CN107784289A - 一种安防监控方法、装置及系统 - Google Patents
一种安防监控方法、装置及系统 Download PDFInfo
- Publication number
- CN107784289A CN107784289A CN201711065834.0A CN201711065834A CN107784289A CN 107784289 A CN107784289 A CN 107784289A CN 201711065834 A CN201711065834 A CN 201711065834A CN 107784289 A CN107784289 A CN 107784289A
- Authority
- CN
- China
- Prior art keywords
- face
- candidate window
- image
- cascade
- window image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
- G08B13/19606—Discriminating between target movement or movement in an area of interest and other non-signicative movements, e.g. target movements induced by camera shake or movements of pets, falling leaves, rotating fan
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种安防监控方法,通过获取摄像头对预设监控区域采集到的图像信息;采用漏斗形级联分类器依次对上述图像信息进行过滤,筛选出包含人脸的候选窗口图像;其中,该漏斗形级联分类器采用多个级联分类器模型,分类器模型采用不同的特征进行过滤,且每个分类器模型包括对多个不同姿态的人脸进行检测的子分类器;对候选窗口图像进行人脸检测,根据人脸检测结果生成监控信息。本发明所提供的安防监控方法,在触发入侵检测后,能够对图像进行人脸检测,根据人脸检测的结果判断是否存在非法入侵,检测准确性高且抗干扰性强。另外,本申请还提供了一种具有上述技术优点的安防监控装置以及系统。
Description
技术领域
本发明涉及家庭安防技术领域,特别是涉及一种安防监控方法、装置及系统。
背景技术
家庭安防系统是能够自动探测发生在布防监测区域内的侵入行为,并提示相关人员发生报警的区域部位,显示可能采取对策的系统。
目前市面上的家庭安防监控产品主要有两大类;第一类主要是基于摄像机和视频采集卡,一般需要配置电脑,通过在PC端运行监控软件实现远程监控;第二类采用网络摄像机的方式,通过路由器连接网络摄像机,实现局域网监控并将监控的结果传输到手机端。网络摄像机体积小,方便安装,同时也方便用户查看,与传统的方法有着天然的优势。网络摄像机一般都会内置嵌入式系统。与普通的PC电脑不同,嵌入式系统能处理图像算法的性能与PC机相差甚远,考虑到成本,一般安防监控产品都会选择低廉的芯片,因此如何在嵌入式系统实现诸如移动侦测、入侵检测,人脸识别,特别是基于实时的前提下非常有挑战。
一般来说,发生移动侦测或者入侵检测,会触发报警,从而进行录像。但是偶尔的风吹草动,或者是别的动物经过也会触发报警,这样的报警会给用户造成干扰,同时,频繁的录像会造成很多冗余的无用信息,给人工查看视频带来麻烦。鉴于此,提供一种检测准确性高、抗干扰性强的安防监控方法是本领域亟待解决的技术问题。
发明内容
本发明的目的是提供一种安防监控方法、装置及系统,以解决现有技术中检测准确性不高、抗干扰性不强的问题。
为解决上述技术问题,本发明提供一种安防监控方法,包括:
获取摄像头对预设监控区域采集到的图像信息;
采用漏斗形级联分类器依次对所述图像信息进行过滤,筛选出包含人脸的候选窗口图像;其中,所述漏斗形级联分类器采用多个级联分类器模型,所述分类器模型采用不同的特征进行过滤,且每个分类器模型包括对多个不同姿态的人脸进行检测的子分类器;
对所述候选窗口图像进行人脸检测,根据人脸检测结果生成监控信息。
