CN105956552A - 一种人脸黑名单监测方法 - Google Patents

Abstract

一种人脸黑名单监测方法，其结合全局特征和局部特征，首先训练多角度人脸模板用于人脸检测；在此基础上检测人脸部分五官关键点并定位；进一步地，对人脸进行归一化后，分别针对人脸完整区域提取Gabor特征，针对局部区域提取LDP特征；最后进行融合全局与局部特征的人脸相似度计算，实现人脸黑名单监测。本发明既保留人脸全局相似性，又体现局部差异性，可更好地反映人脸特性。

Description

一种人脸黑名单监测方法

技术领域

本发明属于人脸识别技术领域，具体涉及一种基于人脸识别的黑名单监测方法。

背景技术

随着视频监控系统的大规模应用，在车站、机场、街道等重要场所安装有大量监控摄像机，可获得充足的人员面部视频图像，从而使得基于人脸识别的黑名单监测成为可能，在公共安全管理等领域有重要应用前景。其关键技术是面向监控视频的人脸识别，相关算法的优劣直接决定人脸黑名单监测的效果和速度。

现有的人脸识别方法，如公开号为104899576A，申请号为201510350083.1，其公开了一种基于Gabor变换和HOG的人脸识别特征提取方法。该方法首先对含人脸图像进行提取并归一化，通过生成40个不同方向大小的Gabor滤波器对归一化人脸进行分别滤波，得到多个方向和大小的Gabor特征，随后对得到的Gabor特征进行HOG处理，进一步得到Gabor特征的梯度直方图信息，使得Gabor滤波结果增强。

公开号为104700089A，申请号为201510134189.8，其公开了一种基于Gabor小波和SB2DLPP的人脸识别方法，该方法主要包括预处理、特征提取、特征降维和分类识别四个步骤。(1)对已知的人脸库中所有的人脸图像进行预处理，包括尺度归一化和直方图均衡化；(2)利用Gabor小波对预处理过的人脸图像进行特征提取；(3)引入类别信息，对步骤(2)提取到的高维图像特征应用有监督的双向二维局部保持投影(SB2DLPP)算法进行降维，从而提取出映射到低维子空间的特征矩阵；(4)采用最近邻分类器进行分类识别。

公开号为103679151A，申请号为201310703205.1，其公开了一种融合LBP、Gabor特征的人脸聚类方法，步骤包括：将图像的R、G、B三个通道转换为灰度图，得到图像L；Gabor特征提取；LBP特征提取；分层人脸聚类等。

公开号为104820844A，申请号为201510183686.7，提供一种人脸识别方法，包括：对模板人脸图像和待识别人脸图像进行Gabor小波人脸图像特征提取，获得图像特征；将由所述待识别人脸图像获得的图像特征分成正负样本；使用Adaboost对所述正负样本进行特征选择，获得明显特征，使用Adaboost对由所述人脸图像获得的图像特征进行特征选择，获得特征子空间；使用环形对称划分的SVM对所述特征子空间进行特征训练获得ECC编码矩阵；使用环形对称划分的SVM及所述ECC编码矩阵对所述明显特征进行特征匹配。

公开号为102737234A，申请号为201210212659.4，公开了一种基于Gabor滤波和联合稀疏模型的人脸识别方法，该方法首先通过Gabor滤波对人脸图像进行滤波，提取对光照及表情不敏感的特征，然后利用提取出的Gabor特征作为联合稀疏模型的输入，提取每类训练图像的公有部分及私有部分的和；最后利用所提取的公有部分及私有部分的和来构造字典，采用SRC(稀疏表示分类)方法获得待识别人脸图像在构造字典上的稀疏表示，根据稀疏表示系数得到识别结果。

上述方法主要以Gabor特征为基础提取人脸特征，各有优点，但都是针对人脸全局特征进行处理，忽视了人脸局部差异，因此存在一定的缺陷。同时针对人脸识别领域一直存在的角度、光照等影响，鲁棒性不佳的缺陷。

发明内容

针对现有技术存在的问题，本发明提出一种人脸黑名单监测方法。该结合全局特征和局部特征，首先训练多角度人脸模板用于人脸检测；在此基础上检测人脸部分五官关键点并定位；进一步地，对人脸进行归一化后，分别针对人脸完整区域提取Gabor特征，针对局部区域提取LDP特征；最后进行融合全局与局部特征的人脸相似度计算，实现人脸黑名单监测。

