本发明专利技术涉及人脸识别技术领域，公开了一种驾驶员更换识别方法、装置、设备及存储介质，用于通过对驾驶员的更换进行监测，提高物流运输过程中的安全性。驾驶员更换识别方法包括：当车辆在预设时段内进行启动时，通过摄像头采集当前驾驶员的人脸图像；将当前驾驶员的人脸图像与历史图像输入预置的驾驶员更换识别模型，历史图像为上一次采集的历史驾驶员的人脸图像；通过驾驶员更换模型判断当前驾驶员和历史驾驶员是否为同一驾驶员；若确定当前驾驶员与历史驾驶员不是同一驾驶员，则根据当前驾驶员的驾驶资格进行审查。的驾驶资格进行审查。的驾驶资格进行审查。
【技术实现步骤摘要】
驾驶员更换识别方法、装置、设备及存储介质
[0001]本专利技术涉及人脸识别
，尤其涉及一种驾驶员更换识别方法、装置、设备及存储介质。
技术介绍
[0002]由于物流行业时效较高，需要在短时间内将快递货物运输到间隔几百至几千公里外的地点，驾驶员需要高强度的驾驶。在此期间容易出现更换驾驶员驾驶车辆，保证车辆中途不停歇，能在更短的时间内运送货物。
[0003]通过人脸识别技术识别驾驶员的面部表情和驾驶行为来判断驾驶员是否进行疲劳驾驶、单手开车等危险驾驶行为，从而对该危险行为进行安全警示。
[0004]物流运输过程中，由于常常需要进行长途运输，故需要多名驾驶员对同一运输车辆进行不同时间段的驾驶，现有技术只针对同一驾驶员的行为进行安全警示，未对驾驶员变更进行监测，导致物流运输过程中的安全性低下。
技术实现思路
[0005]本专利技术提供了一种驾驶员更换识别方法、装置、设备及存储介质，通过对驾驶员的更换进行监测，提高物流运输过程中的安全性。
[0006]本专利技术第一方面提供了一种驾驶员更换识别方法，包括：当车辆在预设时段内进行启动时，通过摄像头采集当前驾驶员的人脸图像；将所述当前驾驶员的人脸图像与历史图像输入预置的驾驶员更换识别模型，所述历史图像为上一次采集的历史驾驶员的人脸图像；通过所述驾驶员更换模型判断所述当前驾驶员和所述历史驾驶员是否为同一驾驶员；若确定所述当前驾驶员与所述历史驾驶员不是同一驾驶员，则根据所述当前驾驶员的驾驶资格进行审查。
[0007]在一种可行的实施方式中，所述通过所述驾驶员更换模型判断所述当前驾驶员和所述历史驾驶员是否为同一驾驶员，包括：通过所述驾驶员更换识别模型提取所述当前驾驶员的人脸图像中的人脸特征和所述历史图像中的人脸特征；所述当前驾驶员的人脸图像中的人脸特征和所述历史图像中的人脸特征的相似度；若所述相似度小于预设阈值，则确定所述当前驾驶员与所述历史驾驶员不是同一驾驶员。
[0008]在一种可行的实施方式中，所述若确定所述当前驾驶员与所述历史驾驶员不是同一驾驶员，则根据所述当前驾驶员的驾驶资格进行审查，包括：当所述当前驾驶员与历史驾驶员不是同一驾驶员时，将所述当前驾驶员的图像发送至驾驶员图像数据库；通过所述驾驶员图像数据库判断所述当前驾驶员的图像是否匹配成功；若匹配失败，则禁止所述车辆启动并发送警报信息至监控终端。
[0009]在一种可行的实施方式中，所述若确定所述当前驾驶员与所述历史驾驶员不是同一驾驶员，则根据所述当前驾驶员的驾驶资格进行审查，还包括：若匹配成功，则判断是否接收到人员变更信息；若未接收到人员变更信息，则禁止所述车辆启动并发送警报信息至
监控终端。
[0010]在一种可行的实施方式中，所述驾驶员更换识别方法，还包括：获取符合驾驶条件的驾驶员的图像，得到图像数据集，所述图像数据集包括多张图像，且一张图像对应一张人脸；对所述图像数据集进行数据增广处理，得到样本数据集；基于预设比例，将样本数据集中的图像进行划分，得到训练集和验证集，所述训练集和所述验证集互不重叠；根据所述训练集和所述验证集对卷积神经网络进行训练，得到驾驶员更换识别模型。
[0011]在一种可行的实施方式中，所述对所述图像数据集进行数据增广处理，得到样本数据集，包括：对所述图像数据集中多张图像的人脸进行关键点标注，得到关键点信息；根据关键点信息对所述多张图像的人脸进行去背景操作，得到样本信息，所述样本信息包括去除背景保留人脸的多张图像样本；对所述多张图像样本进行光照变换、几何变换、遮挡变换和混合变换中的至少一种的样本扩增方式，得到样本数据集。
[0012]在一种可行的实施方式中，所述对所述多张图像样本进行光照变换、几何变换、遮挡变换和混合变换中的至少一种的样本扩增方式，得到样本数据集，包括：当对所述多张图像样本进行混合变换时，将所述多张图像样本进行复制，得到混合复制样本；将所述混合复制样本进行分组，得到多个分组，所述多个分组中的每个分组包括至少两张图像；将每个分组的至少两张图像进行裁剪叠加，得到多张新图像样本；根据所述多张新图像样本与所述多张图像样本得到样本数据集。
[0013]本专利技术第二方面提供了一种驾驶员更换识别装置，包括：采集模块，用于当车辆在预设时段内进行启动时，通过摄像头采集当前驾驶员的人脸图像；输入模块，用于将所述当前驾驶员的人脸图像与历史图像输入预置的驾驶员更换识别模型，所述历史图像为上一次采集的历史驾驶员的人脸图像；判断模块，用于通过所述驾驶员更换模型判断所述当前驾驶员和所述历史驾驶员是否为同一驾驶员；审查模块，用于若确定所述当前驾驶员与所述历史驾驶员不是同一驾驶员，则根据所述当前驾驶员的驾驶资格进行审查。