可选地,所述采用漏斗形级联分类器依次对所述图像信息进行过滤,筛选出包含人脸的候选窗口图像包括:
采用LAB级联分类器从所述图像信息中过滤出候选目标,生成第一候选窗口图像;
采用基于SURF特征的第一MLP级联分类器对所述第一候选窗口图像进行人脸过滤,生成第二候选窗口图像;
采用第二MLP级联分类器对所述第二候选窗口图像进行人脸过滤,生成第三候选窗口图像,作为所述包含人脸的候选窗口图像。
可选地,所述采用LAB级联分类器从所述图像信息中过滤出候选目标,生成第一候选窗口图像包括:
所述LAB级联分类器包括多个子分类器,提取每个所述子分类器的LAB特征值;
根据各个所述LAB特征值对应的权重值,求和计算得到各所述子分类器的综合特征值;
将所述综合特征值与预设阈值进行比较,判断当前候选窗口是否为人脸;
当各个所述子分类器均判定所述当前候选窗口为人脸时,所述当前候选窗口对应的图像为第一候选窗口图像。
可选地,所述采用基于SURF特征的第一MLP级联分类器对所述第一候选窗口图像进行人脸过滤,生成第二候选窗口图像包括:
对所述第一候选窗口图像进行SURF特征提取,SURF特征分别包括dx、dx|、dx、|dx|、dy、|dy|、dy、|dy|8个通道,其中,0、1通道重复,2、3通道重复,4、5通道重复,6、7重复,以做掩码处理;每个通道单独做积分图,并对描述子进行归一化处理;
基于提取到的SURF特征,采用第一MLP级联分类器对所述第一候选窗口图像进行人脸过滤,生成第二候选窗口图像。
可选地,所述采用第二MLP级联分类器对所述第二候选窗口图像进行人脸过滤,生成第三候选窗口图像包括:
对所述第二候选窗口图像进行形状特征提取;
基于提取到的形状特征,采用第二MLP级联分类器对所述第二候选窗口图像进行人脸过滤,生成第三候选窗口图像。
可选地,所述分类器采用正脸、右侧、右侧旋转、左侧、左侧旋转5个不同姿态的样本图像进行训练生成的,所述样本包括了不同人种、不同光照条件下的图像。
可选地,安防监控方法为嵌入式平台运行时,采用neon指令化进行处理。
可选地,所述对所述候选窗口图像进行人脸检测,根据人脸检测结果生成监控信息包括:
判断检测到的人脸与预设标准图像一致,当检测到的人脸与所述预设标准图像不一致时,执行下述指令中的任意一个或任意组合:触发报警、将当前图像信息存储至预设存储设备、将当前图像信息发送至预设终端设备。
本发明还提供了一种安防监控装置,包括:
图像获取模块,用于获取摄像头对预设监控区域采集到的图像信息;
检测模块,用于采用漏斗形级联分类器依次对所述图像信息进行过滤,筛选出包含人脸的候选窗口图像;其中,所述漏斗形级联分类器采用多个级联分类器模型,所述分类器模型采用不同的特征进行过滤,且每个分类器模型包括对多个不同姿态的人脸进行检测的子分类器;
结果生成模块,用于对所述候选窗口图像进行人脸检测,根据人脸检测结果生成监控信息。
本发明还提供了一种安防监控系统,包括:处理器以及摄像头;
其中,所述摄像头用于对预设监控区域的图像信息进行采集;
所述处理器用于获取摄像头对预设监控区域采集到的图像信息;采用漏斗形级联分类器依次对所述图像信息进行过滤,筛选出包含人脸的候选窗口图像;其中,所述漏斗形级联分类器采用多个级联分类器模型,所述分类器模型采用不同的特征进行过滤,且每个分类器模型包括对多个不同姿态的人脸进行检测的子分类器;对所述候选窗口图像进行人脸检测,根据人脸检测结果生成监控信息。
本发明所提供的安防监控方法,通过获取摄像头对预设监控区域采集到的图像信息;采用漏斗形级联分类器依次对上述图像信息进行过滤,筛选出包含人脸的候选窗口图像;其中,该漏斗形级联分类器采用多个级联分类器模型,分类器模型采用不同的特征进行过滤,且每个分类器模型包括对多个不同姿态的人脸进行检测的子分类器;对候选窗口图像进行人脸检测,根据人脸检测结果生成监控信息。本发明所提供的安防监控方法,在触发入侵检测后,能够对图像进行人脸检测,根据人脸检测的结果判断是否存在非法入侵,检测准确性高且抗干扰性强。另外,本申请还提供了一种具有上述技术优点的安防监控装置以及系统。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,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的介绍,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为本发明所提供的安防监控方法的一种具体实施方式的流程图;
