车机定位追踪装置应用于智能车机定位识别方法，包括：获取模块，用于获取位置信息并通过定位阈值判定所述位置信息正确；第一提取模块，用于获取驾驶者人脸影像并对所述人脸影像进行关键帧提取得到目标图像；第二提取模块，用于通过特征提取器提取所述目标图像的特征得到面部图像特征；匹配模块，用于通过驾驶者身份模型匹配所述面部图像特征，若所述面部图像特征与所述驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。

本发明进一步设置为：所述获取模块包括：连接单元，用于智能车机与连接移动端设备无线连接并获取移动端设备的所述位置信息；判定单元，用于判定所述位置信息与所述智能车机的实时位置的距离差值，定位阈值为所述位置信息与所述智能车机的实时位置的距离差值的±10M数值范围，若所述距离差值≤10M，则判定所述位置信息正确。

根据第三方面，本发明实施例公开了一种计算机设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序实现如下方法：获取位置信息并通过定位阈值判定所述位置信息正确；所述位置信息正确后，获取驾驶者人脸影像并对所述人脸影像进行关键帧提取得到目标图像；通过特征提取器提取所述目标图像的特征得到面部图像特征，所述特征提取器基于transformer模型网络架构搭建，所述transformer模型网络架构包括编码层和解码层，所述编码层中预设若干个卷积核，所述解码层预设若干个反卷积核，对所述卷积核和所述反卷积核进行训练，通过训练好的卷积核和反卷积核构建图像特征提取器；通过驾驶者身份模型匹配所述面部图像特征，若所述面部图像特征与所述驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。

根据第四方面，本发明实施例公开了一种计算机可读存储介质，其上存储有计算机程序，存储介质中存储的计算机程序被执行实现如下方法：获取位置信息并通过定位阈值判定所述位置信息正确；所述位置信息正确后，获取驾驶者人脸影像并对所述人脸影像进行关键帧提取得到目标图像；通过特征提取器提取所述目标图像的特征得到面部图像特征，所述特征提取器基于transformer模型网络架构搭建，所述transformer模型网络架构包括编码层和解码层，所述编码层中预设若干个卷积核，所述解码层预设若干个反卷积核，对所述卷积核和所述反卷积核进行训练，通过训练好的卷积核和反卷积核构建图像特征提取器；通过驾驶者身份模型匹配所述面部图像特征，若所述面部图像特征与所述驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。

综上所述，与现有技术相比，本发明公开了一种基于深度学习的智能车机定位识别方法及装置，包括：获取位置信息并通过定位阈值判定所述位置信息正确；所述位置信息正确后，获取驾驶者人脸影像并对所述人脸影像进行关键帧提取得到目标图像；通过特征提取器提取所述目标图像的特征得到面部图像特征，所述特征提取器基于transformer模型网络架构搭建，所述transformer模型网络架构包括编码层和解码层，所述编码层中预设若干个卷积核，所述解码层预设若干个反卷积核，对所述卷积核和所述反卷积核进行训练，通过训练好的卷积核和反卷积核构建图像特征提取器；通过驾驶者身份模型匹配所述面部图像特征，若所述面部图像特征与所述驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。即通过此设置，提高汽车安全防盗性能。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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是本实施例提供的基于深度学习的智能车机定位识别方法的流程图；

图2是本实施例提供的基于深度学习的智能车机定位识别装置的框架图；

图3是本实施例提供的一种服务器的结构示意图；

图4是本实施例提供的一种计算机设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，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。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请中的术语“第一”和“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。

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。

本申请实施例提供一种基于深度学习的智能车机定位识别方法。具体地，本申请提供的实施例适用于计算机设备，该计算机设备可以为手机、平板电脑以及笔记本电脑等设备。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，可以使用终端设备通过网络与服务器交互，以接收或发送消息等。终端设备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，服务器可以是提供各种服务的服务器，例如对终端设备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

一种基于深度学习的智能车机定位识别方法，本方法应用于智能车机定位识别系统，智能车机定位识别系统预设有定位阈值和驾驶者身份模型，具体请参考图1，包括：

S101,获取位置信息并通过定位阈值判定位置信息正确。

在本步骤中，智能车机与连接移动端设备无线连接并获取移动端设备的位置信息；判定位置信息与智能车机的实时位置的距离差值，定位阈值为位置信息与智能车机的实时位置的距离差值的±10M数值范围；若距离差值≤10M，则判定位置信息正确。

