CN109977771A - 司机身份的验证方法、装置、设备及计算机可读存储介质 - Google Patents

Abstract

本公开提供一种司机身份的验证方法、装置、设备及计算机可读存储介质，方法包括：获取司机图像；根据人脸检测神经网络确定司机图像中的人脸的边界框、五官关键点；根据边界框、五官关键点提取司机图像中包括的局部二值特征，并使用支持向量机对局部二值特征进行活体检测；若活体检测通过，则根据司机图像进行身份验证。本公开提供的方法、装置、设备及计算机可读存储介质，可以在司机图像中检测出人脸的边界以及五官关键点，再根据检测结果提取局部二值特征，从而使支持向量机可以基于提取的特征，对司机图像进行分类，进行活体检测，若检测通过，再根据该司机图像中的人脸图像进行身份验证，能够避免有的司机利用视频、照片等冒充实际司机。

Description

司机身份的验证方法、装置、设备及计算机可读存储介质

技术领域

本公开涉及身份验证技术，尤其涉及一种司机身份的验证方法、装置、设备及计算机可读存储介质。

背景技术

随着科技的发展，汽车成为人们出行必不可少的交通工具。尤其是出租车，用户经常会选择乘坐出租车出行。

目前的出租车中，无法对司机的身份进行准确的识别。例如常规的出租车，司机可以将车辆借给他人驾驶。再例如网约车，驾驶司机可以使用该车辆的注册司机的相片、视频等方式通过验证。

因此，现有技术的方案中，无法对车辆的司机身份进行准确验证。

发明内容

本公开提供一种司机身份的验证方法、装置、设备及计算机可读存储介质，以解决现有技术中对司机身份进行验证不准确的问题。

本公开的第一个方面是提供一种司机身份的验证方法，包括：

获取司机图像；

根据人脸检测神经网络确定所述司机图像中的人脸的边界框、五官关键点；

根据所述边界框、所述五官关键点提取所述司机图像中包括的局部二值特征，并使用支持向量机对所述局部二值特征进行活体检测；

若所述活体检测通过，则根据所述司机图像进行身份验证。

本公开的另一个方面是提供一种司机身份的验证装置，包括：

获取模块，用于获取司机图像；

人脸检测模块，用于根据人脸检测神经网络确定所述司机图像中的人脸的边界框、五官关键点；

活体检测模块，用于根据所述边界框、所述五官关键点提取所述司机图像中包括的局部二值特征，并使用支持向量机对所述局部二值特征进行活体检测；

验证模块，用于若所述活体检测通过，则根据所述司机图像进行身份验证。

本公开的又一个方面是提供一种司机身份的验证设备，包括：

存储器；

处理器；以及

计算机程序；

其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如上述第一方面所述的司机身份的验证方法。

本公开的又一个方面是提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现如上述第一方面所述的司机身份的验证方法。

本公开提供的司机身份的验证方法、装置、设备及计算机可读存储介质的技术效果是：

本公开提供的司机身份的验证方法、装置、设备及计算机可读存储介质，包括：获取司机图像；根据人脸检测神经网络确定司机图像中的人脸的边界框、五官关键点；根据边界框、五官关键点提取司机图像中包括的局部二值特征，并使用支持向量机对局部二值特征进行活体检测；若活体检测通过，则根据司机图像进行身份验证。本公开提供的方法、装置、设备及计算机可读存储介质，可以先在获取的司机图像中检测出人脸的边界以及五官关键点，再根据检测结果提取局部二值特征，从而使支持向量机可以基于提取的特征，对司机图像进行分类，确定该司机图像中的人脸图像是否是直接拍摄的活体，若是，再根据该司机图像中的人脸图像进行身份验证，能够避免有的司机利用视频、照片等冒充实际司机，因此，本公开提供的方法能够更准确的进行司机身份验证。

