CN109919023A - 一种基于人脸识别的联网报警方法 - Google Patents

Abstract

本发明公开了一种基于人脸识别的联网报警方法。本发明首先对获取的监控视频中的帧进行超分辨率重构，再对超分辨率重构后得到的图片进行人脸区域检测与分割，之后将得到的人脸区域输入到组建的卷积神经网络中生成人脸，然后将得到的人脸图片与安全人员人脸进行比对，若比对失败，则将数据以及报警信号发送至联网报警中心。本发明在处理生成人脸前对图像使用超分辨率重构，使生成人脸的结果更为精确；使用基于卷积神经网络的人脸识别方法，在人脸识别上有着更高的准确性；采用电话线联网和总线联网以及无线联网相结合的方式，相较于一般的电话报警，实时性更好，通用性更高，对于用户的财产安全提供了更及时的保护。

Description

一种基于人脸识别的联网报警方法

技术领域

本发明涉及计算机视觉、人工智能领域，具体涉及一种基于人脸识别的联网报警方法。

背景技术

人脸识别技术是利用计算机进行人脸图像分析，并从图片中提取出有效的识别信息进行身份验证的一种技术，广泛应用于门禁系统、摄像监视系统、学生考勤系统以及智能手机等领域。然而，对于人脸来说，个体之间结构相似，人脸会由于个体喜怒哀乐的情绪变化带来脸部形状的变化，并且光照条件、遮挡物、拍摄角度等都使人脸识别变得困难。

人脸识别技术的核心实际为“局部人体特征分析”和“图形/神经识别算法。”这种算法是利用人体面部各器官及特征部位的方法。如对应几何关系多数据形成识别参数与数据库中所有的原始参数进行比较、判断与确认。一般要求判断时间低于1秒。

近年来，由于训练数据的增加以及GPU高性能计算的发展，卷积神经网络在图像领域获得了广泛关注。相比传统人脸识别算法，它避免了对图像复杂的前期预处理过程，可直接输入原始图像，自动提取高维特征。和传统神经网络神经元之间进行全连接相比，卷积神经网络的权重共享机制使神经网络结构变得更加简单。

图像的超分辨率重构技术是一种提高图像分辨率、改善图像质量的有效方法，其核心是通过低分辨率序列中的某一帧图像经过插值得到高分辨率图像的过程。低分辨率图像序列代表着存在亚像素级位移的同一目标的信息，通常可以对进行了运动估计后的低分辨率序列进行滤波，得到一个较理想的初始状态。超分辨率迭代重构所得图像效果相对比较清晰，降低了边缘效应和很好地抑制了边缘模糊，很好的保留了图像的边缘细节信息。

面貌比对是对被检测到的面貌像进行身份确认或在面像库中进行目标搜索。这实际上就是说，将采样到的面像与库存的面像依次进行比对，并找出最佳的匹配对象。所以，面像的描述决定了面像识别的具体方法与性能。主要采用特征向量与面纹模板两种描述方法：

1.特征向量法

该方法是先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离等属性，然后再计算出它们的几何特征量，而这些特征量形成一描述该面像的特征向量。

2.面纹模板法

该方法是在库中存贮若干标准面像模板或面像器官模板，在进行比对时，将采样面像所有象素与库中所有模板采用归一化相关量度量进行匹配。此外，还有采用模式识别的自相关网络或特征与模板相结合的方法。

随着社会经济的不断发展，安防技术也不断更新和进步。国际上比较发达的国家十分重视发展这个行业。长期以来，人们习惯于用坚固的门，锁，窗栅来防范。但是，科学技术的不断进步，犯罪分子的作案手段愈来愈狡猾，单一的家庭防盗设施已不能达到保护人民生命、财产安全的要求，针对这种形式，国际社会安全行业，开发研制出了综合化、智能化的联网报警中心系统，这种系统极大地增强社会性的安全防范能力，提高保安服务业实力和公安干警指挥处置重大盗窃、治安、消防、急救及各类突发事件的效能，最大限度地保护国家和人民生命财产的安全。

