CN110796828B - 一种基于车联网寻找丢失人口的方法及其系统 - Google Patents

一种基于车联网寻找丢失人口的方法及其系统 Download PDF

Info

Publication number
CN110796828B
CN110796828B CN201911056172.XA CN201911056172A CN110796828B CN 110796828 B CN110796828 B CN 110796828B CN 201911056172 A CN201911056172 A CN 201911056172A CN 110796828 B CN110796828 B CN 110796828B
Authority
CN
China
Prior art keywords
module
image
face
information
transmission
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
CN201911056172.XA
Other languages
English (en)
Other versions
CN110796828A (zh
Inventor
丛飞宇
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.)
Dilu Technology Co Ltd
Original Assignee
Dilu 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 Dilu Technology Co Ltd filed Critical Dilu Technology Co Ltd
Priority to CN201911056172.XA priority Critical patent/CN110796828B/zh
Publication of CN110796828A publication Critical patent/CN110796828A/zh
Application granted granted Critical
Publication of CN110796828B publication Critical patent/CN110796828B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
    • G08B21/0205—Specific application combined with child monitoring using a transmitter-receiver system
    • G08B21/0208—Combination with audio or video communication, e.g. combination with "baby phone" function
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
    • G08B21/0269—System arrangements wherein the object is to detect the exact location of child or item using a navigation satellite system, e.g. GPS
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
    • G08B21/028—Communication between parent and child units via remote transmission means, e.g. satellite network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Child & Adolescent Psychology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Emergency Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Biomedical Technology (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于车联网寻找丢失人口的方法及其系统，包括以下步骤，将丢失人员的目标人脸图像上传至服务器模块；传输模块由所述服务器模块下载上传的所述目标人脸图像；采集模块实时采集视野范围内的实时人脸图像；识别模块接收所述实时人脸图像并和从服务器模块下载的所述目标人脸图像进行识别对比；若对比成功，传输模块将所述识别模块的识别结果发送至所述服务器模块。本发明的有益效果：机动性强，汽车强大的机动性意味着它可以在几乎任何地方搜寻丢失人员；效率高，当前强大的人工智能算法及芯片可以高效地同时检测摄像头中的多个人脸。

