CN110705393B - 一种提升社区人口人脸识别性能的方法 - Google Patents
一种提升社区人口人脸识别性能的方法 Download PDFInfo
- Publication number
- CN110705393B CN110705393B CN201910878423.6A CN201910878423A CN110705393B CN 110705393 B CN110705393 B CN 110705393B CN 201910878423 A CN201910878423 A CN 201910878423A CN 110705393 B CN110705393 B CN 110705393B
- Authority
- CN
- China
- Prior art keywords
- face
- image
- data
- face recognition
- recognition model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 12
- 230000001965 increasing effect Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种提升社区人口人脸识别性能的方法,利用社区人口的登记信息、出行规律、打扮着装偏好、交互对象及监控系统采集的大量人脸与行人图像,以及身份证图像,结合公开人脸数据集CASIA‑Webface,来提升社区人口人脸识别与行人重识别性能,以便更好地管理管理社区中的人员,构建更加安全的未来社区。
Description
技术领域
本发明属于深度神经网络训练网络结构的深度学习领域,涉及到神经网络、模式识别等技术,尤其涉及到提升社区人口人脸识别性能的训练方法。
背景技术
目前,监控视频占据社区大数据的半壁江山,虽然采用一些先进的人工智能技术对监控视频数据进行理解,但是在真实开放环境下监控视频数据的深度理解是非常的困难,且多为事后取证而非提前预警,因此本项目为了更好对未来社区中人员进行管理,需要对重点管理人员进行画像,防范于未然。而人员画像,需要进行人脸识别。
解决上述问题的关键就是要提升社区人口人脸识别性能,在管理社区人口的过程中,既要管理重点关注人员,又要服务重点关爱人员(老人、小孩等)以及社区大众,人脸识别的准确率影响着社区的管理。为了更好的管理社区人口,提升社区人口识别性能至关重要。
发明内容
本发明克服了现有技术的不足之处,提出了一种提升社区人口人脸识别性能的方法,意在利用社区人口的登记信息、出行规律、打扮着装偏好、交互对象及监控系统采集的大量人脸与行人图像提升社区人口人脸识别与行人重识别性能,提高人脸识别的准确率。
本发明为达上述发明目的,采用如下技术方案:
一种提升社区人口人脸识别性能的方法,包括如下步骤:
步骤(1)利用社区人口登记档案中身份证图像A,采用仿射变换及生成对抗学习方法进行数据增强得到A’,将增强后的身份证数据集B与公开人脸数据集C(CASIA-Webface)联合训练得到人脸识别模型Ⅰ,数据集B包含A与A’;
步骤(2)将多个摄像头的数据输入到人脸检测和人脸跟踪模块,得到人脸图像的弱标记数据D,将该数据放入弱标记抓拍人脸图像库E,经过一段时间后,将社区人口档案库里的身份证图像集与弱标记抓拍人脸图像集输入到人脸识别模型Ⅰ提取特征,进行自动标注,得到抓拍人脸分类库F,再经过人工清洗去除自动标注错误的人脸图像,得到清洗后的抓拍人脸分类库G。使用增强后的社区档案身份证库B、公开人脸数据集C(CASIA-Webface)及清洗过后的抓拍人脸分类库G,训练出人脸识别模型Ⅱ;
步骤(3)由人脸检测、行人检测和同一摄像头下的同行人检测得到人脸图像、行人图像以及同行人图像数据库H,对数据库H进行人脸识别以及行人重识别,得到同行人数据J和轨迹K。将社区人口档案库里的身份证图像集与摄像头采集的人脸数据集输入到人脸识别模型Ⅱ中提取特征,计算相似度,利用行人轨迹信息和同行人数据对人脸相似度加权,然后进行人脸自动标注,得到更新后的抓拍人脸分类库F,再经过人工清洗去除自动标注错误的人脸图像,得到清洗过后的新的抓拍人脸分类库G。使用增强后的社区档案身份证库B、公开人脸数据集C(CASIA-Webface)及新的抓拍人脸分类库G,训练出人脸识别模型Ⅲ;每隔一段时间,使用新的抓拍数据训练一个新的人脸识别模型,直到生成满足应用需求的人脸识别模型n。
进一步的,步骤(1)中人脸识别模型Ⅰ的网络为:
