CN109271891A - 一种动态的人脸布控方法和系统 - Google Patents
一种动态的人脸布控方法和系统 Download PDFInfo
- Publication number
- CN109271891A CN109271891A CN201811004205.1A CN201811004205A CN109271891A CN 109271891 A CN109271891 A CN 109271891A CN 201811004205 A CN201811004205 A CN 201811004205A CN 109271891 A CN109271891 A CN 109271891A
- Authority
- CN
- China
- Prior art keywords
- face
- facial image
- characteristic
- face characteristic
- quality
- 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
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Abstract
本发明公开了一种动态的人脸布控方法和系统,该人脸布控方法,包括:获取待检测人脸图像;提取所述待检测人脸图像的人脸特征;对提取到的所述人脸特征进行特征质量分析,保留优质人脸特征;计算所述优质人脸特征与人脸数据库中的人脸特征的相似度,若相似度大于相似度设定阈值,则输出计算出的相似度,以及该人脸图像和其在人脸数据库中对应的身份信息,否则将所述优质人脸特征以及其对应的人脸图像添加进所述人脸数据库中;然后利用添加进所述人脸数据库中的所述优质人脸特征,对该优质人脸特征的人脸持续识别。通过本发明实时更新人脸数据库,完善了人脸布控方法的监控漏洞,提高人脸布控的识别效果。
Description
技术领域
本发明属于安防领域,特别涉及一种动态的人脸布控方法和系统。
背景技术
人脸识别是一种非接触性技术,具有可视化、符合人的思维习惯的特点,得以在商业、安全等领域广泛应用。人脸识别技术吸引了很多公司的注意,同时也吸引了大量的资本介入,成为自己公司的重要部门之一。
将人脸识别技术应用在监控系统中使目前在安防领域研究的热点,该技术不仅能够为给安防部门提供不间断的人脸识别监控,还能对监控区域与人脸库进行实时对比,如用在追踪嫌疑犯的需求中,能及时查询相似度高的人脸。在很大程度上提高安防领域效率。
然而,现有的人脸布控系统,主要利用各处的监控摄像头采集人像,然后与后台服务器中的人脸数据库中的人脸图像进行比对,该方式的缺点是服务器后台中的人脸数据库没有得到实时更新,识别的效果受限于使用的人脸数据库。尤其在公安的通缉犯追查、黑名单追踪等,极易受到未识别人脸图像的干扰。
发明内容
本发明的目的在于:针对现有的人脸布控系统识别效果受限于使用的人脸数据库的问题,提供一种动态的人脸布控方法和系统,可以将未识别到的人脸增加到人脸数据库,以实时更新人脸数据库,当该人脸再次进入监控区域时,可以对其进行识别,从而对其进行持续的追踪。
本发明采用的技术方案如下:
一种动态的人脸布控方法,包括:
S1、获取待检测人脸图像;
S2、提取所述待检测人脸图像的人脸特征;
S3、对提取到的所述人脸特征进行深度特征质量分析,保留优质人脸特征;
S4、计算所述优质人脸特征与人脸数据库中的人脸特征的相似度,若相似度大于相似度设定阈值,则跳转步骤S5,否则跳转步骤S6;
S5、输出计算出的相似度,以及该人脸图像和其在人脸数据库中对应的身份信息;
S6、将所述优质人脸特征以及其对应的人脸图像添加进所述人脸数据库中,然后经步骤S1~4对该优质人脸特征的人脸进行识别。
进一步地,步骤S2具体为:将所述待检测人脸图像输入至训练好的用于人脸特征提取的神经网络模型,输出所述待检测人脸图像的人脸特征。
进一步地,步骤S2中,训练所述用于人脸特征提取的神经网络模型,具体包括:
S21、采用Inception模块和ResNet模块构建神经网络模型;
S22、将MS-Celeb-1M人脸数据集作为训练集,对神经网络进行训练;采用的损失函数为:
其中,m表示批尺寸(batchsize),i表示样本标注,xi表示第i个样本,yi表示第i个样本的标签,T表示转置操作,j表示标签标注,n表示类别总数,λ表示超参数,c表示类中心。
进一步地,步骤S3具体为:计算提取到的所述人脸特征的L2范数,保留L2范数大于所述图像质量设定阈值的人脸特征作为优质人脸特征。
进一步地,L2范数的计算公式为:
其中,x表示人脸特征的512维特征向量,||x||2表示人脸特征的L2范数,i表示第i维,xi表示第i维特征向量。
