本发明涉及人脸识别技术，特别涉及车联网中人脸识别的技术。
背景技术：
虽然随着大数据和人工智能、生物识别技术的不断发展，尤其在车联网行业领域的不断创新应用，但车载中控终端还不能实现因人而异的个性化定制业务应用。若要通过人脸识别技术来进行驾驶员身份识别，并以此为基础通过大数据分析来制定驾驶员个性化应用配置，则由于目前人脸识别在车辆内部识别效果不尽如人意，导致无法实现，其原因在于：传统的人脸识别技术主要是基于可见光图像的人脸识别，其有着难以克服的缺陷，在环境光照发生变化时，尤其是车辆内部环境中其识别效果会急剧下降，无法满足实际系统的需求，而解决光照问题的方案目前有三维图像人脸识别及热成像人脸识别，但这两种技术还远不成熟，识别效果不尽如人意。
技术实现要素：
本发明的目的是要解决由于目前人脸识别在车辆内部识别效果不尽如人意，导致无法实现识别驾驶员身份，从而无法为其进行个性化配置的问题，提供了一种基于人脸识别的车载中控个性化配置系统。
本发明解决其技术问题，采用的技术方案是，基于人脸识别的车载中控个性化配置系统，其特征在于，包括图像信息采集单元及云平台，所述图像信息采集单元与云平台连接，
所述图像信息采集单元用于采用主动近红外图像采集方式采集驾驶员的人脸图像信息，并上传至云平台；
所述云平台对得到的人脸图像信息进行存储及预处理，提取其人脸特征，通过提取的人脸特征进行大数据分析匹配与识别，得到对应驾驶员的个性化配置方案，并将其发送给对应的车载中控终端执行。
具体的，所述采用主动近红外图像采集方式采集驾驶员的人脸图像信息，并上传至云平台是指：当驾驶员在图像信息采集单元拍摄范围内时，图像信息采集单元采用主动近红外图像采集方式自动搜索并拍摄驾驶员的人脸图像信息，并将其实时上传至云平台。
进一步的，所述人脸图像信息为静态图像或动态图像；所述静态图像或动态图像为该驾驶员不同位置和/或不同表情的静态图像或动态图像。
具体的，所述预处理是指：对人脸图像信息进行光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波及锐化。
再进一步的，所述人脸特征包括视觉特征、像素统计特征、人脸图像变换系数特征及人脸图像代数特征。
具体的，所述提取其人脸特征，通过提取的人脸特征进行大数据分析匹配与识别是指：预设一个阈值，提取人脸特征，将提取出的人脸特征与预存的人脸图像识别模型进行相似度匹配识别，若相似度大于等于预设的阈值，则输出该匹配结果，得到对应的驾驶员信息。
再进一步的，所述提取人脸特征，将提取出的人脸特征与预存的人脸图像识别模型进行相似度匹配识别中，采用针对光照变化的人脸识别算法。
具体的，所述针对光照变化的人脸识别算法包括以下步骤：
步骤1、采用IAS算法处理原图像I，得到ILAS，具体公式为：
w(t)(x,y)＝g(d(t)(x,y))
其中，N(t)(x，y)是规范化因子；w(t)(x，y)是模板的系数；g表示传导函数，为非负且单调递减的函数，g(d(t)(x，y))随着d(t)(x，y)的增大而趋向于0，传导函数的性质决定了算法的平滑效果；d(t)(x，y)代表每个像素的变化程度，L(t+1)是第t+1次迭代估计出的光照分量，、(x,y)是像素的坐标位置；
步骤2、采用LCE算法对原图像I进行处理，得到ILCE，具体公式为：
其中，I(m，n)是图像在(m，n)坐标的灰度值，Y(m，n)是进行LCE算法变换后的一个图像值；
步骤3、分别计算ILAS与ILCE的标准差sd1及sd2，其计算公式为：
其中，μ是图像的像素的均值，σ是标准差，标准差通过先计算均值μ，再进行计算，sd1是ILAS的标准差σ，sd2是ILCE的标准差σ；
计算得到加权融合系数ω1和ω2，其计算公式为：
ω1＝sd1/(sd1+sd2)
ω2＝sd2/(sd1+sd2)
通过融合算法得到处理结果；
步骤4、对处理结果用稀疏表示进行分类识别。
再进一步的，所述得到对应驾驶员的个性化配置方案是指：得到对应驾驶员信息后，根据该驾驶员的应用操作设置及使用历史数据进行大数据分析归类，得到推荐的个性化配置方案。
本发明的有益效果是，在本发明方案中，通过上述基于人脸识别的车载中控个性化配置系统，其采用主动近红外图像采集方式，避免了环境光照的问题，可以实现驾驶员的个性化中控配置，提升用户体验。
附图说明
图1为本发明实施例中基于人脸识别的车载中控个性化配置系统的系统框图。
具体实施方式
