CN105554354A

CN105554354A - 一种高清摄像头

Info

Publication number: CN105554354A
Application number: CN201510989073.2A
Authority: CN
Inventors: 赵中伟
Original assignee: Zhejiang Gongshang University
Current assignee: Zhejiang Gongshang University
Priority date: 2015-12-24
Filing date: 2015-12-24
Publication date: 2016-05-04

Abstract

本发明适用于摄像头领域，提供了一种高清摄像头，包括：摄像头本体和与所述摄像头本体连接的存储模块，所述存储模块存储有人脸检测和识别算法，所述人脸检测和识别算法用于在所述摄像头本体摄入图像时，从所述图像中检测并识别出人脸图像。本发明实施例，高清摄像头本地设置人脸提取和识别算法，在摄像头摄入图像之后，通过本地存储的人脸提取和识别算法从摄入的图像中识别出人脸，避免了由于云服务器的排队原因造成的人脸识别缓慢，提升了摄像头识别人脸图像的速度。

Description

一种高清摄像头

技术领域

本发明属于摄像头领域，尤其涉及一种高清摄像头。

背景技术

摄像头(CAMERA或WEBCAM)作为一种视频输入设备，已经被广泛的运用于视频会议、远程医疗及实时监控等方面。摄像头可分为数字摄像头和模拟摄像头两大类。数字摄像头可以将视频采集设备产生的模拟视频信号转换成数字信号，进而将其储存在计算机里。模拟摄像头捕捉到的视频信号必须将模拟信号转换成数字信号，并加以压缩后才可以转换到计算机上运用。数字摄像头可以直接捕捉影像，然后通过串、并口或者USB接口传到计算机里。目前市场上的摄像头基本以数字摄像头为主，而数字摄像头中又以使用新型数据传输接口的USB数字摄像头为主，当前大部分都是这种产品。除此之外还有一种与视频采集卡配合使用的产品，但还不是主流。由于个人电脑的迅速普及，模拟摄像头的整体成本较高，而且不能满足BSV液晶拼接屏接口等原因，USB接口的传输速度远远高于串口、并口的速度，因此市场USB接口的数字摄像头。模拟摄像头可和视频采集卡或者USB视频采集卡配套使用，很方便的跟电脑连接使用，典型应用是一般的录像监控。而作为安防监控领域最重要的一个器件之一，摄像头从早先的CCD到现在CMOS低功耗，从原先的CIF低分辨率到现在全高清1080P，都随着材料工艺和视频电子技术的发展得到了极大的发展，也使得应用越来越广泛，已经深入到人类的日常生活中。但是随着人们对视频图像要求越来越高，单一功能的摄像头已经无法满足人们的要求，因此具备生物识别技术、高清图像实时处理技术、自动调焦技术、高宽带的无线传输技术的复合型摄像头已经越来月得到市场的重视，总体来讲，目前的摄像头技术呈现如下发展趋势：

从低分辨率向高分辨率发展

早期的摄像头的图像分辨率都比较低，一般都在720x576像素之内，随着材料工艺的不断发展，目前的传感器镜头的分辨率已经向全高清甚至4K超高清发展，使得用现在的摄像镜头拍摄下来的图片无论是在清晰度上还是图片质量上都得到极大的提升，满足人们安防监控对图像质量的要求。当然这些超高清晰度的图像必然会带来后续图像处理处理器的速度和存储器容量的极高要求，这也是限制目前图像向更高级发展的技术瓶颈之一。

从单一功能向复合功能发展

早期的摄像头无论是CCD还是CMOS，都只是将图像拍摄进来，经过一定的DSP处理后交付给后端的处理器处理或监测存储，但是随着安防监测领域技术需求的不断提高，单一功能的摄像头显然已经无法满足这些要求，因此集合生物识别技术、全自动目标自动跟踪、自动调焦技术、甚至集合高宽带的网络传输的摄像头越来越受到欢迎。其中集合生物识别技术的复合型摄像头未来将最受到市场的重视。生物识别技术主要分为：人脸检测和识别技术、视网膜识别技术、指纹识别技术、语音识别技术、掌纹识别技术等，目前最受到重视的，并且在未来会进行大规模铺开应用的就是人脸检测和识别技术，相对于其他生物识别技术，人脸识别技术技术含量和算法复杂度更高，对后端处理器的性能要求也更加苛刻，尽管目前由于受到人脸识别算法精度以及处理器处理速度瓶颈制约，但是由于人脸识别在识别精确度和打击伪造领域比其他生物识别技术更加可靠，因此未来将作为主要的生物识别技术而受到极大的拓展。