Description

一种基于车联网寻找丢失人口的方法及其系统
技术领域
本发明涉及人脸识别领域和车联网的技术领域，尤其涉及一种基于车联网和车载摄像头寻找丢失人口的方法及其系统。
背景技术
近年来儿童或老人有时会走失，尤其是在人多拥挤的地方或者比较偏远的地方。在拐卖儿童比较严重的地方能尽早的找到丢失人群就变得尤为重要。传统情况下，监护人会在大街上自行搜寻、呼唤、打听，这种方式耗时且低效，通常监护人会花上数十年的精力而无法寻找到亲人，家庭分崩离析。社会上也有通过电视节目或者社交网络进行寻人的平台，但这些资源都比较分散，无法形成快速寻人的能力。
当前还有一个流行的解决方案是让儿童或老人佩戴带有GPS定位功能的手表。手表上有4G SIM卡，可以通过网络连接将自己的GPS坐标不停地发送到后台服务器，监护人可以登录到后台终端去确认佩戴者所处的地方。但是这种方法有自己的缺陷：有的地方GPS信号很弱，比如室内、大桥下或者隧道内等；GPS定位手表的电量有限，如果迟迟不充电的话手表会关机，这样就永远无法定位到丢失人员；GPS定位手表比较明显，如果儿童被拐卖，拐卖者会轻易识别出手表并将其丢弃。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明解决的一个技术问题是：提供了一种基于人脸识别技术和车联网技术的寻人方案，能够解决现有寻人解决方案中的一些短板。
为解决上述技术问题，本发明提供如下技术方案：一种基于车联网寻找丢失人口的方法，包括以下步骤，将丢失人员的目标人脸图像上传至服务器模块；传输模块由所述服务器模块下载上传的所述目标人脸图像，并触发车辆的寻人模式；在行驶过程中采集模块实时采集视野范围内的实时人脸图像；识别模块接收所述实时人脸图像并和从服务器模块下载的所述目标人脸图像进行识别对比；若对比成功，传输模块将所述识别模块的识别结果发送至所述服务器模块，定位模块上传此刻车辆的GPS坐标；所述服务器模块实时在地图上将上报车辆的位置显示，寻人操作完成。
作为本发明所述的基于车联网寻找丢失人口的方法的一种优选方案，其中：所述采集模块包括以下采集步骤，视频获取模块获取摄像头实时传输的视频影像；人脸检测定位模块检测图像中是否包含有人脸，如果检测到则将其从背景中分离出来并确定其位置和大小。
作为本发明所述的基于车联网寻找丢失人口的方法的一种优选方案，其中：所述人脸检测定位模块包括以下检测步骤，通过输入静态图像或者视屏信息；图像预处理，选取好矩形Haar特征，利用积分图来计算矩形特征值，然后将矩形特征训练为性能不同的弱分类器，再将得到的弱分类器联合成一个强分类，利用不同数据的不同分布特性，根据样本在每一次训练中分类的准确与否以及上一轮训练样本的分类准确性确定训练过程中的权值，且根据样本分类的正确与否和当前权重是否大于阈值，来决定是否更新样本的权重；将更改权值的数据信息送往下一层分类器继续训练，再级联训练获取的分类器，在每次弱学习之后适当更改和调节所有样本的权重大小；利用人脸检测算法来检测出图像或视屏中所包含的人脸。
作为本发明所述的基于车联网寻找丢失人口的方法的一种优选方案，其中：所述人脸检测定位模块输入为包含人脸的图像，输出为图像中是否有人脸以及人脸的数目、尺度、位置和位姿，以及人脸特征等信息的参数化描。
作为本发明所述的基于车联网寻找丢失人口的方法的一种优选方案，其中：所述识别模块包括如下识别步骤，输入人脸图像，将人脸图像进行离散余弦变换，再进行压缩并用二维离散余弦反变换完成图像的重建；滤掉图像中人脸并不敏感的中频和高频部分，再利用加权二维主成分分析方法进行人脸特征的提取；构建集成神经网络分类器对人脸进行分类识别。
作为本发明所述的基于车联网寻找丢失人口的方法的一种优选方案，其中：所述服务器模块包括预存信息备案和查询调取，通过采集设备预先采集人口的特征信息进行上传至所述服务器模块的数据库内储存备案，根据查询请求的特征信息与数据库内的信息关联并调取信息显示。
作为本发明所述的基于车联网寻找丢失人口的方法的一种优选方案，其中：所述服务器模块接收所述识别模块的识别结果、车辆当前的位置信息和录入相关丢失信息上传至储存器进行丢失信息管理，所述丢失信息包括基本特征、丢失时间、地点、若干张清晰的图片和联系方式，用于丢失数据分析。
作为本发明所述的基于车联网寻找丢失人口的方法的一种优选方案，其中：所述传输模块为网路传输模块，能够采用具有3G/4G/5G通信的移动终端与所述服务器模块通信进行数据传输，或者为车载电子控制单元内的无线通信模块。
本发明解决的另一个技术问题是：提供了一种基于车联网寻找丢失人口的系统，上述方法能够应用于本系统实现。
