一种无人驾驶汽车的制作方法

本发明涉及车辆自动控制领域，具体涉及一种无人驾驶汽车。

背景技术：

随着无人驾驶汽车的迅猛发展，无人驾驶汽车将会普及到普通的家庭用户。现有技术的无人驾驶汽车上省去了方向盘、油门、刹车等人工驾驶的装置，可以仅设置启动和停止键，无人驾驶汽车便可以启动，载着搭乘者前往目的地。但是，上述现有的无人驾驶汽车的启动方案中，任意能够进入无人驾驶汽车的搭乘者均可以按下启动键，启动无人驾驶汽车，导致无人驾驶汽车丢失风险较大。因此，现有的无人驾驶汽车的启动方案的安全性较差。

技术实现要素：

针对上述问题，本发明提供一种无人驾驶汽车，用于提高无人驾驶汽车的防盗安全性。

本发明的目的采用以下技术方案来实现：

一种无人驾驶汽车，该无人驾驶汽车包括：图像获取模块、图像处理模块、特征提取模块、身份识别模块和控制模块。图像获取模块，用于获取无人驾驶汽车内的搭乘者人脸图像的红外偏振图像和红外光强图像；图像处理模块，用于对红外偏振图像和红外光强图像进行去噪和融合处理，得到搭乘者的人脸融合图像；特征提取模块，用于获取人脸融合图像中的搭乘者的人脸图像特征向量；身份识别模块，用于判断搭乘者的人脸图像特征与预存储的车主信息库中有搭乘权限的人的人脸图像特征向量是否匹配，若匹配成功，则将匹配结果发送至控制模块，若匹配识别，则将匹配结果通过无线网传输至车主的移动终端进行报警；控制模块，用于接收匹配结果，并控制无人驾驶汽车启动。

本发明的有益效果为：本发明通过对搭乘者的身份进行识别，进而根据识别结果判断是否启动该无人驾驶汽车，该技术方案有效地防止了无人驾驶汽车被盗的风险，增加了无人驾驶汽车的安全性。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明一种无人驾驶汽车的结构图；

图2是图像处理模块2的框架结构图；

图3是高频子带系数计算子单元的框架结构图。

附图标记：图像获取模块1；图像处理模块2；特征提取模块3；身份识别模块4；控制模块5；移动终端6；应急锁定模块7；图像去噪子模块8；图像融合子模块9；nsct变换单元10；低频子带系数融合单元11；高频子带系数融合单元12；nsct反变换单元13；第一计算子单元14；第二计算子单元15；决策融合子单元16。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1，一种无人驾驶汽车，该无人驾驶汽车包括：图像获取模块1、图像处理模块2、特征提取模块3、身份识别模块4和控制模块5。图像获取模块1，用于获取无人驾驶汽车内的搭乘者人脸图像的红外偏振图像和红外光强图像；图像处理模块2，用于对红外偏振图像和红外光强图像进行去噪和融合处理，得到搭乘者的人脸融合图像；特征提取模块3，用于获取人脸融合图像中的搭乘者的人脸图像特征向量；身份识别模块4，用于判断搭乘者的人脸图像特征向量与预存储的车主信息库中有搭乘权限的人的人脸图像特征向量是否匹配，若匹配成功，则将匹配结果发送至控制模块5，若匹配识别，则将匹配结果通过无线网传输至车主的移动终端6进行报警；控制模块5，用于接收匹配结果，并控制无人驾驶汽车启动。

本发明的有益效果为：本发明通过对搭乘者的身份进行识别，进而根据识别结果判断是否启动该无人驾驶汽车，该技术方案有效地防止了无人驾驶汽车被盗的风险，增加了无人驾驶汽车的安全性。

