CN112766119A - 一种基于多维度人脸分析精准识别陌生人构建社区安防的方法 - Google Patents
一种基于多维度人脸分析精准识别陌生人构建社区安防的方法 Download PDFInfo
- Publication number
- CN112766119A CN112766119A CN202110031033.2A CN202110031033A CN112766119A CN 112766119 A CN112766119 A CN 112766119A CN 202110031033 A CN202110031033 A CN 202110031033A CN 112766119 A CN112766119 A CN 112766119A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- community
- analysis
- library
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005065 mining Methods 0.000 claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010205 computational analysis Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 description 18
- 238000013527 convolutional neural network Methods 0.000 description 10
- 230000007547 defect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012827 research and development Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/546—Message passing systems or structures, e.g. queues
-
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/54—Indexing scheme relating to G06F9/54
- G06F2209/548—Queue
Abstract
本发明涉及一种基于多维度人脸分析精准识别陌生人构建社区安防的方法,其特征在于:该方法包括整合前端智能人脸识别摄像机设备、消息队列集群以及自主研发人脸识别算法、多次多维度图像挖掘分析、实时分析结果数据流计算引擎统计和专家知识经验规则、媒介预警周知。
Description
技术领域
本发明涉及安防领域,具体地涉及一种基于多维度人脸分析精准识别陌生人构建社区安防的方法。
背景技术
随着智慧城市、大数据、人工智能等项目开展和技术应用,人脸识别技术在安防领域的应用逐渐受到关注。人脸分析构建社区安防方法,是新形势下智能管控和精准预防的一种模式创新。人脸识别作为一种重要的身份识别手段,在社区安防业务中起着举足轻重的作用。在社区安防中,管理方都会通过辨识人脸来核实相关人员的身份。同时,由于大量的视频录像造成大量时间和人力的浪费,人脸识别系统的结构化云识别存储管理可为提高识别效率,提升社区安防的工作效率和针对性。
现有技术中公开了多种基于人脸分析的安防系统和方法。专利申请CN110197158A公开了一种安保云系统,包括公安报警单元、安保预警单元、人脸识别定位训练单元和人脸抓拍定位跟踪单元,所述公安报警单元和安保预警单元均与人脸识别定位训练单元连接,所述人脸识别定位训练单元和人脸抓拍定位跟踪单元连接。通过设置实时的人脸抓拍定位跟踪单元,对场景内的人脸进行抓拍,并与公安系统公开人脸数据进行对比,当发现了公安系统内已经由备案的人员时,根据备案人员的不同级别进行发出预警信息或者报警信息等。
专利申请CN110264336A公开了一种基于大数据的智能案防系统,该系统包括管理平台、spark大数据平台、分析引擎、数据预处理引擎、指标引擎、训练引擎和决策引擎。将规则进行细粒度拆分,进行了指标化,进一步提升规则的准确度;指标引擎采用的流处理技术能对原始数据进行特征单点快速提取和计算。
但是,现有基于人脸分析的社区安防方法存在下列问题:
1)面对新形势下社区安防精准识别真正陌生人以及社区级别多方向多入口多次连续出现的安保问题,只能解决陌生人人员从固定的出入口进出进行单次识别,未能精准的挖掘聚合人员从社区不同方向多次连续多天累计出现的并进行实时预判预警。
2)目前的人脸识别技术的识别效率较低,无法充分进行有针对性地快速图像分析和处理。