附图说明

图1为本发明一示例性实施例示出的司机身份的验证方法的流程图；

图2为本发明另一示例性实施例示出的司机身份的验证方法的流程图；

图2A为本发明一示例性实施例示出的人脸图像和人脸模型的示意图；

图2B为本发明一示例性实施例示出的人脸旋转角度的示意图；

图3为本发明一示例性实施例示出的司机身份的验证装置的结构图；

图4为本发明另一示例性实施例示出的司机身份的验证装置的结构图；

图5为本发明一示例性实施例示出的司机身份的验证设备的结构图。

具体实施方式

目前，在网约车的应用场景中，存在一种活体检测的方式对运营车辆的司机进行身份验证的方式。需要司机主动配合，检测司机通过眨眼、摇头等动作来进行配合。但是，这种方式容易由司机通过视频的方式进行规避，达不到对司机身份进行验证的目的。

本发明实施例中的方案，基于支持向量机对采集的司机图像进行分类，从而确定该司机图像是否为真实的司机图像，而支持向量机是通过大量的数据训练得到的，准确率更高。

图1为本发明一示例性实施例示出的司机身份的验证方法的流程图。

如图1所示，本实施例提供的司机身份的验证方法包括：

步骤101，获取司机图像。

本实施例提供的方法可以由具备计算能力的电子设备执行，例如计算机。该电子设备可以设置在车辆中，可以设置与电子设备连接的图像采集装置，例如摄像头。通过摄像头采集司机图像，并将其发送给电子设备，以使电子设备能够获取司机图像。

在另一种实施方式中，执行本实施例提供的方法的电子设备还可以作为后台服务器，此时，该电子设备可以不设置在车辆中。车辆中可以设置有车载电脑以及与车载电脑连接的图像采集装置，例如可以是摄像头。通过摄像头采集司机图像，再将司机图像发送到车载电脑，可以由车载电脑将其发送到执行本实施例提供的方法的电子设备中。

此外，还可以通过移动电子设备中的摄像头采集司机图像，例如手机。可以将手机放置在车辆前部，拍摄主驾驶位置，并将获得的司机图像发送到执行本实施例提供的方法的电子设备。

其中，图像采集装置可以设置在驾驶位置前方，其拍摄方向对着主驾驶位置。本实施例提供的方法，可以基于该摄像头采集的司机图像，对司机身份进行验证。该司机图像中有可能不包括人像，例如，主驾驶位置没有人时，司机图像中仅包括主驾驶位置的图像。

步骤102，根据人脸检测神经网络确定司机图像中的人脸的边界框、五官关键点。

具体的，电子设备中设置有人脸检测神经网络。该神经网络是预先训练得到的。可以预先采集人脸图像，这些人脸图像中可以包括各个角度的图像，可以在人脸图像中标注人脸边界框和五官关键点，并基于这些数据对人脸检测神经网络进行训练。

进一步的，将采集的人脸图像输入搭建好的人脸检测神经网络模型，并基于标注的人脸边界框和五官关键点调整神经网络中的权重值，从而得到训练完成的人脸检测神经网络。还可以设置一组验证人脸图像，用于对该人脸检测神经网络的准确性进行验证。

实际应用时，可以预先搭建三阶段的级联神经网络模型(Multi-task CascadedConvolutional Networks)，并使用采集的人脸图像对这个网络模型进行训练，得到最终的三阶段的级联神经网络，用于进行人脸检测。

其中，在三阶段的级联神经网络中，第一阶段，浅层的CNN(Convolutional NeuralNetworks，卷积神经网络)快速产生候选窗体；第二阶段，通过更复杂的CNN精炼候选窗体，丢弃大量的重叠窗体；第三阶段，使用更加强大的CNN，实现候选窗体去留，同时显示五个面部关键点定位。

具体的，可以将原始的司机图像调整大小到不同尺寸，构建图像金字塔，作为三阶段的级联神经网络的输入。还可以调整金字塔的层数，例如，可以降低金字塔的层数，使得人脸检测的速度更快。图像金字塔的层数越少，则输入神经网络的数据越少，因此，可以提高神经网络的处理速度。因此，可以在保证识别结果准确的前提下，降低金字塔的层数。