图2为本发明实施例中采用漏斗形级联分类器依次对所述图像信息进行过滤的流程图;
图3为本发明实施例提供的采用LAB级联分类器进行第一次过滤的流程图;
图4为本发明实施例提供的采用第一MLP级联分类器进行第二次过滤的流程图;
图5为本发明实施例提供的采用第二MLP级联分类器进行第三次过滤的流程图;
图6为图像中两个矩形区域的LAB特征求法示意图;
图7为本发明实施例提供的安防监控装置的结构框图;
图8为本发明所提供的安防监控系统的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明所提供的安防监控方法的一种具体实施方式的流程图如图1所示,该方法包括:
步骤S1:获取摄像头对预设监控区域采集到的图像信息;
具体地,摄像头可以根据用户的需求进行安装或放置,以便对监控范围内进行图像监控。安装或放置好之后,其视野范围内对应可监控到的区域为该预设监控区域。预设监控区域可由用户设置得到,在此不作限定。
步骤S2:采用漏斗形级联分类器依次对所述图像信息进行过滤,筛选出包含人脸的候选窗口图像;其中,所述漏斗形级联分类器采用多个级联分类器模型,所述分类器模型采用不同的特征进行过滤,且每个分类器模型包括对多个不同姿态的人脸进行检测的子分类器;
本发明可以具体采用漏斗形级联结构,引入由粗到精的设计理念,首先在顶部设计LAB级联分类器快速过滤出候选目标,紧接着设计一个基于SURF特征的多层感知机级联结构,最后由一个统一的MLP级联结构来处理所有人脸的候选窗口,整体上呈现出上宽下窄的漏斗形状。从上往下,各个层次上的分类器及其所采用的特征逐步变得复杂,从而可以保留人脸窗口并排除越来越难与人脸区分的非人脸候选窗口。针对于多姿态人脸检测,在每一个分类器设计的时候,并行使用正脸、右侧、右侧旋转、左侧、左侧旋转五个分类器。多模型的并行使用能有效应对人脸的各种姿态,甚至是侧脸180°。样本还包括了不同人种、不同光照条件下的图像。
参照图2,在本发明实施例中,采用漏斗形级联分类器依次对所述图像信息进行过滤,筛选出包含人脸的候选窗口图像的过程可以具体包括:
步骤S11:采用LAB级联分类器从所述图像信息中过滤出候选目标,生成第一候选窗口图像;
进一步地,如图3本发明实施例提供的采用LAB级联分类器进行第一次过滤的流程图所示,该过程可以包括如下步骤:
S111:所述LAB级联分类器包括多个子分类器,提取每个所述子分类器的LAB特征值;
S112:根据各个所述LAB特征值对应的权重值,求和计算得到各所述子分类器的综合特征值;
S113:将所述综合特征值与预设阈值进行比较,判断当前候选窗口是否为人脸;
S114:当各个所述子分类器均判定所述当前候选窗口为人脸时,所述当前候选窗口对应的图像为第一候选窗口图像。
级联分类器由若干个基础分类器组成,提取每个基础分类器的LAB特征值,从训练的分类器中加载特征值对应的权重,然后每个权重求和ss,设置阈值和ss进行比较确定该子窗口是否为人脸。如果通过所有的个分类器则为人脸。
步骤S12:采用基于SURF特征的第一MLP级联分类器对所述第一候选窗口图像进行人脸过滤,生成第二候选窗口图像;
进一步地,如图4本发明实施例提供的采用第一MLP级联分类器进行第二次过滤的流程图所示,该过程可以包括如下步骤:
步骤S121:对所述第一候选窗口图像进行SURF特征提取,SURF特征分别包括dx、dx|、dx、|dx|、dy、|dy|、dy、|dy|8个通道,其中,0、1通道重复,2、3通道重复,4、5通道重复,6、7重复,以做掩码处理;每个通道单独做积分图,并对描述子进行归一化处理;
步骤S122:基于提取到的SURF特征,采用第一MLP级联分类器对所述第一候选窗口图像进行人脸过滤,生成第二候选窗口图像。
步骤S13:采用第二MLP级联分类器对所述第二候选窗口图像进行人脸过滤,生成第三候选窗口图像,作为所述包含人脸的候选窗口图像。
进一步地,如图5本发明实施例提供的采用第二MLP级联分类器进行第三次过滤的流程图所示,该过程可以包括如下步骤:
