根据识别的人员信息调整车辆内人员坐姿的系统技术方案

一种根据识别的人员信息调整车辆内人员坐姿的系统，其包括有传感器激活单元，存储器单元，认证系统单元，座位调整单元等；所述传感器激活单元用于检测车辆内是否有人位于座位上；所述存储器单元用于存储预存的多个车辆人员信息；所述认证系统单元包括神经网络单元。现有技术中，对于神经网络的训练，大训练集和显存限制成为了人脸识别模型训练中的主要矛盾。本发明专利技术提供了一种人脸识别模型的训练系统，包括数据输入层、特征融合层、分类器和损失函数；不同的分类器对所述样本图像的不同内容进行分类，有效解决了在训练人脸识别模型中，因为显存限制而无法训练大规模人脸数据集的问题。

A system for adjusting the seating posture of personnel in vehicles based on the identified personnel information

【技术实现步骤摘要】
根据识别的人员信息调整车辆内人员坐姿的系统
本专利技术涉及面部识别领域，特别是涉及车辆驾驶环境下的人员面部识别，并通过识别的人员信息调整该人员在车辆内的坐姿。
技术介绍
人脸识别：是基于人的脸部特征信息进行身份识别的一种生物识别技术。被广泛的应用于人类生活的各个方面。在车辆驾驶领域，因每人的性别、身高、体重等原因，不是一种驾驶或乘座的座椅调整位置是适用于每个人的。因此人们只能通过一些设置在车辆内部的按钮等装置调整座椅姿势，包括坐椅，后背靠垫的高度，坐椅的前后位置，后背靠垫的倾斜角度等；虽然现有的按钮等实现了人机交互友好，调整不需要使用太多的力气，甚至将调整控制装置集成在车辆的中控显示屏中，但因每次上车都需要调整，仍然会带来不便。现有技术中出现了坐椅记忆功能，车辆内人员可以预先调整好适合自己坐姿的坐椅、后背等的各参数，形成一参数组，车辆控制系统将该参数组存入程序之中。当该人员进入车内时，只需要选择适合自己坐姿的该参数组，车辆会自动调整到预先设置的参数位置。这一方式虽然极大的简化了调整步骤，但也存在缺点：1.可设置的人员数量有限，往往只能记忆几组人员信息；当有其他未设置参数组的人员在车辆上时，无法自动完成调整；2)仍然需要人员去选择适合自己的参数组选项，因此调整不便没有得到根本的转变。现有技术中存在有神经网络分类器，对人脸图像进行识别认证的技术，借助神经网络机器识别车辆内的人员信息，从而能够对坐椅、靠背等的参数组进行调整，达到自动的，不需要人员选择的调整机构。这一技术的关键是神经网络分类器的识别准确度。为了提高其识别准确度，必须要提高训练的精度。现有技术中在采用神经网络进行训练过程的过程中，训练集一个人算是一类。在训练过程中，监督函数一般使用Softmax或其改进算法。对于分类模型训练，占用显存主要是网络的分类器部分，而需要分类的类目数量越多，占用显存越多，故由于受到显存等硬件设备限制，使用Softmax监督函数的方法无法训练类目为几十万的大分类模型。对此，提出一种新方法，使得利用Softmax或其改进函数能训练大分类模型。如图1所示，传统方法中，每块显卡共享同一数据输入和相同的分类器；一般在工业界，一个可以商用的人脸识别模型，往往是在上百万甚至是上千万人的训练集上的训练产物，但是，一般在单条显存为12G的显卡上，当特征向量维度为512维时，分类器的数量一般最大在30万左右，否则会面临显存溢出等问题。大训练集和显存限制成为了人脸识别模型训练中的主要矛盾。
技术实现思路
鉴于此，为了解决了上述技术问题，本专利技术提供了一种利用神经网络的识别人员信息调整车辆人员坐姿的技术。该技术利用了神经网络对车辆内人员进行识别，极大的提高识别人的数量。利用神经网络进行人脸识别，通过人脸识别技术将目前进入车辆内的人员与预存的人员信息进行比对，根据比对结果，调取预存的结果对应的参数组，对坐椅的坐姿进行调整。此外，为了达到高速，较大程度的满足对比结果的正确性，则需要该神经网络能够满足识别准确度的更高要求，特别是在本专利技术的应用环境之中。本专利技术特别创新一种可解决车辆内人员人脸识别的神经网络识别技术，以满足该应用环境的需要。本专利技术的一个方面，是提供一种车辆内人员坐姿调整系统，其包括有传感器激活单元，存储器单元，认证系统单元，座位调整单元等；所述传感器激活单元用于检测车辆内是否有人员位于座位上；所述存储器单元用于存储预存的多个车辆人员信息；所述认证系统单元用于把该人员的信息与所述存储器的多个车辆人员信息进行比对匹配；所述认证系统单元包括神经网络单元；所述神经网络单元包括数据输入层、特征融合层、分类器和损失函数；所述数据输入层不停的遍历训练样本图像；所述特征融合层提取每一张图的深度特征；所述分类器对所述样本图像进行分类；所述损失函数再依据分类结果和所述样本图像的真实标签作比对；所述分类器包括多个分类器，不同的分类器对所述样本图像的不同内容进行分类；所述神经网络单元还包括检测装置，用于检测所述系统中显卡的数量和大小，每个显卡训练不同的分类器，根据显卡的数量和大小，将所述样本图像分别分配给每个显卡；所述座位调整单元根据认证系统单元输出的结果调整座位参数。优选的，在训练过程中，不同的分类器之间不通信，不同分类器之间参数互不更新。优选的，每块显卡分别建立存储模型。优选的，每块显卡的输入数据有所交叠，所述显卡的输入数据包括所述样本图像及所述样本图像的真实标签。优选的，所述特征融合层为特征提取单元。优选的，所述检测车辆是否有人通过位于所述座位的重量传感器实现。优选的，所述车辆人员信息包括预先输入的坐椅前后位置坐标，靠背倾斜角度等，由所述坐椅前后位置，靠背倾斜角度作为所述座位参数。本专利技术的另一方面，提供一种车辆内人员坐姿调整方法，该识别方法使用了前述的技术方案中任一项所述的车辆内人员坐姿调整系统。本专利技术的专利技术点包括但不限于以下几点：(1)不同的分类器对应不同的数据，有效解决了在训练人脸识别模型中，因为显存限制而无法训练大规模人脸数据集的问题；在人脸识别训练这一特殊领域，将显存与不同的分类器相对应，这是本专利技术的专利技术点之一。(2)训练过程中，每块显卡的分类器有着不同的参数，互不通信，要让每块卡的分类器参数互不更新，同时，每块卡都有独立的存储模型；现有技术中对于每块显卡并没有严格的区分，对显卡间的通信并没有限定。本专利技术将每块显卡设定为独立的，具有独立的存储模型，保证了训练的独立性，更利于大数据量的人脸识别通信。这是本专利技术的专利技术点之一(3)每块显卡的输入数据有所交叠；训练过程中，由于一个类别在多张卡的分类器上，在整个特征提取网络拟合数据集的时候，不同卡的分类器之间的差异性在一定程度上被降低，故使得网络更好收敛，同时特征表达更加充分。使得特征提取网络更加充分的拟合训练数据，提升网络的鲁棒性。这是本专利技术的专利技术点之一。(4)本专利技术的目的其中包括了提供一种用于车辆上的人脸识别装置，其中人脸识别装置采用了先进的神经网络训练模型。该训练模型能够解决该应用(需要足够多的人脸样本)所必须的大训练集和显存限制的问题。从而能够高反应度、高准确率的识别驾驶员人脸图像。本专利技术将该先进的神经网络与车辆上的人脸识别系统相结合，采用该神经网络恰好能满足在该应用领域中需要大量人脸数据进行训练，同时又满足了需要较高的认证准确度的要求。这是本专利技术的专利技术点之一。附图说明图1是示出传统方法中人脸识别模型的训练方法流程图；图2是示出确认认证的过程的流程图；图3是本专利技术中示出的人脸识别模型训练方法流程图。具体实施方式本专利技术可以以多种方式实现，包括作为过程；装置；一个系统；物质的组成；计算机程序产品，包含在计算机可读存储介质上；和/或处理器，例如处理器，被配置为执行存储在耦合到处理器的存储器上和/或由耦合到处理器的存储器提供的指令。在本说明书中，这些实现或本专利技术可以采用的任何其他形式可以称为技术。通常，可以在本专利技术的范围内改变所公开的过程的步骤的顺序。除非另有说明，否则诸如处理器或被描述为被配置为执行任务的存储器的组件可以被实现为临时配置为在给定时间执行任务的通用组件或者被制造为执行任务的特定组件。任务。如这里所使用的，术语“处理器”指的是被配置为处理数据的一个或多个设备，电路和/或处理核，例如计算机程本文档来自技高网...