优选地，该无人驾驶汽车还包括应急锁定模块7，应急锁定模块7与身份识别模块4连接，用于当匹配失败时，对该无人驾驶汽车进行锁定。

优选地，参见图2，图像处理模块2包括图像去噪子模块8和图像融合子模块9；

图像去噪子模块8，用于去除红外偏振图像和红外光强图像中的随机噪声；

图像融合子模块9，用于对去噪后红外偏振图像和红外光强图像进行融合处理，得到搭车者的人脸融合图像。

优选地，所述去除红外偏振图像和红外光强图像中的随机噪声，具体是：

(1)利用衰减函数计算所述红外偏振图像中各个像素点的灰度值的衰减程度值，其中，所述衰减函数的表达式为：

式中，f(x，y)为衰减函数，表示坐标为(x，y)的像素点的灰度值的衰减程度值，σlow为衰减函数的下限值，σup为衰减函数的上限值，α、ε为衰减曲线的形状控制常数，为以像素点p(x，y)为中心，大小为t×t矩形窗口内所有像素点灰度值的均值，g(x，y)为像素点p(x，y)的灰度值；

(2)根据得到的各个像素点的灰度值衰减度值，利用下式计算各个像素点去噪后的灰度值，所有去噪像素点灰度值构成的集合即为去噪后的红外偏振图像；其中，像素点p(x，y)去噪后的灰度值为：

式中，为去噪后的像素点p(x，y)处的灰度值，gp(x，y)为所述红外偏振图像中像素点p(x，y)处的灰度值；fp(x，y)为像素点p灰度值的衰减程度值；

(3)采用步骤1和步骤2对所述红外光强图像进行去噪，即可得到去噪后的红外光强图像。

有益效果：利用衰减函数计算搭乘者人脸图像的红外偏振图像和红外光强图像中各个像素点由于外界噪声带来的各个像素点灰度值的衰减程度值，进而求得去噪后的各个像素点的灰度值，该方法能够在保留搭乘者人脸图像的红外偏振图像和红外光强图像中搭车者人脸的边缘信息、纹理信息的同时，有效地去除两个图像中的随机噪声，提高了搭乘者人脸图像的红外偏振图像和红外光强图像的清晰度，有利于后续准确地获取待搭乘者的人脸图像特征数据，提高了对搭乘者身份识别的准确度，并增加了该无人驾驶汽车的安全性。

优选地，参见图3，图像融合子模块9包括nsct变换单元10、低频子带系数融合单元11、高频子带系数融合单元12和nsct反变换单元13。

nsct变换单元10，用于将去噪后红外偏振图像和红外光强图像分别进行nsct变换，得到去噪后的红外偏振图像和红外光强图像的子带系数，该子带系数包括低频子带系数和高频子带系数；

低频子带系数融合单元11，用于根据去噪后的红外偏振图像和红外光强图像的低频子带系数，采用平均加权算法计算搭车者的人脸融合图像的低频子带系数；

高频子带系数融合单元12，用于根据去噪后的红外偏振图像和红外光强图像的高频子带系数，基于多尺度融合计算搭车者的人脸融合图像的高频子带系数；

nsct反变换单元13，用于根据低频子带系数融合单元11和高频子带系数融合单元12所得的搭车者的人脸融合图像的低频子带系数和高频子带系数，进行nsct反变换，即可得到搭车者的人脸融合图像。

作为优选，根据去噪后的红外偏振图像和红外光强图像的低频子带系数，采用平均加权算法计算搭车者的人脸融合图像的低频子带系数，具体地，是利用平均加权算法计算搭车者的人脸融合图像中每个像素点的低频子带系数，其中搭车者的人脸融合图像中像素点(m，n)的低频子带系数利用下式计算得到：

式中，是去噪后的红外偏振图像的低频子带系数，是去噪后的红外光强图像的低频子带系数。

作为优选，高频子带系数融合单元12包括第一计算子单元14、第二计算子单元15和决策融合子单元16。

第一计算子单元14，用于根据去噪后的红外偏振图像和红外光强图像的高频子带系数，计算去噪后的红外偏振图像和红外光强图像的各个像素点的高频子带系数的活性度值，其中，对于去噪后的红外偏振图像和红外光强图像每个像素点，按照下式计算每个像素点的各个高频子带系数的活性度值：

