CN108241836A - 用于安检的方法及装置 - Google Patents

用于安检的方法及装置 Download PDF

Info

Publication number
CN108241836A
CN108241836A CN201611209378.8A CN201611209378A CN108241836A CN 108241836 A CN108241836 A CN 108241836A CN 201611209378 A CN201611209378 A CN 201611209378A CN 108241836 A CN108241836 A CN 108241836A
Authority
CN
China
Prior art keywords
data
testimony
witness
personnel
checked
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
Application number
CN201611209378.8A
Other languages
English (en)
Inventor
崔锦
谈华斌
周升连
彭志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nuctech Co Ltd
Original Assignee
Nuctech Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nuctech Co Ltd filed Critical Nuctech Co Ltd
Priority to CN201611209378.8A priority Critical patent/CN108241836A/zh
Priority to US15/819,559 priority patent/US10509985B2/en
Priority to DE102017220896.1A priority patent/DE102017220896A1/de
Publication of CN108241836A publication Critical patent/CN108241836A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • 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
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Computer Security & Cryptography (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开一种用于安检的方法及装置。该方法包括：获取待查人员的身份相关信息，所述身份相关信息包括证件照片；获取所述待查人员的实时面部图像；通过对比所述实时面部图像与所述证件照片，获取面部比对相似度。动态确定所述面部比对相似度的阈值；以及通过所述面部比对相似度与所述阈值进行所述待查人员的人证核验。本申请的用于安检的方法，能够快速准确的对安检中的待查人员进行面部比对。

