CN109214300A - 一种基于人脸识别的嫌疑人预警方法及其系统 - Google Patents

Abstract

本发明公开了一种基于人脸识别的嫌疑人预警方法，通过提取嫌疑人人脸图像，计算嫌疑人人脸图像特征值；将嫌疑人人脸图像特征值与公安局备案的黑名单数据库中的人脸图像特征值进行对比分析；判断该嫌疑人人脸图像特征值是否被记录在公安局备案的黑名单数据库中，如果是，则向驾驶员发出报警信号，并上传至调度监控中心，向公安局发送该报警信息；如果否，则重新进行特征值的对比分析。本发明还公开了一种基于人脸识别的嫌疑人预警系统，包括人脸图像提取模块、特征值比对模块、嫌疑人判断模块和监控报警模块。本发明实现高精度、高效率的人脸识别，方便识别嫌疑人基本信息，了解嫌疑人员活动情况，且能实时调取监控视频，在线点播录像，节约带宽资源。

Description

一种基于人脸识别的嫌疑人预警方法及其系统

技术领域

本发明涉及监控技术领域，具体涉及一种基于人脸识别的嫌疑人预警方法及其系统。

背景技术

随着我国经济社会的快速发展，公交车在人们出行方式中占着不可替代的作用，公交车的质量和安全性也不断提升，因此越来越多的人选择乘坐公交车。机场和高铁现具有严格的监控认证系统，公交车就有可能成为小偷、逃犯等嫌疑人员使用交通工具，上车后有可能危害车上乘客安全。公交车在整个城市的覆盖面积大，成为智慧城市的重要部分，而乘客安全更是有待提高，相对机场和高铁的安全同等重要。对于安防视频图像数据，传统的处理方式主要靠事后人工查阅来完成，效率极低。但面对海量的安防数据，如果继续采用传统方式，不仅效率低下，而且不能达到实战应用目的，偏离了安防系统建设目的。安防大数据在存储、挖掘、分析等方面仍待突破。

随着社会的发展和技术的进步，特别是近年来计算机在软硬件方面性能的飞速提升，各应用领域对快速高效的身份验证的要求日益迫切。由于生物特征是人的内在属性，具有很强的自身稳定性和个体差异性，因此成为身份验证的最理想依据。其中，利用人脸特征进行身份验证又是最自然最直接的手段。人脸识别系统与指纹、虹膜、掌纹等其他人体生物特征识别系统相比，更加友好、方便，更易于为用户所接受。

人体生物特征具有唯一性、稳定性、不可复制、不可假冒等显著特点，用于身份认证具有更高的安全性。在指纹、掌纹、虹膜等人体生物特征识别技术中，人脸识别技术的优势非常明显。首先，作为识别特征，人脸具有稳定、可靠、安全、便利等特点。在一般情况下，人的面部特征是非常稳定可靠的，“携带”便利。面像也是用于区分人的首要特征。其次，人脸图像的采集非常方便，尤其是基于标准视频的图像采集方式。目前，绝大多数安防系统采用的都是可见光范围内的标准摄像头，完全满足人脸图像的采集要求，不需要进行任何改造或升级。人脸图像的采集是非接触式的，也不需要人主动配合，最大限度地提高了系统的响应速度。第三，与安防系统结合人脸识别系统能够最大效能的发挥现有监控系统的优势，真正达到“预防-记录-取证”的目标。我们知道，目前安防系统最关注的还是监控场景中的人，这种关注通常是“隐性的”，“非介入式”的，不能进行专门的干预。采用人脸检测技术可以快速的分析出场景中人的位置，采集到人的面部图像。采用人脸识别技术，可以迅速的将这些图像与数据库中的“嫌疑人、“危险人物”等进行比对排查。一旦命中，系统将迅速做出响应。人脸识别系统采集的人脸图像又可以作为非常重要的监控数据记录下来，存储在监控数据库中，作为事后检索的索引，或者与公安、安全部门的数据库接驳，进行取证、认定。