其中，移动端设备可为智能手机、平板或智能手表等移动端设备。

在本步骤中，判定位置信息正确后，车辆解锁车门，以便于驾驶者进入车内。

S102，位置信息正确后，获取驾驶者人脸影像并对人脸影像进行关键帧提取得到目标图像。

在本步骤中，计算人脸影像中相邻两个视频帧的直方图数据和灰度图数据； 基于直方图数据和灰度图数据，计算相邻两个视频帧之间的加权欧式距离； 基于加权欧式距离确定人脸影像的镜头转换边界； 基于镜头转换边界确定人脸影像中的关键帧并得到目标图像。

在本实施例中，进一步的，基于镜头转换边界确定人脸影像中的关键帧并得到目标图像，具体包括：

基于人脸影像对关键帧进行识别，得到轮廓特征；

对关键帧进行去噪处理，去除关键帧的椒盐噪点，得到去噪图像；

基于去噪图像和轮廓特征，确定目标图像。

及通过上述设置，精准捕捉驾驶者脸部图像。

S103，通过特征提取器提取目标图像的特征得到面部图像特征，特征提取器基于transformer模型网络架构搭建，transformer模型网络架构包括编码层和解码层，编码层中预设若干个卷积核，解码层预设若干个反卷积核，对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。

需要说明的是，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（representationlearning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariantclassification），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。

S104，通过驾驶者身份模型匹配面部图像特征，若面部图像特征与驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。

在本步骤中，吻合度的预设阈值可调，如设置预设阈值为96%吻合或98%吻合或100%吻合。

综上，本申请实施例提供的一种基于深度学习的智能车机定位识别方法，包括：获取位置信息并通过定位阈值判定位置信息正确；位置信息正确后，获取驾驶者人脸影像并对人脸影像进行关键帧提取得到目标图像；通过特征提取器提取目标图像的特征得到面部图像特征，特征提取器基于transformer模型网络架构搭建，transformer模型网络架构包括编码层和解码层，编码层中预设若干个卷积核，解码层预设若干个反卷积核，对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；通过驾驶者身份模型匹配面部图像特征，若面部图像特征与驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机，以此提高车辆安全防盗性能。

为了更好地实施以上基于深度学习的智能车机定位识别方法，相应的，本申请实施例还提供一种基于深度学习的智能车机定位追踪装置，其中，该处理装置可以集成在计算机设备中，也可以集成在服务器中。其中名词的含义与上述处理方法中相同，具体实现细节可以参考方法实施例中的说明。

请参考图2，图2是基于深度学习的智能车机定位追踪装置的框架图，包括：

获取模块201，用于获取位置信息并通过定位阈值判定位置信息正确；

第一提取模块202，用于获取驾驶者人脸影像并对人脸影像进行关键帧提取得到目标图像；

第二提取模块203，用于通过特征提取器提取目标图像的特征得到面部图像特征；

匹配模块204，用于通过驾驶者身份模型匹配面部图像特征，若面部图像特征与驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。

其中，获取模块201包括：

连接单元，用于智能车机与连接移动端设备无线连接并获取移动端设备的位置信息；

判定单元，用于判定位置信息与智能车机的实时位置的距离差值，定位阈值为位置信息与智能车机的实时位置的距离差值的±10M数值范围，若距离差值≤10M，则判定位置信息正确。

本申请实施例还提供一种服务器，如图3所示，其示出了本申请实施例所涉及的服务器的结构示意图，具体来讲：

该服务器可以包括一个或者一个以上处理核心的处理器301、一个或一个以上计算机可读存储介质的存储器302、电源303和输入单元304等部件。本领域技术人员可以理解，图3中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：处理器301是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器302内的软件程序和/或模块，以及调用存储在存储器302内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。可选的，处理器301可包括一个或多个处理核心；优选的，处理器301可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器301中。

存储器302可用于存储软件程序以及模块，处理器301通过运行存储在存储器302的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器302可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器302还可以包括存储器控制器，以提供处理器301对存储器302的访问。

服务器还包括给各个部件供电的电源303，优选的，电源303可以通过电源管理系统与处理器301逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源303还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该服务器还可包括输入单元304，该输入单元304可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