Description

用于安检的方法及装置
技术领域
本发明涉及大数据信息处理领域，具体而言，涉及一种用于安检的方法及装置。
背景技术
对重点位置的安全检查，是保障旅客人身安全的重要防护措施。安检的重点位置可包括，边防检查、海关检查，地铁检查、车站检查等等。由于安全检查是保障旅客人身安全的重要防护措施，所以所有进入重点位置的旅客都必须无一例外地经过检查后,才能允许进入，安全检查也是旅客必须履行的检查手续。
目前，在公路、火车站、机场等公共场合的安全检查中，安全检查人员主要通过核对身份证等证件来核验待查人员的身份。目前比较常用方法是使用人证核验闸机核对待查人员的身份。人证核验闸机通过设备上的摄像头采集人脸图像，与待查人员持有的证件中的照片比对，实现人证核验。但是实际操作中，待查人员现场摄像头采集的面部图像与待查人员的身份证中的照片进行比对时，经常出现人证比对时间较长，需要多次比对等情况。有时，甚至比对失败，需要转为人工核验等情况。更加严重的是，人证核验时，核验的结果有时又会出现误识现象，即待查人员使用别人的身份证也验证通过。目前的人证核验识别困难，检查所用时间较长，旅客安检体验很差。另外，还存在比对误识等现象，有较大的安全隐患。
因此，需要一种新的用于安检的方法及装置。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此，本发明提供一种用于安检的方法及装置，能够快速准确的在安检时，对待查人员进行面部比对。
本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本发明的一方面，提出一种用于安检的方法，该方法包括：获取待查人员的身份相关信息，身份相关信息包括证件照片；获取待查人员的实时面部图像；通过对比实时面部图像与证件照片，获取面部比对相似度；动态确定面部比对相似度的阈值；以及通过面部比对相似度与阈值进行待查人员的人证核验。
在本公开的一种示例性实施例中，还包括：通过历史人证核验的数据，生成动态阈值模型，动态阈值模型用于获取面部比对相似度的阈值。
在本公开的一种示例性实施例中，身份相关信息，包括：证件号码，性别，民族，出生日期，住址，证件办理时长。
在本公开的一种示例性实施例中，动态确定面部比对相似度的阈值，包括：通过动态阈值模型，动态确定面部比对相似度的阈值。
在本公开的一种示例性实施例中，通过历史人证核验的数据，生成动态阈值模型，包括：获取历史人证核验的数据；根据实际人证核验的结果标记历史人证核验的数据；以及将历史人证核验的数据与历史人证核验的数据中被标记的条目存入样本库。
在本公开的一种示例性实施例中，还包括：将样本库通过数据清洗生成第一数据集合；通过大数据可视化分析技术挖掘第一数据集合，获取面部比对关联特征；由样本库中，提取面部比对关联特征对应的数据，生成面部比对关联特征库。
在本公开的一种示例性实施例中，还包括：通过机器学习算法，挖掘面部比对关联特征库生成面部比对阈值模型。
在本公开的一种示例性实施例中，大数据可视化分析技术基于ElasticSearch搜索服务器，进行历史人证核验的数据的处理。
在本公开的一种示例性实施例中，大数据可视化分析技术包括：Kibana可视化界面框架。
在本公开的一种示例性实施例中，机器学习算法基于Spark Mllib实现。
根据本发明的一方面，提出一种用于安检的装置，该装置包括：第一接收模块，用于获取待查人员的身份相关信息，身份相关信息包括证件照片；第二接收模块，用于获取待查人员的实时面部图像；对比模块，用于通过对比实时面部图像与证件照片，获取面部比对相似度；计算模块，用于动态确定面部比对相似度的阈值；以及人证核验模块，用于通过面部比对相似度与阈值进行待查人员的人证核验。
在本公开的一种示例性实施例中，还包括：模型生成模块，用于通过历史人证核验的数据，生成动态阈值模型，动态阈值模型用于获取面部比对相似度的阈值。
根据本发明的用于安检的方法及装置，能够在安检过程中，快速准确的对待查人员进行面部识别。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。
附图说明
通过参照附图详细描述其示例实施例，本发明的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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是根据一示例性实施例示出的一种用于安检的方法的流程图。
图2是根据一示例性实施例示出的生成动态阈值模型的方法的流程图。
图3是根据另一示例性实施例示出的某民族面部比对相似度关联特征示意图。
图4是根据一示例性实施例示出的一种用于安检的装置的框图。
具体实施例
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本发明将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语「及/或」包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的，因此不能用于限制本发明的保护范围。
图1是根据一示例性实施例示出的一种用于安检的方法的流程图。
如图1所示，在S102中，获取待查人员的身份相关信息，身份相关信息包括证件照片。可例如，在安检的过程中，在待检人员通过人证核验闸机时，人证核验闸机读取待查人员所持有的证件信息以获取待查人员的身份相关信息，证件可例如为身份证。还可例如，通过外接的信息采集设备，读取待查人员的证件信息，以获取待查人员身份相关信息。待查人员身份相关信息包括证件照片。还可例如，身份相关信息包括证件号码，持证人年龄、性别等其他相关信息。本发明不以此为限。
在S104中，获取待查人员的实时面部图像。可例如，在安检过程中，利用摄像头实时采集待查人员的面部图像。
面部识别采集，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。面部识别主要包括四个组成部分，分别为：面部图像采集及检测、面部图像预处理、面部图像特征提取以及匹配与识别。面部识别算法分类，有如下几种：基于面部特征点的识别算法(Feature-based recognition algorithms)；基于整幅面部图像的识别算法(Appearance-basedrecognition algorithms)；基于模板的识别算法(Template-based recognitionalgorithms)；利用神经网络进行识别的算法(Recognition algorithms using neuralnetwork)；基于光照估计模型理论。优化的形变统计校正理论；独创的实时特征识别理论等等，本发明不以此为限。
