一种人车驾乘关系分析方法、装置及存储介质与流程

1.本技术涉及人车驾乘关系数据挖掘的技术领域，尤其是涉及一种人车驾乘关系分析方法、装置及存储介质。


背景技术：

2.随着大数据的发展，交通管理部门等安防领域基础信息化逐年提升，路面卡口视频监控系统等捕捉获取车辆或人员轨迹的相关技术在各地推广普及，人车关联算法也不断呈现。但现有的人车关联算法存在以下不足：1、所用的人或车的时空数据都比较单一，未利用到原始目标图片内在的信息，容易挖掘出许多无关的错误人车关联，造成大量关联存储成本，且无法知道是否是驾驶者。2、严重依赖时空数据，一旦时空数据未治理好就会导致关联错误或未挖掘到关联。3、场景比较单一，仅限停车场出入口的数据。


技术实现要素：

3.针对上述技术问题,本技术提出了一种人车驾乘关系分析方法、装置及存储介质。
4.第一方面，本技术提出了一种人车驾乘关系分析方法，包括以下步骤：
5.s1：获取车卡抓拍设备图片数据，并对所述车卡抓拍设备图片数据进行数据筛选；
6.s2：对筛选后的车卡抓拍设备图片数据进行图像检测，获得满足检测条件的人车图像数据，所述图像检测包括利用目标检测算法获取人脸框、人体框和车辆框坐标，以及利用ocr算法获取车牌框坐标和车牌号；
7.s3：对满足检测条件的人车图像数据进行人车驾乘关系分析，构建人脸-车牌-驾乘关系；
8.s4：获取确定人脸-车牌-驾乘关系后的人车图像数据中的人脸图片，利用人脸图片在档案数据库中进行以图搜档，获取对应的档案身份，构建人脸身份-车牌-驾乘关系；
9.s5：将人脸身份-车牌-驾乘关系录入到图数据库，形成驾乘关系图谱。
10.通过采用上述技术方案，本技术提出一种基于深度学习图像识别结构化能力、不依赖时空数据、不局限场景，就能根据本方案关系确认方法准确确定人车驾乘关系，为安防领域技战法提供可靠的线索；在低存储成本、低算力成本、不依赖时空数据前提下，仅依靠对图片的检测结果确定人车驾乘关系，并提供驾乘关系分析能力。可应用于安防等领域，为使用者提供精准、有效的人车驾乘关系信息。
11.优选的，所述s1具体包括：
12.s11：分别选取工作日、周日以及节假日各一天的所有车卡抓拍设备图片数据；
13.s12：对各个车卡抓拍设备每间隔一段时间获取一张图片数据进行图像检测；
14.s13：分别统计每个车卡抓拍设备的人脸、人体、车辆、车牌号检测结果数；
15.s14：过滤人脸、人体、车辆、车牌号同时低于各检测结果数阈值的车卡抓拍设备；
16.s15：对检测结果数做汇总降序排序，对检测结果多的车卡抓拍设备进行优先处理。
17.优选的，所述s2具体包括：
18.s21：获取筛选后的车卡抓拍设备图片数据；
19.s22：对筛选后的车卡抓拍设备图片数据调用人脸检测算法，若检测到人脸，则执行s23，否则执行s25；
20.s23：调用目标检测算法，若同时检测到人体、车辆以及车牌框，则执行s24，否则执行s25；
21.s24：获取车牌框位置，调用ocr识别算法，若识别出车牌号，则执行s3，否则执行s25；
22.s25：结束当前车卡抓拍设备图片数据的图像检测，进行下一张车卡抓拍设备图片数据的图像检测。
23.优选的，所述s3具体包括：
24.s31：遍历人脸框坐标列表，获取人脸框坐标；
25.s32：遍历人体框坐标列表，获取人体框坐标；
26.s33：计算人脸-人体的iou以及iour指标；
27.s34：判断是否满足人脸人体关系约束条件，若满足则执行s35，否则执行s312；
28.s35：遍历车辆框坐标列表，获取车辆框坐标；
29.s36：分别计算人脸-车辆以及人体-车辆的iou以及iour指标；
30.s37：判断是否满足人脸人体车辆关系约束条件，若满足则执行s38，否则执行s314；
31.s38：遍历车牌框坐标列表，获取车牌号坐标以及对应车牌号；
32.s39：确定车牌号坐标的最大最小坐标；
33.s310：判断是否满足车辆车牌关系约束条件，若满足则执行s311，否则执行s315；
34.s311：确定正副驾驶位位置；
35.s312：判断人体框坐标是否遍历结束，若是则执行s313，否则返回步骤s32；
36.s313：判断人脸框坐标是否遍历结束，若是则执行s317，否则返回步骤s31；
