CN110688892B - 一种基于数据融合技术的人像识别告警方法及系统 - Google Patents

一种基于数据融合技术的人像识别告警方法及系统 Download PDF

Info

Publication number
CN110688892B
CN110688892B CN201910766696.1A CN201910766696A CN110688892B CN 110688892 B CN110688892 B CN 110688892B CN 201910766696 A CN201910766696 A CN 201910766696A CN 110688892 B CN110688892 B CN 110688892B
Authority
CN
China
Prior art keywords
data
layer
portrait
neural network
node
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.)
Active
Application number
CN201910766696.1A
Other languages
English (en)
Other versions
CN110688892A (zh
Inventor
刘羽萌
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.)
Wuhan Fiberhome Digtal Technology Co Ltd
Original Assignee
Wuhan Fiberhome Digtal Technology 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 Wuhan Fiberhome Digtal Technology Co Ltd filed Critical Wuhan Fiberhome Digtal Technology Co Ltd
Priority to CN201910766696.1A priority Critical patent/CN110688892B/zh
Publication of CN110688892A publication Critical patent/CN110688892A/zh
Application granted granted Critical
Publication of CN110688892B publication Critical patent/CN110688892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Neurology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Image Analysis (AREA)

Abstract

一种基于数据融合技术的人像识别告警方法及系统，方法包括：建立BP神经网络模型，并训练该BP神经网络模型，对于每个训练样本，通过后向传播修改权重使得网络预测和实际目标值之间的均方误差最小；通过前端采集设备采集人像数据；以设定的目标库中的人像数据为比对对象，通过多个算法厂家提供的人像比对算法对采集的人像数据进行相似度比对计算，得到多组原始相似度数据；将多组所述原始相似度数据作为输入层经训练完毕的BP神经网络模型后输出最终相似度数据；将得到的最终相似度数据进行排序，将达到或超过设定报警阈值的数据推送至告警平台产生告警。