传统技术的缺陷和不足：

(1)嫌疑人员出现在公交车等公共区域，但系统无法实时进行预警，不进做到事中处理；

(2)事后只有查找视频找证据，无法直接提供事件事中时的相关图片信息；

(3)不明确嫌疑人员的公交车上活动情况；

(4)安防视频图像数据，传统的处理方式主要靠事后人工查阅来完成，效率极低。

发明内容

基于此，针对上述问题，有必要提出一种实现嫌疑人员信息录入，方便识别嫌疑人基本信息，了解嫌疑人员活动情况，实现高精度、高效率人脸识别，且能实时调取监控视频，在线点播录像，节约带宽资源的基于人脸识别的嫌疑人预警方法及其系统。

本发明提供了一种基于人脸识别的嫌疑人预警方法，其技术方案如下：

一种基于人脸识别的嫌疑人预警方法，包括以下步骤：

a、提取嫌疑人人脸图像，计算嫌疑人人脸图像特征值；

b、将嫌疑人人脸图像特征值与公安局备案的黑名单数据库中的人脸图像特征值进行对比分析；

c、判断该嫌疑人人脸图像特征值是否被记录在公安局备案的黑名单数据库中，如果是，则向驾驶员发出报警信号，进入步骤d；如果否，则重新进入步骤b；

d、调度监控中心自动接收报警信号，调取监控视频；并向公安局发送该报警信息。

在本技术方案中，在人上车时，通过车内红外线高清摄像头对上车人员进行人脸图像采集，红外线高清摄像头连接车载终端，车载终端通过移动通信网络连接人脸识别智能分析系统，红外线高清摄像头连接人脸识别智能分析系统，人脸识别智能分析系统成功抓取人脸图像，将人脸图像通过移动通信网络等分发到人脸识别智能分析系统的云服务器上，通过人脸识别智能分析系统提取人脸特征并计算嫌疑人员的人脸特征值，写入缓存；同时与公安局备案的黑名单数据库中的人脸图像特征值进行比对分析，有黑名单记录会调度监控中心的报警服务器自动报警，嫌疑人预警系统会发送指令经过以太网发送到公安局报警中心，调度中心人员确定后再发送公安局报警中心；高效、精确的处理嫌疑人特征，并保存视频、图像资源，方便入网调查；同时实现及时报警，公安局报警中心能第一时间知道嫌疑人员的行踪。

优选的，所述步骤a包括以下步骤：

a101、建立训练样本图像集图像共有C类，每类n_i个；其中，X_k表示第k个训练样本图像，N为训练样本图像总数；

a102、定义类间离散度矩阵类内离散度矩阵以及广义Fisher准则函数J_F(W)＝W^TS_BW/W^TS_WW；其中，和分别表示第i类训练样本图像的均值和总训练样本图像的均值，T为转置，W为最佳投影方向；

a103、根据计算出的第i类训练样本图像均值和总训练样本图像均值求出训练样本图像集的类间离散度矩阵和类内离散度矩阵；

a104、取的前d个最大特征值所对应的标准正交特征向量W₁,W₂,…,W_d组成投影向量矩阵，并计算该投影向量矩阵；

a105、将训练图像向W＝[W₁,W₂,…,W_d]投影；

a106、将采集的嫌疑人人脸图像向W＝[W₁,W₂,…,W_d]投影；

a107、选择最近邻分类器，获取嫌疑人人脸图像特征值，并对采集的嫌疑人人脸图像进行分类。

在本技术方案中，立足于人脸识别智能分析系统收集海量人脸训练集，可成功标注的千万人脸数据；并采用二维线性鉴别分析算法(即2DLDA人脸识别算法)提取人脸特征，该算法就是寻找一个最优投影向量W，使得Fisher准则函数的值达到最大，进而得到嫌疑人人脸图像的特征值；实现精确、快速的提取人脸特征，计算特征值，便于与记录在公安局备案的黑名单数据库中的人脸特征值进行准确的对比识别，使得能基本识别嫌疑人面部特征和活动情况，其识别结果可靠性高，适用性强，便于存储、分类。

优选的，还包括以下步骤：

根据分布式缓存memcache技术，将获取的嫌疑人人脸图像特征值调用到内存中，当需要调用时，从内存中读取。利用分布式缓存memcache技术，实现了人脸识别技术的速度快，精度高特征等特点；且保证了对数据的高性能访问，当内存没有更多的空间来存储新的数据时，memcache就会使用LRU(LeastRecently Used)算法，将最近不常访问的数据淘汰掉，以腾出空间来存放新的数据，节约数据资源。

