【技术实现步骤摘要】
一种车辆验证方法及装置
本申请涉及深度学习
，具体而言，涉及一种车辆验证方法及装置。
技术介绍
目前，随着网约车的快速发展，越来越的用户选择网约车作为出行工具，使得用户对网约车的安全度愈发重视。为了提高网约车的安全度，在车辆注册时，平台需要对车辆的真实信息进行验证，即判断用户输入的车辆信息是否与真实信息一致，并基于验证的结果，执行相应的业务操作。因此，设计一种对车辆进行验证的方法愈发重要。
技术实现思路
有鉴于此，本申请的目的在于提供一种车辆验证方法及装置，实现了车辆信息的真实性验证。第一方面，本申请实施例提供一种车辆验证方法，该方法包括：响应用户端发送的车辆验证请求，从预存储的验证指令集中选取目标操作指令，将所述目标操作指令发送给所述用户端；所述验证指令集中包括多个指示对车辆执行不同操作的操作指令；接收所述用户端基于所述目标操作指令发送的原始视频数据，将所述原始视频数据输入预先训练的神经网络模型进行处理，输出识别出的待验证操作指令；基于所述待验证操作指令与所述目标操...
【技术保护点】
1.一种车辆验证方法，其特征在于，所述方法包括：/n响应用户端发送的车辆验证请求，从预存储的验证指令集中选取目标操作指令，将所述目标操作指令发送给所述用户端；所述验证指令集中包括多个指示对车辆执行不同操作的操作指令；/n接收所述用户端基于所述目标操作指令发送的原始视频数据，将所述原始视频数据输入预先训练的神经网络模型进行处理，输出识别出的待验证操作指令；/n基于所述待验证操作指令与所述目标操作指令的匹配结果，确定与所述车辆验证请求对应的车辆合法性验证结果。/n
【技术特征摘要】
1.一种车辆验证方法，其特征在于，所述方法包括：
响应用户端发送的车辆验证请求，从预存储的验证指令集中选取目标操作指令，将所述目标操作指令发送给所述用户端；所述验证指令集中包括多个指示对车辆执行不同操作的操作指令；
接收所述用户端基于所述目标操作指令发送的原始视频数据，将所述原始视频数据输入预先训练的神经网络模型进行处理，输出识别出的待验证操作指令；
基于所述待验证操作指令与所述目标操作指令的匹配结果，确定与所述车辆验证请求对应的车辆合法性验证结果。
2.根据权利要求1所述的方法，其特征在于，所述验证指令集中包括多个指示对车辆的车灯执行不同操作的操作指令。
3.根据权利要求2所述的方法，其特征在于，所述验证指令集中包括以下操作指令中的多种：
开左闪、开右闪、开双闪、开大灯、开大灯并开左闪、开大灯并开右闪，开大灯并开双闪。
4.根据权利要求1所述的方法，其特征在于，所述预先训练的神经网络模型包括目标检测模型和指令识别模型，所述将所述原始视频数据输入预先训练的神经网络模型进行处理，输出识别出的待验证操作指令，包括：
将所述原始视频数据输入至训练好的目标检测模型，获取所述原始视频数据对应的每一帧图像中的目标部件区域；所述目标部件区域为对车辆执行的所述不同操作的作用部件所在的区域；
基于获取的每一帧图像中的所述目标部件区域，生成包含所述目标部件区域的中间视频数据；
将所述中间视频数据输入所述指令识别模型，获取识别出的待验证操作指令。
5.根据权利要求4所述的方法，其特征在于，所述目标检测模型包括第一卷积神经网络、区域推荐网络、区域映射池化层、全连接网络、回归网络和第一分类器；
所述将所述原始视频数据输入至训练好的目标检测模型，获取所述原始视频数据对应的每一帧图像中的目标部件区域，包括：
针对所述原始视频数据对应的每一帧图像，执行下述过程：
将所述图像输入至所述第一卷积神经网络进行卷积处理，获取所述图像的第一特征数据，其中，所述第一特征数据用于表征所述图像的局部特征；
将所述第一特征数据输入至所述区域推荐网络以及所述区域映射池化层，通过所述区域推荐网络对所述第一特征数据进行处理，得到所述第一特征数据对应的候选目标区域的坐标信息；将所述候选目标区域的坐标信息输入至所述区域映射池化层，通过所述区域映射池化层将所述候选目标区域的坐标信息映射在所述第一特征数据上，从所述第一特征数据上获取所述候选目标区域对应的第二特征数据，其中，所述第二特征数据用于表征所述候选目标区域的局部特征；
针对每个候选区域，将所述候选目标区域对应的所述第二特征数据输入至所述全连接网络中进行处理，获取所述第二特征数据对应的全连接特征数据，将所述全连接特征数据输入至所述回归网络以及所述第一分类器，通过所述回归网络对所述全连接特征数据进行处理，生成所述候选目标区域对应的回归数据，并基于所述回归数据更改所述候选目标区域的坐标信息；通过所述第一分类器对所述全连接特征数据进行处理，获取所述候选目标区域的类别以及概率值；
基于每个候选目标区域更改后的坐标信息以及该候选目标区域对应的类别以及概率值，得到所述图像对应的所述目标部件区域。
6.根据权利要求5所述的方法，其特征在于，所述第一卷积神经网络包括至少一个卷积层；