Description

一种基于数据融合技术的人像识别告警方法及系统
技术领域
本发明涉及公安接警领域，具体涉及一种基于数据融合技术的人像识别告警方法及系统。
背景技术
随着城市视频监控项目建设的不断发展和网络规模的扩大，监控系统每日采集了大量的人像画面并产生了海量的人像告警。其中错误或无效告警的过多出现给操作员正常操作带来了严重干扰，大量无效告警也严重影响了运维效率。
发明内容
为解决上述技术问题，本发明提供一种基于数据融合技术的人像识别告警方法及系统，采用多个算法厂家提供的人像比对算法结果通过数据融合技术在一定准则下加以自动分析、综合的方法使之产生更为准确、可靠的相似度值，以大幅降低无效告警，发现真正有价值的告警，从而显著的提高公安的工作效率，降低干警工作强度，令告警性能满足公安业务需求。本发明的技术方案如下：
作为本发明的第一方面，提供一种基于数据融合技术的人像识别告警方法，所述方法包括：
S1：建立BP神经网络模型，并训练该BP神经网络模型，对于每个训练样本，通过后向传播修改权重使得网络预测和实际目标值之间的均方误差最小；
S2：通过前端采集设备采集人像数据；
S3：以设定的目标库中的人像数据为比对对象，通过多个算法厂家提供的人像比对算法对采集的人像数据进行相似度比对计算，得到多组原始相似度数据；
S4：将多组所述原始相似度数据作为输入层经训练完毕的BP神经网络模型后输出最终相似度数据；
S5：将得到的最终相似度数据进行排序，将达到或超过设定报警阈值的数据推送至告警平台产生告警。
进一步地，步骤1中，所述前端采集设备包括高清摄像机和人脸卡口。
进一步地，步骤2中，所述目标库中存储着布控的人像数据。
进一步地，S3中具体包括：
建立BP神经网络模型，所述BP神经网络模型包括输入层、隐含层和输出层；
输入层的神经元个数设为m个；任意输入层神经元记为xi，i＝1、2...m；
隐含层的神经元个数为h个，
Figure BDA0002172154310000021
其中h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目，a为1～10之间的调节常数；
输出层的神经元个数设为n个；任意输出层神经元记为de，e＝1、2...n；
正向传递过程如下：
设节点i和节点j之间的权值为wij，节点j的阀值为bj，每个节点的输出值为xj，而每个节点的输出值是根据上层所有节点的输出值、当前节点
Figure BDA0002172154310000022
与上一层所有节点的权值和当前节点的阀值还有激活函数来实现的；具体计算公式如下：
Figure BDA0002172154310000023
xj＝f(sj)；
其中，bj为0，f为激活函数，这里选用sigmoid函数。
反向传递子过程如下：
假设输出层的所有结果为dj，误差函数如下：
Figure BDA0002172154310000031
BP神经网络模型需要反复修正权值和阀值，使得误差函数值达到最小。这里运用Widrow-Hoff学习规则，通过沿着相对误差平方和的最速下降方向，连续调整网络的权值和阀值，根据梯度下降法，权值矢量的修正正比于当前位置上E(w,b)的梯度，对于第j个输出节点有
Figure BDA0002172154310000032
由于本系统中的输入层输入值的区间为[0，1]，所以输入层的神经网络激活函数为
Figure BDA0002172154310000033
隐藏层采用双极性S型激活函数为
Figure BDA0002172154310000034
为了保证输出值为[0，1]之间，所以输出层激活函数为
Figure BDA0002172154310000035
进一步地，步骤2中，所述前端采集设备包括高清摄像机和人脸卡口。
进一步地，步骤3中，所述目标库中存储着布控的人像数据。
作为本发明的第二方面，提供一种基于数据融合技术的人像识别告警系统，所述系统包括前端采集设备、控制中心、目标库、原始相似度计算模块、BP神经网络模型训练模块、数据输入模块和排序模块；
所述前端采集设备用于采集的人像数据；
所述目标库用于存储布控的人像数据；
所述控制中心用于将采集的人像数据以及目标库中布控的人像数据下发原始相似度计算模块；
所述原始相似度计算模块包括多个算法厂家提供的人像比对算法，用于通过各算法厂家提供的人像比对算法将采集的人像数据与布控的人像数据进行相似度比对计算，得到多组原始相似度数据；
所述BP神经网络模型训练模块用于建立BP神经网络模型，并训练该BP神经网络模型，对于每个训练样本，通过后向传播修改权重使得网络预测和实际目标值之间的均方误差最小；
所述数据输入模块用于将多组所述原始相似度数据作为输入层输入训练完毕的BP神经网络模型，并输出最终相似度数据；
所述排序模块用于将得到的最终相似度数据进行排序，将达到或超过设定报警阈值的数据推送至告警平台产生告警。
进一步地，所述端人像采集设备包括高清摄像机和人脸卡口。
进一步地，BP神经网络模型训练模块对BP神经网络模型的训练步骤具体包括：
所述BP神经网络模型包括输入层、隐含层和输出层；
输入层的神经元个数设为m个；任意输入层神经元记为xi，i＝1、2...m；
隐含层的神经元个数为h个，
Figure BDA0002172154310000041