在S106中，通过对比实时面部图像与证件照片，获取面部比对相似度。可例如，通过欧式距离法获取面部比对相似度，还可例如，采用haar(矩形特征算法)以及adaboost迭代算法获取面部比对相似度。本发明不以此为限。
在S108中，动态确定面部比对相似度的阈值。根据上文中提取到的身份相关信息，动态计算待查人员的面部比对相似对阈值。
在现有技术中，实时面部比对得到相似度，而相似度的判断阈值是一个固定的数值，由于受外界条件以及环境等因素限制，比对的效率较低。外界条件限制和环境因素限制可例如为：光照问题是机器视觉中的老问题，在人脸识别中的表现尤为明显。目前即使最好的人脸识别系统在室外光照环境下，其识别率也会急剧下降。与光照问题类似，姿态问题也是目前人脸识别研究中需要解决的一个技术难点。面部识别中的此昂四度判断还受待查人员个人信息的变化而影响。可例如，随着年龄的变化，待查人员的面部外观也会变化，特别是对于青少年而言，青少年的面部变化更加的明显。对于不同的年龄段而言，面部识别算法得到的相似度也不同，进而用同一阈值得到的识别率也不同。对于不同民族不同性别的待查人员而言，由于不同民族面部特征不同，在进行面部识别时，得到的面部识别相似度也存在很大的不同，进而在案件现场，实时进行面部比对的结果差异也很明显。而采用现有技术中，一个单一的阈值来进行面部比对相似度比对的话，很可能出现比对误差较大，识别率较低的问题，在本发明实施例中，根据上文中获取的身份相关信息，通过待检人员身份相关的信息，动态计算待查人员的面部比对相似度的合理的判断阈值。可例如，如果经过分析得知，某民族面部比对相似度的基本分布为70％左右，在实际的安检过程中，如果只考虑待查人员的民族因素的话，动态生成的面部比对相似度阈值可例如为70％。也就是说，在该民族的待查人员的实时面部图像与证件照片中的图像进行比对时，得到的面部比对相似度为70％的时候，即可认为人证核验通过。本发明不以此为限。
在S110中，通过面部比对相似度与阈值进行待查人员的人证核验。
根据本发明的用于安检的方法，通过采集待查人员的身份相关信息，动态计算待查人员的面部比对相似度阈值，能够在安检过程中，快速准确的对待查人员进行面部识别。
应清楚地理解，本发明描述了如何形成和使用特定示例，但本发明的原理不限于这些示例的任何细节。相反，基于本发明公开的内容的教导，这些原理能够应用于许多其它实施例。
在本公开的一种示例性实施例中，面部比对相似度，可例如，分为如下几个步骤：1，人脸检测，找到图像中人脸所在的位置，可例如，采用haar(矩形特征算法)以及adaboost迭代算法实现；2，脸部特征点定位，包括眼球中心点，还可以进一步包括脸颊等轮廓特征点，可例如，采用基于haar(矩形特征算法)以及adaboost迭代算法实现眼睛定位，还可例如，采用ASM等序列比对算法等，ASM是一种基于点分布模型(Point Distribution Model,PDM)的算法。在PDM中，外形相似的物体，例如人脸、人手、心脏、肺部等的几何形状可以通过若干关键特征点(landmarks)的坐标依次串联形成一个形状向量来表示；3，人脸几何归一化，根据脸部特征点位置从图像中得到归一化的人脸区域图像，这一步主要是使得不同人脸上的像素对应的人脸位置一致，这样才有可比性，这个步骤可以看作是一个对图像进行仿射变化的过程；4，人脸光照归一化，主要目的是克服不同光照对人脸的影响，提高算法对光照条件的鲁棒性；5，特征提取，常常会对多种特征进行融合；6，鉴别特征提取，就是将高维的人脸特征映射到分类能力更强的低维特征，可例如，采用PCA(主成分分析算法)+LDA(线性投影分析算法)；7，计算两个脸得到的鉴别特征之间的距离，作为相似度衡量，可例如，采用欧氏距离算法。
在本公开的一种示例性实施例中，身份相关信息，包括：证件号码，性别，民族，出生日期，住址，证件办理时长。
在本公开的一种示例性实施例中，还包括：通过历史人证核验的数据，生成动态阈值模型，动态阈值模型用于获取面部比对相似度的阈值，通过动态阈值模型，动态确定面部比对相似度的阈值。
图2是根据一示例性实施例示出的生成动态阈值模型的方法的流程图。
在S202中，获取历史人证核验的数据。人证比对记录及其身份属性信息收集过程可例如，通过人证核验设备读取待检人员的身份证，设备从身份证信息中读取身份证号，性别，民族，出生日期，住址，身份证办理时长等信息。
在S204中，根据实际人证核验的结果标记历史人证核验的数据。通过人证核验摄像头，采集人脸图像，并与待检人员持有身份证的照片比对，通过面部比对相似度比对算法，给出面部比对相似度。面部比对相似度比对算法的示例性描述如上文所述，本文在此不再赘述。如果在此历史信息中，面部比对相似度识别的结果是识别失败或者错误，则对该条信息引入人工标注。人工标注的内容可例如为：最终人工进行面部识别的结果等，本发明不以此为限。将以上信息汇总处理生成历史人证核验的待查人员面部比对相关信息。
在S206中，将历史人证核验的数据与历史人证核验的数据中被标记的条目存入样本库。将上述信息，以及信息识别的结果，存入样本库。
在S208中，将样本库通过数据清洗生成第一数据集合。将样本库中的数据，经过数据清洗(Data cleaning)，可例如，经过数据清洗后得到预定格式的数据信息；通过预定格式的信息，生成第一数据集合。数据清洗是对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性。可例如，采用ETL数据清洗技术。ETL数据清洗即数据抽取(Extract)、转换(Transform)、装载(Load)的过程。数据抽取负责完成从数据源找到并取出当前主题所需的那部分数据，由于数据仓库中各个主题中的数据是按照前端应用的需求存放的，因此需要对抽取出的数据进行转换以适应前端应用的需要。转换后的数据就可以装入数据仓库了，数据加载过程定时进行，并且不同主题的数据加载任务有各自不同的执行时间表。ETL数据清洗是构建数据仓库的重要环节。数据仓库是面向主题的、集成的、稳定的且随时间不断变化的数据集合，用以支持经营管理中的决策制定过程。数据仓库主要用于决策分析，为领导者提供决策支持信息。数据仓库系统中有可能存在着大量的“脏数据”，引起“脏数据”的主要原因有：滥用缩写词、惯用语、数据输入错误、重复记录、丢失值、拼写变化、不同的计量单位和过时的编码等。为了清除“脏数据”，必须在数据仓库系统中进行数据清洗。数据清洗是一个减少错误和不一致性、解决对象识别的过程。
