驾驶员身份识别方法和电子设备技术

本申请提供一种驾驶员身份识别方法和电子设备。所述方法包括：根据获取的冗余数据对获取的原始驾驶数据进行过滤，得到纯净驾驶数据；根据所述纯净驾驶数据的标识域对所述纯净驾驶数据进行预处理，得到驾驶数据集；将所述驾驶数据集输入训练好的身份识别模型，识别得到对应的驾驶员身份；对比所述驾驶员身份与真实的驾驶员身份是否相同；响应于所述驾驶员身份与真实的驾驶员身份相同，所述驾驶员身份识别通过。本申请实施例通过过滤掉冗余数据，有效提升了后续算法的运行效率和性能。另外，对于现有的分类任务可以持续收集样本，使得驾驶员身份识别的结果更加精确，还可以在不改变大框架的前提下增加分类任务，可以支持更加灵活的认证规模。的认证规模。的认证规模。

【技术实现步骤摘要】
驾驶员身份识别方法和电子设备


[0001]本申请涉及身份识别
，尤其涉及一种驾驶员身份识别方法和电子设备。

技术介绍

[0002]近年来，基于车辆终端的驾驶员身份认证手段得到了业界的广泛认可，主要是基于车载传感器收集到的驾驶员驾驶过程中的物理数据，基于这些数据中隐含的驾驶员的行为习惯提取出含有驾驶员身份信息的数据，并据此作为身份认证的基础。但需要注意的是，现有技术方案中对于原始数据并没有做相应的处理，获取到的未经处理的原始驾驶数据的特征冗余且混杂，不利于后续的身份识别，会引入很多无用的影响因素，进而影响最终的识别结果。另外，现有技术中在模型投入使用后，若需要提高该模型的识别精度或是需要增添识别驾驶员的数量，都需要对整个模型进行重新训练。