尽管未示出，服务器还可以包括显示单元等，在此不再赘述。具体在本实施例中，服务器中的处理器301会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器302中，并由处理器301来运行存储在存储器302中的应用程序，从而实现各种功能，如下：

获取位置信息并通过定位阈值判定位置信息正确；

位置信息正确后，获取驾驶者人脸影像并对人脸影像进行关键帧提取得到目标图像；

通过特征提取器提取目标图像的特征得到面部图像特征，特征提取器基于transformer模型网络架构搭建，transformer模型网络架构包括编码层和解码层，编码层中预设若干个卷积核，解码层预设若干个反卷积核，对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；

通过驾驶者身份模型匹配面部图像特征，若面部图像特征与驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。

以上操作具体可参见前面的实施例，在此不作赘述。

相应的，本申请实施例还提供一种计算机设备，如图4所示，该计算机设备可以包括射频（RF，RadioFrequency）电路401、包括有一个或一个以上计算机可读存储介质的存储器402、输入单元403、显示单元404、传感器405、音频电路406、无线保真（WiFi，WirelessFidelity)模块407、包括有一个或者一个以上处理核心的处理器408、以及电源409等部件。本领域技术人员可以理解，图4中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

RF电路401可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器408处理；另外，将涉及上行的数据发送给基站。通常，RF电路401包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、SIM卡、收发信机、耦合器、低噪声放大器、双工器等。此外，RF电路401还可以通过无线通信与网络和其他设备通信。无线通信可以使用任一通信标准或协议。

存储器402可用于存储软件程序以及模块，处理器408通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据计算机设备的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器408和输入单元403对存储器402的访问。

输入单元403可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，在一个具体的实施例中，输入单元403可包括触敏表面以及其他输入设备。触敏表面，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作），并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器408，并能接收处理器408发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元403还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元404可用于显示由用户输入的信息或提供给用户的信息以及计算机设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元404可包括显示面板，可选的，可以采用液晶显示器、有机发光二极管等形式来配置显示面板。进一步的，触敏表面可覆盖显示面板，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器408以确定触摸事件的类型，随后处理器408根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图4中，触敏表面与显示面板是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面与显示面板集成而实现输入和输出功能。

计算机设备还可以包括至少一种传感器405，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板的亮度，接近传感器可在计算机设备移动到耳边时，关闭显示面板和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上（一般为三轴）加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用（比如横竖屏切换、相关游戏、磁力计姿态校准）、振动识别相关功能（比如计步器、敲击）等;至于计算机设备还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路406、扬声器，传声器可提供用户与计算机设备之间的音频接口。音频电路406可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路406接收后转换为音频数据，再将音频数据输出处理器408处理后，经RF电路401以发送给比如另一计算机设备，或者将音频数据输出至存储器402以便进一步处理。音频电路406还可能包括耳塞插孔，以提供外设耳机与计算机设备的通信。

WiFi属于短距离无线传输技术，计算机设备通过WiFi模块407可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图4示出了WiFi模块407，但是可以理解的是，其并不属于计算机设备的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

处理器408是计算机设备的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行计算机设备的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器408可包括一个或多个处理核心；优选的，处理器408可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器408中。

计算机设备还可以包括给各个部件供电的电源409（比如电池），优选的，电源可以通过电源管理系统与处理器408逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源409还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

尽管未示出，计算机设备还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，计算机设备中的处理器408会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器408来运行存储在存储器402中的应用程序，从而实现各种功能：

获取位置信息并通过定位阈值判定位置信息正确；

位置信息正确后，获取驾驶者人脸影像并对人脸影像进行关键帧提取得到目标图像；

通过特征提取器提取目标图像的特征得到面部图像特征，特征提取器基于transformer模型网络架构搭建，transformer模型网络架构包括编码层和解码层，编码层中预设若干个卷积核，解码层预设若干个反卷积核，对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；

通过驾驶者身份模型匹配面部图像特征，若面部图像特征与驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。

以上操作具体可参见前面的实施例，在此不作赘述。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种电商货品外观验证和入库处理方法中的步骤。例如，该指令可以执行如下步骤：