在S210中，通过大数据可视化分析技术挖掘第一数据集合，获取面部比对关联特征。大数据可视化分析技术，可例如，基于ElasticSearch搜索服务器，进行历史人证核验的数据的处理。ElasticSearch是一个基于Lucene的搜索服务器，支持分布式多用户并发的大数据全文搜索引擎。该技术用于大数据分析中，能够达到实时搜索，稳定，可靠，快速。使用ElasticSearch技术，系统能够快速的处理和检索海量的人证比对记录及其人员因素信息。大数据可视化分析技术可例如包括：Kibana可视化界面框架。借助大数据可视化技术，对第一数据集合进行各种图表等可视化分析，获取面部比对关联特征。Kibana是一个支持大数据分析和查询的可视化界面框架，支持各种图表等可视化界面的动态生成。使用Kibana技术，技术人员能借助各种可视化图表灵活的分析人员因素与面部比对相似度之间的关联关系。
在S212中，由样本库中，提取面部比对关联特征对应的数据，生成面部比对关联特征库。
在S214中，通过机器学习算法，挖掘面部比对关联特征库生成面部比对阈值模型。可例如，机器学习算法基于Spark Mllib实现，对特征库进行机器学习训练，生成人脸比对动态阈值模型。Mllib可分为四部分：MLlib、MLI、ML Optimizer和MLRuntime。其中MLOptimizer会选择它认为最适合的已经在内部实现好了的机器学习算法和相关参数，来处理用户输入的数据，并返回模型或别的帮助分析的结果；MLI是一个进行特征抽取和高级ML编程抽象的算法实现的API或平台；MLlib是Spark实现一些常见的机器学习算法和实用程序，包括分类、回归、聚类、协同过滤、降维以及底层优化，该算法可以进行可扩充；MLRuntime基于Spark计算框架，将Spark的分布式计算应用到机器学习领域。通过机器学习算法，挖掘人脸比对关联特征库，生成面部比对阈值模型。
根据本发明的用于安检的方法，通过大数据相关的数据分析技术，生成面部比对阈值模型，能够在安检过程中，根据待查人员的身份相关信息，快速确定面部比对相似度的阈值。
图3是根据另一示例性实施例示出的一种用于安检的方法的某民族相似度关联特征示意图。
由图3所示，可以通过分析得知，该民族面部比对相似度的基本分布为70％左右，在实际的安检过程中，如果只考虑待查人员的民族因素的话，动态生成的面部比对相似度阈值应该为70％左右的阈值。也就是说，在该民族的待查人员的实时面部图像与证件照片中的图像进行比对时，得到的面部比对相似度为70％的时候，即可认为人证核验通过。还可例如，另一个民族的面部比对相似度基本分布为80％，如果只考虑民族这一个因素的话，那么在该民族的待查人员的实时面部图像与证件照片中的图像进行比对时，得到的实时面部比对相似度如果为70％的情况下，即可以认为人证核验不通过。
在面部比对算法中，一般会采用分类器或更简单的cosine距离、L2距离来进行得分判定，然后采用固定阈值来判别是否为同一人。这样会存在一定局限性，不同年龄、不同证件采集时时间，不同种族，不同性别等人物身份属性都会导致训练的模型会存在差异。在公路安检站等公共场合大量人群中，采用统一阈值会导致在人脸属性有差异的情况下错误接受率和错误拒绝率上升。因此，根据人员的身份属性来训练不同的阈值，有助于提高人脸识别性能。在本发明实施例中，综合考虑年龄、性别等各种影响面部比对相似度阈值的因素，通过大数据分析方法，分析上述因素之间的关系，还可例如，根据上述因素之间对于最终面部比对相似度的不同的影响关系，动态分配不同的因素与面部比对相似度阈值之间对应的权重，综合给出待查人员的面部比对阈值。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
图4是根据一示例性实施例示出的一种用于安检的装置的框图。
其中，第一接收模块402用于获取待查人员的身份相关信息，身份相关信息包括证件照片。
第二接收模块404用于获取待查人员的实时面部图像。
对比模块406用于通过对比实时面部图像与证件照片，获取面部比对相似度。
计算模块408用于动态确定面部比对相似度的阈值。
人证核验模块410用于通过面部比对相似度与阈值进行待查人员的人证核验。
模型生成模块412用于通过历史人证核验的数据，生成动态阈值模型，动态阈值模型用于获取面部比对相似度的阈值。
根据本发明的用于安检的装置，通过采集待查人员的身份相关信息，动态计算待查人员的面部比对相似度阈值，能够在安检过程中，快速准确的对待查人员进行面部识别。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施例的方法。
通过以上的详细描述，本领域的技术人员易于理解，根据本发明实施例的用于安检的方法及装置具有以下优点中的一个或多个。
根据一些实施例，本发明的用于安检的方法，通过采集待查人员的身份相关信息，动态计算待查人员的面部比对相似度阈值，能够在安检过程中，快速准确的对待查人员进行面部识别。
根据另一些实施例，本发明的用于安检的方法，通过大数据相关的数据分析技术，生成面部比对阈值模型，能够在安检过程中，根据待查人员的身份相关信息，快速确定面部比对相似度的阈值。
以上具体地示出和描述了本发明的示例性实施例。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
此外，本说明书说明书附图所示出的结构、比例、大小等，均仅用以配合说明书所公开的内容，以供本领域技术人员了解与阅读，并非用以限定本公开可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本公开所能产生的技术效果及所能实现的目的下，均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时，本说明书中所引用的如「上」、「第一」、「第二」及「一」等的用语，也仅为便于叙述的明了，而非用以限定本公开可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当也视为本发明可实施的范畴。