一种人脸黑名单监测方法，包括以下步骤：

S1：基于多角度人脸检测分类器，检测人脸区域；

S2：针对人脸区域，检测部分五官特征点；

S3：基于部分五官特征点坐标，实现人脸归一化；

S4：针对归一化后的完整人脸提取Gabor特征；

S5：针对归一化后的部分五官区域提取LDP特征；

S6：计算人脸相似度，实现黑名单监测。

其中，步骤S1中是利用多角度人脸训练基于Haar特征和Adaboost分类器的人脸检测分类器。具体包括以下步骤：

S1.1：利用常规视频图像采集设备(监控摄像机、相机等等具有视频采集功能的设备)，分别采集正面人脸、正面人脸向左水平偏转5度，10度，正面人脸向右水平偏转5度，10度，正面人脸向上偏转5度，10度，正面人脸向下偏转5度，10度的图像，每个角度的人脸图像不少于1000幅；

S1.2：针对每种角度图像，人工裁剪人脸区域，并缩放至128×128像素，作为正样本；

S1.3：采集同样数量的不含人脸图像，作为负样本；

S1.4：针对每种角度图像，训练其基于Haar特征和Adaboost分类器的人脸检测分类器。

步骤S2中，针对步骤S1中检测到的人脸区域，基于Flandmark方法检测人脸部分五官关键点。参照图2，本发明中人脸部分五官关键点包括7个，第一个五官关键点为鼻尖0、第二个五官关键点为左眼右眼角1、第三个五官关键点为右眼左眼角2、第四个五官关键点为左嘴角3、第五个五官关键点为右嘴角4、第六个五官关键点为左眼左眼角5和第七个五官关键点为右眼右眼角6；其中0、1、2、3、4、5、6分别为第一个五官关键点至第七个五官关键点对应的序号。其中：Flandmark方法可以参考文献：Michal Uˇriˇc′aˇr,Vojtˇech Franc andV′aclav Hlav′aˇc.Detector of Facial Landmarks Learned by The Structured Output Svm.International Conference on ComputerVision Theory andApplications.2012,547～556.

步骤S3中，在步骤S2提取人脸部分五官关键点的基础上，将人脸部分中包含人脸部分五官关键点、眉毛、鼻子、嘴巴的正方形区域定义为人脸核心区域，如图3中的方框以内的区域就是人脸核心区域。

计算核心人脸区域坐标，并将核心人脸区域缩放为128×128像素的灰度图像。具体步骤为：

S3.1：计算人脸核心区域宽度Face_width、高度Face_height分别为：

Face_width＝(P6.x-P5.x)×1.6

Face_height＝Face_width

S3.2：计算人脸核心区域左上角起始点坐标为：

Face.x＝P5.x-(P6.x-P5.x)×0.3

Face.y＝P5.y-(P6.x-P5.x)×0.3

其中：Pi.x，Pi.y分别表示序号为i五官关键点的横、纵坐标，如P6.x表示图2中序号为6的五官关键点(即右眼右眼角)的横坐标，P5.x表示图2中序号为5的五官关键点(即左眼左眼角)的横坐标，P5.y表示图2中序号为5的五官关键点(即左眼左眼角)的纵坐标。

步骤S4中，令步骤S3提取到归一化人脸灰度图像为I，使用Gabor变换在0～3四个尺度，1～6六个邻域方向对I做卷积运算，然后提取其全脸Gabor特征。

步骤S5的具体步骤包括：

S5.1针对原始视频监控图像，基于五官关键点获取左眼区域，令其宽度为Leye.width，高度为Leye.height，中心横坐标为Leye.x，中心纵坐标为Leye.y，计算方法为：

Leye.width＝P1.x-P5.x

Leye.height＝Leye.width

Leye.x＝P5.x

Leye.y＝P5.y-Leye.height/2

然后将左眼区域图像缩放至50×50像素的灰度图像；

S5.2：针对原始视频监控图像，基于五官关键点获取右眼区域，令其宽度为Reye.width，高度为Reye.height，中心横坐标为Reye.x，中心纵坐标为Reye.y，计算方法为：