为解决上述技术问题，本发明提供如下技术方案：一种基于车联网寻找丢失人口的系统，其特征在于：包括服务器模块、传输模块、采集模块、识别模块和定位模块；所述服务器模块用于在网络中对其它移动端提供计算机服务；所述传输模块用于网络通道上的信息传输；所述采集模块用于识别采集视野范围内的人脸图像信息并通过所述传输模块传输至所述识别模块；所述识别模块将识别结果和所述定位模块的位置信息通过所述传输模块传输至所述服务器模块备案。
作为本发明所述的基于车联网寻找丢失人口的系统的一种优选方案，其中：所述传输模块的传输包括所述服务器模块和移动端的双向传输、以及所述识别模块、所述定位模块向所述服务器模块的信息传输，所述采集模块向所述识别模块传输人脸信息的有线或无线传输方式。
本发明的有益效果：机动性强，汽车强大的机动性意味着它可以在几乎任何地方搜寻丢失人员；效率高，当前强大的人工智能算法及芯片可以高效地同时检测摄像头中的多个人脸；无定位手表的电池焦虑，与定位手表的电池相比，汽车的电量几乎是无限的，这意味着车辆能够几乎不间断地搜寻丢失人员。
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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一种实施例所述基于车联网寻找丢失人口的方法的整体流程示意图；
图2为本发明第一种实施例所述人脸定位检测的流程示意图；
图3为本发明第一种实施例所述实际应用的示意图；
图4为本发明第二种实施例所述基于车联网寻找丢失人口的系统整体原理结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
现阶段，寻人的主要方式依然是张贴各种寻人启事，只不过是多了互联网、电视、社交软件等媒介。而新兴的移动互联网、人脸识别技术并没有在寻人这一领域被充分利用。所以，设计出一款智能的寻人方案是非常必要的，并且很具有社会意义。
寻人就会用到识别技术，随着近些年来识别技术的迅猛发展，有越来越多的领域开始使用这一技术，例如人脸识别、语音识别、指纹识别、还有更多的识别技术，在医学方面、政府方面、破案方面、军事方面等等各方面都开始应用。现在处于多媒体的信息时代，有关图像和视频等方面的数字和数据的研究开始变的越来越重要。人脸识别应用技术是人工智能技术与模式识别技术中的研究热点问题。
参照图1～3的示意，示意为本实施例中将车辆网与人脸识别进行结合应用于丢失人口的寻找，这种方式和GPS定位手表以及传统的寻人方法相比有着明显的优势：机动性强，汽车强大的机动性意味着它可以在几乎任何地方搜寻丢失人员。效率高，当前强大的人工智能算法及芯片可以高效地同时检测摄像头中的多个人脸。无定位手表的电池焦虑。与定位手表的电池相比，汽车的电量几乎是无限的，这意味着车辆可以几乎不间断地搜寻丢失人员。具体的，本实施例的方法包括以下步骤，
S1：将丢失人员的目标人脸图像上传至服务器模块100；
S2：传输模块200由服务器模块100下载上传的目标人脸图像，并触发车辆的寻人模式；
S3：在行驶过程中采集模块300实时采集视野范围内的实时人脸图像，本步骤中采集模块300还包括以下采集步骤，
视频获取模块301获取摄像头实时传输的视频影像；
人脸检测定位模块302检测图像中是否包含有人脸，如果检测到则将其从背景中分离出来并确定其位置和大小。
同时人脸检测定位模块302包括以下检测步骤，
通过输入静态图像或者视屏信息；
图像预处理，选取好矩形Haar特征，利用积分图来计算矩形特征值，然后将矩形特征训练为性能不同的弱分类器，再将得到的弱分类器联合成一个强分类；
利用不同数据的不同分布特性，根据样本在每一次训练中分类的准确与否以及上一轮训练样本的分类准确性确定训练过程中的权值，且根据样本分类的正确与否和当前权重是否大于阈值，来决定是否更新样本的权重；
将更改权值的数据信息送往下一层分类器继续训练，再级联训练获取的分类器，在每次弱学习之后适当更改和调节所有样本的权重大小；利用人脸检测算法来检测出图像或视屏中所包含的人脸。
其中人脸检测定位模块302输入为包含人脸的图像，输出为图像中是否有人脸以及人脸的数目、尺度、位置和位姿，以及人脸特征等信息的参数化描。
需要说明的是，本实施例中采用的人脸检测定位包括以下步骤，
设输入的n个训练样本为：{(x1，y1)，(x2，y2)，…，(xn，yn)}，其中xi是输入的训练样本，yi∈{0，1}分别表示正负样本，其中l正样本数，负样本数m，n＝l+m，具体过程如下：
初始化每个样本的权重wi，i∈D(i)；