现有的技术有基于PCA人脸识别的智能防盗报警系统。该系统主要以人脸识别为主，暂不添加数字加密等功能。系统功能介绍如下：打开本系统软件后，系统会输出一个用户界面，界面内容包括程序开关按钮、程序相关参数设置、GSM通信模块信息设置(手机号码、短信内容)、识别结果以及警报状态。用户点击运行后，程序将调用计算机通过USB外置摄像头拍摄到的图像并实时显示，然后按设置的时间间隔截取图像并进行识别，识别结果(通过结果系数表现)实时显示在程序界面的识别结果一栏中。程序通过识别结果判断检测者是否为本人，如果不是本人，则显示警报，同时通过USB连接GSM通信模块把预设的信息通过GSM网络发送到设定的手机终端上以实现实时报警。

该方法的缺点在于：视频中的图像存在不清晰，分辨率不高，使用主成分分析法没法准确识别；报警的方式选择的是短信方式，具有一定的延时性，并且应用场合有限。

发明内容

本发明的目的是克服现有方法的不足，提出了一种基于人脸识别的联网报警方法。本发明方案主要解决两个核心问题，一是在人脸识别上使用超分辨率重构图像的技术来解决视频图像的清晰度，再使用基于卷积神经网络的人脸识别方法，提高人脸匹配准确性的问题；二是采用电话线联网和总线联网以及无线联网相结合的方式，提高报警的实时性以及便利性的问题。

为了解决上述问题，本发明提出了一种基于人脸识别的联网报警方法，所述方法包括：

从开源人脸数据库中获取人脸图片，组成照片库；

组建卷积神经网络模型并利用所述照片库中的人脸图像数据集来训练该模型；

向数据库中存入安全人员人脸；

对获取的监控视频中的帧进行超分辨率重构；

对超分辨率重构后得到的图片进行人脸区域检测与分割；

将得到的人脸区域作为输入数据输入到所述卷积神经网络中，生成一张人脸。

将得到的人脸图片与数据库中所存的安全人员人脸进行比对；

若比对失败，则将所识别的嫌疑人脸数据储存下来，选择最优线路连接联网报警中心，将数据以及报警信号发送至联网报警中心。

本发明提出的一种基于人脸识别的联网报警方法，在处理生成人脸前对图像使用超分辨率重构，使生成人脸的结果更为精确；使用基于卷积神经网络的人脸识别方法，在人脸识别上有着更高的准确性；采用电话线联网和总线联网以及无线联网相结合的方式，相较于一般的电话报警，实时性更好，通用性更高，对于用户的财产安全提供了更及时的保护。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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地介绍，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它的附图。

图1是本发明实施例的基于人脸识别的联网报警方法操作流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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作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。

图1是本发明实施例的基于人脸识别的联网报警方法操作流程图，如图1所示，该方法包括：

S1，从开源人脸数据库中获取人脸图片，组成照片库；

S2，组建卷积神经网络模型并利用所述照片库中的人脸图像数据集来训练该模型；

S3，向数据库中存入安全人员人脸；

S4，对获取的监控视频中的帧进行超分辨率重构；

S5，对超分辨率重构后得到的图片进行人脸区域检测与分割；

S6，将得到的人脸区域作为输入数据输入到所述卷积神经网络中，生成一张人脸。

S7，将得到的人脸图片与数据库中所存的安全人员人脸进行比对；

S8，若比对失败，则将所识别的嫌疑人脸数据储存下来，选择最优线路连接联网报警中心，将数据以及报警信号发送至联网报警中心。

步骤S1，具体如下：

人脸数据库从开源的Olivetti Faces库中获取，由40个人的400张图片构成，即每个人的人脸图片为10张。每张图片的灰度级为8位，每个像素的灰度大小位于0-255之间，每张图片大小为64×64。

步骤S2，具体如下：

S2-1：把400个序列放入数据库中，取90％作为训练集，剩余10％作为测试集。在神经网络训练中，训练集是神经网络学习数据分布的来源，测试集用来测试模型有没有过拟合，防止模型拟合到一个非线性函数上。

S2-2：基本构件的准备：要组建卷积神经网络模型，必须先定义LeNetConvPoolLayer(卷积+子采样层)、InnerProductLayer(隐含层)、LogisticRegression(输出层)这三种layer。