Reye.width＝P6.x-P2.x

Reye.height＝Reye.width

Reye.x＝P2.x

Reye.y＝P2.y-Reye.height/2

然后将右眼区域图像缩放至50×50像素的灰度图像；

S5.3：针对原始视频监控图像，基于五官关键点获取鼻尖区域，令其宽度为Nose.width，高度为Nose.height，中心横坐标为Nose.x，中心纵坐标为Nose.y，计算方法为：

Nose.width＝P6.x-P2.x

Nose.height＝Nose.width

Nose.x＝P0.x-Nose.width/2

Nose.y＝P0.y-Nose.height/2

然后将鼻尖区域图像缩放至50×50像素的灰度图像；

S5.4：针对原始视频监控图像，基于五官关键点获取嘴巴区域,令其宽度为Mouth.width，高度为Mouth.height，中心横坐标为Mouth.x，中心纵坐标为Mouth.y，计算方法为：

Mouth.width＝P4.x-P3.x

Mouth.height＝Mouth.width

Mouth.x＝P3.x

Mouth.y＝P3.y-Mouth.height/2

然后将嘴巴区域图像缩放至50×50像素的灰度图像；

S5.5：分别针对步骤S5.1至S5.4中所述的4个区域，提取其局部定向模式(Local DerivativePattern，LDP)特征，得到四个局部LDP特征。

步骤S6的具体步骤包括：

S6.1：针对视频监控系统中获得每一帧图像，分别采取步骤S1至S5的方法，提取其全脸Gabor特征F¹eature₀和四个局部LDP特征F¹eature₁、F¹eature₂、F¹eature₃、F¹eature₄；

S6.2：针对黑名单中的人脸，分别采取步骤S1至S5的方法，提取其核心人脸区域的全脸Gabor特征F²eature₀，和四个局部区域LDP特征F²eature₁、F²eature₂、F²eature₃、F²eature₄；

S6.3：针对步骤S6.1和S6.2中获得的5种特征，分别计算监控视频图像人脸与黑名单人脸的欧式距离，令其为D_i，i＝0,1,2，…，4，分别表示全局Gabor特征、局部LDP特征的欧氏距离；

S6.4：计算上述5种特征基于欧氏距离的相似度

$S_i=\frac{1}{1+D_i},i=0,1,2,3,4$

S6.5：计算5种相似度的平均值

$\stackrel{\‾}{S}=\underset{i=0}{\overset{4}{\Σ}}{S}_i/5$

S6.6：设定相似度阈值F_th，本发明F_th＝0.88，如果则判断视频人脸与黑名单人脸高度相似，返回监测结果。

与现有技术相比，本发明的优点在于：

1、在人脸检测环节分别调用多角度人脸分类器进行检测，可有效减轻角度对人脸检测的影响。

2、相对于传统方法基于人脸检测后的笼统区域进行尺寸归一化，人脸部分五官关键点可以更精确地标定人脸位置，从而有利于提高后续处理精度。

3、本发明既保留人脸全局相似性，又体现局部差异性，可更好地反映人脸特性。

附图说明

图1为本发明的流程图；

图2为本发明中人脸关键点序号示意图；

图3为本发明人脸核心区域示意图

图4为本发明实施例中采集的原始监控视频图像

图5为本发明实施例中获得的人脸区域图

图6示出了本发明实施例中人脸区域内的五官关键点

图7为本发明实施例中获得的脸部核心区域灰度图像

图8为本发明实施例中获得的局部灰度图像(左眼区域)

图9为本发明实施例中获得的局部灰度图像(右眼区域)

图10为本发明实施例中获得的局部灰度图像(鼻尖区域)

图11为本发明实施例中获得的局部灰度图像(嘴唇区域)

图12为本发明实施例中黑名单人脸图像

以下将结合附图和具体实施例对本发明作进一步详细说明。

具体实施方式

如图1所示，本发明一种人脸黑名单监测方法，包括以下步骤：

S1：基于多角度人脸检测分类器，检测人脸区域；

S1.1：利用常规视频图像采集设备，分别采集正面人脸、正面人脸向左水平偏转5度，10度，正面人脸向右水平偏转5度，10度，正面人脸向上偏转5度，10度，正面人脸向下偏转5度，10度的图像，每个角度的人脸图像不少于1000幅；