进一步地,步骤S4具体为:利用余弦距离公式计算所述优质人脸特征与当前人脸数据库中的人脸特征的相似度;
所述余弦距离公式为:
其中A和B表示两个人脸特征,n表示人脸特征的维度大小,i表示第i维。
一种动态的人脸布控系统,包括:连接至同一以太网的监控摄像头、应用服务器、存储服务器和客户端;
所述监控摄像头,用于采集待检测人脸图像;
所述存储服务器,用于存储人脸数据库;
所述应用服务器,用于利用所述人脸数据库对所述待检测人脸图像进行人脸识别;
所述客户端,用于显示所述人脸识别的识别结果;
所述应用服务器进行人脸识别的具体过程为:
S1、获取待检测人脸图像;
S2、提取所述待检测人脸图像的人脸特征;
S3、对提取到的所述人脸特征进行深度特征质量分析,保留优质人脸特征;
S4、计算所述优质人脸特征与人脸数据库中的人脸特征的相似度,若相似度大于相似度设定阈值,则跳转步骤S5,否则跳转步骤S6;
S5、输出计算出的相似度,以及该人脸图像和其在人脸数据库中对应的身份信息;
S6、将所述优质人脸特征以及其对应的人脸图像添加进所述人脸数据库中,然后经步骤S1~4对该优质人脸特征的人脸进行识别。
进一步地,所述人脸数据库存储有人脸图像、人脸图像对应的身份信息和人脸特征。
进一步地,所述动态的人脸布控系统,还包括:连接至所述以太网的管理服务器;
所述管理服务器,用于手动添加人脸数据库存储的人脸图像、人脸图像对应的身份信息和人脸特征。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明通过将需要追踪的可疑人员的人脸图像、人脸图像对应的身份信息和人脸特征存储在人脸数据库中,采用人脸识别技术,对监控图像中的人脸图像进行实时的人脸识别,从而实现了对可疑人员的实时监控,并通过输出相似度,以及该人脸图像和其在人脸数据库中对应的人脸图像的身份信息,实现了对可疑人员的监控的主动报警。
2、本发明通过将未识别成功的人脸图像和人脸图像对应的人脸特征自动添加进人脸数据库中,以实时更新人脸数据库,当该人脸再次进入监控区域时,可以对其进行识别,从而对其进行持续的追踪,通过本发明动态的人脸布控方法,实时更新人脸数据库,完善了人脸布控方法的监控漏洞,提高人脸布控的识别效果。
3、本发明通过特征质量分析,去除低质量的人脸特征,而保留优质人脸特征,使得本系统对环境变化具有很好的鲁棒性,可以应用于多种现实环境。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明的动态的人脸布控方法的流程图。
图2为本发明的动态的人脸布控系统的结构图。
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用以解释本发明,并不用于限定本发明,即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
一种动态的人脸布控方法,包括:
S1、获取待检测人脸图像;
S2、提取所述待检测人脸图像的人脸特征;
S3、对提取到的所述人脸特征进行深度特征质量分析,保留优质人脸特征;
S4、计算所述优质人脸特征与人脸数据库中的人脸特征的相似度,若相似度大于相似度设定阈值,则跳转步骤S5,否则跳转步骤S6;
S5、输出计算出的相似度,以及该人脸图像和其在人脸数据库中对应的身份信息;
S6、将所述优质人脸特征以及其对应的人脸图像添加进所述人脸数据库中,然后经步骤S1~4对该优质人脸特征的人脸进行识别。
进一步地,步骤S2具体为:将所述待检测人脸图像输入至训练好的用于人脸特征提取的神经网络模型,输出所述待检测人脸图像的人脸特征。
进一步地,步骤S2中,训练所述用于人脸特征提取的神经网络模型,具体包括:
S21、采用Inception模块和ResNet模块构建神经网络模型;
S22、将MS-Celeb-1M人脸数据集作为训练集,对神经网络进行训练;采用的损失函数为:
其中,m表示批尺寸(batchsize),i表示样本标注,xi表示第i个样本,yi表示第i个样本的标签,T表示转置操作,j表示标签标注,n表示类别总数,λ表示超参数,c表示类中心。
进一步地,步骤S3具体为:计算提取到的所述人脸特征的L2范数,保留L2范数大于所述图像质量设定阈值的人脸特征作为优质人脸特征。
进一步地,L2范数的计算公式为:
其中,x表示人脸特征的512维特征向量,||x||2表示人脸特征的L2范数,i表示第i维,xi表示第i维特征向量。
进一步地,步骤S4具体为:利用余弦距离公式计算所述优质人脸特征与当前人脸数据库中的人脸特征的相似度;
所述余弦距离公式为:
其中A和B表示两个人脸特征,n表示人脸特征的维度大小,i表示第i维。
一种动态的人脸布控系统,包括:连接至同一以太网的监控摄像头、应用服务器、存储服务器和客户端;