Claims (12)

1.一种用于安检的方法，其特征在于，包括：
获取待查人员的身份相关信息，所述身份相关信息包括证件照片；
获取所述待查人员的实时面部图像；
通过对比所述实时面部图像与所述证件照片，获取面部比对相似度；
动态确定所述面部比对相似度的阈值；以及
通过所述面部比对相似度与所述阈值进行所述待查人员的人证核验。
2.如权利要求1所述的方法，其特征在于，还包括：
通过历史人证核验的数据，生成动态阈值模型，所述动态阈值模型用于获取所述面部比对相似度的阈值。
3.如权利要求1所述的方法，其特征在于，所述身份相关信息还包括：证件号码，性别，民族，出生日期，住址，证件办理时长。
4.如权利要求2所述的方法，其特征在于，动态确定所述面部比对相似度的阈值，包括：
通过所述动态阈值模型，动态确定所述面部比对相似度的所述阈值。
5.如权利要求2所述的方法，其特征在于，通过历史人证核验的数据，生成动态阈值模型，包括：
获取所述历史人证核验的所述数据；
根据实际人证核验的结果标记所述历史人证核验的所述数据；以及
将所述历史人证核验的所述数据与所述历史人证核验的所述数据中被标记的条目存入样本库。
6.如权利要求5所述的方法，其特征在于，还包括：
将所述样本库通过数据清洗生成第一数据集合；
通过大数据可视化分析技术挖掘所述第一数据集合，获取面部比对关联特征；
由所述样本库中，提取所述面部比对关联特征对应的数据，生成面部比对关联特征库。
7.如权利要求6所述的方法，其特征在于，还包括：
通过机器学习算法，挖掘所述面部比对关联特征库生成所述面部比对阈值模型。
8.如权利要求6所述的方法，其特征在于，所述大数据可视化分析技术基于ElasticSearch搜索服务器，进行所述历史人证核验的所述数据的处理。
9.如权利要求6所述的方法，其特征在于，所述大数据可视化分析技术包括：Kibana可视化界面框架。
10.如权利要求7所述的方法，其特征在于，所述机器学习算法基于Spark Mllib实现。
11.一种用于安检的装置，其特征在于，包括：
第一接收模块，用于获取待查人员的身份相关信息，所述身份相关信息包括证件照片；
第二接收模块，用于获取所述待查人员的实时面部图像；
对比模块，用于通过对比所述实时面部图像与所述证件照片，获取面部比对相似度；
计算模块，用于动态确定所述面部比对相似度的阈值；以及
人证核验模块，用于通过所述面部比对相似度与所述阈值进行所述待查人员的人证核验。
12.如权利要求11所述的装置，其特征在于，还包括：
模型生成模块，用于通过历史人证核验的数据，生成动态阈值模型，所述动态阈值模型用于获取所述面部比对相似度的阈值。
CN201611209378.8A 2016-12-23 2016-12-23 用于安检的方法及装置 Pending CN108241836A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201611209378.8A CN108241836A (zh) 2016-12-23 2016-12-23 用于安检的方法及装置
US15/819,559 US10509985B2 (en) 2016-12-23 2017-11-21 Method and apparatus for security inspection
DE102017220896.1A DE102017220896A1 (de) 2016-12-23 2017-11-22 Verfahren und Vorrichtung zur Sicherheitskontrolle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611209378.8A CN108241836A (zh) 2016-12-23 2016-12-23 用于安检的方法及装置

