驾驶员属性识别方法及相关产品技术

技术编号:21200751 阅读:48 留言:0更新日期:2019-05-25 01:30
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,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。通过本申请可以对模糊图像进行清晰化处理,从而,提升驾驶员属性的识别精度。

Driver Attribute Recognition Method and Related Products

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。第三方面,本申请实施例提供一种电子设备,包括处理器、存储器以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行本申请实施例第一方面中的步骤的指令。第四方面,本申请实施例提供了一种计算机可读存储介质,其中,上述计算机可读存储介质存储用于电子数据交换的计算机程序,其中,上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。第五方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。实施本申请实施例,具备如下有益效果:可以看出,通过本申请实施例所描述的驾驶员属性识别方法及相关产品,获取输入图像,输入图像中包含驾驶员区域图像,提取输入图像中的驾驶员区域图像,确定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模糊区域进行去模糊化处理,得到处理后的驾驶员区域图像,采用预设深度神经网络模型对处理后的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,如此,可以对模糊图像进行清晰化处理,从而,提升驾驶员属性的识别精度。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1A是本申请实施例提供的一种驾驶员属性识别方法的实施例流程示意图;图1B是本申请实施例提供的预设深度神经网络的结构示意图;图2是本申请实施例提供的一种驾驶员属性识别方法的另一实施例流程示意图;图3A是本申请实施例提供的一种驾驶员属性识别装置的实施例结构示意图;图3B是本申请实施例提供的另一种驾驶员属性识别装置的实施例结构示意图;图4是本申请实施例提供的一种电子设备的实施例结构示意图。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,本领域普通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。本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”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单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,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单元。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展示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。本申请实施例所描述电子设备可以包括智能手机(如Android手机、iOS手机、WindowsPhone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备(MID,MobileInternetDevices)或穿戴式设备等,上述仅是举例,而非穷举,包含但不限于上述装置,当然,上述电子设备还可以为服务器。需要说明的是,相关技术中,驾驶员违章属性识别系统的传统流程包括:图像获取、特征提取、分类器判别三个步骤。图像获取后,主要对驾驶员图像进行光线补偿,图像去噪等预处理操作,但是没有针对性的对驾驶员图像进行去模糊处理,特别是过速和光照变化导致的图像模糊,影响驾驶员特征属性提取判断;特征提取方面,HOG算子、Haar-like算子等对图像特征的提取,由于各个算子应用功能的局限性,无法同时处理智能监控视频中的光照、外观和尺寸大幅变化的问题;关于分类器,支持向量机(supportvectormachine,SVM)、神经网络、贝叶斯分类器等理论在图像分类领域广泛应用。其中,SVM对多属性识别,且属性特征间有一定干扰的大样本的图片集,并不能取得很好的效果。监控视频中的驾驶员本身具有光照复杂性和姿态多变性,不同的时间段同一个摄像头获得的驾驶员图像可能会千差万别,在不同路段获得的驾驶员图像,也会存在一定的差异,采用传统的分类器方法难以达到较高的识别率。那么为了准确的识别出驾驶员违章属性,需加大样本集的学习度,以提高系统的识别率。请参阅图1A,为本申请实施例提供的一种驾驶员属性识别方法的实施例流程示意图。本实施例中所描述的驾驶员属性识别方法,包括以下步骤:101、获取输入图像,所述输入图像中包含驾驶员区域图像。其中,电子设备可以获取输入图像,输入图像可以由摄像头拍摄的行人的全身照,输入图像可以由公共场所的摄像头拍摄所得。输入图像中包含驾驶员区域图像,即通过驾驶员区域图像可以识别出驾驶员的行为属性。可选地,上述步骤101-步骤102之间还可以包括如下步骤:对所述输入图像进行预处理,得到目标图像;则,步骤102,提取所述输入图像中的驾驶员区域图像,则可以按照如下方式实施:提取所述目标图像中的驾驶员区域图像。其中,电子设备可以对输入图像进行预处理,例如,尺寸调整,背景去除,等本文档来自技高网...

【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

网友询问留言 已有0条评论
  • 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。

1