网络包括数据输入层、主干网络层、全连接层FC、输出层;数据输入包含身份证图像及其增强图像,即A1及其增强图像A′1,A2及其增强图像A′2,…,An及其增强图像A′n,其中Ai、A′i分别表示登记档案中第i个人的身份证图像,及CASIA图像及其增强图像,即C1及其增强图像,C2及其增强图像,…,Cn及其增强图像,其中Ci表示CASIA数据集中的第i个人的图像;数据输出是上述输入数据的标签;
其中,主干网络层可以由残差网络构成,或由其他卷积神经网络构成;其中主干卷积神经网络结构为卷积层C1—池化层P1—卷积层C2—池化层P2—卷积层C3—池化层P3—卷积层C4—池化层P4,卷积层采用深度可分离卷积;深度可分离卷积将标准卷积分解为深度卷积和点卷积的1×1卷积;标准的卷积是在一个步骤中将滤波器和输入组合成一组新的输出;深度可分离卷积将其分成两层,一层用于滤波,另一层用于组合;深度卷积只过滤输入通道,点卷积是负责计算深度卷积输出的线性组合;
模型的损失函数如下:
进一步的,步骤(2)中弱标记数据为:
在一个摄像头下,对某个人的人脸进行检测和跟踪得到一组相同的标签L(,一个人的人脸具有相同的标签,在另一个摄像头下,对这个人再进行人脸检测和跟踪时得到另一组标签L’,同一个人在不同摄摄像头下得到不同的标签L和L’,这样的标签数据即为弱标签数据;若在不同摄像头下,进行人脸检测和跟踪得到的标签相同,则为强标签。
进一步的,步骤(2)中自动标注为:
将弱标记抓拍人脸图像库E中的n张图像,与身份证图像进行人脸比对,若比对得到的相似度Q>阈值T,则将其放入该身份证图像的增强图像集中;若比对得到的相似度Q<阈值T,则将这些小于阈值的图像进行聚类,得到分类好的人脸图像数据M,继而得到已经分类好的n个人的人脸数据集S1、S1、…、Sn。
进一步的,步骤(2)中人脸识别模型Ⅱ的训练为:
在人脸识别模型Ⅰ训练网络的基础上,增加数据层里原有类别里的数据量以及增加类别数。更新之前的图像及其增强图像,并增加抓拍人脸分类库及其增强图像,G1及其增强图像、G2及其增强图像、…、Gn及其增强图像,其中Gi表示第i个人的图;以及聚类得到的人脸分类图像,即M1、M2、…、Mn,其中Mi表示第i个人的图像。
进一步的,步骤(3)中人脸相似度加权为:
出行路线为某个人在某个时间区间内经过的地点集合。对出行路线进行聚类,差别较小的路线可以归为一类。统计第Si(i=1,…,n)个人在较长时间内的出行路线的频次,对频次最高的前三条路线L1、L2、L3赋予其权重其他的路线权重为1;统计第Si(i=1,…,n)个人在某个地点某个时间区间内出现的频次,若出现的频次N>n2,则设置则权重为若出现的频次n1<N<n2,则设置则权重为若出现的频次N<n1,则设置权重为1;当S1与S2这两个人具有较强或较多的联系时,S1与S2这两个人构成强联系人对(S1,S2);根据社区人口登记档案中的亲属关系、同住关系等信息得到社区内的所有强联系人对;对于检测到的同行人(h1,h2),先分别进行人脸相似度比对,若大于阈值T0,即相似度f(h1,S1)>T0且f(h2,S2)>T0,则对相似度进行加权,权重为Si和hj加权后的相似度公式如下:
其中fij(Si,hj)表示Si和hj的未加权的人脸相似度;未加权的人脸相似度采用欧式距离或者余弦距离等相似度准则进行计算。
进一步的,步骤(3)中人脸识别模型Ⅲ的训练为:
采用人脸识别模型Ⅱ与同行人相似度加权,对新抓拍的人脸图像进行分类与聚类,增加训练图像的数量与类别以获得更大的训练数据集,使用这个数据集训练人脸识别模型Ⅲ。
进一步的,步骤(3)中人脸识别模型n的训练数据增加及训练方法与人脸识别模型Ⅲ相同。
与现有技术相比,本发明的有益效果体现在:
本发明采取一种提升社区人口人脸识别性能的方法,利用社区人口的登记信息、出行规律、打扮着装偏好、交互对象及监控系统采集的大量人脸与行人图像提升社区人口人脸识别与行人重识别性能,提高人脸识别的准确率。
附图说明
图1是社区人口人脸识别模型Ⅰ、Ⅱ流程图;
图2是社区人口人脸识别模型Ⅲ流程图;
图3是人脸识别模型Ⅰ的人脸网络结构图;
图4是训练网络示例;
图5是人脸识别模型Ⅱ的人脸网络结构图;
图6是人脸识别模型Ⅲ的人脸网络结构图。
具体实施方式
下面结合附图对本发明作进一步。
本实施例中,如图1-6所示,本发明的提升社区人口人脸识别性能的方法包括如下步骤:
步骤一:利用社区人口登记档案中身份证图像A,采用仿射变换及生成对抗学习方法进行数据增强得到A’,将增强后的身份证数据集B(B包含A与A’)与公开人脸数据集C(CASIA-Webface)联合训练得到人脸识别模型Ⅰ;