Publications (1)

Publication Number Publication Date
CN108241836A true CN108241836A (zh) 2018-07-03

Family

ID=62510045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611209378.8A Pending CN108241836A (zh) 2016-12-23 2016-12-23 用于安检的方法及装置

Country Status (3)

Country Link
US (1) US10509985B2 (zh)
CN (1) CN108241836A (zh)
DE (1) DE102017220896A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271957A (zh) * 2018-09-30 2019-01-25 厦门市巨龙信息科技有限公司 人脸性别识别方法以及装置
CN109409962A (zh) * 2018-11-08 2019-03-01 北京旷视科技有限公司 图像处理方法、装置、电子设备、计算机可读存储介质
CN109598192A (zh) * 2018-10-23 2019-04-09 平安科技（深圳）有限公司 基于图像识别技术审核简历的方法、装置和计算机设备
CN109829362A (zh) * 2018-12-18 2019-05-31 深圳壹账通智能科技有限公司 安检辅助分析方法、装置、计算机设备和存储介质
CN110597863A (zh) * 2019-09-25 2019-12-20 上海依图网络科技有限公司 通过动态阈值保持在布控库中性能稳定的检索系统和方法
CN111626229A (zh) * 2020-05-29 2020-09-04 广州云从博衍智能科技有限公司 一种对象管理方法、装置、机器可读介质及设备
CN111898495A (zh) * 2020-07-16 2020-11-06 云从科技集团股份有限公司 一种动态阈值管理方法、系统、设备及介质
CN112241666A (zh) * 2019-07-18 2021-01-19 佳能株式会社 目标识别方法、装置及存储介质
US11200451B2 (en) 2018-11-14 2021-12-14 Canon Kabushiki Kaisha Object recognition method and apparatus