下面结合实施例及附图，详细描述本发明的技术方案。
本发明所述基于人脸识别的车载中控个性化配置系统，包括图像信息采集单元及云平台，其中，图像信息采集单元与云平台连接，这里，图像信息采集单元用于采用主动近红外图像采集方式采集驾驶员的人脸图像信息，并上传至云平台；云平台对得到的人脸图像信息进行存储及预处理，提取其人脸特征，通过提取的人脸特征进行大数据分析匹配与识别，得到对应驾驶员的个性化配置方案，并将其发送给对应的车载中控终端执行。
实施例
本发明实施例的基于人脸识别的车载中控个性化配置系统，其系统框图参见图1，包括图像信息采集单元及云平台，其中，图像信息采集单元与云平台连接。
这里，图像信息采集单元用于采用主动近红外图像采集方式采集驾驶员的人脸图像信息，并上传至云平台。采用主动近红外图像采集方式采集驾驶员的人脸图像信息，并上传至云平台可以为：当驾驶员在图像信息采集单元拍摄范围内时，图像信息采集单元采用主动近红外图像采集方式自动搜索并拍摄驾驶员的人脸图像信息，并将其实时上传至云平台。人脸图像信息可以为静态图像或动态图像，具体为该驾驶员不同位置和/或不同表情的静态图像或动态图像。基于主动近红外图像的多光源人脸识别技术使用强度高于环境光线的主动近红外光源成像，配合相应波段的光学滤片，可以得到环境无关的人脸图像，人脸图像只会随着人与摄像头的距离变化而单调变化。
云平台对得到的人脸图像信息进行存储及预处理，提取其人脸特征，通过提取的人脸特征进行大数据分析匹配与识别，得到对应驾驶员的个性化配置方案，并将其发送给对应的车载中控终端执行。
本例中，预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理，因此预处理可以包括：对人脸图像信息进行光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波及锐化等，此为现有技术，此处不再详述。
而人脸特征可包括视觉特征、像素统计特征、人脸图像变换系数特征及人脸图像代数特征等，人脸特征提取就是针对人脸的某些特征进行的。其中基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征，此为现有技术，此处不再详述。
本例中，提取其人脸特征，通过提取的人脸特征进行大数据分析匹配与识别可以为：预设一个阈值，提取人脸特征，将提取出的人脸特征与预存的人脸图像识别模型进行相似度匹配识别，若相似度大于等于预设的阈值，则输出该匹配结果，得到对应的驾驶员信息。
提取人脸特征，将提取出的人脸特征与预存的人脸图像识别模型进行相似度匹配识别中，可采用针对光照变化的人脸识别算法。
则针对光照变化的人脸识别算法优选为包括以下步骤：
步骤1、采用IAS算法处理原图像I，得到ILAS，具体公式为：
w(t)(x,y)＝g(d(t)(x,y))
其中，N(t)(x，y)是规范化因子；w(t)(x，y)是模板的系数；g表示传导函数，为非负且单调递减的函数，g(d(t)(x，y))随着d(t)(x，y)的增大而趋向于0，传导函数的性质决定了算法的平滑效果；d(t)(x，y)代表每个像素的变化程度，L(t+1)是第t+1次迭代估计出的光照分量，、(x,y)是像素的坐标位置，图像是一个矩阵数据，通过(x,y)坐标可以唯一确定某一个像素点；
步骤2、采用LCE算法对原图像I进行处理，得到ILCE，具体公式为：
其中，I(m，n)是图像在(m，n)坐标的灰度值，Y(m，n)是进行LCE算法变换后的一个图像值；
步骤3、分别计算ILAS与ILCE的标准差sd1及sd2，其计算公式为：
其中，μ是图像的像素的均值，σ是标准差，标准差通过先计算均值μ，再进行计算，即下面的公式是上面公式的基础，sd1是ILAS的标准差σ，sd2是ILCE的标准差σ，算法的整体是思路是，将源图像分别进行步骤1和步骤2的算法变换，然后分别计算ILAS和ILCE的标准差sd1和sd2，得到加权融合系数ω1和ω2，通过融合算法得到最终的光照无关人脸图像；
计算得到加权融合系数ω1和ω2，其计算公式为：
ω1＝sd1/(sd1+sd2)
ω2＝sd2/(sd1+sd2)
通过融合算法得到处理结果；
步骤4、对处理结果用稀疏表示进行分类识别。
这里，得到对应驾驶员的个性化配置方案优选为：得到对应驾驶员信息后，根据该驾驶员的应用操作设置及使用历史数据进行大数据分析归类，得到推荐的个性化配置方案。