37.s314：判断车辆框坐标是否遍历结束，若是则执行s312，否则返回步骤s35；
38.s315：判断车牌坐标是否遍历结束，若是则执行s314，否则返回步骤 s38；
39.s316：输出人脸框坐标、车牌号以及驾驶位标记，执行s4；
40.s317：结束当前车卡抓拍设备图片数据的人车驾乘关系分析，进行下一张车卡抓拍设备图片数据的人车驾乘关系分析。
41.优选的，所述s3中的iou和iour指标的算法为：
42.步骤101：根据矩形框box1:[xmin1,ymin1,xmax1,ymax1]；box2:[xmin2, ymin2,xmax2,ymax2]，获取矩形框交集对应的左上角和右下角的坐标[xx1, yy1,xx2,yy2]，其中
[0043]
xx1＝max(xmin1,xmin2)；
[0044]
yy1＝max(ymin1,ymin2)；
[0045]
xx2＝min(xmax1,xmax2)；
[0046]
yy2＝max(ymax1，ymax2)；
[0047]
步骤102：计算两个矩形面积：
[0048]
area1＝(xmax1-xmin1)*(ymax1-ymin1)；
[0049]
area2＝(xmax2-xmin2)*(ymax2-ymin2)；
[0050]
步骤103：计算iou和iour指标：
[0051]
inter_area＝(max(0，xx2-xx1))*(max(0，yy2-yy1))；
[0052]
union_area＝area1+area2-inter_area；
[0053]
iou＝inter_area/union_area；
[0054]
iour＝iou/(area1/area2)。
[0055]
优选的，所述s3中的人脸人体关系约束条件的算法为：
[0056][0057]
其中fp
iou
为人脸框和人体框之间的iou值，fpt是其阈值，默认为0； fp
iour
为人脸框和人体框之间的iour值，fprt是其阈值，默认为0.80。
[0058]
优选的，所述人脸人体车辆关系约束条件具体为：
[0059][0060]
其中，fc
iou
为人脸框和车辆框之间的iou值，fct是其阈值，默认为0；
[0061]
fc
iour
为人脸框和车辆框之间的iour值，fcrt是其阈值，默认为0.80；
[0062]
pc
iou
为人体框和车辆框之间的iou值，pct是其阈值，默认为0；
[0063]
pc
iour
为人体框和车辆框之间的iour值，pcrt是其阈值，默认为0.80；
[0064]
p[3]＜c[1]+(c[3]-c[1])*halft指人体框下边界线不得超过车辆halft的下边界线；
[0065]
p[3]为人体框右下角x坐标,c[1]为车辆框左上角x坐标，c[3]为车辆框右下角x坐标,halft为边界分割比例，默认2/3。
[0066]
优选的，所述s3中的车辆车牌关系约束条件具体为：
[0067][0068]
其中，c为车辆框的坐标；plate_text为车牌号文本，plate_text_t为文本长度阈值，默认5；
[0069]
license_maxmin为车牌号坐标license的最大最小坐标：[min(licensex), min(licensey),max(licensex),max(licensey)]；
[0070]
其中，licensex是license所有坐标点的x列表,licensey是license所有坐标点的y列表。
[0071]
优选的，所述s3中的正副驾驶位位置确定条件具体为：
[0072][0073]
其中right为正，left为副，f[0]为人脸框左上角x坐标，c[0]为车辆框左上角x坐标,c[2]为车辆框右下角x坐标。。
[0074]
优选的，所述s4具体包括以下步骤：
[0075]
s41：获取步骤s3中的确定人脸-车牌-驾乘关系后的人车图像数据；
[0076]
s42：根据人脸框坐标提取人脸图片；
[0077]
s43：利用人脸图片进行以图搜档；
[0078]
s44：判断档案数据库中是否存在大于预设相似度阈值的人脸数据，若存在则执行s45，否则执行s46；