对每个t＝1，…，T(T为弱分类器的个数)；
归一化权重：
Figure GDA0003588903600000061
针对不同的特征f，训练不同的弱分类器hi并计算相应的加权错误率：
Figure GDA0003588903600000062
选择最佳的弱分类器ht，根据最佳弱分类器ht，来调整样本的权重：
Figure GDA0003588903600000063
其中εi＝0表示样本分类正确，εi＝1表示样本分类错误：
Figure GDA0003588903600000064
根据新的权重更新策略来调整权重值：
Figure GDA0003588903600000071
其中，
Figure GDA0003588903600000072
Zt是使
Figure GDA0003588903600000073
的单位化因子，HWt是第t训练中的权值更新阀值。
最后的强分类器为：
Figure GDA0003588903600000074
现在样本的权重不会轻易的增加了，权重的改变必须满足两个条件：一是该样本被错误分类；二是该样本权值小于该轮的权值更新阀值。如果样本不满足这两个条件，其权值将被减小。通过这种改进后，就算样本每一阶段的训练都被错误的分类了，其权重也不会无限制的增大，这就能在很大程度上防止分类器出现过分配现象的情况。
例如本实施例中采用MIT人脸库中的人脸图像作为训练样本，真假样本数量分别为1439和4381。从人脸样本中抽取1到300个作为分类器检测样本。测试环境为双核2.2GHzCPU，4G内存，操作系统为Windows7，在VS2010平台上采用Opencv编程实现。
S3：识别模块400接收实时人脸图像并和从服务器模块100下载的目标人脸图像进行识别对比；识别模块400包括如下识别步骤，
输入人脸图像，将人脸图像进行离散余弦变换，再进行压缩并用二维离散余弦反变换完成图像的重建；
滤掉图像中人脸并不敏感的中频和高频部分，再进行人脸特征的提取；
构建集成神经网络分类器对人脸进行分类识别。
更加具体的，本实施例的人脸识别包括以下步骤，
首先提取有待识别的人脸图像特征，即特征提取和选择，与服务器中上传的人脸图像进行匹配和识别，在特征提取之前首先经过预处理，根据人脸定位结果将人脸变换至同一位置以及大小，如果需要的话对图像进行光照以克服光照变化影响。提取出有待识别的人脸特征后，便可以进行特征匹配。
预处理包括灰度处理，图像数据压缩，具有较好的能量集中特性，压缩质量十分接近信息压缩的最优变换，假设一幅图像的维数M×N，f(x，y)为图像(x，y)上的灰度值，定义如下公式：
Figure GDA0003588903600000081
其中u＝0，1，2，…，M-1；v＝0，1，2，…，N-1。
对上式做二维离散余弦反变换得到：
Figure GDA0003588903600000082
式中x＝0，1，2，…，M-1；y＝0，1，2，…，N-1。当二维离散余弦变换公式中的u和v分别接近图像的长和宽时，舍去这些系数也不会对图像造成大的误差，这是特点，根据这个特点可在人脸图像中选取其最优系数。
本实施例要求分类器需要能够检测出与人脸特征相似的正面人脸、侧面人脸及人脸部分器官特征等。可以在训练特征分类器对正负样本选择外，还可以在分类算法上进行改进，具体的，包括基于最小加权错误率的选取弱分类器的算法进行改进，训练一个检测效果更加的宽松特征分类器，使其能够对更多的人脸特征进行提取和检测。
首先定义h(x，f，p，θ)为为特征f所对应一个弱分类器，由阈值θj和确定不等式方向的pj组成：
Figure GDA0003588903600000083
当通过阈值判定条件hj(x，fj，pj，θj)＝1，否则值为0。对于n个训练样本，设hj(x，fj，pj，θj)＝1的概率为P（fj)，即人脸样本通过率，如下：
Figure GDA0003588903600000084
归一化权重向量：
Figure GDA0003588903600000085
选择加权通过率最大的弱分类器
Figure GDA0003588903600000086
更新权重向量
Figure GDA0003588903600000087
其中，
Figure GDA0003588903600000088
如果正确分类ei＝0，否则ei＝1。
最终基于最大通过率P(fj)训练出来的基于强分类器为：
Figure GDA0003588903600000091