步骤S131:对所述第二候选窗口图像进行形状特征提取;
步骤S132:基于提取到的形状特征,采用第二MLP级联分类器对所述第二候选窗口图像进行人脸过滤,生成第三候选窗口图像。
步骤S103:对所述候选窗口图像进行人脸检测,根据人脸检测结果生成监控信息。
具体地,判断检测到的人脸与预设标准图像一致,当检测到的人脸与所述预设标准图像不一致时,执行下述指令中的任意一个或任意组合:触发报警、将当前图像信息存储至预设存储设备、将当前图像信息发送至预设终端设备。
在检测到的人脸与预设标准图像不一致时,可以认为当前存在非法入侵,此时可以自动触发相应的操作,例如触发报警,以便发出报警警示,或者将当前图像信息进行录制并存储,以便用户后期查看,还可以为将当前图像信息发送至终端设备,以便用户实时查看。
本发明所提供的安防监控方法,通过获取摄像头对预设监控区域采集到的图像信息;采用漏斗形级联分类器依次对上述图像信息进行过滤,筛选出包含人脸的候选窗口图像;其中,该漏斗形级联分类器采用多个级联分类器模型,分类器模型采用不同的特征进行过滤,且每个分类器模型包括对多个不同姿态的人脸进行检测的子分类器;对候选窗口图像进行人脸检测,根据人脸检测结果生成监控信息。本发明所提供的安防监控方法,在触发入侵检测后,能够对图像进行人脸检测,根据人脸检测的结果判断是否存在非法入侵,检测准确性高且抗干扰性强。
下面结合具体场景,对本申请所提供的安防监控系统进行进一步详细阐述。
本发明采用常规的金字塔缩放图像获得多尺度图像,针对每一个不同尺度图像,设置不同的步长遍历该图像实现在线检测,首先用Fast LAB Cascade分类器保留人脸候选目标,实现初筛选的功能。
(1)Fast LAB Cascade分类器
LAB特征全称为Locally Assembled Binary Haar feature是对Haar特征的一种改进,它结合周围8个相同大小的矩形区域的Binary Haar feature,图像中两个矩形区域的LAB特征求法示意图如图6所示。
级联分类器由若干个基础分类器组成,提取每个基础分类器的LAB特征值,从训练的分类器中加载特征值对应的权重,然后每个权重求和ss,设置阈值和ss进行比较确定该子窗口是否为人脸。本发明并不是对若干个基础分类器完全加载完再进行判断,而是设置一些特征团,逐步进行筛选。本发明中设置每10个特征进行判断一次,不满足条件,终止循环,判断为非人脸。如果通过所有的个分类器则为人脸。
(2)粗MLP Cascade分类器
子窗口通过了LAB级联分类器,大部分非人脸被去除。在第二阶段,候选窗口需要一个更复杂的分类器。MLP提取SURF特征进行分类,为了减少计算的复杂度,本阶段采用一个小层网络结构。
SURF是一种具有局部尺度不变性和旋转不变性的描述子,本发明采用SURF特征的扩展形式,SURF特征需要计算8个通道,分别为{dx,|dx|,dx,|dx|,dy,|dy|,dy,|dy|},0、1通道和2、3通道重复是为了做一个掩码处理,4、5、6、7也是同样的道理,为了快速提取特征,引进了积分图,每一个通道单独做积分图。
最后对描述子做了一个归一化处理,这也使得描述子对检测窗口具有尺度不变性。设描述子为
归一化方法为:
其中,
MLP是一种包含输入层、隐含层、输出层的神经网络结构,一个N层的MLP F(x)可以表示为:
x为候选子窗口的SURF特征为输入层;w,b为权重和偏移量;激活函数σ为非线性函数。
因此,MLP能有效应对非线性模型。
正因为MLP拥有很强鉴别人脸和非人脸的能力,对于通过了LAB级联分类器中的多模型的子窗口,只需要被一个模型处理即可。
(3)MLP Cascade分类器
考虑到多模型并行检测会引进更多的虚警,同时,同一个区域的不同姿态提取的特征会有差异。因此,再经过粗MLP Cascade之后提取形状特征,继续通过MLP Cascade。本发明引进了形状特征,使得MLP在区分人脸窗口和非人脸窗口有着更强的非线性能力更强。与原来不同之处是最优化函数有所差别。原来的优化方程如公式(6)所示:
式中xi为特征向量,yi为响应的标签。
引进了形状特征之后优化问题变为如公式(7)所示:
其中,Fc为相应的人脸分类,yi为响应的标签;Fs为形状分类;φ(xi,si)为形状特征,Si表示样本的形状。