所述将所述图像输入至所述第一卷积神经网络进行卷积处理，获取所述图像的第一特征数据，包括：
通过所述至少一个卷积层中的每个卷积层分别对所述图像进行卷积处理，得到所述图像的第一特征数据。
7.根据权利要求5所述的方法，其特征在于，所述区域推荐网络包括第二卷积神经网络、目标区域回归网络、以及目标区域分类网络；其中，所述区域推荐网络中设置有n种检测框，其中，不同检测框的宽度与高度的比例不同，或者，不同检测框的面积不同，n为正整数；
所述通过区域推荐网络对所述第一特征数据进行处理，得到所述图像第一特征数据对应的候选目标区域的位置信息，包括：
将所述第一特征数据输入至所述第二卷积神经网络中进行卷积处理，得到所述第一特征数据对应的第一中间特征数据，其中，所述第一中间特征数据中包括多个第一中间特征向量，每个第一中间特征向量对应有n种检测框的初始坐标信息；
将所述第一中间特征数据分别输入至所述目标区域回归网络以及所述目标区域分类网络，通过所述目标区域回归网络对所述第一中间特征数据进行处理，获取所述第一中间特征数据中每个第一中间特征向量对应的n种检测框中每种检测框的第二回归数据，基于所述第二回归数据以及所述检测框的初始坐标信息，得到检测框的目标坐标信息；通过所述目标区域分类网络对所述第一中间特征数据进行处理，获取所述第一中间特征数据中每个第一中间特征向量对应的n种检测框中每个检测框的第二概率值以及第二类别，基于多个检测框的第二概率值、第二类别以及每个检测框的目标坐标信息，得到所述第一特征数据对应的候选目标区域的位置信息。
8.根据权利要求4所述的方法，其特征在于，所述指令识别模型包括：第三卷积神经网络、第一循环神经网络、第二分类器；
所述将所述中间视频数据输入所述指令识别模型，获取识别出的待验证操作指令，包括：
将所述中间视频数据输入至所述第三卷积神经网络进行卷积处理，得到第三特征数据序列，其中，所述第三特征数据序列包括所述中间视频数据中每一帧图像对应的第三特征数据，所述第三特征数据序列中第三特征数据的排列顺序与所述中间视频数据中每一帧图像的排列顺序相同；
将所述第三特征数据序列输入至所述第一循环神经网络中，获取每个所述第三特征数据对应的第三中间特征数据，其中，所述第三中间特征数据用于表征所述中间视频数据中任一帧图像的局部特征；
将每个第三中间特征数据输入至所述第二分类器中，得到每个第三中间特征数据对应的检测结果；
基于每个第三中间特征数据对应的检测结果，得到所述中间视频数据对应的待验证操作指令。
9.根据权利要求8所述的方法，其特征在于，所述将所述第三特征数据序列输入至所述第一循环神经网络中，获取每个所述第三特征数据对应的中间特征数据，包括：
按照第三特征数据的排列顺序，从所述第三特征数据序列选择一个第三特征数据作为当前第三特征数据；
将当前第三特征数据、以及前一第三特征数据对应的中间特征数据，输入至所述第一循环神经网络中，获取当前第三特征数据对应的中间特征数据；其中，基于前一第三特征数据以及所述第一循环神经网络，获取前一第三特征数据对应的中间特征数据；
返回按照第三特征数据的排列顺序，从所述第三特征数据序列选择一个第三特征数据作为当前第三特征数据的步骤，直至获取了第三特征数据序列中所有第三特征数据的中间特征数据。
10.根据权利要求8所述的方法，其特征在于，所述检测结果包括第三概率值以及第三类别；
所述基于每个第三中间特征数据对应的检测结果，得到所述中间视频数据对应的待验证操作指令，包括：
按照预设的方式为每个第三中间特征数据设置权重值；
基于每个所述第三中间特征数据对应的第三概率值、第三类别以及设置的权重值，确定所述中间视频数据对应的待验证操作指令。
11.根据权利要求1所述的方法，其特征在于，在接收所述用户端基于所述目标操作指令发送的原始视频数据之后，在将所述原始视频数据输入预先训练的神经网络模型进行处理，输出识别出的待验证操作指令之前，所述方法还包括：
判断所述原始视频数据的时长是否满足设置的时长条件，若满足，则将所述原始视频数据输入至预先训练的神经网络模型；
若不满足，则向所述用户端发送退回信号，使得所述用户端重新基于所述目标操作指令发送更新后的原始视频数据。
12.一种车辆验证装置，其特征在于，所述装置包括：
响应模块，用于响应用户端发送的车辆验证请求，从预存储的验证指令集中选取目标操作指令，将所述目标操作指令发送给所述用户端；所述验证指令集中包括多个指示对车辆执行不同操作的操作指令；
识...
【专利技术属性】
技术研发人员：薛韬略，张天明，王智恒，王树栋，李杰，孟辉，陈天钰，戴桂婷，吴朝辉，周多庆，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京;11
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。