[0014]在一种可行的实施方式中，所述判断模块具体用于：通过所述驾驶员更换识别模型提取所述当前驾驶员的人脸图像中的人脸特征和所述历史图像中的人脸特征；确定所述当前驾驶员的人脸图像中的人脸特征和所述历史图像中的人脸特征的相似度；若所述相似度小于预设阈值，则确定所述当前驾驶员与所述历史驾驶员不是同一驾驶员。
[0015]在一种可行的实施方式中，所述审查模块具体用于：当所述当前驾驶员与历史驾驶员不是同一驾驶员时，将所述当前驾驶员的图像发送至驾驶员图像数据库；通过所述驾驶员图像数据库判断所述当前驾驶员的图像是否匹配成功；若匹配失败，则禁止所述车辆启动并发送警报信息至监控终端。
[0016]在一种可行的实施方式中，所述审查模块具体用于：若匹配成功，则判断是否接收到人员变更信息；若未接收到人员变更信息，则禁止所述车辆启动并发送警报信息至监控终端。
[0017]在一种可行的实施方式中，所述驾驶员更换识别装置，还包括：获取模块，获取符合驾驶条件的驾驶员的图像，得到图像数据集，所述图像数据集包括多张图像，且一张图像对应一张人脸；增广模块，用于对所述图像数据集进行数据增广处理，得到样本数据集；划分模块，用于基于预设比例，将样本数据集中的图像进行划分，得到训练集和验证集，所述训练集和所述验证集互不重叠；训练模块，用于根据所述训练集和所述验证集对卷积神经
网络进行训练，得到驾驶员更换识别模型。
[0018]在一种可行的实施方式中，所述增广模块包括：标注单元，用于对所述图像数据集中多张图像的人脸进行关键点标注，得到关键点信息；处理单元，用于根据关键点信息对所述多张图像的人脸进行去背景操作，得到样本信息，所述样本信息包括去除背景保留人脸的多张图像样本；增广单元，用于对所述多张图像样本进行光照变换、几何变换、遮挡变换和混合变换中的至少一种的样本扩增方式，得到样本数据集。
[0019]在一种可行的实施方式中，所述增广单元具体用于：当对所述多张图像样本进行混合变换时，将所述多张图像样本进行复制，得到混合复制样本；将所述混合复制样本进行分组，得到多个分组，所述多个分组中的每个分组包括至少两张图像；将每个分组的至少两张图像进行裁剪叠加，得到多张新图像样本；根据所述多张新图像样本与所述多张图像样本得到样本数据集。...
【技术保护点】
【技术特征摘要】
1.一种驾驶员更换识别方法，其特征在于，所述驾驶员更换识别方法包括：当车辆在预设时段内进行启动时，通过摄像头采集当前驾驶员的人脸图像；将所述当前驾驶员的人脸图像与历史图像输入预置的驾驶员更换识别模型，所述历史图像为上一次采集的历史驾驶员的人脸图像；通过所述驾驶员更换模型判断所述当前驾驶员和所述历史驾驶员是否为同一驾驶员；若确定所述当前驾驶员与所述历史驾驶员不是同一驾驶员，则根据所述当前驾驶员的驾驶资格进行审查。2.根据权利要求1所述的驾驶员更换识别方法，其特征在于，所述通过所述驾驶员更换模型判断所述当前驾驶员和所述历史驾驶员是否为同一驾驶员，包括：通过所述驾驶员更换识别模型提取所述当前驾驶员的人脸图像中的人脸特征和所述历史图像中的人脸特征；确定所述当前驾驶员的人脸图像中的人脸特征和所述历史图像中的人脸特征的相似度；若所述相似度小于预设阈值，则确定所述当前驾驶员与所述历史驾驶员不是同一驾驶员。3.根据权利要求1所述的驾驶员更换识别方法，其特征在于，所述若确定所述当前驾驶员与所述历史驾驶员不是同一驾驶员，则根据所述当前驾驶员的驾驶资格进行审查，包括：当所述当前驾驶员与历史驾驶员不是同一驾驶员时，将所述当前驾驶员的图像发送至驾驶员图像数据库；通过所述驾驶员图像数据库判断所述当前驾驶员的图像是否匹配成功；若匹配失败，则禁止所述车辆启动并发送警报信息至监控终端。4.根据权利要求3所述的驾驶员更换识别方法，其特征在于，所述若确定所述当前驾驶员与所述历史驾驶员不是同一驾驶员，则根据所述当前驾驶员的驾驶资格进行审查，还包括：若匹配成功，则判断是否接收到人员变更信息；若未接收到人员变更信息，则禁止所述车辆启动并发送警报信息至监控终端。5.根据权利要求1所述的驾驶员更换识别方法，其特征在于，所述驾驶员更换识别方法，还包括：获取符合驾驶条件的驾驶员的图像，得到图像数据集，所述图像数据集包括多张图像，且一张图像对应一张人脸；对所述图像数据集进行数据增广处理，得到样本数据集；基于预设比例，将样本数据集中的图像进行划分，得到训练集和验证集，所述训练集和所述验证集互不重叠；根据所述训练集和所述验证集对卷积神经网络进行训...
【专利技术属性】
技术研发人员：曾月，李斯，杨周龙，
申请(专利权)人：上海东普信息科技有限公司，
类型：发明
国别省市：
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。