所述监控摄像头,用于采集待检测人脸图像;
所述存储服务器,用于存储人脸数据库;
所述应用服务器,用于利用所述人脸数据库对所述待检测人脸图像进行人脸识别;
所述客户端,用于显示所述人脸识别的识别结果;
所述应用服务器进行人脸识别的具体过程为:
S1、获取待检测人脸图像;
S2、提取所述待检测人脸图像的人脸特征;
S3、对提取到的所述人脸特征进行深度特征质量分析,保留优质人脸特征;
S4、计算所述优质人脸特征与人脸数据库中的人脸特征的相似度,若相似度大于相似度设定阈值,则跳转步骤S5,否则跳转步骤S6;
S5、输出计算出的相似度,以及该人脸图像和其在人脸数据库中对应的身份信息;
S6、将所述优质人脸特征以及其对应的人脸图像添加进所述人脸数据库中,然后经步骤S1~4对该优质人脸特征的人脸进行识别。
进一步地,所述人脸数据库存储有人脸图像、人脸图像对应的身份信息和人脸特征。
进一步地,所述动态的人脸布控系统,还包括:连接至所述以太网的管理服务器;
所述管理服务器,用于手动添加人脸数据库存储的人脸图像、人脸图像对应的身份信息和人脸特征。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
本发明较佳实施例提供的一种动态的人脸布控方法,包括:
步骤1、获取待检测人脸图像;实际应用时,监控摄像头获取的监控图像为监控区域的图像,包括有背景图像和人脸图像,可以通过现有的人脸检测方法,截取监控图像中的人脸检测框的画面作为待检测人脸图像。
步骤2、提取所述待检测人脸图像的人脸特征;
具体为:将所述待检测人脸图像输入至训练好的人脸特征提取模型,输出所述待检测人脸图像的人脸特征。
训练用于人脸特征提取的神经网络模型,具体包括:
采用Inception模块和ResNet模块构建神经网络模型;
将微软提供的MS-Celeb-1M人脸数据集作为训练集,对神经网络进行训练;
训练神经网络时,所采用的损失函数为:
其中,m表示批尺寸(batchsize),i表示样本标注,xi表示第i个样本,yi表示第i个样本的标签,T表示转置操作,j表示标签标注,n表示类别总数,λ表示超参数,用于控制的权重,经过实验后,当λ取0.01时效果最好,c表示类中心,在训练开始时,初始化参数c,在训练过程中,每迭代一次,需更新参数c,参数c的更新量为:
其中,α表示更新时采用的比例系数,用于保证更新参数c时损失函数的稳定性;N表示一个minibatch中的样本总数。
该损失函数不断的优化迭代的训练过程中,通过对训练集的每个类别在特征空间分别维护一个类中心,增加样本经过网络映射后在特征空间与类中心的距离约束,从而兼顾了类内聚合与类间分离。
步骤3、对提取到的所述人脸特征进行深度特征质量分析,保留优质人脸特征;
假定通过神经网络提取的人脸特征向量为512维特征向量,那么人脸特征的每一个维度都代表着特定的信息,通过计算人脸特征的L2范数相当于考量人脸特征所携带的人脸脸部细节特征的信息量。清晰、正脸姿态的人脸图像通过神经网络模型会得到高L2范数的人脸特征,而模糊、侧脸姿态的人脸图像提取的特征的L2范数往往很低,则可以设定一个图像质量设定阈值,通过计算提取到的所述人脸特征的L2范数,保留L2范数大于所述图像质量设定阈值的人脸特征作为优质人脸特征;
L2范数的计算公式为:
其中,x表示人脸特征的512维特征向量,||x||2表示人脸特征的L2范数,i表示第i维,xi表示第i维特征向量。
步骤4、计算所述优质人脸特征与人脸数据库中的人脸特征的相似度,若相似度大于相似度设定阈值,则跳转步骤5,否则跳转步骤6;
首先,利用余弦距离公式计算所述优质人脸特征与当前人脸数据库中的人脸特征的相似度;
所述余弦距离公式为:
其中A,B表示两个特征,n表示特征维度大小,i表示第i维。
然后,设定一个相似度设定阈值,当相似度大于相似度设定阈值,则跳转步骤5,否则跳转步骤6。
步骤5、输出计算出的相似度,以及该人脸图像和其在人脸数据库中对应的身份信息;
当相似度大于相似度设定阈值,即表示人脸识别成功,应用于公安的通缉犯追查时,可以将需要追查的通缉犯的人脸图像添加进人脸数据库中,在识别成功后提示警察追踪到通缉犯。应当理解的是,通缉犯的人脸图像也同样需要提取人脸特征,随人脸图像一起存储人脸数据库中,为了更加方便使用,对每个存入人脸数据库的人脸图像进行编号,同时,记录该人脸图像的人的身份信息,包括姓名、性别、电话号码等,以便于识别后直观显示该名通缉犯的身份。
步骤6、将所述优质人脸特征以及其对应的人脸图像添加进所述人脸数据库中,然后经步骤1~4对该优质人脸特征的人脸进行识别。