尽管目前人脸识别技术已经得到市场认可，并且越来越得到重视，无论在算法架构、处理速度和效率还是在样本的自主采样和学习、数据库的自主更新等方面都有大量的文献和实际应用出现，但是人脸识别技术目前仍然存在一些问题，主要如下：

1.网络架构的单一化以及对样本库的高度依赖性限制处理速度和精度的进一步提高

考虑到图像处理速度、数据量的庞大以及样本库的不断更新和学习作用，目前极大多数的人脸识别算法都部署在后台的服务器上，尤其是部署在“云”服务器上的算法库是目前主要的应用，但是这种应用需要后台服务器支撑，如果摄像头不断铺开，在几百万摄像头同时进行识别情况下，即使是云服务器也会无法支撑如此庞大的数据运算。因此本发明提出了一种全新的利用计算机分布式结构和异步网格结构的人脸识别网络处理架构：将人脸检测和识别算法部署到各个摄像头中，也就是各个图像采集终端中，由摄像头自身完成对人脸的检测、图像处理、人脸识别、样本库的学习和更新等，和服务器的处理速度相比，由于摄像头本身配备的是嵌入式的处理器，在处理速度上可能无法和服务器相比，但是如果按照排队理论，如果一个云服务器要同时处理几万个甚至几十万摄像头的人脸检测和识别算法，那么处理速度反而不如单个摄像头配备的嵌入式多核处理器，因为在嵌入式多核处理器上面，可以装配最先进的DSP处理器和ARM处理器，利用多核之间的数据交互架构，基本可以达到当前云服务器架构的几分之一的运算速度，而在存储容量上，对于小样本库的人脸识别应用，可以直接在本地摄像头部署大容量的SD卡甚至小型的固态硬盘，目前大容量的SD卡基本做到512G左右，而固态硬盘基本都在T以上的容量，完全满足小样本库的人脸识别应用。

而对于大样本库，采取将样本库部署在云服务器，一旦有需求，可以通过高宽带无线网络直接从服务器下载样本库到本地进行对比和运算。因此采取这种异步网格架构的人脸识别网络架构将完全满足未来高速、低延迟、高精度和高清晰度的人脸识别的市场应用需求。

2.人脸检测和识别算法模型缺陷和更新速度无法满足市场对该技术的越来越高的要求

目前绝大多数的人脸识别算法基本都部署在云服务器上，因此采取纯软件模式和X86PC架构的人脸检测和识别算法模型在实际的应用上，由于模型本身对图像处理、数据融合和程序实时性方面都或多或少存在一些不足，导致当前主流的已经规模化应用的人脸识别算法都存在精度不足和运算速度效率低下的问题，而在安防监测领域或在一些银行金融验证领域，需要做到对目标的精确识别和高度实时，而目前人脸识别算法模型的缺陷阻碍了人脸识别在这些重要领域的大规模应用。

发明内容

本发明实施例的目的在于提供一种高清摄像头，以解决现有技术由于云服务器的排队原因造成人脸图像识别缓慢的问题。

本发明实施例是这样实现的，一种高清摄像头，包括：摄像头本体和与所述摄像头本体连接的存储模块，所述存储模块存储有人脸检测和识别算法，所述人脸检测和识别算法用于在所述摄像头本体摄入图像时，从所述图像中检测并识别出人脸图像。

本发明实施例，高清摄像头本地设置人脸提取和识别算法，在摄像头摄入图像之后，通过本地存储的人脸提取和识别算法从摄入的图像中识别出人脸，避免了由于云服务器的排队原因造成的人脸识别缓慢，提升了摄像头识别人脸图像的速度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的高清摄像头的结构图；

图2为本发明实施例提供的高清摄像头正面结构示意图；

图3为本发明实施例提供的高清摄像头侧面结构示意图；

图4为本发明实施例提供的高清摄像头背面结构示意图；

图5为本发明实施例提供的高清摄像头各设备之间的连接示意图；

图6～图10为本发明实施例提供的人脸识别算法模型的流程图；

图11为本发明实施例提供的人脸识别算法的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一

如图1所示为本发明实施例提供的高清摄像头的结构图，所述摄像头包括：

摄像头本体101和与所述摄像头本体101连接的存储模块102，所述存储模块102存储有人脸检测和识别算法，所述人脸检测和识别算法用于在所述摄像头本体101摄入图像时，从所述图像中检测并识别出人脸。

在本发明实施例中，高清摄像头包括有摄像头本体101和与所述摄像头本体101连接的存储模块102，在存储模块102中保存有人脸检测和识别算法，如果摄像头本体101摄入了图像，则高清摄像头通过保存的人脸检测和识别算法从摄入的图像中检测并识别出人脸。