单一一个训练模型很难应对人脸的不同姿态,因此本发明实施例在每一阶段训练分类器的时候选择了5个模型,正脸、右侧、右侧旋转、左侧、左侧旋转,对于一幅待检测图像,并行同时使用5个人脸模型分类器,对于检出的结果,取置信度最高的结果为检出结果。
在训练分类器的时候,本发明可以对训练的样本进行分类,把采集的人脸分为正脸、右侧、右侧旋转、左侧、左侧旋转五个类别的图片,为了增加分类器的检出率,正样本库中涵盖了不同人种、不同光照条件下的样本,负样本中样本均为场景中可能出现的负样本。
此外,嵌入式系统处理浮点的效率很慢,为了使得算法能在嵌入式系统上实时,对于核心代码有必要进行定点化处理,对于分类器中的浮点数据进行定点化并做成查表的方式保存。为了使得算法进一步加速,针对于嵌入式的平台(本发明使用平台为ARM平台),进行neon指令化处理。neon指令一次能并行处理多个数据,使得算法能成倍提高速度。
本发明实施例所提供的三种分类器采用由粗到精层层筛选的设计思想能快速过滤候选目标,速度较快。在低端嵌入式芯片上针对ARM平台做了定点化、neon优化使得能实时检测人脸;同时很多非人脸子窗口在初期就被去掉,降低了算法的误检率。本发明采用5个模型,有效应对人脸的不同姿态,检出率高。
下面对本发明实施例提供的安防监控装置进行介绍,下文描述的安防监控装置与上文描述的安防监控方法可相互对应参照。
图7为本发明实施例提供的安防监控装置的结构框图,参照图7安防监控装置可以包括:
图像获取模块100,用于获取摄像头对预设监控区域采集到的图像信息;
检测模块200,用于采用漏斗形级联分类器依次对所述图像信息进行过滤,筛选出包含人脸的候选窗口图像;其中,所述漏斗形级联分类器采用多个级联分类器模型,所述分类器模型采用不同的特征进行过滤,且每个分类器模型包括对多个不同姿态的人脸进行检测的子分类器;
结果生成模块300,用于对所述候选窗口图像进行人脸检测,根据人脸检测结果生成监控信息。
本实施例的安防监控装置用于实现前述的安防监控方法,因此安防监控装置中的具体实施方式可见前文中的安防监控方法的实施例部分,例如,图像获取模块100,检测模块200,结果生成模块300,分别用于实现上述安防监控方法中步骤S101,S102,S103,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
此外,本发明还提供了一种安防监控系统,参照图8本发明所提供的安防监控系统的结构框图所示,该系统包括:处理器1以及摄像头2;
其中,所述摄像头2用于对预设监控区域的图像信息进行采集;
所述处理器1用于获取摄像头对预设监控区域采集到的图像信息;采用漏斗形级联分类器依次对所述图像信息进行过滤,筛选出包含人脸的候选窗口图像;其中,所述漏斗形级联分类器采用多个级联分类器模型,所述分类器模型采用不同的特征进行过滤,且每个分类器模型包括对多个不同姿态的人脸进行检测的子分类器;对所述候选窗口图像进行人脸检测,根据人脸检测结果生成监控信息。
在本实施例中,可以将处理器集成到摄像头中,形成一体化的网络摄像机。该网络摄像机体积小直径约6cm,可以随处摆放,安装、携带都非常方便。用户通过手机APP下载对应的软件,可以实时查看监控结果。该网络摄像机基于嵌入式系统,采用上述安防监控方法,算法耗时较少、CPU占用率不高,能够达到实时人脸检测。并且,还能够对多种不同姿态的人脸进行检出。
本发明所提供的安防监控装置及系统,通过获取摄像头对预设监控区域采集到的图像信息;采用漏斗形级联分类器依次对上述图像信息进行过滤,筛选出包含人脸的候选窗口图像;其中,该漏斗形级联分类器采用多个级联分类器模型,分类器模型采用不同的特征进行过滤,且每个分类器模型包括对多个不同姿态的人脸进行检测的子分类器;对候选窗口图像进行人脸检测,根据人脸检测结果生成监控信息。本发明所提供的安防监控方法,在触发入侵检测后,能够对图像进行人脸检测,根据人脸检测的结果判断是否存在非法入侵,检测准确性高且抗干扰性强。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的安防监控方法、装置及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种安防监控方法,其特征在于,包括:
获取摄像头对预设监控区域采集到的图像信息;
采用漏斗形级联分类器依次对所述图像信息进行过滤,筛选出包含人脸的候选窗口图像;其中,所述漏斗形级联分类器采用多个级联分类器模型,所述分类器模型采用不同的特征进行过滤,且每个分类器模型包括对多个不同姿态的人脸进行检测的子分类器;
对所述候选窗口图像进行人脸检测,根据人脸检测结果生成监控信息。
2.如权利要求1所述的安防监控方法,其特征在于,所述采用漏斗形级联分类器依次对所述图像信息进行过滤,筛选出包含人脸的候选窗口图像包括:
采用LAB级联分类器从所述图像信息中过滤出候选目标,生成第一候选窗口图像;
采用基于SURF特征的第一MLP级联分类器对所述第一候选窗口图像进行人脸过滤,生成第二候选窗口图像;
采用第二MLP级联分类器对所述第二候选窗口图像进行人脸过滤,生成第三候选窗口图像,作为所述包含人脸的候选窗口图像。
3.如权利要求2所述的安防监控方法,其特征在于,所述采用LAB级联分类器从所述图像信息中过滤出候选目标,生成第一候选窗口图像包括:
所述LAB级联分类器包括多个子分类器,提取每个所述子分类器的LAB特征值;
根据各个所述LAB特征值对应的权重值,求和计算得到各所述子分类器的综合特征值;
将所述综合特征值与预设阈值进行比较,判断当前候选窗口是否为人脸;
当各个所述子分类器均判定所述当前候选窗口为人脸时,所述当前候选窗口对应的图像为第一候选窗口图像。
4.如权利要求2所述的安防监控方法,其特征在于,所述采用基于SURF特征的第一MLP级联分类器对所述第一候选窗口图像进行人脸过滤,生成第二候选窗口图像包括:
对所述第一候选窗口图像进行SURF特征提取,SURF特征分别包括dx、dx|、dx、|dx|、dy、|dy|、dy、|dy|8个通道,其中,0、1通道重复,2、3通道重复,4、5通道重复,6、7重复,以做掩码处理;每个通道单独做积分图,并对描述子进行归一化处理;
基于提取到的SURF特征,采用第一MLP级联分类器对所述第一候选窗口图像进行人脸过滤,生成第二候选窗口图像。
5.如权利要求2所述的安防监控方法,其特征在于,所述采用第二MLP级联分类器对所述第二候选窗口图像进行人脸过滤,生成第三候选窗口图像包括:
对所述第二候选窗口图像进行形状特征提取;
基于提取到的形状特征,采用第二MLP级联分类器对所述第二候选窗口图像进行人脸过滤,生成第三候选窗口图像。
6.如权利要求1至5任一项所述的安防监控方法,其特征在于,所述分类器采用正脸、右侧、右侧旋转、左侧、左侧旋转5个不同姿态的样本图像进行训练生成的,所述样本包括了不同人种、不同光照条件下的图像。
7.如权利要求1至5任一项所述的安防监控方法,其特征在于,安防监控方法为嵌入式平台运行时,采用neon指令化进行处理。
8.如权利要求1至5任一项所述的安防监控方法,其特征在于,所述对所述候选窗口图像进行人脸检测,根据人脸检测结果生成监控信息包括:
判断检测到的人脸与预设标准图像一致,当检测到的人脸与所述预设标准图像不一致时,执行下述指令中的任意一个或任意组合:触发报警、将当前图像信息存储至预设存储设备、将当前图像信息发送至预设终端设备。
9.一种安防监控装置,其特征在于,包括:
图像获取模块,用于获取摄像头对预设监控区域采集到的图像信息;
检测模块,用于采用漏斗形级联分类器依次对所述图像信息进行过滤,筛选出包含人脸的候选窗口图像;其中,所述漏斗形级联分类器采用多个级联分类器模型,所述分类器模型采用不同的特征进行过滤,且每个分类器模型包括对多个不同姿态的人脸进行检测的子分类器;
结果生成模块,用于对所述候选窗口图像进行人脸检测,根据人脸检测结果生成监控信息。
10.一种安防监控系统,其特征在于,包括:处理器以及摄像头;
其中,所述摄像头用于对预设监控区域的图像信息进行采集;