当相似度小于相似度设定阈值,即表示人脸识别未成功,人脸数据库中并未存储此人的人脸图像和人脸特征,随后将得到的所述优质人脸特征以及其对应的人脸图像添加进所述人脸数据库中,此时存储进人脸数据库的新的人脸特征并未设置相应的身份信息。将此人设定为未识别的可疑人员,并以存储进的此人的人脸图像和人脸特征对此人持续追踪,即当此人再次进入监控区域时,同样经过步骤1-4,获取此人实时采集的优质人脸特征,然后实时采集的优质人脸特征与人脸数据库中的此人的优质人脸特征的相似度,若相似度大于相似度设定阈值,则记录监控图像和监控地点,从而得到此人的行动轨迹,应用于公安的通缉犯追查时,未识别成功的也可能是可疑人员,如通缉犯的乔装打扮,因此,通过本发明动态的人脸布控方法,实时更新人脸数据库,完善了人脸布控方法的监控漏洞,提高人脸布控的识别效果。应当理解的是,为确保识别结果可能受干扰,可以对多帧图像进行多次人脸识别。
实施例2
结合实施例1提供的一种动态的人脸布控方法,本实施例提供一种动态的人脸布控系统,包括:连接至同一以太网的监控摄像头、应用服务器、存储服务器和客户端;连接至以太网的每个设备具有唯一的IP地址,通过IP地址设置对应的设备编号,尤其对于监控摄像头,根据IP地址设置监控摄像头的编号,同时记录其对应的监控的地点,对监控的信息记录尤为重要。
所述监控摄像头,用于获取待检测人脸图像;
所述存储服务器,用于存储人脸数据库;
所述应用服务器,用于利用所述人脸数据库对所述待检测人脸图像进行人脸识别;
所述客户端,用于显示所述人脸识别的识别结果;
所述应用服务器进行人脸识别的具体过程为:
步骤1、获取待检测人脸图像;
步骤2、提取所述待检测人脸图像的人脸特征;
步骤3、对提取到的所述人脸特征进行深度特征质量分析,保留优质人脸特征;
步骤4、计算所述优质人脸特征与人脸数据库中的人脸特征的相似度,若相似度大于相似度设定阈值,则跳转步骤5,否则跳转步骤6;
步骤5、输出计算出的相似度,以及该人脸图像和其在人脸数据库中对应的身份信息;
步骤6、将所述优质人脸特征以及其对应的人脸图像添加进所述人脸数据库中,然后经步骤1~4对该优质人脸特征的人脸进行识别。
进一步地,所述人脸数据库存储有人脸图像、人脸图像对应的身份信息和人脸特征。
进一步地,所述动态的人脸布控系统,还包括:连接至所述以太网的管理服务器;
所述管理服务器,用于手动添加人脸数据库存储的人脸图像、人脸图像对应的身份信息和人脸特征。
应当理解的是,在实际应用中,监控的范围广,识别结果多,所述动态的人脸布控系统可以设置搜索单元,根据人的身份信息、记录到的监控地点或者监控时间等等搜索识别结果。同样,人脸数据库也在不断的增加,也可以设置搜索单元在人脸数据库中搜索相应的条目。
所属领域的技术人员可以清楚地了解到,为描述的方便和简沽,上述描述的动态的人脸布控系统以及其各功能单元的具体工作过程,可以参考前述实施例1中的动态的人脸布控方法中的对应过程,在此不再赘述。
本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、平板电脑、个人计算机,服务器,或者网络设备等)执行本发明所述动态的人脸布控方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。例如,所述应用服务器、存储服务器和管理服务器为一个服务器,通过服务器的存储器以及运行在服务器上的数据库实现人脸数据库的功能,通过运行在服务器上的软件功能单元实现管理服务器和应用服务器的功能。而客户端可以一个显示器或带显示功能的计算机、智能手机或平板电脑。最简单的实时方式还可以是,带摄像头的智能手机,利用其存储器存储人脸数据库,利用其摄像头作为监控摄像头采集可疑人员的人脸图像,利用运行在智能手机上的应用程序实现应用服务器和管理服务器的功能,从而实现动态的人脸布控方法的全部步骤。
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 (9)
1.一种动态的人脸布控方法,其特征在于,包括:
S1、获取待检测人脸图像;
S2、提取所述待检测人脸图像的人脸特征;
S3、对提取到的所述人脸特征进行深度特征质量分析,保留优质人脸特征;
S4、计算所述优质人脸特征与人脸数据库中的人脸特征的相似度,若相似度大于相似度设定阈值,则跳转步骤S5,否则跳转步骤S6;
S5、输出计算出的相似度,以及该人脸图像和其在人脸数据库中对应的身份信息;
S6、将所述优质人脸特征以及其对应的人脸图像添加进所述人脸数据库中,然后经步骤S1~4对该优质人脸特征的人脸进行识别。
2.如权利要求1所述的动态的人脸布控方法,其特征在于,步骤S2具体为:将所述待检测人脸图像输入至训练好的用于人脸特征提取的神经网络模型,输出所述待检测人脸图像的人脸特征。
3.如权利要求2所述的动态的人脸布控方法,其特征在于,步骤S2中,训练所述用于人脸特征提取的神经网络模型,具体包括:
S21、采用Inception模块和ResNet模块构建神经网络模型;