摄像头本体101包括：摄像头、多核心处理器、光传感器、电池。

高清摄像头为具备低感光度和夜视功能的变焦镜头，镜头分辨率在1080P以上，焦距可由多核心处理器的程序控制并实现自动调焦功能，感光度和夜视功能可由软件自动控制，所述高清摄像头实时拍摄高清的目标图像，目标图像经过模数信号转换后传输至所述多核心处理器处理，所述多核心处理器包含多个硬件内核：一个核心用于高清图像和人脸识别算法处理的实时数字信号处理，其他核心用于响应传感器信号、无线信号、定位信号并将处理后的数据通过无线模块发送到云服务器。

存储模块102包括两种：一类是掉电后数据遗失的存储器，用于运行操作系统、应用程序、人脸检测和识别算法以及临时存储各类数据；另外一类是掉电后数据不会遗失的非遗失性存储器，包括集成的大容量存储器和外置大容量存储器，非遗失性存储器用于存放操作系统、应用程序、及需要永久保存的各类数据，这类数据包括人脸样本数据库、应用程序的配置数据。

本发明存储模块102通过人脸检测和识别算法对摄像头本体101摄入的图像进行计算，根据计算从图像中获取人脸图像，即由高清摄像头完成对人脸的检测、图像处理、人脸识别、样本库的学习和更新等，摄像头本身配备多核嵌入式的处理器，即DSP处理器和ARM处理器，利用多核之间的数据交互架构，基本可以达到当前云服务器架构的三分之一的运算速度，而在存储容量上，对于小样本库的人脸识别应用，可以直接在本地摄像头部署大容量的SD卡甚至小型的固态硬盘，完全满足小样本库的人脸识别应用。而对于大样本库，采取将样本库部署在云服务器，一旦有需求，可以通过高宽带无线网络直接从服务器下载样本库到本地进行对比和运算。

其中存储模块102检测和识别人脸的步骤，如下：

1、对摄入的图像进行预处理，从所述图像中获取动态目标。

在本发明实施例中，存储模块102调用人脸检测和识别算法对摄入的图像进行DSP预处理，包括：

首先对图像进行包括背景去噪、光照补强、轮廓聚类在内的预处理；

然后根据拍摄图像区域内的目标轮廓移动距离相对时间插值的像素改变对比，区分动态目标和静态目标；

最后控制摄像头，使得摄像头对焦到动态目标上，连续拍摄图片10张。

通常情况下，上述动态目标从锁定到图像提取，过程耗时1.3秒～1.5秒之间。

2、通过新Adaboost算法从所述动态目标中提取人脸，所述新Adaboost算法为在新Adaboost算法中加入皮肤检测。

在本发明实施例中，通过新Adaboost算法从所述动态目标中检测人脸的步骤，如下：

A.首先是通用的Adaboost人脸检测算法，即对所述动态目标进行图像处理：依据人脸多个特征值之间的关联性，尤其是人眼、耳朵、头发、鼻子和嘴巴之间距离、颜色、尺寸、形状等，在二维几何向量空间内对提取特征值向量；

B.在Adaboost算法基础上，增加肤色特征值提取，使得在背景比较复杂的环境下，增加对肤色先验知识，降低后验概率提取中误差增加和数据对比复杂度；

C.采用了优化的PTZ控制算法对人脸进行跟踪，能够达到实时的平移、旋转和缩放功能，并能找出最佳的图像帧用于人脸识别所需的特征值向量提取，从而减少对比误差，这部分的PTZ控制算法的流程如下所述：

初始化PTZ摄像头的拍摄范围，等待目标出现；

当目标进入视场，计算目标区域面积，记录目标与背景的相对位置；

利用相对位置信息，调整PTZ摄像头的拍摄位置和角度，使目标始终处于背景中央；

调整摄像头的焦距，获取最佳拍摄质量，直至目标消失；

返回第一步。

D.增加概率密度梯度函数作为一种权值依据，将特征值向量依据概率密度梯度函数由高到低排列，减少后续识别过程中的运算量；这个概率密度梯度函数的数学依据是计算出每一个特征向量值在二维空间内的欧氏距离，计算这些欧氏距离在最小均方误差下的概率密度，利用概率密度作为权值因子提取图像目标中的人脸像素密度分布范围，锁定在一定密度范围内像素值，如果有多个人脸，那么锁定多个区间内的密度范围值，按照特征值向量和密度分布由高到低存放到不同的内存区域，为后续的人脸识别奠定基础。