进一步的，还可以将第三阶段中的卷积神经网络中的卷积层设置为深度可分离卷积层，从而进一步的提高神经网络的运行性能。

实际应用时，若采用常规的神经网络作为人脸检测神经网络，则可以直接将司机图像输入到该神经网络中，以使其输出人脸的边界框、五官关键点；若采用三阶段级联的神经网络作为人脸检测神经网络，则根据司机图像得到金字塔结构的图像数据后，可以将这一图像数据输入到人脸检测神经网络中，使人脸检测神经网络输出人脸的边界框以及五官关键点。

步骤103，根据边界框、五官关键点提取司机图像中包括的局部二值特征，并使用支持向量机对局部二值特征进行活体检测。

其中，可以根据边界框、五官关键点的位置，确定需要提取二值特征的位置。在进行人脸识别过程中，五官以及人脸的边界框具有更强的参考意义，因此，可以针对这些部位进行处理。

具体的，局部二值特征(Local Binary Pattern，LBP)是一种用来描述图像局部纹理特征的算子，它具有旋转不变性和灰度不变性等显著的优点。可以通过阈值来标记中心点像素与其邻域像素之间的差别。可以在需要检测的位置，划分多个检测窗口，在一个检测窗口内，可以将中间位置的像素值作为阈值，若周围的像素值小于该阈值，则认为是0，否则，认为是1。通过这样的方式，能够得到中间位置像素的LBP值。

进一步的，还可以在电子设备中设置支持向量机，用于根据提取的局部二值特征进行活体检测，确定司机图像中包括的人像，是通过活体拍摄得到的，还是拍摄视频或相片等得到的。

实际应用时，若司机验证方式中，需要采集司机的静态图像，则有的司机可能会使用实际注册司机的照片进行验证；若司机验证方式中，需要采集司机的动态图像，则有的司机可能会使用实际注册实际的视频进行验证。本实施例提供的方法中，设置有支持向量机，用于判断采集的司机图像是否通过活体采集方式得到的。

其中，支持向量机(Support Vector Machine,SVM)是一类按监督学***面。

具体的，可以将提取的局部二值特征输入支持向量机，通过支持向量机对输入的特征值进行分类，最终判断该司机图像是否是通过拍摄活体获取的。

步骤104，若活体检测通过，则根据司机图像进行身份验证。

进一步的，若活体检测通过，即判断该司机图像是通过拍摄人获得的图像，则可以根据司机图像进行身份验证。具体的验证方式可以采用现有技术中的验证方式，本实施例不对此进行限制。

实际应用时，还可以在电子设备中存储与验证车辆对应的司机标准人脸特征，可以根据人脸边界框确定司机图像中的人脸图像，再基于该人脸图像得到人脸特征，比对预存储的标准人脸特征以及司机图像中的人脸特征，若相似度大于预设阈值，则可以认为二者是同一个人，即通过司机身份验证。

其中，还可以设置人脸识别神经网络，可以将司机图像中人脸边界框内的区域剪切出来，并输入到人脸识别神经网络，以使人脸识别神经网络输出人脸特征向量。再用该人脸特征向量与预存的人脸特征向量比对，具体可以计算向量间的欧式距离，若欧式距离小于一定阈值，则可以认为二者是同一个人，即通过司机身份验证。

具体的，该人脸识别神经网络可以输出128维的特征向量。可以对人脸识别神经网络进行训练，使其能够识别出人脸图像中包括的特征，例如，使神经网络能够提取特定位置的特征，还可以基于不同的神经核感知不同位置的特征。