S22、将MS-Celeb-1M人脸数据集作为训练集,对神经网络进行训练;采用的损失函数为:
其中,m表示批尺寸(batchsize),i表示样本标注,xi表示第i个样本,yi表示第i个样本的标签,T表示转置操作,j表示标签标注,n表示类别总数,λ表示超参数,c表示类中心。
4.如权利要求1所述的动态的人脸布控方法,其特征在于,步骤S3具体为:计算提取到的所述人脸特征的L2范数,保留L2范数大于所述图像质量设定阈值的人脸特征作为优质人脸特征。
5.如权利要求4所述的动态的人脸布控方法,其特征在于,L2范数的计算公式为:
其中,x表示人脸特征的512维特征向量,||x||2表示人脸特征的L2范数,i表示第i维,xi表示第i维特征向量。
6.如权利要求1所述的动态的人脸布控方法,其特征在于,步骤S4具体为:利用余弦距离公式计算所述优质人脸特征与当前人脸数据库中的人脸特征的相似度;
所述余弦距离公式为:
其中A和B表示两个人脸特征,n表示人脸特征的维度大小,i表示第i维。
7.一种动态的人脸布控系统,其特征在于,包括:连接至同一以太网的监控摄像头、应用服务器、存储服务器和客户端;
所述监控摄像头,用于采集待检测人脸图像;
所述存储服务器,用于存储人脸数据库;
所述应用服务器,用于利用所述人脸数据库对所述待检测人脸图像进行人脸识别;
所述客户端,用于显示所述人脸识别的识别结果;
所述应用服务器进行人脸识别的具体过程为:
S1、获取待检测人脸图像;
S2、提取所述待检测人脸图像的人脸特征;
S3、对提取到的所述人脸特征进行深度特征质量分析,保留优质人脸特征;
S4、计算所述优质人脸特征与人脸数据库中的人脸特征的相似度,若相似度大于相似度设定阈值,则跳转步骤S5,否则跳转步骤S6;
S5、输出计算出的相似度,以及该人脸图像和其在人脸数据库中对应的身份信息;
S6、将所述优质人脸特征以及其对应的人脸图像添加进所述人脸数据库中,然后经步骤S1~4对该优质人脸特征的人脸进行识别。
8.如权利要求7所述的动态的人脸布控系统,其特征在于,所述人脸数据库存储有人脸图像、人脸图像对应的身份信息和人脸特征。
9.如权利要求8所述的动态的人脸布控系统,其特征在于,还包括:连接至所述以太网的管理服务器;
所述管理服务器,用于手动添加人脸数据库存储的人脸图像、人脸图像对应的身份信息和人脸特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811004205.1A CN109271891A (zh) | 2018-08-30 | 2018-08-30 | 一种动态的人脸布控方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811004205.1A CN109271891A (zh) | 2018-08-30 | 2018-08-30 | 一种动态的人脸布控方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109271891A true CN109271891A (zh) | 2019-01-25 |
Family
ID=65154660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811004205.1A Pending CN109271891A (zh) | 2018-08-30 | 2018-08-30 | 一种动态的人脸布控方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109271891A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210325A (zh) * | 2019-05-09 | 2019-09-06 | 五邑大学 | 一种人脸识别模型构建方法及其系统、装置、存储介质 |
CN110619277A (zh) * | 2019-08-15 | 2019-12-27 | 青岛文达通科技股份有限公司 | 一种多社区智慧布控方法以及系统 |
CN110638464A (zh) * | 2019-09-10 | 2020-01-03 | 哈尔滨亿尚医疗科技有限公司 | 监护仪及其控制方法、控制装置和计算机可读存储介质 |
CN110688912A (zh) * | 2019-09-09 | 2020-01-14 | 南昌大学 | 一种基于IPv6云端互联的在线人脸搜索定位系统及方法 |
CN110765121A (zh) * | 2019-10-31 | 2020-02-07 | 太原蓝知科技有限公司 | 一种大数据智能采集处理方法和系统 |