S1.2：针对每种角度图像，人工裁剪人脸区域，并缩放至128×128像素，作为正样本；

S1.3：采集同样数量的不含人脸图像，作为负样本；

S1.4：针对每种角度，训练其基于Haar特征和Adaboost分类器的人脸检测分类器。

S2：针对人脸区域，检测部分五官特征点；

针对前一步骤检测到的人脸区域，基于Flandmark方法检测人脸部分五官关键点，其序号如图2所示。

S3：基于部分五官特征点坐标，实现人脸归一化；

在S2中，提取到人脸部分五官关键点，在此基础上，将涵盖眉毛、眼睛、鼻子、嘴唇的区域定义为人脸核心区域，如图3中的方框区域所示：

计算该核心人脸区域坐标，并将该区域缩放为128×128像素的灰度图像。具体步骤为：

Step1：计算人脸核心区域宽度Face_width、高度Face_height分别为：

Face_width＝(P6.x-P5.x)×1.6

Face_height＝Face_width

Step2：计算人脸核心区域左上角起始点坐标为：

Face.x＝P5.x-(P6.x-P5.x)×0.3

Face.y＝P5.y-(P6.x-P5.x)×0.3

其中：Pi.x，Pi.y分别表示第i个五官关键点的横、纵坐标，i为图2中定义的各五官关键点的序号。

本发明针对部分五官关键点进行尺度归一化，其创新点在于：

相对于传统方法基于人脸检测后的笼统区域进行尺寸归一化，人脸部分五官关键点可以更精确地标定人脸位置，从而有利于提高后续处理精度。

S4：针对归一化后的完整人脸提取Gabor特征；

令前一步骤提取到归一化人脸灰度图像为I，使用Gabor变换在0～3四个尺度，1～6六个邻域方向对I做卷积运算，然后提取其全脸Gabor特征。

S5：针对归一化后的部分五官区域提取LDP特征；

S5.1：针对原始图像，基于五官关键点获取左眼区域，令其宽度为Leye.width，高度为Leye.height，中心横坐标为Leye.x，中心纵坐标为Leye.y，计算方法为：

Leye.width＝P1.x-P5.x

Leye.height＝Leye.width

Leye.x＝P5.x

Leye.y＝P5.y-Leye.height/2

然后将左眼区域图像缩放至50×50像素的灰度图像；

S5.2：针对原始图像，基于五官关键点获取右眼区域，令其宽度为Reye.width，高度为Reye.height，中心横坐标为Reye.x，中心纵坐标为Reye.y，计算方法为：

Reye.width＝P6.x-P2.x

Reye.height＝Reye.width

Reye.x＝P2.x

Reye.y＝P2.y-Reye.height/2

然后将右眼区域图像缩放至50×50像素的灰度图像；

S5.3：针对原始图像，基于五官关键点获取鼻尖区域，令其宽度为Nose.width，高度为Nose.height，中心横坐标为Nose.x，中心纵坐标为Nose.y，计算方法为：

Nose.width＝P6.x-P2.x

Nose.height＝Nose.width

Nose.x＝P0.x-Nose.width/2

Nose.y＝P0.y-Nose.height/2

然后将鼻尖区域图像缩放至50×50像素的灰度图像；

S5.4：针对原始图像，基于五官关键点获取嘴巴区域,令其宽度为Mouth.width，高度为Mouth.height，中心横坐标为Mouth.x，中心纵坐标为Mouth.y，计算方法为：

Mouth.width＝P4.x-P3.x

Mouth.height＝Mouth.width

Mouth.x＝P3.x

Mouth.y＝P3.y-Mouth.height/2

然后将嘴巴区域图像缩放至50×50像素的灰度图像；

S5.5：分别针对上述4个区域，提取其局部定向模式(Local Derivative Pattern，LDP)特征。

S6：计算人脸相似度，实现黑名单监测。

S6.1：针对视频监控系统中获得每一帧图像，分别进行步骤S1至S5，提取其全脸Gabor特征F¹eature₀和四个局部LDP特征F¹eature₁、F¹eature₂、F¹eature₃、F¹eature₄；

S6.2：针对黑名单中的人脸，分别进行步骤S1至S5，提取其核心人脸区域的全脸Gabor特征F²eature₀，和四个局部区域LDP特征F²eature₁、F²eature₂、F²eature₃、F²eature₄；

S6.3：针对上述5种特征，分别计算监控视频图像人脸与黑名单人脸的欧式距离，令其为D_i，i＝0,1,2，…，4，分别表示全局Gabor特征、局部LDP特征的欧氏距离。此进行说明：两张脸(监控视频图像人脸与黑名单人脸)各有一个全局Gabor特征向量，计算这两个之间的欧氏距离；两张脸的右眼部分各有一个LDP特征向量，计算这两个之间的欧氏距离，同样的两张脸的左眼、鼻子、嘴巴也是如此。

