一种基于深度学习的智能车机定位识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的智能车机定位识别方法及装置，包括获取位置信息并通过定位阈值判定位置信息正确；位置信息正确后，获取驾驶者人脸影像并对人脸影像进行关键帧提取得到目标图像；通过特征提取器提取目标图像的特征得到面部图像特征，特征提取器基于transformer模型网络架构搭建，transformer模型网络架构包括编码层和解码层，编码层中预设若干个卷积核，解码层预设若干个反卷积核，对卷积核和反卷积核进行训练，通过训练好的卷积核和反卷积核构建图像特征提取器；通过驾驶者身份模型匹配面部图像特征，若面部图像特征与驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。本发明专利技术提高了车辆安全防盗性能。本发明专利技术提高了车辆安全防盗性能。本发明专利技术提高了车辆安全防盗性能。

【技术实现步骤摘要】
一种基于深度学习的智能车机定位识别方法及装置


[0001]本专利技术属于智能车机
，尤其涉及一种基于深度学习的智能车机定位识别方法及装置。

技术介绍

[0002]伴随现代交通的飞速发展和人民生活水平的日益增高，人均拥车量极具增高，现有技术中的车辆主要通过车门闭锁或通过防盗器警示，其车机系统安全性欠缺，发生失窃时不能提供防窃安全保护，这种情况需要改变。