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108241836A (zh) * 2016-12-23 2018-07-03 同方威视技术股份有限公司 用于安检的方法及装置
US10832035B2 (en) * 2017-06-22 2020-11-10 Koninklijke Philips N.V. Subject identification systems and methods
US10579908B2 (en) * 2017-12-15 2020-03-03 Google Llc Machine-learning based technique for fast image enhancement
CN108805005A (zh) * 2018-04-16 2018-11-13 深圳市商汤科技有限公司 身份验证方法和装置、电子设备、计算机程序和存储介质
US11216541B2 (en) * 2018-09-07 2022-01-04 Qualcomm Incorporated User adaptation for biometric authentication
CN110928957A (zh) * 2018-09-20 2020-03-27 阿里巴巴集团控股有限公司 数据聚类方法及装置
SE1851630A1 (en) * 2018-12-20 2020-06-21 Precise Biometrics Ab Methods for biometrics verification using a mobile device
CN110210424A (zh) * 2019-06-05 2019-09-06 重庆两江新区管理委员会 一种基于人脸识别的工人身份信息采集系统及方法
CN111814701A (zh) * 2020-07-13 2020-10-23 安徽兰臣信息科技有限公司 一种基于双层异构网络进行特征迁移学习的儿童人脸识别算法
CN113469012B (zh) * 2021-06-28 2024-05-03 广州云从鼎望科技有限公司 用户刷脸验证的方法、系统、介质及装置
CN115862210B (zh) * 2022-11-08 2023-08-25 杭州青橄榄网络技术有限公司 一种访客关联方法与系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7362886B2 (en) * 2003-06-05 2008-04-22 Canon Kabushiki Kaisha Age-based face recognition
CN102446269A (zh) * 2010-10-15 2012-05-09 微盟电子(昆山)有限公司 可抑制杂讯及环境影响的脸部识别方法
CN103136533A (zh) * 2011-11-28 2013-06-05 汉王科技股份有限公司 基于动态阈值的人脸识别方法及装置
CN103425443A (zh) * 2012-05-22 2013-12-04 联想(北京)有限公司 一种控制方法、系统和电子设备
CN103902961A (zh) * 2012-12-28 2014-07-02 汉王科技股份有限公司 一种人脸识别方法及装置
CN104537336A (zh) * 2014-12-17 2015-04-22 厦门立林科技有限公司 一种具备自学习功能的人脸识别方法和系统
CN104751143A (zh) * 2015-04-02 2015-07-01 北京中盾安全技术开发公司 一种基于深度学习的人证核验系统及方法
CN104965235A (zh) * 2015-06-12 2015-10-07 同方威视技术股份有限公司 一种安检系统及方法
CN105243357A (zh) * 2015-09-15 2016-01-13 深圳市环阳通信息技术有限公司 一种基于身份证件的人脸识别方法及人脸识别装置
US20160063235A1 (en) * 2014-08-28 2016-03-03 Kevin Alan Tussy Facial Recognition Authentication System Including Path Parameters
CN105447474A (zh) * 2015-12-15 2016-03-30 3M创新有限公司 人像识别方法和人像识别装置
CN105468955A (zh) * 2015-12-28 2016-04-06 深圳市亚略特生物识别科技有限公司 基于生物识别的移动终端及电子系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6219640B1 (en) * 1999-08-06 2001-04-17 International Business Machines Corporation Methods and apparatus for audio-visual speaker recognition and utterance verification
US20020198731A1 (en) * 2001-06-26 2002-12-26 Barnes Jessica M. Method and apparatus for processing an international passenger
KR100886557B1 (ko) * 2007-05-03 2009-03-02 삼성전자주식회사 적응형 학습에 기반한 얼굴 인식 시스템 및 방법
US8374983B1 (en) * 2009-11-23 2013-02-12 Google Inc. Distributed object classification
WO2014094033A1 (en) * 2012-12-21 2014-06-26 My Verified Id Limited Computer implemented frameworks and methodologies for enabling identification verification in an online environment
WO2014197202A1 (en) * 2013-06-05 2014-12-11 Morphotrust Usa, Inc. System and method for credential authentication
US9491160B2 (en) * 2015-03-09 2016-11-08 Michigan Health Information Network-Mihin Method and apparatus for remote identity proofing service issuing trusted identities
CN108241836A (zh) * 2016-12-23 2018-07-03 同方威视技术股份有限公司 用于安检的方法及装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7362886B2 (en) * 2003-06-05 2008-04-22 Canon Kabushiki Kaisha Age-based face recognition
CN102446269A (zh) * 2010-10-15 2012-05-09 微盟电子(昆山)有限公司 可抑制杂讯及环境影响的脸部识别方法
CN103136533A (zh) * 2011-11-28 2013-06-05 汉王科技股份有限公司 基于动态阈值的人脸识别方法及装置
CN103425443A (zh) * 2012-05-22 2013-12-04 联想(北京)有限公司 一种控制方法、系统和电子设备
CN103902961A (zh) * 2012-12-28 2014-07-02 汉王科技股份有限公司 一种人脸识别方法及装置
US20160063235A1 (en) * 2014-08-28 2016-03-03 Kevin Alan Tussy Facial Recognition Authentication System Including Path Parameters
CN105389491A (zh) * 2014-08-28 2016-03-09 凯文·艾伦·杜西 包括路径参数的面部识别认证系统
CN104537336A (zh) * 2014-12-17 2015-04-22 厦门立林科技有限公司 一种具备自学习功能的人脸识别方法和系统
CN104751143A (zh) * 2015-04-02 2015-07-01 北京中盾安全技术开发公司 一种基于深度学习的人证核验系统及方法
CN104965235A (zh) * 2015-06-12 2015-10-07 同方威视技术股份有限公司 一种安检系统及方法
CN105243357A (zh) * 2015-09-15 2016-01-13 深圳市环阳通信息技术有限公司 一种基于身份证件的人脸识别方法及人脸识别装置
CN105447474A (zh) * 2015-12-15 2016-03-30 3M创新有限公司 人像识别方法和人像识别装置
CN105468955A (zh) * 2015-12-28 2016-04-06 深圳市亚略特生物识别科技有限公司 基于生物识别的移动终端及电子系统