因此,需要提供一种基于多维度人脸分析精准识别陌生人构建社区安防的方法,能够解决上述技术问题。
发明内容
本发明所要解决的技术问题是:1)面对新形势下社区安防精准识别真正陌生人以及社区级别多方向多入口多次连续出现的安保问题,只能解决陌生人人员从固定的出入口进出进行单次识别,未能精准的挖掘聚合人员从社区不同方向多次连续多天累计出现的并进行实时预判预警。2)目前的人脸识别技术的识别效率较低,无法充分进行有针对性地快速图像分析和处理。
本发明解决其技术问题所采取的技术方案是:
本发明提供的一种基于多维度人脸分析精准识别陌生人构建社区安防的方法,基于多维度人脸分析精准识别陌生人构建社区安防方法,解决传统环境下社区安防领域仅仅依靠人盯人的人海安防战术或者凭借着安保人员个人的记忆能力来识别陌生人人员同时无法有效辨别混杂在人群中的尾随人员所体现出的不足点,以及解决现有智能人脸识别摄像机只能单次识别陌生人的不足。设计的一种行之有效的基于人脸分析聚合挖掘分析多次连续出现的陌生人构建精准的社区安防方法。结合高性能Kafka消息队列集群实时计算分析图像数据流进行图像挖掘分析,结合自主研发以图搜图近似邻算法快速进行搜索计算。
附图说明
图1为本发明采用的图搜图算法的流程示意图;
图2为本发明提供的社区安防方法的时序图。
具体实施方式
以下将对本发明的一种基于多维度人脸分析精准识别陌生人构建社区安防的方法作进一步的详细描述。
下面将参照附图对本发明进行更详细的描述,其中表示了本发明的优选实施例,应该理解本领域技术人员可以修改在此描述的本发明而仍然实现本发明的有益效果。因此,下列描述应当被理解为对于本领域技术人员的广泛知道,而并不作为对本发明的限制。
为了清楚,不描述实际实施例的全部特征。在下列描述中,不详细描述公知的功能和结构,因为它们会使本发明由于不必要的细节而混乱。应当认为在任何实际实施例的开发中,必须作出大量实施细节以实现开发者的特定目标。
为使本发明的目的、特征更明显易懂,下面结合附图对本发明的具体实施方式作进一步的说明。需要说明的是,附图均采用非常简化的形式且均使用非精准的比率,仅用以方便、清晰地辅助说明本发明实施例的目的。
首先介绍本申请提出的基于多维度人脸分析精准识别陌生人构建社区安防方法所基于的安防系统。该安防系统包括:整合前端智能人脸识别摄像机设备、消息队列集群、安装有自主研发人脸识别算法的计算引擎、社区全局轨迹库、图像挖掘分析引擎、社区陌生人轨迹库以及图像检索模块。
其中,前端智能人脸识别摄像机设备,基于主流的智能人脸识别摄像机设备并通过相关人员针对楼栋的入住人员事先进行采集录入人脸,前端智能人脸识别摄像机设备支持录入若干张人脸底库、内置人脸检测、人脸跟踪、人脸识别比对,同时将比对结果实时基于http/https远程服务进行上报服务端。
具体的,所述的前端智能人脸识别摄像机设备录入若干张人脸底库主要包括两种方法:一种通过智能人脸识别摄像机设备所提供的系统通过其自带页面的进行直接录入;另外一种是通过自主研发的微信小程序通过智能抓拍设备所开放的Http接口上传人员图片以及基本信息。所述的前端智能人脸识别摄像机设备上报比对结果,主要针对视频流进行实时监控,一旦检测出人脸则进行比对上报,包含两种:一种是上报比中所属的具体人脸库以及比中的人员信息以及现场抓拍图、人脸抠图;另外一种是上报未比中所属的人脸库以及现场抓拍图和人脸抠图。
消息队列集群由多个Kafka节点通过Zookeeper进行构建而成。所述的Kafka是由Apache软件基金会开发的一个开源流处理平台,由Scala和Java编写。Kafka是一种高吞吐量的分布式发布订阅消息系统。支持生产者通过特定的客户端API将信息发送并存储至Kafka的分区的Topic中。同时支持消费者通过特定的客户端API进行取出生产的数据流进行实时消费。所述的Zookeeper是一个分布式的,开放源码的分布式应用程序协调服务,提供的功能包括:配置维护、域名服务、分布式同步、组服务等。
引擎统计,用于监听消费消息队列集群特定主题,实时监听计算从图像挖掘引擎分析中所发送陌生人(社区楼栋或大门口摄像头未比中)数据流,根据返回信息流中的唯一UUID从本地关系型数据库中获取指定UUID的人员轨迹列表,并结合专家知识系统规则进行统计比对,若符合指定规则,则通过媒介进行预警周知,由特定人员(如社区物业管理人员)精准主动按需进行线下访查并登记陌生人员信息,从而形成一个完整基于人脸分析的闭环社区安防模型。所述的本地关系型数据库包括陌生人人员轨迹信息表:人员UUID、图像抓拍时间、现场抓拍图、人员抠图、摄像头地址信息等。