CN111160307A (zh) * | 2019-12-31 | 2020-05-15 | 帷幄匠心科技(杭州)有限公司 | 一种人脸识别方法及人脸识别打卡系统 |
CN111339990A (zh) * | 2020-03-13 | 2020-06-26 | 乐鑫信息科技(上海)股份有限公司 | 一种基于人脸特征动态更新的人脸识别系统和方法 |
CN111368721A (zh) * | 2020-03-03 | 2020-07-03 | 深圳市腾讯计算机系统有限公司 | 身份识别的处理方法、装置、电子设备及存储介质 |
CN111401344A (zh) * | 2020-06-04 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 人脸识别方法和装置及人脸识别系统的训练方法和装置 |
CN112966638A (zh) * | 2021-03-22 | 2021-06-15 | 国网浙江省电力有限公司电力科学研究院 | 基于多种特征的变电站作业人员鉴别及定位方法 |
CN113139462A (zh) * | 2021-04-23 | 2021-07-20 | 杭州魔点科技有限公司 | 无监督的人脸图像质量评估方法、电子设备和存储介质 |
CN113255599A (zh) * | 2021-06-29 | 2021-08-13 | 成都考拉悠然科技有限公司 | 一种自定义人流量测试人脸布控率系统及其方法 |
CN113688708A (zh) * | 2021-08-12 | 2021-11-23 | 北京数美时代科技有限公司 | 一种基于概率特征的人脸识别方法、系统及存储介质 |
CN114662521A (zh) * | 2021-11-16 | 2022-06-24 | 成都考拉悠然科技有限公司 | 一种行人徘徊行为检测方法及其系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361596A (zh) * | 2014-11-20 | 2015-02-18 | 江南大学 | 一种基于Contourlet变换和Frobenius范数半参考图像质量评价方法 |
CN105426869A (zh) * | 2015-12-15 | 2016-03-23 | 重庆凯泽科技有限公司 | 基于铁路安检的人脸识别系统及识别方法 |
CN105631430A (zh) * | 2015-12-30 | 2016-06-01 | 浙江宇视科技有限公司 | 一种人脸图像的匹配方法和装置 |
CN107506717A (zh) * | 2017-08-17 | 2017-12-22 | 南京东方网信网络科技有限公司 | 无约束场景中基于深度变换学习的人脸识别方法 |
CN108090406A (zh) * | 2016-11-23 | 2018-05-29 | 浙江宇视科技有限公司 | 人脸识别方法及系统 |
CN108446666A (zh) * | 2018-04-04 | 2018-08-24 | 平安科技(深圳)有限公司 | 双通道神经网络模型训练及人脸比对方法、终端及介质 |
-
2018
- 2018-08-30 CN CN201811004205.1A patent/CN109271891A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361596A (zh) * | 2014-11-20 | 2015-02-18 | 江南大学 | 一种基于Contourlet变换和Frobenius范数半参考图像质量评价方法 |
CN105426869A (zh) * | 2015-12-15 | 2016-03-23 | 重庆凯泽科技有限公司 | 基于铁路安检的人脸识别系统及识别方法 |
CN105631430A (zh) * | 2015-12-30 | 2016-06-01 | 浙江宇视科技有限公司 | 一种人脸图像的匹配方法和装置 |
CN108090406A (zh) * | 2016-11-23 | 2018-05-29 | 浙江宇视科技有限公司 | 人脸识别方法及系统 |
CN107506717A (zh) * | 2017-08-17 | 2017-12-22 | 南京东方网信网络科技有限公司 | 无约束场景中基于深度变换学习的人脸识别方法 |
CN108446666A (zh) * | 2018-04-04 | 2018-08-24 | 平安科技(深圳)有限公司 | 双通道神经网络模型训练及人脸比对方法、终端及介质 |
Non-Patent Citations (2)
Title |
---|