进一步的，在训练人脸识别神经网络时，可以采用center loss和softmax loss来训练，从而提高训练的准确性。

步骤105，若活体检测不通过，则发出警告。

实际应用时，若支持向量机对司机图像的分类结果中认为，该司机图像是通过拍摄视频或相片等得到的，则可以认为活体检测不通过。可以向司机发出警告。

其中，本实施例提供的方法可以应用在车辆启动前。车辆启动前，需要先对司机的身份进行核实后，才能够正常启动车辆，此时，若活体检测不通过，则可以拒绝启动车辆。

具体的，本实施例提供的方法还可以在车辆运行过程中。车辆启动后，可以实时或定时采集司机图像，并对司机的身份进行核实，在这一过程中，若活体检验不通过，则可以向司机发出警告。此外，还可以备注这一信息，并将其同步至该车辆的管理方的***中，例如，出租车公司。

进一步的，上述警告可以采用语音提示的形式。

本实施例提供的方法用于对司机身份进行验证，该方法由设置有本实施例提供的方法的设备执行，该设备通常以硬件和/或软件的方式来实现。

本实施例提供的司机身份的验证方法，包括：获取司机图像；根据人脸检测神经网络确定司机图像中的人脸的边界框、五官关键点；根据边界框、五官关键点提取司机图像中包括的局部二值特征，并使用支持向量机对局部二值特征进行活体检测；若活体检测通过，则根据司机图像进行身份验证。本实施例提供的方法，可以先在获取的司机图像中检测出人脸的边界以及五官关键点，再根据检测结果提取局部二值特征，从而使支持向量机可以基于提取的特征，对司机图像进行分类，确定该司机图像中的人脸图像是否是直接拍摄的活体，若是，再根据该司机图像中的人脸图像进行身份验证，能够避免有的司机利用视频、照片等冒充实际司机，因此，本实施例提供的方法能够更准确的进行司机身份验证。

图2为本发明另一示例性实施例示出的司机身份的验证方法的流程图。

如图2所示，本实施例提供的司机身份的验证方法，包括：

步骤201，获取司机图像。

步骤201与步骤101的具体原理和实现方式类似，此处不再赘述。

步骤202，根据人脸检测神经网络确定司机图像中的人脸的边界框、五官关键点。

本实施例提供的方法中，采用三阶段的级联神经网络对司机图像进行处理。

可以将原始的司机图像调整大小到不同尺寸，构建图像金字塔，作为三阶段的级联神经网络的输入。该级联神经网络由3个网络结构组成(P-Net,R-Net,O-Net)。

Proposal Network(P-Net)：该网络结构主要获得了人脸区域的候选窗口和边界框的回归向量。并用该边界框做回归，对候选窗口进行校准，然后通过非极大值抑制(NMS)来合并高度重叠的候选框。

Refine Network(R-Net)：该网络结构还是通过边界框回归和NMS来去掉那些false-positive区域。只是由于该网络结构和P-Net网络结构有差异，多了一个全连接层，所以会取得更好的抑制false-positive的作用。

Output Network(O-Net)：该层比R-Net层又多了一层卷基层，所以处理的结果会更加精细。作用和R-Net层作用一样。但是该层对人脸区域进行了更多的监督，同时还会输出五官关键点以及人脸的边界框。

在输出网络(Output Network)中，设置有深度可分离卷积层，该深度可分离卷积层用于替代这一网络结构中的卷积层。

步骤203，根据边界框、五官关键点提取司机图像中包括的局部二值特征，并使用支持向量机对局部二值特征进行活体检测。

步骤203与步骤103的具体原理和实现方式类似，此处不再赘述。

步骤204，若活体检测通过，则根据边界框获取司机图像中的人脸图像。

其中，可以在司机图像中，获取边界框内部的人脸图像。具体可以将边界框内部的图像区域剪出来。由于该边界框是人脸的边界框，因此，可以认为该边界框内部就是获取的司机人脸图像。