步骤二:将多个摄像头的数据输入到人脸检测和人脸跟踪模块,得到人脸图像的弱标记数据D,将该数据放入弱标记抓拍人脸图像库E,经过一段时间后,将社区人口档案库里的身份证图像集与弱标记抓拍人脸图像集输入到人脸识别模型Ⅰ提取特征,进行自动标注,得到抓拍人脸分类库F,再经过人工清洗去除自动标注错误的人脸图像,得到清洗后的抓拍人脸分类库G。使用增强后的社区档案身份证库B、公开人脸数据集C(CASIA-Webface)及清洗过后的抓拍人脸分类库G,训练出人脸识别模型Ⅱ;
步骤三:由人脸检测、行人检测和同一摄像头下的同行人检测得到人脸图像、行人图像以及同行人图像数据库H,对数据库H进行人脸识别以及行人重识别,得到同行人数据J和轨迹K。将社区人口档案库里的身份证图像集与摄像头采集的人脸数据集输入到人脸识别模型Ⅱ中提取特征,计算相似度,利用行人轨迹信息和同行人数据对人脸相似度加权,然后进行人脸自动标注,得到更新后的抓拍人脸分类库F,再经过人工清洗去除自动标注错误的人脸图像,得到清洗过后的新的抓拍人脸分类库G。使用增强后的社区档案身份证库B、公开人脸数据集C(CASIA-Webface)及新的抓拍人脸分类库G,训练出人脸识别模型Ⅲ。每隔一段时间,使用新的抓拍数据训练一个新的人脸识别模型,直到生成满足应用需求的人脸识别模型n。随着时间的变化,人脸识别模型不断得到更新与完善。
进一步的,步骤一中人脸识别模型Ⅰ的网络为:
网络包括数据输入层、主干网络层、全连接层FC、输出层。数据输入包含身份证图像及其增强图像(即A1及其增强图像A′1,A2及其增强图像A′2,…,An及其增强图像A′n,其中Ai、A′i分别表示登记档案中第i个人的身份证图像)、CASIA图像及其增强图像(即C1及其增强图像,C2及其增强图像,…,Cn及其增强图像,其中Ci表示CASIA数据集中的第i个人的图像)。数据输出是上述输入数据的标签。
其中,主干网络层可以由残差网络构成,也可以由其他卷积神经网络构成。其中示例的主干卷积神经网络结构为卷积层C1——池化层P1——卷积层C2——池化层P2——卷积层C3——池化层P3——卷积层C4——池化层P4,卷积层采用深度可分离卷积。深度可分离卷积将标准卷积分解为深度卷积和点卷积的(1×1卷积)。标准的卷积是在一个步骤中将滤波器和输入组合成一组新的输出。而深度可分离卷积将其分成两层,一层用于滤波,另一层用于组合,这样的分解可以显著减少计算量和模型大小。深度卷积只过滤输入通道,并不结合它们产生新的特征,点卷积是负责计算深度卷积输出的线性组合。
模型的损失函数如下:
与Softmax损失函数相比,对权重与特征进行了归一化、将偏置项置为0,增加了余弦自适应系数s,并增加了余弦边缘m。在余弦空间最大化决策边界,希望正确分类的概率越大越好,则越大越好,减去m值目的是使更加趋近于1。
进一步的,步骤二中弱标记数据为:
在一个摄像头下,对某个人的人脸进行检测和跟踪得到一组相同的标签L(同一个人的人脸具有相同的标签),在另一个摄像头下,对这个人再进行人脸检测和跟踪时得到另一组标签L’,同一个人在不同摄摄像头下得到不同的标签L和L’,这样的标签数据即为弱标签数据(弱标记数据);若在不同摄像头下,进行人脸检测和跟踪得到的标签相同,则为强标签。
进一步的,步骤二中自动标注为:
将弱标记抓拍人脸图像库E中的n张图像,与身份证图像进行人脸比对,若比对得到的相似度Q>阈值T,则将其放入该身份证图像的增强图像集中;若比对得到的相似度Q<阈值T,则将这些小于阈值的图像进行聚类,得到分类好的人脸图像数据M,继而得到已经分类好的n个人的人脸数据集S1、S1、…、Sn。
进一步的,步骤二中人脸识别模型Ⅱ的训练为:
在人脸识别模型Ⅰ训练网络的基础上,增加数据层里原有类别里的数据量以及增加类别数。更新之前的图像及其增强图像,并增加抓拍人脸分类库及其增强图像(即G1及其增强图像、G2及其增强图像、…、Gn及其增强图像,其中Gi表示第i个人的图像)以及聚类得到的人脸分类图像(即M1、M2、…、Mn,其中Mi表示第i个人的图像)。
进一步的,步骤三中人脸相似度加权为:
出行路线为某个人在某个时间区间内经过的地点集合。对出行路线进行聚类,差别较小的路线可以归为一类。统计第Si(i=1,…,n)个人在较长时间内的出行路线的频次,对频次最高的前三条路线L1、L2、L3赋予其权重其他的路线权重为1。统计第Si(i=1,…,n)个人在某个地点某个时间区间内出现的频次,若出现的频次N>n2,则设置则权重为若出现的频次n1<N<n2,则设置则权重为若出现的频次N<n1,则设置权重为1。当S1与S2这两个人具有较强或较多的联系时,S1与S2这两个人构成强联系人对(S1,S2)。根据社区人口登记档案中的亲属关系、同住关系等信息得到社区内的所有强联系人对。对于检测到的同行人(h1,h2),先分别进行人脸相似度比对,若大于阈值T0,即相似度f(h1,S1)>T0且f(h2,S2)>T0,则对相似度进行加权,权重为Si和hj加权后的相似度公式如下:
其中fij(Si,hj)表示Si和hj的未加权的人脸相似度。未加权的人脸相似度可以采用例如欧式距离或者余弦距离等相似度准则进行计算。
进一步的,步骤三中人脸识别模型Ⅲ的训练为:
采用人脸识别模型Ⅱ与同行人相似度加权,对新抓拍的人脸图像进行分类与聚类,增加训练图像的数量与类别以获得更大的训练数据集,使用这个数据集训练人脸识别模型Ⅲ。
进一步的,步骤三中人脸识别模型n的训练数据增加及训练方法与人脸识别模型Ⅲ相同。
Claims (8)
1.一种提升社区人口人脸识别性能的方法,其特征在于包括如下步骤:
步骤(1)利用社区人口登记档案中身份证图像A,采用仿射变换及生成对抗学习方法进行数据增强得到A’,将增强后的身份证数据集B与公开人脸数据集C(CASIA-Webface)联合训练得到人脸识别模型Ⅰ,数据集B包含A与A’;
步骤(2)将多个摄像头的数据输入到人脸检测和人脸跟踪模块,得到人脸图像的弱标记数据D,将该数据放入弱标记抓拍人脸图像库E,经过一段时间后,将社区人口档案库里的身份证图像集与弱标记抓拍人脸图像集输入到人脸识别模型Ⅰ提取特征,进行自动标注,得到抓拍人脸分类库F,再经过人工清洗去除自动标注错误的人脸图像,得到清洗后的抓拍人脸分类库G;使用增强后的社区档案身份证库B、公开人脸数据集C(CASIA-Webface)及清洗过后的抓拍人脸分类库G,训练出人脸识别模型Ⅱ;
步骤(3)由人脸检测、行人检测和同一摄像头下的同行人检测得到人脸图像、行人图像以及同行人图像数据库H,对数据库H进行人脸识别以及行人重识别,得到同行人数据J和轨迹K;将社区人口档案库里的身份证图像集与摄像头采集的人脸数据集输入到人脸识别模型Ⅱ中提取特征,计算相似度,利用行人轨迹信息和同行人数据对人脸相似度加权,然后进行人脸自动标注,得到更新后的抓拍人脸分类库F,再经过人工清洗去除自动标注错误的人脸图像,得到清洗过后的新的抓拍人脸分类库G;使用增强后的社区档案身份证库B、公开人脸数据集C(CASIA-Webface)及新的抓拍人脸分类库G,训练出人脸识别模型Ⅲ;每隔一段时间,使用新的抓拍数据训练一个新的人脸识别模型,直到生成满足应用需求的人脸识别模型n。
2.如权利要求1所述的一种提升社区人口人脸识别性能的方法,其特征在于:步骤(1)中人脸识别模型Ⅰ的网络为:
网络包括数据输入层、主干网络层、全连接层FC、输出层;数据输入包含身份证图像及其增强图像,即A1及其增强图像A′1,A2及其增强图像A′2,…,An及其增强图像A′n,其中Ai、A′i分别表示登记档案中第i个人的身份证图像,及CASIA图像及其增强图像,即C1及其增强图像,C2及其增强图像,…,Cn及其增强图像,其中Ci表示CASIA数据集中的第i个人的图像;数据输出是上述输入数据的标签;
其中,主干网络层可以由残差网络构成,或由其他卷积神经网络构成;其中主干卷积神经网络结构为卷积层C1—池化层P1—卷积层C2—池化层P2—卷积层C3—池化层P3—卷积层C4—池化层P4,卷积层采用深度可分离卷积;深度可分离卷积将标准卷积分解为深度卷积和点卷积的1×1卷积;标准的卷积是在一个步骤中将滤波器和输入组合成一组新的输出;深度可分离卷积将其分成两层,一层用于滤波,另一层用于组合;深度卷积只过滤输入通道,点卷积是负责计算深度卷积输出的线性组合;
模型的损失函数如下:
3.如权利要求1所述的一种提升社区人口人脸识别性能的方法,其特征在于:步骤(2)中弱标记数据为:
在一个摄像头下,对某个人的人脸进行检测和跟踪得到一组相同的标签L(,一个人的人脸具有相同的标签,在另一个摄像头下,对这个人再进行人脸检测和跟踪时得到另一组标签L’,同一个人在不同摄摄像头下得到不同的标签L和L’,这样的标签数据即为弱标签数据;若在不同摄像头下,进行人脸检测和跟踪得到的标签相同,则为强标签。
4.如权利要求1所述的一种提升社区人口人脸识别性能的方法,其特征在于:步骤(2)中自动标注为:
将弱标记抓拍人脸图像库E中的n张图像,与身份证图像进行人脸比对,若比对得到的相似度Q>阈值T,则将其放入该身份证图像的增强图像集中;若比对得到的相似度Q<阈值T,则将这些小于阈值的图像进行聚类,得到分类好的人脸图像数据M,继而得到已经分类好的n个人的人脸数据集S1、S1、…、Sn。
5.如权利要求1所述的一种提升社区人口人脸识别性能的方法,其特征在于:步骤(2)中人脸识别模型Ⅱ的训练为:
在人脸识别模型Ⅰ训练网络的基础上,增加数据层里原有类别里的数据量以及增加类别数;更新之前的图像及其增强图像,并增加抓拍人脸分类库及其增强图像,G1及其增强图像、G2及其增强图像、…、Gn及其增强图像,其中Gi表示第i个人的图;以及聚类得到的人脸分类图像,即M1、M2、…、Mn,其中Mi表示第i个人的图像。
6.如权利要求1所述的一种提升社区人口人脸识别性能的方法,其特征在于:步骤(3)中人脸相似度加权为:
出行路线为某个人在某个时间区间内经过的地点集合;对出行路线进行聚类,差别较小的路线可以归为一类;统计第Si(i=1,…,n)个人在较长时间内的出行路线的频次,对频次最高的前三条路线L1、L2、L3赋予其权重其他的路线权重为1;统计第Si(i=1,…,n)个人在某个地点某个时间区间内出现的频次,若出现的频次N>n2,则设置则权重为若出现的频次n1<N<n2,则设置则权重为若出现的频次N<n1,则设置权重为1;当S1与S2这两个人具有较强或较多的联系时,S1与S2这两个人构成强联系人对(S1,S2);根据社区人口登记档案中的亲属关系、同住关系信息得到社区内的所有强联系人对;对于检测到的同行人(h1,h2),先分别进行人脸相似度比对,若大于阈值T0,即相似度f(h1,S1)>T0且f(h2,S2)>T0,则对相似度进行加权,权重为Si和hj加权后的相似度公式如下:
其中fij(Si,hj)表示Si和hj的未加权的人脸相似度;未加权的人脸相似度采用欧式距离或者余弦距离的相似度准则进行计算。
7.如权利要求1所述的一种提升社区人口人脸识别性能的方法,其特征在于:步骤(3)中人脸识别模型Ⅲ的训练为:
采用人脸识别模型Ⅱ与同行人相似度加权,对新抓拍的人脸图像进行分类与聚类,增加训练图像的数量与类别以获得更大的训练数据集,使用这个数据集训练人脸识别模型Ⅲ。
8.如权利要求1所述的一种提升社区人口人脸识别性能的方法,其特征在于:步骤(3)中人脸识别模型n的训练数据增加及训练方法与人脸识别模型Ⅲ相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910878423.6A CN110705393B (zh) | 2019-09-17 | 2019-09-17 | 一种提升社区人口人脸识别性能的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910878423.6A CN110705393B (zh) | 2019-09-17 | 2019-09-17 | 一种提升社区人口人脸识别性能的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110705393A CN110705393A (zh) | 2020-01-17 |
CN110705393B true CN110705393B (zh) | 2023-02-03 |
Family
ID=69194940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910878423.6A Active CN110705393B (zh) | 2019-09-17 | 2019-09-17 | 一种提升社区人口人脸识别性能的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705393B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418042A (zh) * | 2020-11-16 | 2021-02-26 | 北京软通智慧城市科技有限公司 | 协助执行防控措施的社区监测方法、系统、终端及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753904A (zh) * | 2018-12-25 | 2019-05-14 | 仁福宜康(天津)科技有限公司 | 一种人脸识别方法和系统 |