其中h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目，a为1～10之间的调节常数；
输出层的神经元个数设为n个；任意输出层神经元记为de，e＝1、2...n；
正向传递过程如下：
设节点i和节点j之间的权值为wij，节点j的阀值为bj，每个节点的输出值为xj，而每个节点的输出值是根据上层所有节点的输出值、当前节点
Figure BDA0002172154310000042
与上一层所有节点的权值和当前节点的阀值还有激活函数来实现的；具体计算公式如下：
Figure BDA0002172154310000043
xj＝f(sj)；
其中，bj为0，f为激活函数，这里选用sigmoid函数。
反向传递子过程如下：
假设输出层的所有结果为dj，误差函数如下：
Figure BDA0002172154310000051
BP神经网络模型需要反复修正权值和阀值，使得误差函数值达到最小。这里运用Widrow-Hoff学习规则，通过沿着相对误差平方和的最速下降方向，连续调整网络的权值和阀值，根据梯度下降法，权值矢量的修正正比于当前位置上E(w,b)的梯度，对于第j个输出节点有
Figure BDA0002172154310000052
由于本系统中的输入层输入值的区间为[0，1]，所以输入层的神经网络激活函数为
Figure BDA0002172154310000053
隐藏层采用双极性S型激活函数为
Figure BDA0002172154310000054
为了保证输出值为[0，1]之间，所以输出层激活函数为
Figure BDA0002172154310000055
本发明具有以下有益效果：
本发明与现有技术相比，本发明避免了单一厂家算法对某特定维度进行分析可能存在较大偏差的问题，降低仅依赖单独算法厂家因为算法不成熟产生的误报和漏报，采用数据融合技术综合各个算法厂家的分析结果，能尽可能提高人像识别准确率，以大幅降低无效告警，发现真正有价值的告警，从而显著的提高公安的工作效率，降低干警工作强度，令告警性能满足公安业务需求。
附图说明
图1为本发明实施例提供的一种基于数据融合技术的人像识别告警方法流程图。
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，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它实施例，都属于本发明保护的范围。
如图1所示，作为本发明的第一实施例，提供一种基于数据融合技术的人像识别告警方法，所述方法包括：
S1：建立BP神经网络模型，并训练该BP神经网络模型，对于每个训练样本，通过后向传播修改权重使得网络预测和实际目标值之间的均方误差最小；
S2：通过前端采集设备采集人像数据；
S3：以设定的目标库中的人像数据为比对对象，通过多个算法厂家提供的人像比对算法对采集的人像数据进行相似度比对计算，得到多组原始相似度数据；
S4：将多组所述原始相似度数据作为输入层经训练完毕的BP神经网络模型后输出最终相似度数据；
S5：将得到的最终相似度数据进行排序，将达到或超过设定报警阈值的数据推送至告警平台产生告警。
其中，所述前端采集设备包括高清摄像机和人脸卡口等。
其中，所述目标库中存储着布控的人像数据，例如黑名单人员的人像数据。
本发明提供的一种基于数据融合技术的人像识别告警方法，采用多个厂家算法对采集的人像数据进行对比计算，避免了单一厂家算法对某特定维度进行分析可能存在较大偏差的问题，降低仅依赖单独算法厂家因为算法不成熟产生的误报和漏报，采用数据融合技术综合各个算法厂家的分析结果，能尽可能提高人像识别准确率，以大幅降低无效告警，发现真正有价值的告警，从而显著的提高公安的工作效率，降低干警工作强度，令告警性能满足公安业务需求。
优选地，S1中具体包括：
建立BP神经网络模型，所述BP神经网络模型包括输入层、隐含层和输出层；
输入层的神经元个数设为m个；任意输入层神经元记为xi，i＝1、2...m；
隐含层的神经元个数为h个，
Figure BDA0002172154310000071
其中h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目，a为1～10之间的调节常数，这里a定为1；
输出层的神经元个数设为n个；任意输出层神经元记为de，e＝1、2...n；
正向传递过程如下：
设节点i和节点j之间的权值为wij，节点j的阀值为bj，每个节点的输出值为xj，而每个节点的输出值是根据上层所有节点的输出值、当前节点
Figure BDA0002172154310000072
与上一层所有节点的权值和当前节点的阀值还有激活函数来实现的；具体计算公式如下：
Figure BDA0002172154310000073
xj＝f(sj)；
其中，bj为0，f为激活函数，这里选用sigmoid函数。
反向传递子过程如下：
假设输出层的所有结果为dj，误差函数如下：
Figure BDA0002172154310000074
BP神经网络模型需要反复修正权值和阀值，使得误差函数值达到最小。这里运用Widrow-Hoff学习规则，通过沿着相对误差平方和的最速下降方向，连续调整网络的权值和阀值，根据梯度下降法，权值矢量的修正正比于当前位置上E(w,b)的梯度，对于第j个输出节点有