所述处理器用于获取摄像头对预设监控区域采集到的图像信息;采用漏斗形级联分类器依次对所述图像信息进行过滤,筛选出包含人脸的候选窗口图像;其中,所述漏斗形级联分类器采用多个级联分类器模型,所述分类器模型采用不同的特征进行过滤,且每个分类器模型包括对多个不同姿态的人脸进行检测的子分类器;对所述候选窗口图像进行人脸检测,根据人脸检测结果生成监控信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711065834.0A CN107784289A (zh) | 2017-11-02 | 2017-11-02 | 一种安防监控方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711065834.0A CN107784289A (zh) | 2017-11-02 | 2017-11-02 | 一种安防监控方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107784289A true CN107784289A (zh) | 2018-03-09 |
Family
ID=61431480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711065834.0A Pending CN107784289A (zh) | 2017-11-02 | 2017-11-02 | 一种安防监控方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107784289A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764037A (zh) * | 2018-04-24 | 2018-11-06 | 石狮市森科智能科技有限公司 | 一种基于ARM Cotex-A系列平台的人脸检测实现方法 |
CN111063142A (zh) * | 2018-10-17 | 2020-04-24 | 杭州海康威视数字技术股份有限公司 | 一种监控报警处理方法、装置及设备、可读介质 |
CN112668496A (zh) * | 2020-12-31 | 2021-04-16 | 深圳市商汤科技有限公司 | 入侵检测方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605967A (zh) * | 2013-11-26 | 2014-02-26 | 东华大学 | 一种基于图像识别的地铁防逃票系统及其工作方法 |
CN104504696A (zh) * | 2014-12-16 | 2015-04-08 | 江南大学 | 图像显著区域检测的嵌入式并行优化方法 |
CN106407958A (zh) * | 2016-10-28 | 2017-02-15 | 南京理工大学 | 基于双层级联的面部特征检测方法 |
CN107315993A (zh) * | 2017-05-10 | 2017-11-03 | 苏州天平先进数字科技有限公司 | 一种基于人脸识别的门镜系统及其人脸识别方法 |
-
2017
- 2017-11-02 CN CN201711065834.0A patent/CN107784289A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605967A (zh) * | 2013-11-26 | 2014-02-26 | 东华大学 | 一种基于图像识别的地铁防逃票系统及其工作方法 |
CN104504696A (zh) * | 2014-12-16 | 2015-04-08 | 江南大学 | 图像显著区域检测的嵌入式并行优化方法 |
CN106407958A (zh) * | 2016-10-28 | 2017-02-15 | 南京理工大学 | 基于双层级联的面部特征检测方法 |
CN107315993A (zh) * | 2017-05-10 | 2017-11-03 | 苏州天平先进数字科技有限公司 | 一种基于人脸识别的门镜系统及其人脸识别方法 |
Non-Patent Citations (2)
Title |
---|
JIANGUO LI等: "Learning SURF Cascade for Fast and Accurate Object Detection", 《2013 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