WO2019128367A1 (zh) * | 2017-12-26 | 2019-07-04 | 广州广电运通金融电子股份有限公司 | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 |
CN110110650A (zh) * | 2019-05-02 | 2019-08-09 | 西安电子科技大学 | 行人中的人脸识别方法 |
-
2019
- 2019-09-17 CN CN201910878423.6A patent/CN110705393B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019128367A1 (zh) * | 2017-12-26 | 2019-07-04 | 广州广电运通金融电子股份有限公司 | 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质 |
CN109753904A (zh) * | 2018-12-25 | 2019-05-14 | 仁福宜康(天津)科技有限公司 | 一种人脸识别方法和系统 |
CN110110650A (zh) * | 2019-05-02 | 2019-08-09 | 西安电子科技大学 | 行人中的人脸识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110705393A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539370B (zh) | 一种基于多注意力联合学习的图像行人重识别方法和系统 | |
US11263435B2 (en) | Method for recognizing face from monitoring video data | |
CN110414441B (zh) | 一种行人行踪分析方法及系统 | |
CN112507901B (zh) | 一种基于伪标签自纠正的无监督行人重识别方法 | |
CN110399835B (zh) | 一种人员停留时间的分析方法、装置及系统 | |
CN109190544B (zh) | 一种基于序列深度图像的人体身份识别方法 | |
Chandran et al. | Missing child identification system using deep learning and multiclass SVM | |
CN107230267A (zh) | 基于人脸识别算法的幼儿园智能签到方法 | |
CN113792606A (zh) | 基于多目标追踪的低成本自监督行人重识别模型构建方法 | |
CN113505719B (zh) | 基于局部-整体联合知识蒸馏算法的步态识别模型压缩系统及方法 | |
Darapaneni et al. | Automatic face detection and recognition for attendance maintenance | |
CN111353338A (zh) | 一种基于营业厅视频监控的能效改进方法 | |
CN111539351A (zh) | 一种多任务级联的人脸选帧比对方法 | |
CN115223246A (zh) | 一种人员违规行为识别方法、装置、设备及存储介质 | |
CN111079720B (zh) | 一种基于聚类分析自主再学习的人脸识别方法 | |
CN112507893A (zh) | 一种基于边缘计算的分布式无监督行人重识别方法 | |
CN114842553A (zh) | 基于残差收缩结构和非局部注意力的行为检测方法 | |
CN110705393B (zh) | 一种提升社区人口人脸识别性能的方法 | |
CN112381987A (zh) | 基于人脸识别的智能门禁防疫系统 | |
CN111582195B (zh) | 一种汉语唇语单音节识别分类器构建方法 | |
CN113610770A (zh) | 一种车牌识别方法和装置及设备 | |
CN112417974A (zh) | 一种公共卫生监控方法 | |
CN111160115A (zh) | 一种基于孪生双流3d卷积神经网络的视频行人再识别方法 | |
CN116229511A (zh) | 基于金丝猴躯干特征提取的身份重识别方法 | |
CN115861869A (zh) | 一种基于Transformer的步态重识别方法 |
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 |