Figure BDA0002172154310000075
由于本系统中的输入层输入值的区间为[0，1]，所以输入层的神经网络激活函数为
Figure BDA0002172154310000076
隐藏层采用双极性S型激活函数为
Figure BDA0002172154310000077
为了保证输出值为[0，1]之间，所以输出层激活函数为
Figure BDA0002172154310000081
作为本发明的第二实施例，提供一种基于数据融合技术的人像识别告警系统，所述系统包括前端采集设备、控制中心、目标库、原始相似度计算模块、BP神经网络模型训练模块、数据输入模块和排序模块；
所述前端采集设备用于采集的人像数据；
所述目标库用于存储布控的人像数据；
所述控制中心用于将采集的人像数据以及目标库中布控的人像数据下发原始相似度计算模块；
所述原始相似度计算模块包括多个算法厂家提供的人像比对算法，用于通过各算法厂家提供的人像比对算法将采集的人像数据与布控的人像数据进行相似度比对计算，得到多组原始相似度数据；
所述BP神经网络模型训练模块用于建立BP神经网络模型，并训练该BP神经网络模型，对于每个训练样本，通过后向传播修改权重使得网络预测和实际目标值之间的均方误差最小；
所述数据输入模块用于将多组所述原始相似度数据作为输入层输入训练完毕的BP神经网络模型，并输出最终相似度数据；
所述排序模块用于将得到的最终相似度数据进行排序，将达到或超过设定报警阈值的数据推送至告警平台产生告警。
其中，所述端人像采集设备包括高清摄像机和人脸卡口等。
优选地，BP神经网络模型训练模块对BP神经网络模型的训练步骤具体包括：
所述BP神经网络模型包括输入层、隐含层和输出层；
输入层的神经元个数设为m个；任意输入层神经元记为xi，i＝1、2...m；
隐含层的神经元个数为h个，
Figure BDA0002172154310000082
其中h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目，a为1～10之间的调节常数，这里a定为1；
输出层的神经元个数设为n个；任意输出层神经元记为de，e＝1、2...n；
正向传递过程如下：
设节点i和节点j之间的权值为wij，节点j的阀值为bj，每个节点的输出值为xj，而每个节点的输出值是根据上层所有节点的输出值、当前节点
Figure BDA0002172154310000091
与上一层所有节点的权值和当前节点的阀值还有激活函数来实现的；具体计算公式如下：
Figure BDA0002172154310000092
xj＝f(sj)；
其中，bj为0，f为激活函数，这里选用sigmoid函数。
反向传递子过程如下：
假设输出层的所有结果为dj，误差函数如下：
Figure BDA0002172154310000093
BP神经网络模型需要反复修正权值和阀值，使得误差函数值达到最小。这里运用Widrow-Hoff学习规则，通过沿着相对误差平方和的最速下降方向，连续调整网络的权值和阀值，根据梯度下降法，权值矢量的修正正比于当前位置上E(w,b)的梯度，对于第j个输出节点有
Figure BDA0002172154310000094
由于本系统中的输入层输入值的区间为[0，1]，所以输入层的神经网络激活函数为
Figure BDA0002172154310000095
隐藏层采用双极性S型激活函数为
Figure BDA0002172154310000096
为了保证输出值为[0，1]之间，所以输出层激活函数为
Figure BDA0002172154310000097
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于数据融合技术的人像识别告警方法，其特征在于，所述方法包括：
S1：建立BP神经网络模型，并训练该BP神经网络模型，对于每个训练样本，通过后向传播修改权重使得网络预测和实际目标值之间的均方误差最小；
S2：通过前端采集设备采集人像数据；
S3：以设定的目标库中的人像数据为比对对象，通过多个算法厂家提供的人像比对算法对采集的人像数据进行相似度比对计算，得到多组原始相似度数据；
S4：将多组所述原始相似度数据作为输入层经训练完毕的BP神经网络模型后输出最终相似度数据；
S5：将得到的最终相似度数据进行排序，将达到或超过设定报警阈值的数据推送至告警平台产生告警；
其中， S1中具体包括：
建立BP神经网络模型，所述BP神经网络模型包括输入层、隐含层和输出层；
输入层的神经元个数设为m个；任意输入层神经元记为xi，i＝1、2...m；
隐含层的神经元个数为h个，
Figure FDA0003791773310000011
其中h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目，a为1～10之间的调节常数；
输出层的神经元个数设为n个；任意输出层神经元记为de，e＝1、2...n；
正向传递过程如下：
设节点i和节点j之间的权值为wij，节点j的阀值为bj，每个节点的输出值为xj，而每个节点的输出值是根据上层所有节点的输出值、当前节点
Figure FDA0003791773310000021
与上一层所有节点的权值和当前节点的阀值还有激活函数来实现的；具体计算公式如下：