技术实现思路

[0003]本专利技术的目的在于提供一种基于深度学习的智能车机定位识别方法及装置，以解决上述
技术介绍
中所提到的问题。
[0004]为实现以上专利技术目的，根据第一方面，本专利技术实施例公开了一种基于深度学习的智能车机定位识别方法，所述智能车机定位识别方法应用于智能车机定位识别系统，所述智能车机定位识别系统预设有定位阈值和驾驶者身份模型，所述智能车机定位识别方法包括：获取位置信息并通过定位阈值判定所述位置信息正确；所述位置信息正确后，获取驾驶者人脸影像并对所述人脸影像进行关键帧提取得到目标图像；通过特征提取器提取所述目标图像的特征得到面部图像特征，所述特征提取器基于transformer模型网络架构搭建，所述transformer模型网络架构包括编码层和解码层，所述编码层中预设若干个卷积核，所述解码层预设若干个反卷积核，对所述卷积核和所述反卷积核进行训练，通过训练好的卷积核和反卷积核构建图像特征提取器；通过驾驶者身份模型匹配所述面部图像特征，若所述面部图像特征与所述驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。
[0005]本专利技术进一步设置为：所述获取位置信息并通过定位阈值判定所述位置信息正确，具体包括：智能车机与连接移动端设备无线连接并获取移动端设备的所述位置信息；判定所述位置信息与所述智能车机的实时位置的距离差值，定位阈值为所述位置信息与所述智能车机的实时位置的距离差值的
±
10M数值范围；若所述距离差值≤10M，则判定所述位置信息正确。
[0006]本专利技术进一步设置为：所述获取驾驶者人脸影像并对所述人脸影像进行关键帧提取得到目标图像，具体包括：计算所述人脸影像中相邻两个视频帧的直方图数据和灰度图数据； 基于所述直方图数据和所述灰度图数据，计算相邻两个视频帧之间的加权欧式距离； 基于所述加权欧式距离确定所述人脸影像的镜头转换边界； 基于所述镜头转换边界确定所述人脸影像中的关键帧并得到目标图像。
[0007]本专利技术进一步设置为：所述基于所述镜头转换边界确定所述人脸影像中的关键帧并得到目标图像，具体包括：基于所述人脸影像对所述关键帧进行识别，得到轮廓特征； 对所述关键帧进行去噪处理，去除所述关键帧的椒盐噪点，得到去噪图像； 基于所述去噪图像和所述轮廓特征，确定所述目标图像。
[0008]根据第二方面，本专利技术实施例公开了一种基于深度学习的智能车机定位追踪装置，搭载有智能车机定位追踪系统，所述智能车机定位追踪装置应用于智能车机定位识别方法，包括：获取模块，用于获取位置信息并通过定位阈值判定所述位置信息正确；第一提取模块，用于获取驾驶者人脸影像并对所述人脸影像进行关键帧提取得到目标图像；第二提取模块，用于通过特征提取器提取所述目标图像的特征得到面部图像特征；匹配模块，用于通过驾驶者身份模型匹配所述面部图像特征，若所述面部图像特征与所述驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。
[0009]本专利技术进一步设置为：所述获取模块包括：连接单元，用于智能车机与连接移动端设备无线连接并获取移动端设备的所述位置信息；判定单元，用于判定所述位置信息与所述智能车机的实时位置的距离差值，定位阈值为所述位置信息与所述智能车机的实时位置的距离差值的
±
10M数值范围，若所述距离差值≤10M，则判定所述位置信息正确。
[0010]根据第三方面，本专利技术实施例公开了一种计算机设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序实现如下方法：获取位置信息并通过定位阈值判定所述位置信息正确；所述位置信息正确后，获取驾驶者人脸影像并对所述人脸影像进行关键帧提取得到目标图像；通过特征提取器提取所述目标图像的特征得到面部图像特征，所述特征提取器基于transformer模型网络架构搭建，所述transformer模型网络架构包括编码层和解码层，所述编码层中预设若干个卷积核，所述解码层预设若干个反卷积核，对所述卷积核和所述反卷积核进行训练，通过训练好的卷积核和反卷积核构建图像特征提取器；通过驾驶者身份模型匹配所述面部图像特征，若所述面部图像特征与所述驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。
[0011]根据第四方面，本专利技术实施例公开了一种计算机可读存储介质，其上存储有计算机程序，存储介质中存储的计算机程序被执行实现如下方法：获取位置信息并通过定位阈值判定所述位置信息正确；所述位置信息正确后，获取驾驶者人脸影像并对所述人脸影像进行关键帧提取得到目标图像；通过特征提取器提取所述目标图像的特征得到面部图像特征，所述特征提取器基于transformer模型网络架构搭建，所述transformer模型网络架构包括编码层和解码层，所述编码层中预设若干个卷积核，所述解码层预设若干个反卷积核，对所述卷积核和所述反卷积核进行训练，通过训练好的卷积核和反卷积核构建图像特征提取器；通过驾驶者身份模型匹配所述面部图像特征，若所述面部图像特征与所述驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。
[0012]综上所述，与现有技术相比，本专利技术公开了一种基于深度学习的智能车机定位识别方法及装置，包括：获取位置信息并通过定位阈值判定所述位置信息正确；所述位置信息正确后，获取驾驶者人脸影像并对所述人脸影像进行关键帧提取得到目标图像；通过特征提取器提取所述目标图像的特征得到面部图像特征，所述特征提取器基于transformer模型网络架构搭建，所述transformer模型网络架构包括编码层和解码层，所述编码层中预设若干个卷积核，所述解码层预设若干个反卷积核，对所述卷积核和所述反卷积核进行训练，通过训练好的卷积核和反卷积核构建图像特征提取器；通过驾驶者身份模型匹配所述面部图像特征，若所述面部图像特征与所述驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。即通过此设置，提高汽车安全防盗性能。
附图说明
[0013]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，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。
[0014]图1是本实施例提供的基于深度学习的智能车机定位识别方法的流程图；图2是本实施例提供的基于深度学习的智能车机定位识别装置的框架图；图3是本实施例提供的一种服务器的结构示意图；图4是本实施例提供的一种计算机设备的结构示意图。
具体实施方式
[0015]下面将结合本申请实施例中的附图，对本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的智能车机定位识别方法，其特征在于，所述智能车机定位识别方法应用于智能车机定位识别系统，所述智能车机定位识别系统预设有定位阈值和驾驶者身份模型，所述智能车机定位识别方法包括：获取位置信息并通过定位阈值判定所述位置信息正确；所述位置信息正确后，获取驾驶者人脸影像并对所述人脸影像进行关键帧提取得到目标图像；通过特征提取器提取所述目标图像的特征得到面部图像特征，所述特征提取器基于transformer模型网络架构搭建，所述transformer模型网络架构包括编码层和解码层，所述编码层中预设若干个卷积核，所述解码层预设若干个反卷积核，对所述卷积核和所述反卷积核进行训练，通过训练好的卷积核和反卷积核构建图像特征提取器；通过所述驾驶者身份模型匹配所述面部图像特征，若所述面部图像特征与所述驾驶者身份模型的吻合度等于或大于预设阈值，则解锁车机。2.如权利要求1所述的一种基于深度学习的智能车机定位识别方法，其特征在于，所述获取位置信息并通过所述定位阈值判定所述位置信息正确，具体包括：智能车机与连接移动端设备无线连接并获取移动端设备的所述位置信息；判定所述位置信息与所述智能车机的实时位置的距离差值，所述定位阈值为所述位置信息与所述智能车机的实时位置的距离差值的
±
10M数值范围；若所述距离差值≤10M，则判定所述位置信息正确。3.如权利要求1所述的一种基于深度学习的智能车机定位识别方法，其特征在于，所述获取驾驶者人脸影像并对所述人脸影像进行关键帧提取得到目标图像，具体包括：计算所述人脸影像中相邻两个视频帧的直方图数据和灰度图数据；基于所述直方图数据和所述灰度图数据，计算相邻两个视频帧之间的加权欧式距离；基于所述加权欧式距离确定所述人脸影像的镜头转换边界；基于所述镜头转换边界确定所述人脸影像中的关键帧并得到目标图像。4.如权利要求3所述的一种...

【专利技术属性】
技术研发人员：陈峰，
申请(专利权)人：深圳市科莱德电子有限公司，
类型：发明
国别省市：