步骤205，根据五官关键点、预设模板对人脸图像进行对齐处理，并将对齐后的人脸图像输入人脸识别网络，以使人脸识别网络输出特征向量。

具体的，在电子设备中，还预先设置有模板，可以根据五官关键点，将剪切的人脸图像映射到该模板中，从而能够使电子设备识别出人脸的各个部位。

进一步的，可以通过反射变换的方式，对齐人脸。对齐是指以某个形状为基准，对其它形状进行旋转，缩放和平移使其尽可能的与基准形状接近的过程。可以通过关联人脸图像中的五官与模板中的五官，通过调整人脸图像的角度等方式，使其与模板中的人脸对齐，例如，可以旋转人脸图像，使其是一个端正的图像。

实际应用时，可以将对齐后的人脸图像输入到人脸识别网络。由于在司机图像中检测到的人脸，可能角度不是很正，若将角度不正的人脸输入人脸识别网络，可能存在输出不准确的问题，因此，需要先对人脸进行对齐，再将其输入识别网络。

其中，人脸识别网络可以基于输入的对其后的人脸图像，输出特征向量。即当前获取的司机图像中的人脸特征向量。该特征向量的维度是128。

人脸识别网络是预先通过训练得到的，例如，可以采集一百万张图像作为训练集，对搭建的神经网络进行训练。

步骤206，比对特征向量以及司机的预设特征向量得到比对结果，根据比对结果确定司机的身份是否验证通过。

具体的，电子设备中存储有与当前车辆对应的司机人脸的特征向量。可以预先采集车辆实际司机的人脸图像，例如，可以由出租车公司采集员工的图像。并基于上述人脸识别网络对该人脸图像进行处理，输出标准人脸特征向量，将其作为预设特征向量。

进一步的，可以比对步骤205中确定的特征向量，并将其与预设特征向量比对。具体可以计算两个特征向量的欧氏距离，若距离小于一定的阈值，则认为匹配成功，即司机图像中包括的人脸与预设特征向量对应的人脸时同一个人，司机身份验证通过。否则，认为司机图像中的人脸与预设特征向量对应的人脸不是同一个人，司机身份验证失败。

实际应用时，本实施例提供中的身份验证流程，既可以在车辆启动之前，也可以设置在车辆启动后，还可以在车辆行驶过程中实时或定时进行。

其中，本实施例提供的方法还可以包括司机行为监控的步骤。司机在驾驶车辆过程中，经常产生危险的行为、动作。例如抽烟、打盹、东张西望等，而这些动作都会影响到安全驾驶。因此，本实施例提供的方法，还设置有司机行为监控的步骤，若发现司机有危险的行为，可以对其进行警告或提醒，从而避免事故发生。

在步骤203之后还可以包括：

步骤207，若活体检测通过，则根据司机图像进行行为监控。

经过步骤201-203，判断采集的司机图像缺失是对车辆司机进行拍摄得到的之后，还可以基于该采集的图像对司机行为进行监控，从而发现其是否存在危险行为。

具体的，根据司机图像进行行为监控包括：

根据预设规则在司机图像中，对边界框进行放大，并获取放大后的边界框内部的行为图像；

将行为图像输入行为检测网络，以使行为检测网络输出预设危险行为的概率值；

根据概率值确定司机是否存在危险行为。

进一步的，需要通过司机当前的行为确定其是否存在危险行为，因此，需要在司机图像中获取司机的具体行为图像。

实际应用时，基于人脸检测神经网络可以在司机图像中检测出人脸边界框，也就是人脸所在位置，可以基于人脸位置，在司机图像中确定出司机的身***置，从而确定其行为。

其中，可以对人脸的边界框进行放大处理，从而使该边界框能够框住司机的身体。例如，可以将边界框向上扩展0.2倍，向下扩展0.8倍，向左扩展0.6倍，向右扩展0.6倍。再例如，可以将边界框仅向下以及左右的方向进行扩展。