SHUZHE WU等: "Funnel-Structured Cascade for Multi-View Face Detection with Alignment-Awareness", 《ARXIV:1609.07304V1 [CS.CV]》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764037A (zh) * | 2018-04-24 | 2018-11-06 | 石狮市森科智能科技有限公司 | 一种基于ARM Cotex-A系列平台的人脸检测实现方法 |
CN111063142A (zh) * | 2018-10-17 | 2020-04-24 | 杭州海康威视数字技术股份有限公司 | 一种监控报警处理方法、装置及设备、可读介质 |
CN111063142B (zh) * | 2018-10-17 | 2022-04-26 | 杭州海康威视数字技术股份有限公司 | 一种监控报警处理方法、装置及设备、可读介质 |
CN112668496A (zh) * | 2020-12-31 | 2021-04-16 | 深圳市商汤科技有限公司 | 入侵检测方法、装置、设备及存储介质 |
WO2022141962A1 (zh) * | 2020-12-31 | 2022-07-07 | 深圳市商汤科技有限公司 | 入侵检测方法、装置、设备、存储介质和程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697416B (zh) | 一种视频数据处理方法和相关装置 | |
CN109670441A (zh) | 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质 | |
KR101571277B1 (ko) | 모니터링 구역내의 개체들의 움직임을 분류하는 장치 및 방법 | |
CN106372572B (zh) | 监控方法和装置 | |
CN108229335A (zh) | 关联人脸识别方法和装置、电子设备、存储介质、程序 | |
CN101989327B (zh) | 图像分析装置及图像分析方法 | |
CN107527009A (zh) | 一种基于yolo目标检测的遗留物检测方法 | |
CN108062542B (zh) | 被遮挡的人脸的检测方法 | |
CN106716382A (zh) | 用于移动装置行为的聚集多应用程序行为分析的方法和系统 | |
CN109063977B (zh) | 一种无感式交易风险监测方法及装置 | |
CN107784289A (zh) | 一种安防监控方法、装置及系统 | |
CN107644190A (zh) | 行人监控方法和装置 | |
CN109670383A (zh) | 视频遮蔽区域选取方法、装置、电子设备及系统 | |
CN108563978A (zh) | 一种情绪检测方法与装置 | |
CN106982230A (zh) | 一种流量检测方法及系统 | |
CN108197250A (zh) | 图片检索方法、电子设备及存储介质 | |
CN109766779A (zh) | 徘徊人员识别方法及相关产品 | |
CN110162462A (zh) | 基于场景的人脸识别系统的测试方法、系统和计算机设备 | |
CN108010105A (zh) | 图像处理设备、图像处理方法和存储介质 | |
CN110991231B (zh) | 活体检测方法、装置、服务器和人脸识别设备 | |
Akhtar et al. | Evaluation of multimodal biometric score fusion rules under spoof attacks | |
CN108171135A (zh) | 人脸检测方法、装置及计算机可读存储介质 | |
CN112163572A (zh) | 识别对象的方法和装置 | |
CN109389019A (zh) | 人脸图像选择方法、装置及计算机设备 | |
CN113213017A (zh) | 一种基于视觉ai技术的垃圾分类宣教与投放智能监管系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180309 |