【技术保护点】
1.一种车辆内人员坐姿调整系统，其包括传感器激活单元，存储器单元，认证系统单元，座位调整单元等；所述传感器激活单元用于检测车辆内是否有人员位于座位上；所述存储器单元用于存储预存的多个车辆人员信息；所述认证系统单元用于把该人员的信息与所述存储器的多个车辆人员信息进行比对匹配；所述认证系统单元包括神经网络单元；所述神经网络单元包括数据输入层、特征融合层、分类器和损失函数；所述数据输入层不停的遍历训练样本图像；所述特征融合层提取每一张图的深度特征；所述分类器对所述样本图像进行分类；所述损失函数再依据分类结果和所述样本图像的真实标签作比对；所述分类器包括多个分类器，不同的分类器对所述样本图像的不同内容进行分类；所述神经网络单元还包括检测装置，用于检测所述系统中显卡的数量和大小，每个显卡训练不同的分类器，根据显卡的数量和大小，将所述样本图像分别分配给每个显卡；所述座位调整单元根据认证系统单元输出的结果调整座位参数。

【技术特征摘要】
1.一种车辆内人员坐姿调整系统，其包括传感器激活单元，存储器单元，认证系统单元，座位调整单元等；所述传感器激活单元用于检测车辆内是否有人员位于座位上；所述存储器单元用于存储预存的多个车辆人员信息；所述认证系统单元用于把该人员的信息与所述存储器的多个车辆人员信息进行比对匹配；所述认证系统单元包括神经网络单元；所述神经网络单元包括数据输入层、特征融合层、分类器和损失函数；所述数据输入层不停的遍历训练样本图像；所述特征融合层提取每一张图的深度特征；所述分类器对所述样本图像进行分类；所述损失函数再依据分类结果和所述样本图像的真实标签作比对；所述分类器包括多个分类器，不同的分类器对所述样本图像的不同内容进行分类；所述神经网络单元还包括检测装置，用于检测所述系统中显卡的数量和大小，每个显卡训练不同的分类器，根据显卡的数量和大小，将所述样本图像分别分配给每个显卡；所述座位调整单元根据认证系统单元输出的结...

【专利技术属性】
技术研发人员：郑弘晖，胡杰，李雯雯，
申请(专利权)人：初速度苏州科技有限公司，
类型：发明
国别省市：江苏,32