Figure FDA0003791773310000022
xj＝f(sj)；
其中，bj为0，f为激活函数，这里选用sigmoid函数;
反向传递子过程如下：
假设输出层的所有结果为dj，误差函数如下：
Figure FDA0003791773310000023
BP神经网络模型需要反复修正权值和阀值，使得误差函数值达到最小; 这里运用Widrow-Hoff学习规则，通过沿着相对误差平方和的最速下降方向，连续调整网络的权值和阀值，根据梯度下降法，权值矢量的修正正比于当前位置上E(w,b)的梯度，对于第j个输出节点有
Figure FDA0003791773310000024
由于本系统中的输入层输入值的区间为[0，1]，所以输入层的神经网络激活函数为
Figure FDA0003791773310000025
隐藏层采用双极性S型激活函数为
Figure FDA0003791773310000026
为了保证输出值为[0，1]之间，所以输出层激活函数为
Figure FDA0003791773310000027
2.根据权利要求1所述的基于数据融合技术的人像识别告警方法，其特征在于，步骤2中，所述前端采集设备包括高清摄像机和人脸卡口。
3.根据权利要求1所述的基于数据融合技术的人像识别告警方法，其特征在于，步骤3中，所述目标库中存储着布控的人像数据。
4.一种基于数据融合技术的人像识别告警系统，其特征在于，所述系统包括前端采集设备、控制中心、目标库、原始相似度计算模块、BP神经网络模型训练模块、数据输入模块和排序模块；
所述前端采集设备用于采集的人像数据；
所述目标库用于存储布控的人像数据；
所述控制中心用于将采集的人像数据以及目标库中布控的人像数据下发原始相似度计算模块；
所述原始相似度计算模块包括多个算法厂家提供的人像比对算法，用于通过各算法厂家提供的人像比对算法将采集的人像数据与布控的人像数据进行相似度比对计算，得到多组原始相似度数据；
所述BP神经网络模型训练模块用于建立BP神经网络模型，并训练该BP神经网络模型，对于每个训练样本，通过后向传播修改权重使得网络预测和实际目标值之间的均方误差最小；
所述数据输入模块用于将多组所述原始相似度数据作为输入层输入训练完毕的BP神经网络模型，并输出最终相似度数据；
所述排序模块用于将得到的最终相似度数据进行排序，将达到或超过设定报警阈值的数据推送至告警平台产生告警；
其中，BP神经网络模型训练模块BP神经网络模型的训练步骤具体包括：
所述BP神经网络模型包括输入层、隐含层和输出层；
输入层的神经元个数设为m个；任意输入层神经元记为xi，i＝1、2...m；
隐含层的神经元个数为h个，
Figure FDA0003791773310000031
其中h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目，a为1～10之间的调节常数；
输出层的神经元个数设为n个；任意输出层神经元记为de，e＝1、2...n；
正向传递过程如下：
设节点i和节点j之间的权值为wij，节点j的阀值为bj，每个节点的输出值为xj，而每个节点的输出值是根据上层所有节点的输出值、当前节点
Figure FDA0003791773310000032
与上一层所有节点的权值和当前节点的阀值还有激活函数来实现的；具体计算公式如下：
Figure FDA0003791773310000041
xj＝f(sj)；
其中，bj为0，f为激活函数，这里选用sigmoid函数;
反向传递子过程如下：
假设输出层的所有结果为dj，误差函数如下：
Figure FDA0003791773310000042
BP神经网络模型需要反复修正权值和阀值，使得误差函数值达到最小; 这里运用Widrow-Hoff学习规则，通过沿着相对误差平方和的最速下降方向，连续调整网络的权值和阀值，根据梯度下降法，权值矢量的修正正比于当前位置上E(w,b)的梯度，对于第j个输出节点有
Figure FDA0003791773310000043
由于本系统中的输入层输入值的区间为[0，1]，所以输入层的神经网络激活函数为
Figure FDA0003791773310000044
隐藏层采用双极性S型激活函数为
Figure FDA0003791773310000045
为了保证输出值为[0，1]之间，所以输出层激活函数为
Figure FDA0003791773310000046
5.根据权利要求4所述的基于数据融合技术的人像识别告警系统，其特征在于，所述前端采集设备包括高清摄像机和人脸卡口。
CN201910766696.1A 2019-08-20 2019-08-20 一种基于数据融合技术的人像识别告警方法及系统 Active CN110688892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910766696.1A CN110688892B (zh) 2019-08-20 2019-08-20 一种基于数据融合技术的人像识别告警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910766696.1A CN110688892B (zh) 2019-08-20 2019-08-20 一种基于数据融合技术的人像识别告警方法及系统