优选的，还包括以下步骤：

当识别人脸图像，并确定为嫌疑人员后，将该嫌疑人员人脸图像自动上传至云端服务器进行存储和检索；并通过接入车载终端上包括车辆信息、GPS数据和时间的信息进行数据清洗，形成人脸图像资源库，集中分布式存储数据。

在本技术方案中，嫌疑人员的人脸图像保存在人脸识别智能分析系统，通过接入车载终端上的车辆信息、GPS数据、时间等信息进行数据清洗，形成人脸图像资源库，集中分布式存储数据，通过web客户端可视化嫌疑人员行动轨迹和在线点播视频录像，了解嫌疑人员活动情况，准确呈现线索和信息，再现嫌疑人的活动轨迹和场景；对视频录像、嫌疑人员人脸图像、嫌疑人员的信息相互关联，形成人脸图像资源库。

优选的，所述步骤d中调取监控视频包括以下步骤：

调取的监控视频在播放过程中，根据视频码率、操作行为以及播放缓存进度控制数据下载，若接收到暂停视频或结束视频的请求，则清除缓存。采用在线视频智能虚拟分片缓存技术减少了带宽浪费；通常情况，由于视频文件很大，大部分用户不会看完，大部分长视频观看行为都只会看一半不到，觉得不好看就会关掉；如果恰好用户网速很好，那他打开播放页这段时间，就会快速下载大量数据，但因为没观看，所以这些数据就浪费掉了，对平台来说就是浪费，为了减少带宽浪费，采用智能虚拟分片缓存技术，无需事先对文件进行物理切片保存，可根据视频码率、用户行为以及播放缓存进度来控制数据下载，并确保客户端播放流畅，这样，就可以大大减少带宽的浪费，从而起到节省带宽的作用。

本发明还提供了一种基于人脸识别的嫌疑人预警系统，其技术方案如下：

一种基于人脸识别的嫌疑人预警系统，包括人脸图像提取模块、特征值比对模块、嫌疑人判断模块和监控报警模块，其中：

人脸图像提取模块，用于提取嫌疑人人脸图像，计算嫌疑人人脸图像特征值；

特征值比对模块，用于将嫌疑人人脸图像特征值与公安局备案的黑名单数据库中的人脸图像特征值进行对比分析；

嫌疑人判断模块，用于判断该嫌疑人人脸图像特征值是否被记录在公安局备案的黑名单数据库中；

监控报警模块，用于调度监控中心自动接收报警信号，调取监控视频；并向公安局发送该报警信息。

优选的，所述人脸图像提取模块包括样本建立子模块、2DLDA算法定义子模块、矩阵计算子模块、投影计算子模块、训练图像投影子模块、采集图像投影子模块和图像分类子模块，其中：

样本建立子模块，用于建立训练样本图像集图像共有C类，每类n_i个；其中，X_k表示第k个训练样本图像，N为训练样本图像总数；

2DLDA算法定义子模块，用于定义类间离散度矩阵 类内离散度矩阵以及广义Fisher准则函数J_F(W)＝W^TS_BW/W^TS_WW；其中，和分别表示第i类训练样本图像的均值和总训练样本图像的均值，T为转置，W为最佳投影方向；

矩阵计算子模块，用于根据计算出的第i类训练样本图像均值和总训练样本图像均值求出训练样本图像集的类间离散度矩阵和类内离散度矩阵；

投影计算子模块，取的前d个最大特征值所对应的标准正交特征向量W₁,W₂,…,W_d组成投影向量矩阵，并计算该投影向量矩阵；

训练图像投影子模块，用于将训练图像向W＝[W₁,W₂,…,W_d]投影；

采集图像投影子模块，用于将采集的嫌疑人人脸图像向W＝[W₁,W₂,…,W_d]投影；

图像分类子模块，选择最近邻分类器，获取嫌疑人人脸图像特征值，并对采集的嫌疑人人脸图像进行分类。

优选的，还包括分布式缓存模块，根据分布式缓存memcache技术，将获取的嫌疑人人脸图像特征值调用到内存中，当需要调用时，从内存中读取。

优选的，还包括数据清洗模块，用于当识别人脸图像，并确定为嫌疑人员后，将该嫌疑人员人脸图像自动上传至云端服务器进行存储和检索；并通过接入车载终端上包括车辆信息、GPS数据和时间的信息进行数据清洗，形成人脸图像资源库，集中分布式存储数据。

