The embodiment of this application provides a driver attribute recognition method and related products. The method includes: acquiring an input image containing a driver region image; extracting a driver region image from the input image; determining a fuzzy region and a clear region in the driver region image; and blurring the driver region image based on a preset maximum posteriori frame model. The region is de-fuzzified and the driver region image is obtained. The driver region image is recognized by preset depth neural network model, and the driver's corresponding target attribute identification is obtained. The application can clarify the blurred image, thereby improving the recognition accuracy of driver attributes.
【技术实现步骤摘要】
驾驶员属性识别方法及相关产品
本申请涉及驾驶员属性识别
,具体涉及一种驾驶员属性识别方法及相关产品。
技术介绍
随着道路交通的高速发展,快速、舒适、便捷是人们的普遍感受,但是由此带来的交通事故也成为人们关注的严重社会问题。很多交通事故是由于驾驶员不良违规驾驶行为造成的。国内外对识别驾驶员不良违规行为已经取得了一些研究成果。但是,在实际应用中,一方面由于车辆是高速移动的,另一方面,也有可能驾驶员是晃动的,拍摄时,驾驶员有可能是模糊的,降低了对驾驶员属性的识别精度,如何精准对驾驶员的属性进行识别的问题亟待解决。
技术实现思路
本申请实施例提供了一种驾驶员属性识别方法及相关产品,能够精准识别驾驶员的属性。本申请实施例第一方面提供了一种驾驶员属性识别方法,应用于电子设备,包括:获取输入图像,所述输入图像中包含驾驶员区域图像;提取所述输入图像中的驾驶员区域图像;确定所述驾驶员区域图像中的模糊区域和清晰区域;基于预设的最大后验框架模型对所述模糊区域进行去模糊化处理,得到处理后的所述驾驶员区域图像;采用预设深度神经网络模型对处理后的所述驾驶员区域图像进行属性识别,得到驾驶员对应的目标属性标识。本申请实施例第二方面提供了一种驾驶员属性识别装置,包括:获取单元,用于获取输入图像,所述输入图像中包含驾驶员区域图像;提取单元,用于提取所述输入图像中的驾驶员区域图像;确定单元,用于确定所述驾驶员区域图像中的模糊区域和清晰区域;处理单元,用于基于预设的最大后验框架模型对所述模糊区域进行去模糊化处理,得到处理后的所述驾驶员区域图像;识别单元,用于采用预设深度神经网络模型对处理后的所 ...
【技术保护点】
1.一种驾驶员属性识别方法,其特征在于,所述方法包括:获取输入图像,所述输入图像中包含驾驶员区域图像;提取所述输入图像中的驾驶员区域图像;确定所述驾驶员区域图像中的模糊区域和清晰区域;基于预设的最大后验框架模型对所述模糊区域进行去模糊化处理,得到处理后的所述驾驶员区域图像;采用预设深度神经网络模型对处理后的所述驾驶员区域图像进行属性识别,得到驾驶员对应的目标属性标识。
【技术特征摘要】
1.一种驾驶员属性识别方法,其特征在于,所述方法包括:获取输入图像,所述输入图像中包含驾驶员区域图像;提取所述输入图像中的驾驶员区域图像;确定所述驾驶员区域图像中的模糊区域和清晰区域;基于预设的最大后验框架模型对所述模糊区域进行去模糊化处理,得到处理后的所述驾驶员区域图像;采用预设深度神经网络模型对处理后的所述驾驶员区域图像进行属性识别,得到驾驶员对应的目标属性标识。2.根据权利要求1所述的方法,其特征在于,所述确定所述驾驶员区域图像中的模糊区域和清晰区域,包括:将所述驾驶员区域图像输入到预设卷积神经网络模型中,得到所述模糊区域和所述清晰区域。3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:获取A张样本图像,每一样本图像为清晰度大于预设清晰度的图像且每一样本图像中包括车辆以及该车辆的驾驶员,所述A为正整数;采用亚像素插值法生成B个随机模糊核,所述B个随机模糊核的尺寸大小依次从a×a到b×b,其中,a、b均为正整数,且b>a,B为正整数;基于所述A张样本图像、所述B个随机模糊核以及预设高斯噪声进行卷积运算,得到A×B张模糊图像;将所述A×B张模糊图像输入到卷积神经网络模型,得到所述预设卷积神经网络模型,其中,所述卷积神经网络模型包括N层,所述N层中包括M个卷积层,至少一个卷积层与卷积层之间加入了卷积块注意模块,所述卷积神经网络模型的全连接层使用全局平均池化层替代。4.根据权利要求1-3任一项所述的方法,其特征在于,所述基于预设的最大后验框架模型对所述模糊区域进行去模糊化处理,得到处理后的所述驾驶员区域图像,包括:构造第一预设公式:其中,表示卷积运算符,B表示模糊图像,I表示潜在清晰图像,K表示模糊内核,p(I)表示潜在图像先验p(I);采用预设效果最佳的训练模型作为p(I)的先验潜像,以及L0梯度作为正则化项,对所述第一预设公式进行优化,得到第二预设公式,如下:其中,γ,μ和λ是超参数,其均用于平衡每个项的权重;采用半二次分裂方法分别通过在水平和垂直方向上引入关于图像I及其梯度的辅助变量μ和g=(gh,gv),以对所述第二预设公式进行优化,得到第三预设公式:其中,α和β是罚分参数;通过修复g和μ并优化来确定目标潜像I:其中F(·)和F-1(·)分别表示傅里叶变换和逆傅里叶变换;是复共轭算子;和是水平和垂直的差分运算符;基于所述目标潜像i对所述模糊区域进行去模糊化处理,得到处理后的所述驾驶员区域图像。5.根据权利要求3所述的方法,其特征在于,所述预设深度神经网络模型包括多个驾驶员属性识别模型,每一驾驶员属性识别模型用于识别一种属性;所述采用预设深...
【专利技术属性】
技术研发人员:陈光喜,詹益俊,
申请(专利权)人:桂林电子科技大学,
类型:发明
国别省市:广西,45
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。