S6.4：计算上述5种特征基于欧氏距离的相似度

$S_i=\frac{1}{1+D_i},i=0,1,2,3,4$

S6.5：计算5种相似度的平均值

$\stackrel{\‾}{S}=\underset{i=0}{\overset{4}{\Σ}}{S}_i/5$

S6.6：设定相似度阈值F_th，如果则判断视频人脸与黑名单人脸高度相似，返回监测结果。

实施例1:

S1.如图4所示，针对监控视频中的一帧监控视频图像。

S2.对S1中的原始监控视频图像进行人脸检测，获得人脸区域如图5所示。

S3.在步骤S2中得到的人脸区域内，利用Flandmark方法检测五官关键点，得到的五官关键点如图6所示。

S4.基于五官关键点，裁剪并缩放得到尺寸归一化的脸部核心区域灰度图像如图7所示。

S5.基于五官关键点，裁剪并缩放得到尺寸归一化的脸部局部灰度图像，分别如图8、9、10、11所示。

S6、针对图7所示的脸部核心区域图像，计算其Gabor特征为F¹eature₀，针对图8～图11的脸部局部图像，分别计算其LDP特征为F¹eature₁、F¹eature₂、F¹eature₃、F¹eature₄，记为F₁＝{F¹eature₀,F¹eature₁,F¹eature₂,F¹eature₃,F¹eature₄}。

S7、假设黑名单中某一张人脸图像如图12所示.按照S1～S6的步骤进行处理，获取该人脸的特征为F₂＝{F²eature₀,F²eature₁,F²eature₂,F²eature₃,F²eature₄}。

S7、分别计算F₁与F₂对应元素的欧氏距离，记为D_i，i＝0，1，2，3，4。

S8、计算5种特征基于欧氏距离的相似度

$S_i=\frac{1}{1+D_i},i=0,1,2,3,4$

计算相似度的平均值

$\stackrel{\‾}{S}=\underset{i=0}{\overset{4}{\Σ}}{S}_i/5$

最终计算出的平均相似度

S9、因为因此判断监控视频图像中的人脸在黑名单中。

Claims (8)

1.一种人脸黑名单监测方法，其特征在于：包括以下步骤：

S1：基于多角度人脸检测分类器，检测人脸区域；

S2：针对人脸区域，检测部分五官特征点；

S3：基于部分五官特征点坐标，实现人脸归一化；

S4：针对归一化后的完整人脸提取Gabor特征；

S5：针对归一化后的部分五官区域提取LDP特征；

S6：计算人脸相似度，实现黑名单监测。

2.根据权利要求1所述的人脸黑名单监测方法，其特征在于，步骤S1中是利用多角度人脸训练基于Haar特征和Adaboost分类器的人脸检测分类器，包括以下步骤：

S1.1：利用视频图像采集设备分别采集正面人脸、正面人脸向左水平偏转5度，10度，正面人脸向右水平偏转5度，10度，正面人脸向上偏转5度，10度，正面人脸向下偏转5度，10度的图像，每个角度的人脸图像不少于1000幅；

S1.2：针对每种角度图像，人工裁剪人脸区域，并缩放至128×128像素，作为正样本；

S1.3：采集同样数量的不含人脸图像，作为负样本；

S1.4：针对每种角度图像，训练其基于Haar特征和Adaboost分类器的人脸检测分类器。

3.根据权利要求2所述的人脸黑名单监测方法，其特征在于，步骤S2中，针对步骤S1中检测到的人脸区域，基于Flandmark方法检测人脸部分五官关键点，人脸部分五官关键点包括7个，第一个五官关键点为鼻尖、第二个五官关键点为左眼右眼角、第三个五官关键点为右眼左眼角、第四个五官关键点为左嘴角、第五个五官关键点为右嘴角、第六个五官关键点为左眼左眼角和第七个五官关键点为右眼右眼角。

4.根据权利要求3所述的人脸黑名单监测方法，其特征在于，步骤S3中，在步骤S2提取人脸部分五官关键点的基础上，将人脸部分中包含人脸部分五官关键点、眉毛、鼻子、嘴巴的正方形区域定义为人脸核心区域，然后计算核心人脸区域坐标，并将核心人脸区域缩放为128×128像素的灰度图像，具体步骤为：