最大通过率能够最大程度上检测提取与人脸特征相似的特征模板。训练出的特征分类，能够根据对图像中与人脸相似的特征提取并生成特征模板，对人脸相似的判断实际是根据分类器分类得到的，得到的特征模板并不一定绝对就是人脸，多数情况和人脸某些特征相似的若干特征也能组成特征模板并通过特征分类器。
接着对特征分类器检测到的特征脸样本图像I1，I2……In提取特征，根据上述预处理将多幅具有人脸相似特征的样本图像集I1，I2……In，缩小为32X32灰度图像集G1，G2……Gn；
特征提取并生成低频图像，将G1，G2……Gn代入上式最终分类器得到矩阵集F1，F2……Fn，利用上述余弦变换将矩阵F1，F2……Fn计算得到量化编码矩阵集H1H2……Hn，逐行排列成对应的64位二进制序列，得到样本图像的模板集h1，h2……hn。
检测人脸图像与模板图像通过相似距离的阈值进行判断匹配的相似度，具体的，假设模板图像的64位序列为h，第n个待匹配的图像64位序列为h′n，求两个模板(h，h′n)之间的相似距离为：
Figure GDA0003588903600000092
其中xi为模板序列h中第i位的元素值，xi′为待匹配图像序列h′n中第i位的元素值。
Figure GDA0003588903600000093
为异或符号。当求得的上式值为0时，表示模板序列和待匹配图像的序列完全一致，说明两个图像相似，因此值越大表示表示两张图像越不相似。当其阈值为2时，即认为相似度为80％，则认为识别成功，输出识别结果至服务器模块100中完成寻人的过程，否则继续执行下个循环。
S4：若对比成功，传输模块200将识别模块400的识别结果发送至服务器模块100，定位模块500上传此刻车辆的GPS坐标；服务器模块100实时在地图上将上报车辆的位置显示，寻人操作完成。
进一步的，本实施例中服务器模块100包括预存信息备案和查询调取，通过采集设备预先采集人口的特征信息进行上传至服务器模块100的数据库内储存备案，根据查询请求的特征信息与数据库内的信息关联并调取信息显示。服务器模块100接收识别模块400的识别结果、车辆当前的位置信息和录入相关丢失信息上传至储存器进行丢失信息管理，丢失信息包括基本特征、丢失时间、地点、若干张清晰的图片和联系方式，用于丢失数据分析。传输模块200为网路传输模块，能够采用具有3G/4G/5G通信的移动终端与服务器模块100通信进行数据传输，或者为车载电子控制单元内的无线通信模块。
鉴于传统的大街上自行搜寻、呼唤、打听。发传单这种方式耗时且低效。本次实验测试机器视觉识别人脸和人工识别人脸的耗时时间比较其效率。
测试环境：在MIT人脸库中抽取100张相似人脸图片作为样本，在样本中随机抽取一张作为目标人脸，测试10组，分别测试机器和人工在100个样本照片中准确提取出目标人脸的时间。
实验结果如下表格：
Figure GDA0003588903600000101
实验表明在相同条件下，当机器和人工都准确识别出目标时机器效率远超人工，故在基于机器学习的车辆网寻找丢失人口相较与传统靠人工寻找丢失人口能极大提高寻回的效率。
实施例2
参照图4的示意，为本实施例提出一种基于车联网寻找丢失人口的系统整体原理结构示意图，上述方法能够依托于本系统进行实现。具体的，该系统包括服务器模块100、传输模块200、采集模块300、识别模块400和定位模块500；服务器模块100用于在网络中对其它移动端提供计算机服务；传输模块200用于网络通道上的信息传输；采集模块300用于识别采集视野范围内的人脸图像信息并通过传输模块200传输至识别模块400；识别模块400将识别结果和定位模块500的位置信息通过传输模块200传输至服务器模块100备案。
传输模块200的传输包括服务器模块100和移动端的双向传输、以及识别模块400、定位模块500向服务器模块100的信息传输，采集模块300向识别模块400传输人脸信息的有线或无线传输方式。
进一步还需要说明的是，服务器模块100为服务器，也称伺服器，是提供计算服务的设备。由于服务器需要响应服务请求，并进行处理，因此一般来说服务器应具备承担服务并且保障服务的能力，服务器的构成包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类似，但是由于需要提供高可靠的服务。本实施例中可以是数据存储服务器，也称数据服务器，用户通过网络上传数据至存储器中进行数据的整理备案，包括丢失人口的基本信息和丢失时间等信息。通过读写介质由无线或者有线接口连接服务器模块100进行信息的读取。本实施例的传输模块200可以是3G/4G/5G的传输协议或者蓝牙传输协议，但也不排除使用有线传输的方式。因此在车辆内设置的传输模块200可以是嵌入式ZigBee模块，与服务器模块100进行通信进行数据的传输。