[0079]
s45：获取对应档案身份，构建人脸身份-车牌-驾乘关系，执行s5；
[0080]
s46：结束当前车卡抓拍设备图片数据的人车驾乘关系分析，进行下一张车卡抓拍设备图片数据的人车驾乘关系分析。
[0081]
优选的，所述s5具体包括：
[0082]
s51：获取人脸档案身份以及对应的车牌号和驾驶位标记；
[0083]
s52：构建人脸档案身份对应的face节点以及车牌号对应的veco节点；
[0084]
s53：创建face2veco边关系，以驾驶位标记、关联次数以及关联天数做为属性录入到neo4j图数据库，形成驾乘关系图谱，并将关系详情录入到检索数据库。
[0085]
第二方面，本技术还提出了一种人车驾乘关系分析装置，其特征在于：所述装置包括：
[0086]
设备选择模块，配置用于获取车卡抓拍设备图片数据，并对所述车卡抓拍设备图片数据进行数据筛选；
[0087]
图像检测模块，配置用于对筛选后的车卡抓拍设备图片数据进行图像检测，获得满足检测条件的人车图像数据，所述图像检测包括利用目标检测算法获取人脸框、人体框和车辆框坐标，以及利用ocr算法获取车牌框坐标和车牌号；
[0088]
关系确定模块，配置用于对满足检测条件的人车图像数据进行人车驾乘关系分析，构建人脸-车牌-驾乘关系；
[0089]
确认身份模块，配置用于获取确定人脸-车牌-驾乘关系后的人车图像数据中的人脸图片，利用人脸图片在档案数据库中进行以图搜档，获取对应的档案身份，构建人脸身份-车牌-驾乘关系；
[0090]
关系入库模块，配置用于将人脸身份-车牌-驾乘关系录入到图数据库，形成驾乘关系图谱。
[0091]
第三方面，本技术还提出了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面所述的计算方法。
[0092]
综上所述，本技术至少包括以下有益技术效果：
[0093]
1.本技术基于图像识别算法检测识别结果确定人员-车辆关系，并确认驾乘关系，再通过人员比对技术确认身份，从而得到更精细、准确的人车驾乘关系，并入图数据库形成人车驾乘关系图谱，硬件存储成本大大下降；
[0094]
2.本技术一种人车驾乘关系分析方法在低存储成本、低算力成本、不依赖时空数据前提下，仅依靠对图片的检测结果确定人车驾乘关系，并提供驾乘关系分析能力。可应用于安防等领域，为使用者提供精准、有效的人车驾乘关系信息。
附图说明
[0095]
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本技术的原理。将容易认识到其它实施例和实施例的很多预期优点，因为通过引用以下详细描述，它们变得被更好地理解。附图的元件不一定是相互按照比例的。同样的附图标记指代对应的类似部件。
[0096]
图1是本技术一个实施例中的人车驾乘关系分析方法的流程图。
[0097]
图2是本技术一个实施例中的人车驾乘关系分析方法的步骤s1的具体流程示意图。
[0098]
图3是可以应用于本技术的人车驾乘关系分析方法的一个具体实施例的步骤s1的流程示意图。
[0099]
图4是本技术一个实施例中的人车驾乘关系分析方法的步骤s2的具体流程示意图。
[0100]
图5是可以应用于本技术的人车驾乘关系分析方法的一个具体实施例的步骤s2的流程示意图。
[0101]
图6是本技术一个实施例中的人车驾乘关系分析方法的步骤s3的具体流程示意图。
[0102]
图7是可以应用于本技术的人车驾乘关系分析方法的一个具体实施例的步骤s3的流程示意图。
[0103]
图8是本技术一个实施例中的人车驾乘关系分析方法的步骤s4的具体流程示意图。
[0104]
图9是可以应用于本技术的人车驾乘关系分析方法的一个具体实施例的步骤s4的流程示意图。
[0105]
图10是本技术一个实施例中的人车驾乘关系分析方法的步骤s5的具体流程示意图。
[0106]
图11是可以应用于本技术的人车驾乘关系分析方法的一个具体实施例的步骤s5的流程示意图。
[0107]
图12是本技术一个实施例中的人车驾乘关系分析装置的模块结构示意图。
[0108]