Publications (2)

Publication Number Publication Date
CN110688892A CN110688892A (zh) 2020-01-14
CN110688892B true CN110688892B (zh) 2023-01-03

Family

ID=69108405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910766696.1A Active CN110688892B (zh) 2019-08-20 2019-08-20 一种基于数据融合技术的人像识别告警方法及系统

Country Status (1)

Country Link
CN (1) CN110688892B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931568A (zh) * 2020-06-30 2020-11-13 青岛科技大学 一种基于增强式学习的人体跌倒检测方法及系统
CN114726589A (zh) * 2022-03-17 2022-07-08 南京科技职业学院 一种报警数据融合方法
CN116054416B (zh) * 2023-03-15 2023-09-22 扬州康德电气有限公司 一种基于物联网的智能监控运维管理系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106250858A (zh) * 2016-08-05 2016-12-21 重庆中科云丛科技有限公司 一种融合多种人脸识别算法的识别方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106686404B (zh) * 2016-12-16 2021-02-02 中兴通讯股份有限公司 一种视频分析平台、匹配方法、精准投放广告方法及系统
CN106650693B (zh) * 2016-12-30 2020-07-03 河北三川科技有限公司 一种用于人脸比对的多特征融合识别算法
CN108764350A (zh) * 2018-05-30 2018-11-06 苏州科达科技股份有限公司 目标识别方法、装置及电子设备
CN109961031A (zh) * 2019-01-25 2019-07-02 深圳市星火电子工程公司 人脸融合识别认定方法、目标人员信息显示方法、预警布控方法及系统
CN110110593A (zh) * 2019-03-27 2019-08-09 广州杰赛科技股份有限公司 基于自学习的人脸考勤方法、装置、设备及存储介质
CN110119769A (zh) * 2019-04-24 2019-08-13 电子科技大学 一种基于多模态车辆特征的检测预警方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106250858A (zh) * 2016-08-05 2016-12-21 重庆中科云丛科技有限公司 一种融合多种人脸识别算法的识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于遗传算法的BP神经网络的优化研究及MATLAB仿真;任谢楠;《信息科技辑》;20141130;1-46页 *

Also Published As

Publication number Publication date
CN110688892A (zh) 2020-01-14

Similar Documents

Publication Publication Date Title
CN110688892B (zh) 一种基于数据融合技术的人像识别告警方法及系统
CN111353413B (zh) 一种输电设备低漏报率缺陷识别方法
US11941868B2 (en) Inference apparatus, inference method, and computer-readable storage medium storing an inference program
KR101607224B1 (ko) 동적 물체 분류 방법 및 장치
CN110570454B (zh) 一种检测异物入侵的方法及装置
CN111666857A (zh) 基于环境语义理解的人体行为识别方法、装置及存储介质
US20160139977A1 (en) System and method for abnormality detection
CN112836640B (zh) 一种单摄像头多目标行人跟踪方法
US20190347388A1 (en) User image verification
CN112183166A (zh) 确定训练样本的方法、装置和电子设备
CN115013298B (zh) 污水泵的实时性能在线监测系统及其监测方法
CN110633643A (zh) 一种面向智慧社区的异常行为检测方法及系统
KR102391853B1 (ko) 영상 정보 처리 시스템 및 방법
CN111807183A (zh) 基于深度学习的电梯门状态智能检测方法
Toreyin et al. Wildfire detection using LMS based active learning
CN113159466A (zh) 一种短时光伏发电功率预测系统及方法
CN114463788A (zh) 一种跌倒检测方法、系统、计算机设备及存储介质
KR102186974B1 (ko) 차량의 주차면 분석을 위한 지능형 cctv 시스템
KR102143073B1 (ko) 차량의 주차면 분석을 위한 지능형 cctv 장치
KR100567765B1 (ko) 조명환경 분석과 전처리를 통한 얼굴 인식 시스템 및 방법
CN112287854A (zh) 基于深度神经网络的建筑室内人员检测方法及系统
CN111695404A (zh) 行人跌倒检测方法、装置、电子设备及存储介质
CN111199306A (zh) 预测装置、预测方法及存储介质
CN114612810B (zh) 一种动态自适应异常姿态识别方法及装置
CN111291597A (zh) 一种基于图像的人群态势分析方法、装置、设备及系统

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
GR01 Patent grant
GR01 Patent grant