采集模块300为分布设置于车身的摄像头或者摄像机，用于采集视野范围下的行人图像信息，其通过视频获取模块301获取摄像头实时传输的视频影像，以及人脸检测定位模块302用于检测定位出视频影像内的人脸图像，并将检测出来的人脸图像输出至识别模块400中进行识别。定位模块500为gps芯片，与识别模块400进行集成设置的电路板上。识别模块400为植入算法的芯片硬件设备，通过嵌入式程序开发将上述识别算法植入芯片，再与gps芯片进行电性连接的集成，而人脸检测定位模块302为摄像机内的检测芯片，实现硬件的原理同上。
因此将上述硬件设置于车辆内，若有人员丢失，用户只需将丢失人员的人脸图像上传到服务器并触发车辆的寻人模式，车辆将在行驶过程中实时检测它的摄像头所采集到的所有人脸图像并和从服务器上下载下来的丢失者对比，若对比成功，车辆将发送信息到服务器，同时上传自己的GPS坐标，服务器会实时在地图上将上报车辆的位置显示出来，寻人操作完成。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于车联网寻找丢失人口的方法，其特征在于：包括以下步骤，
将丢失人员的目标人脸图像上传至服务器模块（100）；
传输模块（200）由所述服务器模块（100）下载上传的所述目标人脸图像，并触发车辆的寻人模式；
在行驶过程中采集模块（300）实时采集视野范围内的实时人脸图像；
识别模块（400）接收所述实时人脸图像并和从服务器模块（100）下载的所述目标人脸图像进行识别对比；
若对比成功，传输模块（200）将所述识别模块（400）的识别结果发送至所述服务器模块（100），定位模块（500）上传此刻车辆的GPS坐标；所述服务器模块（100）实时在地图上将上报车辆的位置显示，寻人操作完成；
所述采集模块（300）包括以下采集步骤，
视频获取模块（301）获取摄像头实时传输的视频影像；
人脸检测定位模块（302）检测图像中是否包含有人脸，如果检测到则将其从背景中分离出来并确定其位置和大小；
所述人脸检测定位模块（302）包括以下检测步骤，
通过输入静态图像或者视频信息；
图像预处理，选取好矩形Haar 特征，利用积分图来计算矩形特征值，然后将矩形特征训练为性能不同的弱分类器，再将得到的弱分类器联合成一个强分类；
利用不同数据的不同分布特性，根据样本在每一次训练中分类的准确与否以及上一轮训练样本的分类准确性确定训练过程中的权值，且根据样本分类的正确与否和当前权重是否大于阈值，来决定是否更新样本的权重；
将更改权值的数据信息送往下一层分类器继续训练，再级联训练获取的分类器，在每次弱学习之后适当更改和调节所有样本的权重大小；
利用人脸检测算法来检测出图像或视频中所包含的人脸；
所述识别模块（400）包括如下识别步骤，
输入人脸图像，将人脸图像进行离散余弦变换，再进行压缩并用二维离散余弦反变换完成图像的重建；
滤掉图像中人脸并不敏感的中频和高频部分，再进行人脸特征的提取；
构建集成神经网络分类器对人脸进行分类识别；
在特征提取之前首先经过预处理，根据人脸定位结果将人脸变换至同一位置以及大小，如果需要的话对图像进行光照以克服光照变化影响，提取出有待识别的人脸特征后，便可以进行特征匹配；
预处理包括灰度处理，图像数据压缩，图像的维数
Figure DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE004
为图像
Figure DEST_PATH_IMAGE006
上的灰度值，定义如下公式：
Figure DEST_PATH_IMAGE008
其中
Figure DEST_PATH_IMAGE010
；
对上式做二维离散余弦反变换得到：
Figure DEST_PATH_IMAGE012
式中
Figure DEST_PATH_IMAGE014
;
在分类算法上进行改进，包括基于最小加权错误率的选取弱分类器的算法进行改进，训练一个检测效果更加宽松的特征分类器，使其能够对更多的人脸特征进行提取和检测；
首先定义
Figure DEST_PATH_IMAGE016
为特征f所对应一个弱分类器，由阈值
Figure DEST_PATH_IMAGE018
和确定不等式方向的
Figure DEST_PATH_IMAGE020
组成：
Figure DEST_PATH_IMAGE022
当通过阈值判定条件
Figure DEST_PATH_IMAGE024
，否则值为0；对于n 个训练样本，设
Figure 382321DEST_PATH_IMAGE024