图13是适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。
具体实施方式
[0109]
下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
[0110]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
[0111]
图1示出了本技术一种人车驾乘关系分析方法的流程图，参考图1，该方法具体包括以下步骤：
[0112]
s1：获取车卡抓拍设备图片数据，并对所述车卡抓拍设备图片数据进行数据筛选；
[0113]
通过上述技术方案，步骤s1获取工作日、周日、节假日各一天的车卡抓拍数据，每
个卡口每h小时取一张图片进行目标检测，过滤掉检测结果不满足挖掘要求的车卡设备，对该类设备不再做人车驾乘关系挖掘。
[0114]
在具体的实施例中，图2示出了本技术一种人车驾乘关系分析方法的步骤s1的具体流程示意图，图3示出了可以应用于本技术的人车驾乘关系分析方法的一个具体实施例的步骤s1的流程示意图，结合参考图2和图3， s1具体包括以下步骤：
[0115]
s11：分别选取工作日、周日以及节假日各一天的所有车卡抓拍设备图片数据；
[0116]
s12：对各个车卡抓拍设备每间隔一段时间获取一张图片数据进行图像检测；
[0117]
s13：分别统计每个车卡抓拍设备的人脸、人体、车辆、车牌号检测结果数；
[0118]
s14：过滤人脸、人体、车辆、车牌号同时低于各检测结果数阈值的车卡抓拍设备；
[0119]
s15：对检测结果数做汇总降序排序，对检测结果多的车卡抓拍设备进行优先处理。
[0120]
s2：对筛选后的车卡抓拍设备图片数据进行图像检测，获得满足检测条件的人车图像数据，所述图像检测包括利用目标检测算法获取人脸框、人体框和车辆框坐标，以及利用ocr算法获取车牌框坐标和车牌号；
[0121]
在具体的实施例中，图4示出了本技术一种人车驾乘关系分析方法的步骤s2的具体流程示意图，图5示出了可以应用于本技术的人车驾乘关系分析方法的一个具体实施例的步骤s2的流程示意图，结合参考图4和图5， s2具体包括以下步骤：
[0122]
s21：获取筛选后的车卡抓拍设备图片数据；
[0123]
s22：对筛选后的车卡抓拍设备图片数据调用人脸检测算法，若检测到人脸，则执行s23，否则执行s25；
[0124]
s23：调用目标检测算法，若同时检测到人体、车辆以及车牌框，则执行s24，否则执行s25；
[0125]
s24：获取车牌框位置，调用ocr识别算法，若识别出车牌号，则执行s3，否则执行s25；
[0126]
s25：结束当前车卡抓拍设备图片数据的图像检测，进行下一张车卡抓拍设备图片数据的图像检测。
[0127]
s3：对满足检测条件的人车图像数据进行人车驾乘关系分析，构建人脸-车牌-驾乘关系；
[0128]
在具体的实施例中，参考图6和图7，图6示出了本技术一种人车驾乘关系分析方法的步骤s3的具体流程示意图，图7示出了可以应用于本技术的人车驾乘关系分析方法的一个具体实施例的步骤s3的流程示意图，结合参考图6和图7，s3具体包括以下步骤：
[0129]
s31：遍历人脸框坐标列表，获取人脸框坐标；
[0130]
s32：遍历人体框坐标列表，获取人体框坐标；
[0131]
s33：计算人脸-人体的iou以及iour指标；
[0132]
s34：判断是否满足人脸人体关系约束条件，若满足则执行s35，否则执行s312；
[0133]
s35：遍历车辆框坐标列表，获取车辆框坐标；
[0134]
s36：分别计算人脸-车辆以及人体-车辆的iou以及iour指标；
[0135]
s37：判断是否满足人脸人体车辆关系约束条件，若满足则执行s38，否则执行s314；
[0136]
s38：遍历车牌框坐标列表，获取车牌号坐标以及对应车牌号；
[0137]
s39：确定车牌号坐标的最大最小坐标；
[0138]
s310：判断是否满足车辆车牌关系约束条件，若满足则执行s311，否则执行s315；
[0139]
s311：确定正副驾驶位位置；
[0140]
s312：判断人体框坐标是否遍历结束，若是则执行s313，否则返回步骤s32；