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271957B (zh) * 2018-09-30 2020-10-20 厦门市巨龙信息科技有限公司 人脸性别识别方法以及装置
CN109271957A (zh) * 2018-09-30 2019-01-25 厦门市巨龙信息科技有限公司 人脸性别识别方法以及装置
CN109598192A (zh) * 2018-10-23 2019-04-09 平安科技（深圳）有限公司 基于图像识别技术审核简历的方法、装置和计算机设备
CN109409962A (zh) * 2018-11-08 2019-03-01 北京旷视科技有限公司 图像处理方法、装置、电子设备、计算机可读存储介质
US11200451B2 (en) 2018-11-14 2021-12-14 Canon Kabushiki Kaisha Object recognition method and apparatus
CN109829362A (zh) * 2018-12-18 2019-05-31 深圳壹账通智能科技有限公司 安检辅助分析方法、装置、计算机设备和存储介质
CN112241666A (zh) * 2019-07-18 2021-01-19 佳能株式会社 目标识别方法、装置及存储介质
CN110597863A (zh) * 2019-09-25 2019-12-20 上海依图网络科技有限公司 通过动态阈值保持在布控库中性能稳定的检索系统和方法
CN110597863B (zh) * 2019-09-25 2023-01-24 上海依图网络科技有限公司 通过动态阈值保持在布控库中性能稳定的检索系统和方法
CN111626229A (zh) * 2020-05-29 2020-09-04 广州云从博衍智能科技有限公司 一种对象管理方法、装置、机器可读介质及设备
CN111898495A (zh) * 2020-07-16 2020-11-06 云从科技集团股份有限公司 一种动态阈值管理方法、系统、设备及介质
CN112906568A (zh) * 2020-07-16 2021-06-04 云从科技集团股份有限公司 动态阈值管理方法、系统、电子设备及介质
CN112906568B (zh) * 2020-07-16 2021-11-12 云从科技集团股份有限公司 动态阈值管理方法、系统、电子设备及介质

Also Published As

Publication number Publication date
US20180181834A1 (en) 2018-06-28
DE102017220896A1 (de) 2018-06-28
US10509985B2 (en) 2019-12-17

Similar Documents

Publication Publication Date Title
CN108241836A (zh) 用于安检的方法及装置
CN109086756B (zh) 一种基于深度神经网络的文本检测分析方法、装置及设备
CN105138954B (zh) 一种图像自动筛选查询识别系统
Tayab Khan et al. Smart Real‐Time Video Surveillance Platform for Drowsiness Detection Based on Eyelid Closure
CN110008909B (zh) 一种基于ai的实名制业务实时稽核系统
CN104866829B (zh) 一种基于特征学习的跨年龄人脸验证方法
CN109376717A (zh) 人脸对比的身份识别方法、装置、电子设备及存储介质
CN104008395A (zh) 一种基于人脸检索的不良视频智能检测方法
CN107025444A (zh) 分块协同表示嵌入核稀疏表示遮挡人脸识别方法和装置
CN113205002B (zh) 非受限视频监控的低清人脸识别方法、装置、设备及介质
Paul et al. Extraction of facial feature points using cumulative histogram
Zhang et al. Facial action unit detection with local key facial sub-region based multi-label classification for micro-expression analysis
Shanmugavadivu et al. Rapid face detection and annotation with loosely face geometry
Sharma et al. Automatic facial expression recognition using combined geometric features
Baltanas et al. A face recognition system for assistive robots
Shams et al. Deep belief neural networks for eye localization based speeded up robust features and local binary pattern
Lavanya et al. LBPH-Based Face Recognition System for Attendance Management
Gomathy et al. Face recognition based student detail collection using opencv
Lopez-Fuentes et al. Deep Learning Models for Passability Detection of Flooded Roads.
Halstead et al. Multimodal clothing recognition for semantic search in unconstrained surveillance imagery
Tsang et al. Combined AdaBoost and gradientfaces for face detection under illumination problems
Beheshti-Nia et al. A new classification method based on pairwise SVM for facial age estimation
El-Sayed et al. An identification system using eye detection based on wavelets and neural networks
CN114049676A (zh) 疲劳状态检测方法、装置、设备及存储介质
Dagher et al. Improving the Component‐Based Face Recognition Using Enhanced Viola–Jones and Weighted Voting Technique

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: 20180703