优选的，所述监控报警模块包括虚拟分片缓存子模块，用于调取的监控视频在播放过程中，根据视频码率、操作行为以及播放缓存进度控制数据下载，若接收到暂停视频或结束视频的请求，则清除缓存。

本发明的有益效果是：

1、本发明能实现及时报警，公安局报警中心第一时间知道嫌疑人员的行踪。

2、通过人脸图像数据清洗，嫌疑人员的信息包括人脸图像、GPS数据、车辆信息、时间、视频录像等具体信息，形成人脸图像资源库，便于查看嫌疑人活动情况并进行追踪。

3、通过web客户端可视化嫌疑人员行动轨迹和在线点播视频录像，了解嫌疑人员活动情况，准确呈现线索和信息，再现嫌疑人的活动轨迹和场景，快速定位嫌疑人相关信息。

4、对视频录像、嫌疑人员人脸图像、嫌疑人员的信息相互关联，形成人脸图像资源库，集中分布式管理数据。

5、具有提供人脸图像迅速查找嫌疑人员信息及视频录像，可应用于公安的基于人脸识别智能分析系统的检索服务。

6、立足于人脸识别智能分析系统收集海量人脸训练集，可成功标注的千万人脸数据。

7、本发明采用零拷贝(Zero Copy)技术和先进的异步、多核架构实现服务器的高并发和高吞吐率。

8、本发明利用分布式缓存memcache技术，实现了人脸识别技术的速度快，精度高特征。

9、本发明采用内存预读缓冲技术，流媒体服务平台自动根据不同格式预读取相应索引数据，极大提升了点播启动速度。

10、采用在线视频智能虚拟分片缓存技术减少了带宽浪费。

附图说明

图1是本发明实施例所述基于人脸识别的嫌疑人预警方法的流程图；

图2是本发明实施例所述提取嫌疑人人脸图像并计算特征值的流程图；

图3是本发明实施例所述基于人脸识别的嫌疑人预警系统的原理框图。

附图标记说明：

10-人脸图像提取模块；101-样本建立子模块；102-2DLDA算法定义子模块；103-矩阵计算子模块；104-投影计算子模块；105-训练图像投影子模块；106-采集图像投影子模块；107-图像分类子模块；20-特征值比对模块；30-嫌疑人判断模块；40-监控报警模块；401-虚拟分片缓存子模块；50-分布式缓存模块；60-数据清洗模块。

具体实施方式

下面结合附图对本发明的实施例进行详细说明。

实施例1

如图1所示，一种基于人脸识别的嫌疑人预警方法，包括以下步骤：

a、提取嫌疑人人脸图像，计算嫌疑人人脸图像特征值；

b、将嫌疑人人脸图像特征值与公安局备案的黑名单数据库中的人脸图像特征值进行对比分析；

c、判断该嫌疑人人脸图像特征值是否被记录在公安局备案的黑名单数据库中，如果是，则向驾驶员发出报警信号，进入步骤d；如果否，则重新进入步骤b；

d、调度监控中心自动接收报警信号，调取监控视频；并向公安局发送该报警信息。

在本实施例中，在人上车时，通过车内红外线高清摄像头对上车人员进行人脸图像采集，红外线高清摄像头连接车载终端，车载终端通过移动通信网络连接人脸识别智能分析系统，红外线高清摄像头连接人脸识别智能分析系统，人脸识别智能分析系统成功抓取人脸图像，将人脸图像通过移动通信网络等分发到人脸识别智能分析系统的云服务器上，通过人脸识别智能分析系统提取人脸特征并计算嫌疑人员的人脸特征值，写入缓存；同时与公安局备案的黑名单数据库中的人脸图像特征值进行比对分析，有黑名单记录会调度监控中心的报警服务器自动报警，嫌疑人预警系统会发送指令经过以太网发送到公安局报警中心，调度中心人员确定后再发送公安局报警中心；高效、精确的处理嫌疑人特征，并保存视频、图像资源，方便入网调查；同时实现及时报警，公安局报警中心能第一时间知道嫌疑人员的行踪。