[0141]
s313：判断人脸框坐标是否遍历结束，若是则执行s317，否则返回步骤s31；
[0142]
s314：判断车辆框坐标是否遍历结束，若是则执行s312，否则返回步骤s35；
[0143]
s315：判断车牌坐标是否遍历结束，若是则执行s314，否则返回步骤 s38；
[0144]
s316：输出人脸框坐标、车牌号以及驾驶位标记，执行s4；
[0145]
s317：结束当前车卡抓拍设备图片数据的人车驾乘关系分析，进行下一张车卡抓拍设备图片数据的人车驾乘关系分析。
[0146]
在具体的实施例中，对象框坐标的定义为：
[0147]
对图像进行检测所得到的边界框bbox坐标，其中人脸框坐标为f，人体框坐标为p，车辆框坐标为c，车牌框坐标为license。主要有两类。
[0148]
一类是人脸、人体、车辆框bbox坐标的数据格式，形如： [left,top,right,bottom],其中left为边界框的左上角x坐标，top为边界框的左上角y坐标，right为边界框的右下角x坐标，bottom为边界框的右下角y 坐标。
[0149]
一类是车牌框bbox在原图中的像素坐标，4*2的矩阵，依次表示车牌框左上、右上、右下、左下顶点的坐标。
[0150]
在具体的实施例中，s3中的iou和iour指标的算法为：
[0151]
步骤101：根据矩形框box1:[xmin1,ymin1,xmax1,ymax1]； box2:[xmin2,ymin2,xmax2,ymax2]，获取矩形框交集对应的左上角和右下角的坐标[xx1,yy1,xx2,yy2]，其中
[0152]
xx1＝max(xmin1,xmin2)；
[0153]
yy1＝max(ymin1,ymin2)；
[0154]
xx2＝min(xmax1,xmax2)；
[0155]
yy2＝max(ymax1,ymax2)；
[0156]
步骤102：计算两个矩形面积：
[0157]
area1＝(xmax1-xmin1)*(ymax1-ymin1)；
[0158]
area2＝(xmax2-xmin2)*(ymax2-ymin2)；
[0159]
步骤103：计算iou和iour指标：
[0160]
inter_area＝(max(0,xx2-xx1))*(max(0,yy2-yy1))；
[0161]
union_area＝area1+area2-inter_area；
[0162]
iou＝inter_area/union_area；
[0163]
iour＝iou/(area1/area2)。
[0164]
其中，iou指标是目标检测中重要的评价指标，其是预测框与目标框的交并比。iour指标是计算预测框是否完全在目标框内的占比情况。 inter_area代表交集面积，union_area代表并集面积。
[0165]
在具体的实施例中，所述s3中的人脸人体关系约束条件的算法为：
[0166][0167]
其中fp
iou
为人脸框和人体框之间的iou值，fpt是其阈值，默认为0； fp
iour
为人脸框和人体框之间的iour值，fprt是其阈值，默认为0.80。
[0168]
在具体的实施例中，所述s3中的人脸人体车辆关系约束条件具体为：
[0169][0170]
其中，fc
iou
为人脸框和车辆框之间的iou值，fct是其阈值，默认为0；
[0171]
fc
iour
为人脸框和车辆框之间的iour值，fcrt是其阈值，默认为0.80；
[0172]
pc
iou
为人体框和车辆框之间的tou值，pct是其阈值，默认为0；
[0173]
pc
iour
为人体框和车辆框之间的tour值，pcrt是其阈值，默认为0.80；
[0174]
p[3]＜c[1]+(c[3]-c[1])*halft指人体框下边界线不得超过车辆halft的下边界线；
[0175]
p[3]为人体框右下角x坐标，c[1]为车辆框左上角x坐标，c[3]为车辆框右下角x坐标，halft为边界分割比例，默认2/3。
[0176]
人脸人体车辆关系约束条件为人脸框、人体框都必须在车辆框内，且人体框下边界线不得超过车辆框halft的下边界线。