技术实现思路

[0003]有鉴于此，本申请的目的在于提出一种驾驶员身份识别方法和电子设备。
[0004]基于上述目的，本申请提供了一种驾驶员身份识别方法，包括：根据获取的冗余数据对获取的原始驾驶数据进行过滤，得到纯净驾驶数据；根据所述纯净驾驶数据的标识域对所述纯净驾驶数据进行预处理，得到驾驶数据集；将所述驾驶数据集输入训练好的身份识别模型，识别得到驾驶员身份。
[0005]在一种可能的实现方式中，所述根据获取的冗余数据对获取的原始驾驶数据进行过滤，得到纯净驾驶数据，包括：根据所述冗余数据，获取所述冗余数据的规律；根据所述冗余数据的规律，对所述冗余数据进行推测扩展，得到扩展冗余数据；将所述原始驾驶数据中与所述扩展冗余数据中相同的部分过滤，得到所述纯净驾驶数据。
[0006]在一种可能的实现方式中，所述根据所述纯净驾驶数据的标识域对所述纯净驾驶数据进行预处理，得到驾驶数据集，包括：所述纯净驾驶数据包括：时间戳；根据所述时间戳，将所述纯净驾驶数据按照时间顺序进行排序，得到排序后的纯净驾驶数据；根据所述标识域，将处于同一预设时间间隔内的所述排序后的纯净驾驶数据进行合并，得到合并后的纯净驾驶数据；根据所述标识域，将所述合并后的纯净驾驶数据根据所述标识域的大小进行排列，得到驾驶数据集。
[0007]在一种可能的实现方式中，所述将所述驾驶数据集输入训练好的身份识别模型，识别得到驾驶员身份，包括：
将所述驾驶数据及输入训练好的身份识别模型，在所述训练好的身份识别模型中，将所述驾驶数据集进行卷积，得到第一特征值数据集；对所述第一特征值数据集进行填充，并通过线性整流函数输出，得到第二特征值数据集；利用最大池化提取所述第二特征值数据集的特征映射；根据所述特征映射，利用归一化指数函数识别得到驾驶员身份。
[0008]在一种可能的实现方式中，所述方法，还包括：响应于所述驾驶员身份与真实的驾驶员身份相同，持续获取所述原始驾驶数据，并根据所述原始驾驶数据得到新的驾驶数据集；所述新的驾驶数据集包括训练用新的驾驶数据集；响应于更新身份识别模型需求，根据所述训练好的身份识别模型构建新的身份识别模型；利用所述训练用新的驾驶数据集训练所述新的身份识别模型，得到第一待确认身份识别模型；响应于所述第一待确认身份识别模型的准确率高于所述身份识别模型的准确率，利用所述第一待确认身份识别模型替换所述训练好的身份识别模型。
[0009]在一种可能的实现方式中，所述训练好的身份识别模型，包括：第一卷积层、第二卷积层和第一分类器层；其中，所述根据所述训练好的身份识别模型构建新的身份识别模型，包括：复制所述第二卷积层以得到复制卷积层；复制所述第一分类器层以得到复制分类器层；将所述第一卷积层、复制卷积层和复制分类器层作为新的身份识别模型。
[0010]在一种可能的实现方式中，所述新的驾驶数据集包括：验证用新的驾驶数据集；所述第一待确认身份识别模型包括：第三卷积层和第二分类器层；根据所述复制卷积层和所述新的驾驶数据集，得到所述第三卷积层；根据所述复制分类器层和所述新的驾驶数据集，得到所述第二分类器层；其中，所述响应于所述第一待确认身份识别模型的准确率高于所述身份识别模型的准确率，利用所述第一待确认身份识别模型替换所述训练好的身份识别模型，包括：利用所述验证用新的驾驶数据集对所述身份识别模型进行验证，得到第一验证结果数据集；利用所述验证用新的驾驶数据集对所述第一待确认身份识别模型进行验证，得到第二验证结果数据集；响应于所述第二验证结果数据集的准确率高于所述第一验证结果数据集的准确率，利用所述第三卷积层替换所述第二卷积层，利用所述第二分类器层替换所述第一分类器层，以利用所述第一待确认身份识别模型替换所述训练好的身份识别模型。
[0011]在一种可能的实现方式中，所述方法，还包括：响应于驾驶员身份增添事件，获取增添的驾驶员的所述原始驾驶数据，并根据增添的驾驶员的原始驾驶数据得到增添驾驶数据集；根据所述训练好的身份识别模型构建新的身份识别模型；利用所述增添驾驶数据集训练所述新的身份识别模型，得到第二待确认身份识别
模型；验证所述第二待确认身份识别模型的准确率是否达到预设阈值；响应于所述第二待确认身份识别模型的准确率达到预设阈值，将所述第二待确认身份识别模型与所述训练好的身份识别模型合并，得到增添身份识别模型。
[0012]在一种可能的实现方式中，所述训练好的身份识别模型，包括：第一卷积层、第二卷积层和第一分类器层；所述第二待确认身份识别模型包括：第四卷积层和第三分类器层；其中，所述根据所述训练好的身份识别模型构建新的身份识别模型，包括：复制所述第二卷积层以得到复制卷积层；复制所述第一分类器层以得到复制分类器层；将所述第一卷积层、复制卷积层和复制分类器层作为新的身份识别模型；根据所述复制卷积层和所述增添驾驶数据集，得到所述第四卷积层；根据所述复制分类器层和所述增添驾驶数据集，得到所述第三分类器层；其中，所述将所述第二待确认身份识别模型与所述训练好的身份识别模型合并，得到增添身份识别模型，包括：将所述第四卷积层和所述第三分类器层作为新分支，与所述训练好的身份识别模型合并，得到增添身份识别模型。
[0013]基于同一专利技术构思，本申请实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任意一项所述的驾驶员身份识别方法。
附图说明
[0014]为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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。
[0015]图1为本申请实施例的驾驶员身份识别方法流程图；图2为本申请实施例的CAN总线数据格式示意图；图3为本申请实施例的冗余数据示意图；图4为本申请实施例的身份识别模型示意图；图5为本申请实施例的复制后的身份识别模型示意图；图6为本申请实施例的增添身份识别模型示意图；图7为本申请实施例的电子设备结构示意图。
具体实施方式
[0016]为使本申请的目的、技术方案和优点更加清楚明白本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种驾驶员身份识别方法，其特征在于，包括：根据获取的冗余数据对获取的原始驾驶数据进行过滤，得到纯净驾驶数据；根据所述纯净驾驶数据的标识域对所述纯净驾驶数据进行预处理，得到驾驶数据集；将所述驾驶数据集输入训练好的身份识别模型，识别得到驾驶员身份。2.根据权利要求1所述的方法，其特征在于，所述根据获取的冗余数据对获取的原始驾驶数据进行过滤，得到纯净驾驶数据，包括：根据所述冗余数据，获取所述冗余数据的规律；根据所述冗余数据的规律，对所述冗余数据进行推测扩展，得到扩展冗余数据；将所述原始驾驶数据中与所述扩展冗余数据中相同的部分过滤，得到所述纯净驾驶数据。3.根据权利要求1所述的方法，其特征在于，所述根据所述纯净驾驶数据的标识域对所述纯净驾驶数据进行预处理，得到驾驶数据集，包括：所述纯净驾驶数据包括：时间戳；根据所述时间戳，将所述纯净驾驶数据按照时间顺序进行排序，得到排序后的纯净驾驶数据；根据所述标识域，将处于同一预设时间间隔内的所述排序后的纯净驾驶数据进行合并，得到合并后的纯净驾驶数据；根据所述标识域，将所述合并后的纯净驾驶数据根据所述标识域的大小进行排列，得到驾驶数据集。4.根据权利要求1所述的方法，其特征在于，所述将所述驾驶数据集输入训练好的身份识别模型，识别得到驾驶员身份，包括：将所述驾驶数据及输入训练好的身份识别模型，在所述训练好的身份识别模型中，将所述驾驶数据集进行卷积，得到第一特征值数据集；对所述第一特征值数据集进行填充，并通过线性整流函数输出，得到第二特征值数据集；利用最大池化提取所述第二特征值数据集的特征映射；根据所述特征映射，利用归一化指数函数识别得到驾驶员身份。5.根据权利要求1所述的方法，其特征在于，所述方法，还包括：响应于所述驾驶员身份与真实的驾驶员身份相同，持续获取所述原始驾驶数据，并根据所述原始驾驶数据得到新的驾驶数据集；所述新的驾驶数据集包括训练用新的驾驶数据集；响应于更新身份识别模型需求，根据所述训练好的身份识别模型构建新的身份识别模型；利用所述训练用新的驾驶数据集训练所述新的身份识别模型，得到第一待确认身份识别模型；响应于所述第一待确认身份识别模型的准确率高于所述身份识别模型的准确率，利用所述第一待确认身份识别模型替换所述训练好的身份识别模型。6.根据权利要求5所述的方法，其特征在于，所述训练好的身份识别模型，包括：第一卷积层、第二卷积层和第一分类器层；
其中，所述根据所述训练好的身份识别模型构建新的身份识别模型，包括：复制所述第二卷积层以得到复制卷积层；复制所述第一分类器层以得到复制分类器层；将所述第一卷积层、复制卷积层和复...

【专利技术属性】
技术研发人员：徐国胜，徐国爱，王云豪，王晨宇，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：