ONETAKEN: "人脸识别数据集之MS-Celeb-1M", 《HTTPS://BLOG.CSDN.NET/U011394059/ARTICLE/DETAILS/73966275》 * |
卢伟等: "基于卷积神经网络面部图像识别的拖拉机驾驶员疲劳检测", 《农业工程学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210325A (zh) * | 2019-05-09 | 2019-09-06 | 五邑大学 | 一种人脸识别模型构建方法及其系统、装置、存储介质 |
CN110619277A (zh) * | 2019-08-15 | 2019-12-27 | 青岛文达通科技股份有限公司 | 一种多社区智慧布控方法以及系统 |
CN110688912A (zh) * | 2019-09-09 | 2020-01-14 | 南昌大学 | 一种基于IPv6云端互联的在线人脸搜索定位系统及方法 |
CN110638464A (zh) * | 2019-09-10 | 2020-01-03 | 哈尔滨亿尚医疗科技有限公司 | 监护仪及其控制方法、控制装置和计算机可读存储介质 |
CN110765121B (zh) * | 2019-10-31 | 2022-09-20 | 上海意臣信息科技有限公司 | 一种大数据智能采集处理方法和系统 |
CN110765121A (zh) * | 2019-10-31 | 2020-02-07 | 太原蓝知科技有限公司 | 一种大数据智能采集处理方法和系统 |
CN111160307A (zh) * | 2019-12-31 | 2020-05-15 | 帷幄匠心科技(杭州)有限公司 | 一种人脸识别方法及人脸识别打卡系统 |
CN111368721A (zh) * | 2020-03-03 | 2020-07-03 | 深圳市腾讯计算机系统有限公司 | 身份识别的处理方法、装置、电子设备及存储介质 |
CN111339990A (zh) * | 2020-03-13 | 2020-06-26 | 乐鑫信息科技(上海)股份有限公司 | 一种基于人脸特征动态更新的人脸识别系统和方法 |
CN111339990B (zh) * | 2020-03-13 | 2023-03-24 | 乐鑫信息科技(上海)股份有限公司 | 一种基于人脸特征动态更新的人脸识别系统和方法 |
CN111401344A (zh) * | 2020-06-04 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 人脸识别方法和装置及人脸识别系统的训练方法和装置 |
CN112966638A (zh) * | 2021-03-22 | 2021-06-15 | 国网浙江省电力有限公司电力科学研究院 | 基于多种特征的变电站作业人员鉴别及定位方法 |
CN113139462A (zh) * | 2021-04-23 | 2021-07-20 | 杭州魔点科技有限公司 | 无监督的人脸图像质量评估方法、电子设备和存储介质 |
CN113255599A (zh) * | 2021-06-29 | 2021-08-13 | 成都考拉悠然科技有限公司 | 一种自定义人流量测试人脸布控率系统及其方法 |
CN113688708A (zh) * | 2021-08-12 | 2021-11-23 | 北京数美时代科技有限公司 | 一种基于概率特征的人脸识别方法、系统及存储介质 |
CN114662521A (zh) * | 2021-11-16 | 2022-06-24 | 成都考拉悠然科技有限公司 | 一种行人徘徊行为检测方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271891A (zh) | 一种动态的人脸布控方法和系统 | |
Zheng et al. | Towards open-world person re-identification by one-shot group-based verification | |
Ribaric et al. | De-identification for privacy protection in multimedia content: A survey | |
Khan et al. | Face recognition under varying expressions and illumination using particle swarm optimization | |
Roy | Snatch theft detection in unconstrained surveillance videos using action attribute modelling | |