S3.1：计算人脸核心区域宽度Face_width、高度Face_height分别为：

Face_width＝(P6.x-P5.x)×1.6

Face_height＝Face_width

S3.2：计算人脸核心区域左上角起始点坐标为：

Face.x＝P5.x-(P6.x-P5.x)×0.3

Face.y＝P5.y-(P6.x-P5.x)×0.3

其中：Pi.x，Pi.y分别表示序号为i的五官关键点的横、纵坐标。

5.根据权利要求4所述的人脸黑名单监测方法，其特征在于，步骤S4中，令步骤S3提取到归一化人脸灰度图像为I，使用Gabor变换在0～3四个尺度，1～6六个邻域方向对I做卷积运算，然后提取其全脸Gabor特征。

6.根据权利要求5所述的人脸黑名单监测方法，其特征在于，步骤S5的方法是：

S5.1针对原始视频监控图像，基于五官关键点获取左眼区域，令其宽度为Leye.width，高度为Leye.height，中心横坐标为Leye.x，中心纵坐标为Leye.y，计算方法为：

Leye.width＝P1.x-P5.x

Leye.height＝Leye.width

Leye.x＝P5.x

Leye.y＝P5.y-Leye.height/2

然后将左眼区域图像缩放至50×50像素的灰度图像；

S5.2：针对原始视频监控图像，基于五官关键点获取右眼区域，令其宽度为Reye.width，高度为Reye.height，中心横坐标为Reye.x，中心纵坐标为Reye.y，计算方法为：

Reye.width＝P6.x-P2.x

Reye.height＝Reye.width

Reye.x＝P2.x

Reye.y＝P2.y-Reye.height/2

然后将右眼区域图像缩放至50×50像素的灰度图像；

S5.3：针对原始视频监控图像，基于五官关键点获取鼻尖区域，令其宽度为Nose.width，高度为Nose.height，中心横坐标为Nose.x，中心纵坐标为Nose.y，计算方法为：

Nose.width＝P6.x-P2.x

Nose.height＝Nose.width

Nose.x＝P0.x-Nose.width/2

Nose.y＝P0.y-Nose.height/2

然后将鼻尖区域图像缩放至50×50像素的灰度图像；

S5.4：针对原始视频监控图像，基于五官关键点获取嘴巴区域,令其宽度为Mouth.width，高度为Mouth.height，中心横坐标为Mouth.x，中心纵坐标为Mouth.y，计算方法为：

Mouth.width＝P4.x-P3.x

Mouth.height＝Mouth.width

Mouth.x＝P3.x

Mouth.y＝P3.y-Mouth.height/2

然后将嘴巴区域图像缩放至50×50像素的灰度图像；

S5.5：分别针对步骤S5.1至S5.4中所述的4个区域，提取其局部LDP特征，得到四个局部LDP特征。

7.根据权利要求6所述的人脸黑名单监测方法，其特征在于，步骤S6的方法是：

S6.1：针对视频监控系统中获得每一帧图像，分别采取步骤S1至S5的方法，提取其全脸Gabor特征F¹eature₀和四个局部LDP特征F¹eature₁、F¹eature₂、F¹eature₃、F¹eature₄；

S6.2：针对黑名单中的人脸，分别采取步骤S1至S5的方法，提取其核心人脸区域的全脸Gabor特征F²eature₀，和四个局部区域LDP特征F²eature₁、F²eature₂、F²eature₃、F²eature₄；

S6.3：针对步骤S6.1和S6.2中获得的5种特征，分别计算监控视频图像人脸与黑名单人脸的欧式距离，令其为D_i，i＝0,1,2，…，4，分别表示全局Gabor特征、局部LDP特征的欧氏距离；

S6.4：计算上述5种特征基于欧氏距离的相似度

$S_i=\frac{1}{1+D_i},i=0,1,2,3,4$

S6.5：计算5种相似度的平均值

$\stackrel{\‾}{S}=\underset{i=0}{\overset{4}{\Σ}}{S}_i/5$

S6.6：设定相似度阈值F_th，如果则判断视频人脸与黑名单人脸高度相似，返回监测结果。

8.根据权利要求7所述的人脸黑名单监测方法，其特征在于，步骤S6.6中的F_th＝0.88。