[0177]
在具体的实施例中，所述s3中的车辆车牌关系约束条件具体为：
[0178][0179]
其中，c为车辆框的坐标；plate_text为车牌号文本，plate_text_t为文本长度阈值，默认5；
[0180]
license_maxmin为车牌号坐标license的最大最小坐标：[min(licensex)， min(licensey)，max(licensex)，max(licensey)]；其中，licensex是license所有坐标点的x列表，licensey是license所有坐标点的y列表。
[0181]
车辆车牌关系约束条件为车牌框需要在车辆框内，且车牌号的文本长度必须要超过阈值。
[0182]
在具体的实施例中，所述s3中的正副驾驶位位置确定条件具体为：
[0183][0184]
其中right为正，left为副，f[0]为人脸框左上角x坐标，c[0]为车辆框左上角x坐标,c[2]为车辆框右下角x坐标。
[0185]
正副驾驶位位置确定条件为判断人脸框是在车辆框的左半边还是右半边，右半边则为正驾驶，否则为副驾驶。
[0186]
通过上述技术方案，计算两两之间坐标框组合的关联指标确定人脸-人体-车辆-车牌-驾乘位关系组合；根据人体框在车辆框位置分布，确定其是副驾驶还是驾驶位乘坐
者。
[0187]
s4：获取确定人脸-车牌-驾乘关系后的人车图像数据中的人脸图片，利用人脸图片在档案数据库中进行以图搜档，获取对应的档案身份，构建人脸身份-车牌-驾乘关系；
[0188]
在具体的实施例中，参考图8和图9，图8示出了本技术一种人车驾乘关系分析方法的步骤s4的具体流程示意图，图9示出了可以应用于本技术的人车驾乘关系分析方法的一个具体实施例的步骤s4的流程示意图，结合参考图8和图9，s4具体包括以下步骤：
[0189]
s41：获取步骤s3中的确定人脸-车牌-驾乘关系后的人车图像数据；
[0190]
s42：根据人脸框坐标提取人脸图片；
[0191]
s43：利用人脸图片进行以图搜档；
[0192]
s44：判断档案数据库中是否存在大于预设相似度阈值的人脸数据，若存在则执行s45，否则执行s46；
[0193]
s45：获取对应档案身份，构建人脸身份-车牌-驾乘关系，执行s5；
[0194]
s46：结束当前车卡抓拍设备图片数据的人车驾乘关系分析，进行下一张车卡抓拍设备图片数据的人车驾乘关系分析。
[0195]
s5：将人脸身份-车牌-驾乘关系录入到图数据库，形成驾乘关系图谱。
[0196]
在具体的实施例中，参考图10和图11，图10示出了本技术一种人车驾乘关系分析方法的步骤s5的具体流程示意图，图11示出了可以应用于本技术的人车驾乘关系分析方法的一个具体实施例的步骤s5的流程示意图，结合参考图10和图11，s5具体包括以下步骤：
[0197]
s51：获取人脸档案身份以及对应的车牌号和驾驶位标记；
[0198]
s52：构建人脸档案身份对应的face节点以及车牌号对应的veco节点；
[0199]
s53：创建face2veco边关系，以驾驶位标记、关联次数以及关联天数做为属性录入到neo4j图数据库，形成驾乘关系图谱，并将关系详情录入到检索数据库。
[0200]
通过上述技术方案，将身份id，车牌id作为节点以及驾乘关系做为边，驾驶位、关联次数、关联天数做为属性入到数据库，形成关系图谱，并将关系详情入到mongo和/或es检索数据库，用于溯源。
[0201]
本技术一种人车驾乘关系分析方法在低存储成本、低算力成本、不依赖时空数据前提下，仅依靠对图片的检测结果确定人车驾乘关系，并提供驾乘关系分析能力。可应用于安防等领域，为使用者提供精准、有效的人车驾乘关系信息。
[0202]
本技术一种人车驾乘关系分析方法具有以下有益技术效果：
[0203]
1、基于图像识别算法检测识别结果确定人员-车辆关系，并确认驾乘关系，再通过人员比对技术确认身份，从而得到更精细、准确的人车驾乘关系，并入图数据库形成人车驾乘关系图谱，硬件存储成本大大下降。
[0204]
2、不依赖时空数据。
[0205]
3、场景不限，只要是车卡数据都适用。
[0206]