式中，为去噪后的红外偏振图像中像素点(a，b)的高频子带系数的活性度值，为去噪后的红外光强图像中像素点(a，b)的高频子带系数的活性度值，m×n为预设的像素点(a，b)的邻域大小，ω为像素点(a，b)的邻域，(a′，b′)为像素点(a，b)的邻域内任一像素点，wpol(a′，b′)为去噪后的红外偏振图像中像素点(a′，b′)在邻域内的权值，wint(a′，b′)为去噪后的红外光强图像中像素点(a′，b′)在邻域内的权值，其中wpol(a′，b′)＝wint(a′，b′)，且满足∑(a′，b′)∈ωwpol(a′，b′)＝1，为去噪后的红外偏振图像中像素点(a′，b′)在j尺度、k方向上的高频子带系数，为去噪后的红外光强图像中像素点(a′，b′)在j尺度、k方向上的高频子带系数。

有益效果：通过计算高频子带系数的活性度值，该活性度值可以度量相应高频子带系数的显著程度，同时在求解各个高频子带系数的活性度值时，考虑了图像中位置(a，b)的邻域窗口内其他位置处的高频子带系数对位置(a，b)处高频子带系数活性度的影响，使得各个高频子带系数能够自适应的进行调整，能够更加准确地描述各个高频子带系数的显著程度，有利于后续求解融合图像的高频子带系数。

第二计算子单元15，用于根据去噪后的红外偏振图像和红外光强图像的高频子带系数，计算去噪后的红外偏振图像和红外光强图像的高频子带系数在各个像素点的匹配度值，其中，和在像素点(a，b)处的匹配度值的计算式为：

式中，m^j，k(a，b)表示在像素点(a，b)处的和的匹配度值。

有益效果：该第二计算子单元15考虑了两个图像中相同像素点位置的高频子带系数的匹配程度，该做法更多地保留了两个图像中的边缘信息和纹理信息，同时在后续中有利于在进行融合的同时，能够有效地综合去噪后的红外偏振图像和红外光强图像中的有用信息，提高了后续的融合效果，保留了详细的搭车者的人脸融合图像的纹理特征信息，方便后续对搭乘者的身份进行识别，提高了对搭乘者身份识别的准确度，并增加了该无人驾驶汽车的安全性。

决策融合子单元16，用于对第一计算子单元14和第二计算子单元15得到的计算结果进行综合分析和判断，并对去噪后的红外偏振图像和红外光强图像的高频子带系数进行融合，得到融合图像的高频子带系数，其中，在融合图像中像素点(a，b)在j尺度、k方向上的高频子带系数可利用下方的融合公式得到：

式中，为融合图像中像素点(a，b)处的在j尺度，k方向上的高频子带系数，为去噪后的红外偏振图像位置(a，b)处的在j尺度，k方向上的高频子带系数的权重系数，χ为设定的匹配度阈值。

有益效果：通过设定的匹配度阈值，对待进行融合处理的去噪后的红外偏振图像和红外光强图像的匹配程度进行判断，当匹配程度大于设定的阈值时，再进一步利用活跃度值进一步判断，该做法能够保留高频子带系数中的显著信息，同时进一步抑制了去噪后的红外偏振图像和红外光强图像中残余噪声带来的干扰。提高了对去噪后红外偏振图像和红外光强图像的融合效果，降低了后续对搭乘者的人脸融合图像特征提取的复杂度，延长了人脸识别的使用寿命，同时也能够有效地防止了无人驾驶汽车被盗的风险，增加了无人驾驶汽车的安全性。

优选地，所述判断搭乘者的人脸图像特征向量与预存储的车主信息库中有搭乘权限的人的人脸图像特征向量是否匹配，具体为：当搭乘者的人脸图像特征向量和预存储的车主信息库中有搭乘权限的人的人脸图像特征向量满足则匹配成功，即搭车者具有搭乘权限，否则，匹配识别，即搭乘者不具有搭乘权限，其中，ξ为自定义的相似度因子。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。