具体的，可以认为放大后的边界框内包括了司机的行为，因此，可以获取放大后的边界框内的行为图像。具体的将放大后的边界框区域内的图像剪出来，作为司机的行为图像，再将其输入行为检测网络。

进一步的，在电子设备中设置有行为检测网络，可以通过训练得到该行为检测网络。例如，可以预先搭建神经网络模型，再采集大量的危险行为照片，并对这些照片进行标注，例如某一张照片是吸烟的行为，某一张照片是打盹的行为，使用这些带有标注的照片对神经网络模型进行训练。

实际应用时，将行为图像输入行为检测网络后，该行为检测网络可以输出预设危险行为的概率值，即该行为图像中包含的预设危险行为的概率值，例如，吸烟是98％。

其中，预设危险行为可以包括多种，例如吸烟、喝水、打电话等，行为检测网络可以输出行为图像对应的，每个预设危险行为的概率值。也可以仅输出高于预设值的危险行为的概率值。

具体的，可以根据预设危险行为对应的概率值，确定司机是否存在危险行为。例如，可以设置边界阈值，若概率值大于该边界阈值，就可以认为司机具有相应的预设危险行为。

进一步的，有一些危险行为无法基于单一的司机图像进行确定，例如，持续左顾右盼。

因此，本实施例提供的方法，还可以根据行为监控结果确定连续获取的多张司机图像中，是否包括至少预设数量的司机图像中存在危险行为。例如，可以连续获取n张司机图像，并监控其中的司机行为，若其中一定比例的司机图像中存在着预设危险行为，则认为司机的确存在危险行为，此时，可以根据预设额规则进行报警，例如，语音提示报警。

除了一些预设危险行为以外，司机在驾驶过程中，还可能存在分神驾驶的行为，本实施例提供的方法，还可以根据司机图像判断司机是否存在分神驾驶行为。

实际应用时，根据司机图像进行行为监控，还可以包括：

根据预设的全局线性回归算法对局部二值特征进行处理，得到人脸关键点；

根据人脸关键点、预设人脸模型确定人脸的旋转角度；

根据旋转角度确定司机是否存在分神驾驶行为。

在电子设备中，可以预先设置全局线性回归算法，该算法对提取的司机图像的局部二值特征进行计算，得到人脸的关键点。

具体的，可以使用级联的随机森林对局部二值特征做全局线性回归，得到人脸的68个关键点。可以提前采集大量的分神驾驶人脸图，基于这些图作为标准，训练该回归算法，使其能够准确的对人脸图像的特征值进行处理，得到68个关键点。

进一步的，在电子设备中还可以存储预设的人脸模型，可以结合提取的关键点以及预设的人脸模型，计算司机人脸的旋转角度，例如俯仰角、偏航角以及翻滚角。根据人脸的旋转角度，确定司机是否存在分神驾驶行为。

图2A为本发明一示例性实施例示出的人脸图像和人脸模型的示意图。

如图2A所示，图2A左面的图像是人脸边界框内的人脸图像，其中包括68个关键点。图2A右面的图像是预设人脸模型。可以将人脸中提取的关键点映射在人脸模型中，从而确定出人脸的旋转角度。

图2B为本发明一示例性实施例示出的人脸旋转角度的示意图。

如图2B所示，图2B中绘制了人脸旋转角度的示意图，其中，人脸21示意出了俯仰角，人脸22中示意出了翻滚角，人脸23中示意出了偏航角。

实际应用时，若人脸的任一个旋转角度不在预设旋转角度区间，则认为司机存在主动的分神驾驶行为，例如左顾右盼等。此外，还可以根据人脸中眼部和嘴部的关键点计算闭眼程度和张嘴程度，从而确定司机是否存在被动的疲劳驾驶情况，例如疲劳驾驶。