的概率为
Figure DEST_PATH_IMAGE026
，即人脸样本通过率，如下：
Figure DEST_PATH_IMAGE028
归一化权重向量：
Figure DEST_PATH_IMAGE030
，选择加权通过率最大的弱分类器
Figure DEST_PATH_IMAGE032
，更新权重向量
Figure DEST_PATH_IMAGE034
，
其中，
Figure DEST_PATH_IMAGE036
，如果正确分类
Figure DEST_PATH_IMAGE038
，否则
Figure DEST_PATH_IMAGE040
；
最终基于最大通过率
Figure DEST_PATH_IMAGE042
训练出来的强分类器为：
Figure DEST_PATH_IMAGE044
检测人脸图像与模板图像通过相似距离的阈值进行判断匹配的相似度，模板图像的64位序列为h，第n个待匹配的图像64位序列为
Figure DEST_PATH_IMAGE046
，求两个模板
Figure DEST_PATH_IMAGE048
之间的相似距离为：
Figure DEST_PATH_IMAGE050
其中
Figure DEST_PATH_IMAGE052
为模板序列h中第i位的元素值，
Figure DEST_PATH_IMAGE054
为待匹配图像序列
Figure DEST_PATH_IMAGE056
中第i位的元素值；
Figure DEST_PATH_IMAGE058
为异或符号；当求得的上式值为0时，表示模板序列和待匹配图像的序列完全一致；当其阈值为2时，即认为相似度为80%，则认为识别成功，输出识别结果至服务器模块100中完成寻人的过程，否则继续执行下个循环；
所述服务器模块（100）包括预存信息备案和查询调取，通过采集设备预先采集人口的特征信息进行上传至所述服务器模块（100）的数据库内储存备案，根据查询请求的特征信息与数据库内的信息关联并调取信息显示；
所述服务器模块（100）接收所述识别模块（400）的识别结果、车辆当前的位置信息和录入相关丢失信息上传至储存器进行丢失信息管理，所述丢失信息包括基本特征、丢失时间、地点、若干张清晰的图片和联系方式，用于丢失数据分析。
2.如权利要求1所述的基于车联网寻找丢失人口的方法，其特征在于：所述人脸检测定位模块（302）输入为包含人脸的图像，输出为图像中是否有人脸以及人脸的数目、尺度、位置和位姿，以及人脸特征等信息的参数化描。
3.如权利要求1或2所述的基于车联网寻找丢失人口的方法，其特征在于：所述传输模块（200）为网路传输模块，能够采用具有3G/4G/5G通信的移动终端与所述服务器模块（100）通信进行数据传输，或者为车载电子控制单元内的无线通信模块。
4.一种基于车联网寻找丢失人口的系统，该系统应用如权利要求1所述的基于车联网寻找丢失人口的方法，其特征在于：包括服务器模块（100）、传输模块（200）、采集模块（300）、识别模块（400）和定位模块（500）；
所述服务器模块（100）用于在网络中对其它移动端提供计算机服务；所述传输模块（200）用于网络通道上的信息传输；所述采集模块（300）用于识别采集视野范围内的人脸图像信息并通过所述传输模块（200）传输至所述识别模块（400）；所述识别模块（400）将识别结果和所述定位模块（500）的位置信息通过所述传输模块（200）传输至所述服务器模块（100）备案。
5.如权利要求4所述的基于车联网寻找丢失人口的系统，其特征在于：所述传输模块（200）的传输包括所述服务器模块（100）和移动端的双向传输、以及所述识别模块（400）、所述定位模块（500）向所述服务器模块（100）的信息传输，所述采集模块（300）向所述识别模块（400）传输人脸信息的有线或无线传输方式。
CN201911056172.XA 2019-10-31 2019-10-31 一种基于车联网寻找丢失人口的方法及其系统 Active CN110796828B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911056172.XA CN110796828B (zh) 2019-10-31 2019-10-31 一种基于车联网寻找丢失人口的方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911056172.XA CN110796828B (zh) 2019-10-31 2019-10-31 一种基于车联网寻找丢失人口的方法及其系统