S2-3：组建模型，设置优化算法：模型是一个串联结构，用定义好的Layer去组建，上一层的Layer的输出后接下一层Layer的输入。模型组建好后，需要使用优化算法求解，优化算法采用的是批量随机梯度下降算法(MSGD)，需要定义其一些要素，包括：代价函数，参数更新规则，训练、验证、测试模型。优化算法的基本要素定义的下一步是训练模型，训练过程有训练步数(epoch)设置，每一步会遍历所有训练数据，也就是本次训练的320个人脸图片。还需要设置迭代次数，一次迭代(iter)会遍历一个批次(batch)里的所有样本，批次由自己具体设置。

S2-4：参数设置。可以设置的参数包括：

(1)学习速率：是运用SGD算法时梯度前面的系数。

(2)批次大小：将数据输入模型是按批次的，批次的大小会影响到对模型的优化程度和速度。

(3)训练步数：遍历训练集的次数。

(4)卷积层的卷积核个数：卷积核的个数代表特征的个数，卷积核的个数越多提取的特征就越多，但会增加参数的规模和计算复杂度。

(5)池化大小：这里采用的是最大池化方法来选取图像区域的最大值来作为该区域池化后的值。

步骤S4，具体如下：

首先获取互有位移的N张图像，以其中一帧作为参考帧，进行插值放大，放大后作为H1估计图像，然后对其余帧进行基于灰度的图像匹配而后进行预滤波去燥，所得的上采样为H2...Hn，将H2...Hn与H1进行循环比较，得出误差更新当前H1估计图像，循环迭代，最终得到高分辨率图像。

步骤S5，具体为使用Adaboost算法进行人脸区域检测与分割。

步骤S7，具体为使用FaceNet工具进行比对。FaceNet是一款开源的人脸比对工具，将数据库中安全人员人像数据和所得到的人像数据读取到FaceNet中，通过FaceNet输出的欧式距离值得出两张图片是否是同一个人。

FaceNet采用的方法是通过卷积神经网络学习将图像映射到欧几里得空间。空间距离直接和图片相似度相关：同一个人的不同图像在空间距离很小，不同人的图像在空间中有较大的距离。

FaceNet直接使用基于triplets(三联子)的LMNN(最大边界近邻分类)的loss函数训练神经网络，网络直接输出为128维度的向量空间。选取的triplets包含两个匹配脸部缩略图和一个非匹配的脸部缩略图，loss函数目标是通过距离边界区分正负类。

模型的目的是将人脸图像x嵌入d维度的欧几里得空间f(x)∈R^d。在该向量空间内，希望保证单个个体的图像和该个体的其它图像距离近，与其它个体的图像距离远。

步骤S8，具体如下：

S8-1：系统判定所得人像数据不属于任何安全人员，将所得人像数据存入嫌疑人数据库；

S8-2：优先检测无线连接是否畅通，其次是电话线连接，最后是总线连接，选择第一个畅通的线路作为联网报警线路；

S8-3：向联网报警中心发送嫌疑人头像数据以及报警信号。

本发明实施例提出的一种基于人脸识别的联网报警方法，在处理生成人脸前对图像使用超分辨率重构，使生成人脸的结果更为精确；使用基于卷积神经网络的人脸识别方法，在人脸识别上有着更高的准确性；采用电话线联网和总线联网以及无线联网相结合的方式，相较于一般的电话报警，实时性更好，通用性更高，对于用户的财产安全提供了更及时的保护。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的一种基于人脸识别的联网报警方法进行了详细介绍，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；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (1)

1.一种基于人脸识别的联网报警方法，其特征在于，所述方法包括：

从开源人脸数据库中获取人脸图片，组成照片库；

组建卷积神经网络模型并利用所述照片库中的人脸图像数据集来训练该模型；

向数据库中存入安全人员人脸；

对获取的监控视频中的帧进行超分辨率重构；

对超分辨率重构后得到的图片进行人脸区域检测与分割；

将得到的人脸区域作为输入数据输入到所述卷积神经网络中，生成一张人脸。

将得到的人脸图片与数据库中所存的安全人员人脸进行比对；

若比对失败，则将所识别的嫌疑人脸数据储存下来，选择最优线路连接联网报警中心，将数据以及报警信号发送至联网报警中心。