Le Ngo et al. | Spontaneous subtle expression recognition: Imbalanced databases and solutions | |
CN105590097B (zh) | 暗视觉条件下双摄像头协同实时人脸识别安防系统及方法 | |
Chen et al. | Discovering informative social subgraphs and predicting pairwise relationships from group photos | |
Saddique et al. | Classification of authentic and tampered video using motion residual and parasitic layers | |
Fidalgo et al. | Illegal activity categorisation in DarkNet based on image classification using CREIC method | |
Du | Mobile payment recognition technology based on face detection algorithm | |
Zhuang et al. | FRiPAL: Face recognition in privacy abstraction layer | |
Shepley | Face recognition in unconstrained conditions: A systematic review | |
Rehman et al. | Perturbing convolutional feature maps with histogram of oriented gradients for face liveness detection | |
Hu et al. | Two-stream person re-identification with multi-task deep neural networks | |
Xia et al. | Motion attention deep transfer network for cross-database micro-expression recognition | |
Pan et al. | MRNet: a keypoint guided multi-scale reasoning network for vehicle re-identification | |
Menchón et al. | Behavioural pattern discovery from collections of egocentric photo-streams | |
Wu et al. | Locality-constrained collaborative sparse approximation for multiple-shot person re-identification | |
Shambharkar et al. | Automatic face recognition and finding occurrence of actors in movies | |
Kishore et al. | Analysis and prototype sequences of face recognition techniques in real-time picture processing | |
Virata et al. | A Raspberry Pi-Based Identity Verification Through Face Recognition Using Constrained Images | |
Dhaya et al. | Internet of Behaviors (IoB) | |
Bhatt et al. | A survey on recognizing and significance of self-portrait images | |
Badri et al. | Face Recognition: A Mini-Review |
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 |
Application publication date: 20190125 |
|
RJ01 | Rejection of invention patent application after publication |