获取位置信息并通过定位阈值判定位置信息正确；

位置信息正确后，获取驾驶者人脸影像并对人脸影像进行关键帧提取得到目标图像；

通过特征提取器提取目标图像的特征得到面部图像特征，特征提取器基于transformer模型网络架构搭建，transformer模型网络架构包括编码层和解码层，编码层中预设若干个卷积核，解码层预设若干个反卷积核，对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；

通过驾驶者身份模型匹配面部图像特征，若面部图像特征与驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

其中，该存储介质可以包括：只读存储器（ROM，ReadOnlyMemory）、随机存取记忆体（RAM，RandomAccessMemory）、磁盘或光盘等。

由于该存储介质中所存储的指令，可以执行本申请实施例所提供的任意基于深度学习的智能车机定位识别方法中的步骤，因此，可以实现本申请实施例所提供的任一基于深度学习的智能车机定位识别方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种基于深度学习的智能车机定位识别方法，其特征在于，所述智能车机定位识别方法应用于智能车机定位识别系统，所述智能车机定位识别系统预设有定位阈值和驾驶者身份模型，所述智能车机定位识别方法包括：

获取位置信息并通过定位阈值判定所述位置信息正确；

所述位置信息正确后，获取驾驶者人脸影像并对所述人脸影像进行关键帧提取得到目标图像；

通过特征提取器提取所述目标图像的特征得到面部图像特征，所述特征提取器基于transformer模型网络架构搭建，所述transformer模型网络架构包括编码层和解码层，所述编码层中预设若干个卷积核，所述解码层预设若干个反卷积核，对所述卷积核和所述反卷积核进行训练，通过训练好的卷积核和反卷积核构建图像特征提取器；

通过所述驾驶者身份模型匹配所述面部图像特征，若所述面部图像特征与所述驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。

2.如权利要求1所述的一种基于深度学习的智能车机定位识别方法，其特征在于，所述获取位置信息并通过所述定位阈值判定所述位置信息正确，具体包括：

智能车机与连接移动端设备无线连接并获取移动端设备的所述位置信息；

判定所述位置信息与所述智能车机的实时位置的距离差值，所述定位阈值为所述位置信息与所述智能车机的实时位置的距离差值的±10M数值范围；

若所述距离差值≤10M，则判定所述位置信息正确。

3.如权利要求1所述的一种基于深度学习的智能车机定位识别方法，其特征在于，所述获取驾驶者人脸影像并对所述人脸影像进行关键帧提取得到目标图像，具体包括：

计算所述人脸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人脸影像的镜头转换边界；

基于所述镜头转换边界确定所述人脸影像中的关键帧并得到目标图像。

4.如权利要求3所述的一种基于深度学习的智能车机定位识别方法，其特征在于，所述基于所述镜头转换边界确定所述人脸影像中的关键帧并得到目标图像，具体包括：

基于所述人脸影像对所述关键帧进行识别，得到轮廓特征；

对所述关键帧进行去噪处理，去除所述关键帧的椒盐噪点，得到去噪图像；

基于所述去噪图像和所述轮廓特征，确定所述目标图像。

5.一种基于深度学习的智能车机定位追踪装置，搭载有智能车机定位追踪系统，所述智能车机定位追踪装置应用如权利要求1-4任意一项所述的智能车机定位识别方法，其特征在于，包括：

获取模块，用于获取位置信息并通过定位阈值判定所述位置信息正确；

第一提取模块，用于获取驾驶者人脸影像并对所述人脸影像进行关键帧提取得到目标图像；

第二提取模块，用于通过特征提取器提取所述目标图像的特征得到面部图像特征；

匹配模块，用于通过驾驶者身份模型匹配所述面部图像特征，若所述面部图像特征与所述驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。

6.如权利要求5所述的一种基于深度学习的智能车机定位追踪装置，其特征在于，所述获取模块包括：

连接单元，用于智能车机与连接移动端设备无线连接并获取移动端设备的所述位置信息；

判定单元，用于判定所述位置信息与所述智能车机的实时位置的距离差值，所述定位阈值为所述位置信息与所述智能车机的实时位置的距离差值的±10M数值范围，若所述距离差值≤10M，则判定所述位置信息正确。

7.一种计算机设备，其特征在于，包括处理器，所述处理器用于执行存储器中存储的计算机程序实现如权利要求1-4任意一项的智能车机定位识别方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，存储介质中存储的计算机程序被执行实现如权利要求1-4任意一项的智能车机定位识别方法。

Images