3、通过K-L算法从所述提取的人脸中识别出人脸图像。

在本发明实施例中，通过K-L算法从所述提取的人脸中识别出人脸图像的步骤，包括：

A.首先是对图像做了预处理和预分析，去除图像中的背景噪声，同时对图像做光度不强操作；

B.其次提取图像的肤色信息，并进行肤色的过滤与轮廓的聚类分析，找出候选人脸区域，基于PTZ控制算法摄像头的调整与控制，对候选人脸作出筛选，精确定位其大小与位置，并给予跟踪和识别；

C.然后对图像从YUV像素空间转换到RGB像素空间，在RGB空间上做像素空间四角对调取平均算法，即对每一个特征向量值在二维空间上按照特征值的权值(概率密度梯度函数)由高到低排列，然后对每一个特征值向量分割为RGB的4x4的矩形像素空间，对单个RGB像素空间取4x4的像素值，对每一个像素值取对角差值平均，即4个像数值取一个平均值作为该空间内的特征值因子。通过该算法，单位向量值的对比数据量缩小到原先的1/16，而如果单个特征值比如人眼，有几万个向量值构建的话，每个向量值数据量缩小到原先的1/16，整个向量空间数据量将缩小到原先PCA算法的几十万分之一，精度方面由于一直都在最小均方误差范围之内的图像压缩，因此可以提高原先的30％以上识别精度。

作为本发明的一个可选实施例，所述摄像头本体101还包括：

用于传送图像、照片和数据的无线传输模块。

在本发明实施例中，高清摄像头拍摄了图像、照片和其他数据之后，通常会将这些数据上传到云服务器端，因此可以在高清摄像头中设置无线传输模块，通过无线传输模块将数据上传到云服务器端。

如图2所示为本发明实施例提供的高清摄像头正面结构示意图；

如图3所示为本发明实施例提供的高清摄像头侧面结构示意图；

如图4所示为本发明实施例提供的高清摄像头背面结构示意图；

如图5所示为本发明实施例提供的高清摄像头各设备之间的连接示意图；

如图6～图10所示为本发明实施例提供的人脸识别算法模型的流程图；

如图11所示为本发明实施例提供的人脸识别算法的示意图。

本领域普通技术人员还可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以在存储于一计算机可读取存储介质中，所述的存储介质，包括ROM/RAM、磁盘、光盘等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种高清摄像头，包括：摄像头本体和与所述摄像头本体连接的存储模块，其特征在于，所述存储模块存储有人脸检测和识别算法，所述人脸检测和识别算法用于在所述摄像头本体摄入图像时，从所述图像中检测并识别出人脸图像。

2.如权利要求1所述的高清摄像头，其特征在于，所述摄像头本体包括：摄像头、多核心处理器、光传感器、电池。

3.如权利要求1所述的高清摄像头，其特征在于，所述存储模块包括：掉电遗失存储器和掉电非遗失性处理器。

4.如权利要求1所述的高清摄像头，其特征在于，所述存储模块检测和识别人脸，包括：

对摄入的图像进行预处理，从所述图像中获取动态目标；

通过新Adaboost算法从所述动态目标中提取人脸，所述新Adaboost算法为在新Adaboost算法中加入皮肤检测；

通过K-L算法从所述提取的人脸中识别出人脸图像。

5.如权利要求4所述的高清摄像头，其特征在于，所述对摄入的图像进行预处理，从所述图像中获取动态目标，包括：

对图像进行包括背景去噪、光照补强、轮廓聚类在内的预处理；

根据拍摄图像区域内的目标轮廓移动距离相对时间插值的像素改变对比，区分动态目标和静态目标；

控制摄像头，使得摄像头对焦到动态目标上。

6.如权利要求4所述的高清摄像头，其特征在于，所述通过新Adaboost算法从所述动态目标中提取人脸，包括：

通过通用Adaboost人脸检测算法对所述动态目标进行图像处理；

通过肤色特征值对图像进行处理；

通过PTZ控制控制算法对经过所述处理的人脸进行跟踪。

7.如权利要求4所述的高清摄像头，其特征在于，所述通过K-L算法从所述提取的人脸中识别出人脸图像，包括：

通过预处理取出图像中的背景噪声；

提取肤色信息，通过对肤色的过滤与轮廓的聚类分析，获取候选人脸区域，并通过PTZ控制算法定位人脸区域的大小和位置；

对图像从YUV像素空间转换到RGB像素空间，在RGB空间上做像素空间四角对调取平均算法，对每一个特征向量值在二维空间上按照特征值的权值由高到低排列，然后对每一个特征值向量分割为RGB的4x4的矩形像素空间，对单个RGB像素空间取4x4的像素值，对每一个像素值取对角差值平均，所述权值为概率密度梯度函数。

8.如权利要求1～7任一项所述的高清摄像头，其特征在于，所述摄像头本体101还包括：

用于传送图像、照片和数据的无线传输模块。