进一步参考图12，作为对上述所述方法的实现，本技术提供了一种人车驾乘关系分析装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0207]
参考图12，一种人车驾乘关系分析装置，包括：
[0208]
设备选择模块201，配置用于获取车卡抓拍设备图片数据，并对所述车卡抓拍设备
图片数据进行数据筛选；
[0209]
图像检测模块202，配置用于对筛选后的车卡抓拍设备图片数据进行图像检测，获得满足检测条件的人车图像数据，所述图像检测包括利用目标检测算法获取人脸框、人体框和车辆框坐标，以及利用ocr算法获取车牌框坐标和车牌号；
[0210]
关系确定模块203，配置用于对满足检测条件的人车图像数据进行人车驾乘关系分析，构建人脸-车牌-驾乘关系；
[0211]
确认身份模块204，配置用于获取确定人脸-车牌-驾乘关系后的人车图像数据中的人脸图片，利用人脸图片在档案数据库中进行以图搜档，获取对应的档案身份，构建人脸身份-车牌-驾乘关系；
[0212]
关系入库模块205，配置用于将人脸身份-车牌-驾乘关系录入到图数据库，形成驾乘关系图谱。
[0213]
下面参考图13，其示出了适于用来实现本技术实施例的电子设备的计算机系统300的结构示意图。图13示出的电子设备仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0214]
如图13所示，计算机系统300包括中央处理单元(cpu)301，其可以根据存储在只读存储器(rom)302中的程序或者从存储部分308加载到随机访问存储器(ram)303中的程序而执行各种适当的动作和处理。在ram 303中，还存储有系统300操作所需的各种程序和数据。cpu 301、 rom 302以及ram 303通过总线304彼此相连。输入/输出(i/o)接口305 也连接至总线304。
[0215]
以下部件连接至i/o接口305：包括键盘、鼠标等的输入部分306；包括诸如液晶显示器(lcd)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器 130也根据需要连接至i/o接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器130上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。
[0216]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(cpu)301执行时，执行本技术的方法中限定的上述功能。
[0217]
作为另一方面，本技术还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行时实现如图1中所示的方法。
[0218]
需要说明的是，本技术所述的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连
接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0219]
可以以一种或多种程序设计语言或其组合来编写用于执行本技术的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0220]
附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0221]
以上描述了本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。
[0222]
在本技术的描述中，需要理解的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。措词
‘
包括’并不排除在权利要求未列出的元件或步骤的存在。元件前面的措词
‘
一’或
‘
一个’并不排除多个这样的元件的存在。在相互不同从属权利要求中记载某些措施的简单事实不表明这些措施的组合不能被用于改进。在权利要求中的任何参考符号不应当被解释为限制范围。