实施例2

本实施例在实施例1的基础上，如图2所示，所述步骤a包括以下步骤：

a101、建立训练样本图像集图像共有C类，每类n_i个；其中，X_k表示第k个训练样本图像，N为训练样本图像总数；

a102、定义类间离散度矩阵类内离散度矩阵以及广义Fisher准则函数J_F(W)＝W^TS_BW/W^TS_WW；其中，和分别表示第i类训练样本图像的均值和总训练样本图像的均值，T为转置，W为最佳投影方向；

a103、根据计算出的第i类训练样本图像均值和总训练样本图像均值求出训练样本图像集的类间离散度矩阵和类内离散度矩阵；

a104、取的前d个最大特征值所对应的标准正交特征向量W₁,W₂,…,W_d组成投影向量矩阵，并计算该投影向量矩阵；

a105、将训练图像向W＝[W₁,W₂,…,W_d]投影；

a106、将采集的嫌疑人人脸图像向W＝[W₁,W₂,…,W_d]投影；

a107、选择最近邻分类器，获取嫌疑人人脸图像特征值，并对采集的嫌疑人人脸图像进行分类。

在本实施例中，立足于人脸识别智能分析系统收集海量人脸训练集，可成功标注的千万人脸数据；并采用二维线性鉴别分析算法(即2DLDA人脸识别算法)提取人脸特征，该算法就是寻找一个最优投影向量W，使得Fisher准则函数的值达到最大，进而得到嫌疑人人脸图像的特征值；实现精确、快速的提取人脸特征，计算特征值，便于与记录在公安局备案的黑名单数据库中的人脸特征值进行准确的对比识别，使得能基本识别嫌疑人面部特征和活动情况，其识别结果可靠性高，适用性强，便于存储、分类。

实施例3

本实施例在实施例2的基础上，还包括以下步骤：

根据分布式缓存memcache技术，将获取的嫌疑人人脸图像特征值调用到内存中，当需要调用时，从内存中读取。利用分布式缓存memcache技术，实现了人脸识别技术的速度快，精度高特征等特点；且保证了对数据的高性能访问，当内存没有更多的空间来存储新的数据时，memcache就会使用LRU(LeastRecently Used)算法，将最近不常访问的数据淘汰掉，以腾出空间来存放新的数据，节约数据资源。

实施例4

本实施例在实施例2的基础上，还包括以下步骤：

当识别人脸图像，并确定为嫌疑人员后，将该嫌疑人员人脸图像自动上传至云端服务器进行存储和检索；并通过接入车载终端上包括车辆信息、GPS数据和时间的信息进行数据清洗，形成人脸图像资源库，集中分布式存储数据。

在本实施例中，嫌疑人员的人脸图像保存在人脸识别智能分析系统，通过接入车载终端上的车辆信息、GPS数据、时间等信息进行数据清洗，形成人脸图像资源库，集中分布式存储数据，通过web客户端可视化嫌疑人员行动轨迹和在线点播视频录像，了解嫌疑人员活动情况，准确呈现线索和信息，再现嫌疑人的活动轨迹和场景；对视频录像、嫌疑人员人脸图像、嫌疑人员的信息相互关联，形成人脸图像资源库。

实施例5

本实施例在实施例1的基础上，所述步骤d中调取监控视频包括以下步骤：

调取的监控视频在播放过程中，根据视频码率、操作行为以及播放缓存进度控制数据下载，若接收到暂停视频或结束视频的请求，则清除缓存。采用在线视频智能虚拟分片缓存技术减少了带宽浪费；通常情况，由于视频文件很大，大部分用户不会看完，大部分长视频观看行为都只会看一半不到，觉得不好看就会关掉；如果恰好用户网速很好，那他打开播放页这段时间，就会快速下载大量数据，但因为没观看，所以这些数据就浪费掉了，对平台来说就是浪费，为了减少带宽浪费，采用智能虚拟分片缓存技术，无需事先对文件进行物理切片保存，可根据视频码率、用户行为以及播放缓存进度来控制数据下载，并确保客户端播放流畅，这样，就可以大大减少带宽的浪费，从而起到节省带宽的作用。

实施例6

本实施例为实施例1的系统，如图3所示，一种基于人脸识别的嫌疑人预警系统，包括人脸图像提取模块10、特征值比对模块20、嫌疑人判断模块30和监控报警模块40，其中：