其中，有一些分神驾驶行为行为无法基于单一的司机图像进行确定，例如，持续左顾右盼。当识别出司机存在歪头的情况时，无法确定其是在观察路况，还是左顾右盼。

因此，本实施例提供的方法，还可以根据行为监控结果确定连续获取的多张司机图像中，是否包括至少预设数量的司机图像中存在分神驾驶行为。例如，可以连续获取n张司机图像，并监控其中的司机行为，若其中一定比例的司机图像中存在着分神驾驶行为，则认为司机的确存在分神驾驶行为，此时，可以根据预设规则进行报警，例如，语音提示报警。

若活体检测失败，与图1所示实施例相似，也可以发出警告，并继续获取司机图像，基于获取的图像进行检测。

图3为本发明一示例性实施例示出的司机身份的验证装置的结构图。

如图3所示，本实施例提供的司机身份的验证装置，包括：

获取模块31，用于获取司机图像；

人脸检测模块32，用于根据人脸检测神经网络确定所述司机图像中的人脸的边界框、五官关键点；

活体检测模块33，用于根据所述边界框、所述五官关键点提取所述司机图像中包括的局部二值特征，并使用支持向量机对所述局部二值特征进行活体检测；

验证模块34，用于若所述活体检测通过，则根据所述司机图像进行身份验证。

其中，获取模块31、人脸检测模块32、活体检测模块33、验证模块34依次连接。

本实施例提供的司机身份的验证装置，包括获取模块，用于获取司机图像；人脸检测模块，用于根据人脸检测神经网络确定司机图像中的人脸的边界框、五官关键点；活体检测模块，用于根据边界框、五官关键点提取司机图像中包括的局部二值特征，并使用支持向量机对局部二值特征进行活体检测；验证模块，用于若活体检测通过，则根据司机图像进行身份验证。本实施例提供的装置，可以先在获取的司机图像中检测出人脸的边界以及五官关键点，再根据检测结果提取局部二值特征，从而使支持向量机可以基于提取的特征，对司机图像进行分类，确定该司机图像中的人脸图像是否是直接拍摄的活体，若是，再根据该司机图像中的人脸图像进行身份验证，能够避免有的司机利用视频、照片等冒充实际司机，因此，本实施例提供的装置能够更准确的进行司机身份验证。