Publications (2)

Publication Number Publication Date
CN110796828A CN110796828A (zh) 2020-02-14
CN110796828B true CN110796828B (zh) 2022-06-14

Family

ID=69440684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911056172.XA Active CN110796828B (zh) 2019-10-31 2019-10-31 一种基于车联网寻找丢失人口的方法及其系统

Country Status (1)

Country Link
CN (1) CN110796828B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113518474A (zh) * 2020-03-27 2021-10-19 阿里巴巴集团控股有限公司 检测方法、装置、设备、存储介质和系统
CN112070011A (zh) * 2020-09-08 2020-12-11 安徽兰臣信息科技有限公司 一种可用于走失儿童找寻的无感人脸识别摄像抓拍机
CN113139858B (zh) * 2021-05-17 2024-07-26 中国第一汽车股份有限公司 车辆识别乘客的方法、车辆及存储介质
CN113705499B (zh) * 2021-09-02 2024-04-02 浙江力石科技股份有限公司 一种景区自动寻人方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106878614A (zh) * 2017-01-17 2017-06-20 深圳市金立通信设备有限公司 一种拍摄方法及终端
CN107832722A (zh) * 2017-11-17 2018-03-23 江南大学 一种基于AdaBoost的人脸检测分类器构造方法
CN108038464A (zh) * 2017-12-22 2018-05-15 新疆大学 一种新的hog特征维吾尔族人脸图像识别算法
CN108898093A (zh) * 2018-02-11 2018-11-27 陈佳盛 一种人脸识别方法及应用该方法的电子病历登陆系统
CN109637147A (zh) * 2018-12-11 2019-04-16 威马汽车科技集团有限公司 进行取证的车辆电子设备、服务器、方法
CN209051375U (zh) * 2018-10-24 2019-07-02 成都安杰联科技有限公司 一种稽查布控警车

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120328160A1 (en) * 2011-06-27 2012-12-27 Office of Research Cooperation Foundation of Yeungnam University Method for detecting and recognizing objects of an image using haar-like features

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106878614A (zh) * 2017-01-17 2017-06-20 深圳市金立通信设备有限公司 一种拍摄方法及终端
CN107832722A (zh) * 2017-11-17 2018-03-23 江南大学 一种基于AdaBoost的人脸检测分类器构造方法
CN108038464A (zh) * 2017-12-22 2018-05-15 新疆大学 一种新的hog特征维吾尔族人脸图像识别算法
CN108898093A (zh) * 2018-02-11 2018-11-27 陈佳盛 一种人脸识别方法及应用该方法的电子病历登陆系统
CN209051375U (zh) * 2018-10-24 2019-07-02 成都安杰联科技有限公司 一种稽查布控警车
CN109637147A (zh) * 2018-12-11 2019-04-16 威马汽车科技集团有限公司 进行取证的车辆电子设备、服务器、方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
改进的AdaBoost人脸检测方法;柯丽等;《光电工程》;20120130;第39卷(第1期);第114-116页 *

Also Published As

Publication number Publication date
CN110796828A (zh) 2020-02-14

Similar Documents

Publication Publication Date Title
CN110796828B (zh) 一种基于车联网寻找丢失人口的方法及其系统
CN109101602B (zh) 图像检索模型训练方法、图像检索方法、设备及存储介质
Khan et al. Deep unified model for face recognition based on convolution neural network and edge computing
CN109961051B (zh) 一种基于聚类和分块特征提取的行人重识别方法
CN110209859B (zh) 地点识别及其模型训练的方法和装置以及电子设备
CN111275038A (zh) 图像文本识别方法、装置、计算机设备及计算机存储介质
CN110717411A (zh) 一种基于深层特征融合的行人重识别方法
CN107622229A (zh) 一种基于融合特征的视频车辆重识别方法与系统
CN111709311A (zh) 一种基于多尺度卷积特征融合的行人重识别方法
CN110390033A (zh) 图像分类模型的训练方法、装置、电子设备及存储介质
CN110717554A (zh) 图像识别方法、电子设备及存储介质
CN112766218B (zh) 基于非对称联合教学网络的跨域行人重识别方法和装置
CN115203471B (zh) 一种基于注意力机制的多模融合视频推荐方法
CN118522039B (zh) 一种基于YOLOv5s和阶段式正则联合行人重识别的帧提取行人检索方法
CN114022726A (zh) 一种基于胶囊网络的人员车辆监控方法及系统
Liu et al. Development of face recognition system based on PCA and LBP for intelligent anti-theft doors
CN111507467A (zh) 神经网络模型的训练方法、装置、计算机设备及存储介质
WO2022252089A1 (zh) 对象检测模型的训练方法、对象检测方法及装置
CN115130650A (zh) 一种模型训练方法及相关装置
CN112668493B (zh) 基于gan和深度学习的换装行人再识别定位跟踪系统
CN114419480A (zh) 一种多人身份和动作关联识别方法、装置及可读介质
Yuan et al. A multi-image Joint Re-ranking framework with updateable Image Pool for person re-identification
CN108830217B (zh) 一种基于模糊均值哈希学习的签名自动判别方法
CN117746203A (zh) 一种基于多模态模型的属性标注方法及装置
CN117557972A (zh) 一种车辆重识别的方法、装置、设备及可读存储介质

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