人脸图像提取模块10，用于提取嫌疑人人脸图像，计算嫌疑人人脸图像特征值；

特征值比对模块20，用于将嫌疑人人脸图像特征值与公安局备案的黑名单数据库中的人脸图像特征值进行对比分析；

嫌疑人判断模块30，用于判断该嫌疑人人脸图像特征值是否被记录在公安局备案的黑名单数据库中；

监控报警模块40，用于调度监控中心自动接收报警信号，调取监控视频；并向公安局发送该报警信息。

实施例7

本实施例为实施例2的系统，所述人脸图像提取模块10包括样本建立子模块101、2DLDA算法定义子模块102、矩阵计算子模块103、投影计算子模块104、训练图像投影子模块105、采集图像投影子模块106和图像分类子模块107，其中：

样本建立子模块101，用于建立训练样本图像集图像共有C类，每类n_i个；其中，X_k表示第k个训练样本图像，N为训练样本图像总数；

2DLDA算法定义子模块102，用于定义类间离散度矩阵 类内离散度矩阵以及广义Fisher准则函数J_F(W)＝W^TS_BW/W^TS_WW；其中，和分别表示第i类训练样本图像的均值和总训练样本图像的均值，T为转置，W为最佳投影方向；

矩阵计算子模块103，用于根据计算出的第i类训练样本图像均值和总训练样本图像均值求出训练样本图像集的类间离散度矩阵和类内离散度矩阵；

投影计算子模块104，取的前d个最大特征值所对应的标准正交特征向量W₁,W₂,…,W_d组成投影向量矩阵，并计算该投影向量矩阵；

训练图像投影子模块105，用于将训练图像向W＝[W₁,W₂,…,W_d]投影；

采集图像投影子模块106，用于将采集的嫌疑人人脸图像向W＝[W₁,W₂,…,W_d]投影；

图像分类子模块107，选择最近邻分类器，获取嫌疑人人脸图像特征值，并对采集的嫌疑人人脸图像进行分类。

实施例8

本实施例为实施例3的系统，还包括分布式缓存模块50，根据分布式缓存memcache技术，将获取的嫌疑人人脸图像特征值调用到内存中，当需要调用时，从内存中读取。

实施例9

本实施例为实施例4的系统，还包括数据清洗模块60，用于当识别人脸图像，并确定为嫌疑人员后，将该嫌疑人员人脸图像自动上传至云端服务器进行存储和检索；并通过接入车载终端上包括车辆信息、GPS数据和时间的信息进行数据清洗，形成人脸图像资源库，集中分布式存储数据。

实施例10

本实施例为实施例5的系统，所述监控报警模块40包括虚拟分片缓存子模块401，用于调取的监控视频在播放过程中，根据视频码率、操作行为以及播放缓存进度控制数据下载，若接收到暂停视频或结束视频的请求，则清除缓存。

以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种基于人脸识别的嫌疑人预警方法，其特征在于，包括以下步骤：

a、提取嫌疑人人脸图像，计算嫌疑人人脸图像特征值；

b、将嫌疑人人脸图像特征值与公安局备案的黑名单数据库中的人脸图像特征值进行对比分析；

c、判断该嫌疑人人脸图像特征值是否被记录在公安局备案的黑名单数据库中，如果是，则向驾驶员发出报警信号，进入步骤d；如果否，则重新进入步骤b；

d、调度监控中心自动接收报警信号，调取监控视频；并向公安局发送该报警信息。

2.根据权利要求1所述的基于人脸识别的嫌疑人预警方法，其特征在于，所述步骤a包括以下步骤：

a101、建立训练样本图像集图像共有C类，每类n_i个；其中，X_k表示第k个训练样本图像，N为训练样本图像总数；

a102、定义类间离散度矩阵类内离散度矩阵以及广义Fisher准则函数J_F(W)＝W^TS_BW/W^TS_WW；其中，和分别表示第i类训练样本图像的均值和总训练样本图像的均值，T为转置，W为最佳投影方向；