本实施例提供的司机身份的验证装置的具体原理和实现方式均与图1所示的实施例类似，此处不再赘述。

图4为本发明另一示例性实施例示出的司机身份的验证装置的结构图。

如图4所示，在上述实施例的基础上，本实施例提供的司机身份的验证装置，可选的，所述人脸检测神经网络为三阶段的级联神经网络。

可选的，所述级联神经网络中的输出网络中，包括深度可分离卷积层。

所述验证模块34，包括：

获取单元341，用于根据所述边界框获取所述司机图像中的人脸图像；

人脸识别单元342，用于根据所述五官关键点、预设模板对所述人脸图像进行对齐处理，并将对齐后的人脸图像输入人脸识别网络，以使所述人脸识别网络输出特征向量；

验证单元343，用于比对所述特征向量以及司机的预设特征向量得到比对结果，根据所述比对结果确定所述司机的身份是否验证通过。

可选的，所述特征向量的维度是128。

可选的，本实施例提供的司机身份的验证装置，还包括监控模块35，用于：

若所述活体检测通过，则根据所述司机图像进行行为监控。

可选的，所述监控模块35具体用于：

根据行为监控结果确定连续获取的多张所述司机图像中，是否包括至少预设数量的所述司机图像中存在预设危险行为和/或分神驾驶行为，若是，则根据预设规则进行报警。

所述监控模块35包括：

放大单元351，用于根据预设规则在所述司机图像中，对所述边界框进行放大，并获取放大后的所述边界框内部的行为图像；

行为检测单元352，用于将所述行为图像输入行为检测网络，以使所述行为检测网络输出预设危险行为的概率值；

确定单元353，用于根据所述概率值确定所述司机是否存在危险行为。

所述监控模块35包括：

回归单元354，用于根据预设的全局线性回归算法对所述局部二值特征进行处理，得到人脸关键点；

第二确定单元355，用于根据所述人脸关键点、预设人脸模型确定人脸的旋转角度；

所述第二确定单元355还用于根据所述旋转角度确定所述司机是否存在分神驾驶行为。

本实施例提供的司机身份的验证装置的具体原理和实现方式均与图2-2B所示的实施例类似，此处不再赘述。

图5为本发明一示例性实施例示出的司机身份的验证设备的结构图。

如图5所示，本实施例提供的司机身份的验证设备包括：

存储器51；

处理器52；以及

计算机程序；

其中，所述计算机程序存储在所述存储器51中，并配置为由所述处理器52执行以实现如上所述的任一种司机身份的验证方法。

本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，

所述计算机程序被处理器执行以实现如上所述的任一种司机身份的验证方法。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (12)

1.一种司机身份的验证方法，其特征在于，包括：

获取司机图像；

根据人脸检测神经网络确定所述司机图像中的人脸的边界框、五官关键点；

根据所述边界框、所述五官关键点提取所述司机图像中包括的局部二值特征，并使用支持向量机对所述局部二值特征进行活体检测；

若所述活体检测通过，则根据所述司机图像进行身份验证。

2.根据权利要求1所述的方法，其特征在于，所述人脸检测神经网络为三阶段的级联神经网络。

3.根据权利要求2所述的方法，其特征在于，所述级联神经网络中的输出网络中，包括深度可分离卷积层。

4.根据权利要求1所述的方法，其特征在于，所述根据所述司机图像进行身份验证，包括：

根据所述边界框获取所述司机图像中的人脸图像；

根据所述五官关键点、预设模板对所述人脸图像进行对齐处理，并将对齐后的人脸图像输入人脸识别网络，以使所述人脸识别网络输出特征向量；

比对所述特征向量以及司机的预设特征向量得到比对结果，根据所述比对结果确定所述司机的身份是否验证通过。

5.根据权利要求4所述的方法，其特征在于，所述人脸识别网络是使用损失函数centerloss算法以及softmax loss算法训练得到的。

6.根据权利要求1-5任一项所述的方法，其特征在于，还包括：

若所述活体检测通过，则根据所述司机图像进行行为监控。

7.根据权利要求6所述的方法，其特征在于，根据行为监控结果确定连续获取的多张所述司机图像中，是否包括至少预设数量的所述司机图像中存在预设危险行为和/或分神驾驶行为，若是，则根据预设规则进行报警。

8.根据权利要求6所述的方法，其特征在于，所述根据所述司机图像进行行为监控，包括：

根据预设规则在所述司机图像中，对所述边界框进行放大，并获取放大后的所述边界框内部的行为图像；

将所述行为图像输入行为检测网络，以使所述行为检测网络输出预设危险行为的概率值；

根据所述概率值确定所述司机是否存在危险行为。

9.根据权利要求6所述的方法，其特征在于，所述根据所述司机图像进行行为监控，包括：

根据预设的全局线性回归算法对所述局部二值特征进行处理，得到人脸关键点；

根据所述人脸关键点、预设人脸模型确定人脸的旋转角度；

根据所述旋转角度确定所述司机是否存在分神驾驶行为。

10.一种司机身份的验证装置，其特征在于，包括：

获取模块，用于获取司机图像；

人脸检测模块，用于根据人脸检测神经网络确定所述司机图像中的人脸的边界框、五官关键点；

活体检测模块，用于根据所述边界框、所述五官关键点提取所述司机图像中包括的局部二值特征，并使用支持向量机对所述局部二值特征进行活体检测；

验证模块，用于若所述活体检测通过，则根据所述司机图像进行身份验证。

11.一种司机身份的验证设备，其特征在于，包括：

存储器；

处理器；以及

计算机程序；

其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如权利要求1-9任一种所述的方法。

12.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，

所述计算机程序被处理器执行以实现如权利要求1-9任一种所述的方法。