a103、根据计算出的第i类训练样本图像均值和总训练样本图像均值求出训练样本图像集的类间离散度矩阵和类内离散度矩阵；

a104、取的前d个最大特征值所对应的标准正交特征向量W₁,W₂,…,W_d组成投影向量矩阵，并计算该投影向量矩阵；

a105、将训练图像向W＝[W₁,W₂,…,W_d]投影；

a106、将采集的嫌疑人人脸图像向W＝[W₁,W₂,…,W_d]投影；

a107、选择最近邻分类器，获取嫌疑人人脸图像特征值，并对采集的嫌疑人人脸图像进行分类。

3.根据权利要求1或2所述的基于人脸识别的嫌疑人预警方法，其特征在于，还包括以下步骤：

根据分布式缓存memcache技术，将获取的嫌疑人人脸图像特征值调用到内存中，当需要调用时，从内存中读取。

4.根据权利要求1或2所述的基于人脸识别的嫌疑人预警方法，其特征在于，还包括以下步骤：

当识别人脸图像，并确定为嫌疑人员后，将该嫌疑人员人脸图像自动上传至云端服务器进行存储和检索；并通过接入车载终端上包括车辆信息、GPS数据和时间的信息进行数据清洗，形成人脸图像资源库，集中分布式存储数据。

5.根据权利要求1或2所述的基于人脸识别的嫌疑人预警方法，其特征在于，所述步骤d中调取监控视频包括以下步骤：

调取的监控视频在播放过程中，根据视频码率、操作行为以及播放缓存进度控制数据下载，若接收到暂停视频或结束视频的请求，则清除缓存。

6.一种基于人脸识别的嫌疑人预警系统，其特征在于，包括人脸图像提取模块、特征值比对模块、嫌疑人判断模块和监控报警模块，其中：

人脸图像提取模块，用于提取嫌疑人人脸图像，计算嫌疑人人脸图像特征值；

特征值比对模块，用于将嫌疑人人脸图像特征值与公安局备案的黑名单数据库中的人脸图像特征值进行对比分析；

嫌疑人判断模块，用于判断该嫌疑人人脸图像特征值是否被记录在公安局备案的黑名单数据库中；

监控报警模块，用于调度监控中心自动接收报警信号，调取监控视频；并向公安局发送该报警信息。

7.根据权利要求6所述的基于人脸识别的嫌疑人预警系统，其特征在于，所述人脸图像提取模块包括样本建立子模块、2DLDA算法定义子模块、矩阵计算子模块、投影计算子模块、训练图像投影子模块、采集图像投影子模块和图像分类子模块，其中：

样本建立子模块，用于建立训练样本图像集图像共有C类，每类n_i个；其中，X_k表示第k个训练样本图像，N为训练样本图像总数；

2DLDA算法定义子模块，用于定义类间离散度矩阵 类内离散度矩阵以及广义Fisher准则函数J_F(W)＝W^TS_BW/W^TS_WW；其中，和分别表示第i类训练样本图像的均值和总训练样本图像的均值，T为转置，W为最佳投影方向；

矩阵计算子模块，用于根据计算出的第i类训练样本图像均值和总训练样本图像均值求出训练样本图像集的类间离散度矩阵和类内离散度矩阵；

投影计算子模块，取的前d个最大特征值所对应的标准正交特征向量W₁,W₂,…,W_d组成投影向量矩阵，并计算该投影向量矩阵；

训练图像投影子模块，用于将训练图像向W＝[W₁,W₂,…,W_d]投影；

采集图像投影子模块，用于将采集的嫌疑人人脸图像向W＝[W₁,W₂,…,W_d]投影；

图像分类子模块，选择最近邻分类器，获取嫌疑人人脸图像特征值，并对采集的嫌疑人人脸图像进行分类。

8.根据权利要求6或7所述的基于人脸识别的嫌疑人预警系统，其特征在于，还包括分布式缓存模块，根据分布式缓存memcache技术，将获取的嫌疑人人脸图像特征值调用到内存中，当需要调用时，从内存中读取。

9.根据权利要求6或7所述的基于人脸识别的嫌疑人预警系统，其特征在于，还包括数据清洗模块，用于当识别人脸图像，并确定为嫌疑人员后，将该嫌疑人员人脸图像自动上传至云端服务器进行存储和检索；并通过接入车载终端上包括车辆信息、GPS数据和时间的信息进行数据清洗，形成人脸图像资源库，集中分布式存储数据。

10.根据权利要求6或7所述的基于人脸识别的嫌疑人预警系统，其特征在于，所述监控报警模块包括虚拟分片缓存子模块，用于调取的监控视频在播放过程中，根据视频码率、操作行为以及播放缓存进度控制数据下载，若接收到暂停视频或结束视频的请求，则清除缓存。