图像挖掘分析引擎,包含自主研发人脸识别算法。所述的自研人脸识别算法,基于开源算法DeepId的深度卷积神经网络,在预训练模型基础上针对中国人的独特特征,收集5000万张人脸图像,所述的5000万张图像包括五十万个人,每个含有100张人脸图像进行迭代训练。所述的100张人脸图像,包含收集同一个人不同光照下、不同角度、正脸、侧脸等真实场景下的图片以及进行图像水平翻转等图像增强手段泛化的图片。
所述的迭代训练基于欧式距离的度量规则和小批量随机梯度下降的算法进行迭代训练出适合于中国人的高精准度的人脸识别算法,将所输入的矩阵图像转化映射成256维的向量特征值。
所述的小批量梯度下降算法,主要包含基于有监督训练将预期标注值和卷积神经网络预训练模型参数所构建的损失函数,按照偏微分方程链式求导法则,沿着梯度(导数的反方向进行迭代训练),寻找全局最优解。训练过程如下:
其中,w表示权重,b表示偏置,w0是前一次更新的权重,b0是前一次更新的偏置,α为学习速率,w1是本次更新得到的权重,b1是本次更新得到的偏置,yi为本次更新得到输出向量,y0i是前一次更新的输出向量。
图像挖掘分析引擎通过两次不同维度的图像挖掘分析,其中第一次人脸图像挖掘分析包括:基于社区不同楼栋以及过道大门口所安装的前端智能人脸识别摄像机的所有人脸底库,构建一个完整社区级的人脸库。实时消费的图像数据流进行计算分析将未比中的图像和社区级人脸库进行以图搜图挖掘,若达到指定阈值以及符合相对应的人脸图像质量,则表示命中返回正常社区人脸,属于非陌生人。所述的人脸图像质量处理包括:图像光线、人脸俯仰角角度、人脸偏航角角度、人脸翻滚角角度、人脸遮挡等。第二次人脸图像挖掘分析包括:在通过第一次人脸分析基础上进行,将不处于社区级人脸库的人脸统一构建成一个社区级陌生人库。同时将消费的图像数据流进行计算分析将未比中的图像和社区级陌生人脸库进行以图搜图挖掘,若达到指定阈值(表明存在于已构建的陌生人库中)则返回该人脸对应的陌生人库中的唯一主键UUID和原始图像流,发送至消息队列集群中另一个主题。若未达到指定阀值,则表明该人脸属于新增的陌生人,进入指定社区的陌生人库。
此外,图像挖掘分析引擎包含人脸库构建、人脸特征提取、人脸两次图像挖掘分析包含本社区级正常人脸库挖掘分析、社区级非正常人脸库挖掘分析。所述的社区级正常人脸库包含社区中的各个楼栋出入口、大门出入口前端摄像头所录入的人脸信息。所述的社区级非正常人脸库包含社区真正的未登记人员(其中某个摄像头未比中的人员,但是属于其它楼栋的人员,不算是未登记人员;有效的进行伪陌生人剔除)。
图像检索模块包含了以图搜图算法,更具体的,所述图搜图算法整体图1所示由以下四部分组成。
1)首先人脸图像提取人脸特征向量,分别通过SIFT、混合CNN、预训练CNN进行人脸特征向量的提取。其中,基于SIFT提取SIFT特征,同时基于混合CNN(CNN hybrid)模式获得人脸图像的图像块并基于预训练CNN获得人脸图像的特征图(feature maps),经由提取人脸图像的图像块和人脸图像的图像特征图的混合向量提取获得CNN特征。
2)同时基于SIFT特征和CNN特征,通过乘积量化或者Kmeans聚类算法将所提取的人脸特征向量进行转换编码获得指定码本或分配特定的质心并形成特征向量空间。
所述的Kmeans聚类算法:是一种迭代求解的聚类分析算法,其步骤是随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类,没有(或最小数目)聚类中心再发生变化,误差平方和局部最小。
3)随后为每个人脸特征向量构建唯一的索引并存储于关系数据库用于一一映射人脸特征向量和原始人脸图像的绑定关系。所述的索引信息关系型数据库包括图像索引信息表:索引主键(整型自增长)、人脸特征值、人脸图像、人脸录入时间、人脸基础信息等。
具体的,对于大/中码组构建唯一的索引并存储于关系数据库用于一一映射人脸特征向量和原始人脸图像的绑定关系;对于小码组与直接池化的CNN特征一起形成压缩向量。
4)最后通过近似邻(ANN)的搜索方法将输入的压缩向量和具有索引的编码特征的向量与指定的整个社区级人脸特征向量空间进行向量基于欧氏距离比对,最后进行排序按照距离从小到大排序返回人脸特征向量对应的索引值并进一步获取对应的原始图像。
下面介绍本申请提供的一种基于多维度人脸分析精准识别陌生人构建社区安防的方法。该方法包括整合前端智能人脸识别摄像机设备、消息队列集群以及自主研发人脸识别算法、多次多维度图像挖掘分析、实时分析结果数据流计算引擎统计和专家知识经验规则、媒介预警周知;所述的前端智能人脸识别摄像机设备,基于主流的智能人脸识别摄像机设备并通过相关人员针对楼栋的入住人员事先进行采集录入人脸,前端智能人脸识别摄像机设备支持录入若干张人脸底库、内置人脸检测、人脸跟踪、人脸识别比对,同时将比对结果实时基于http/https远程服务进行上报服务端。所述的远程服务包含收集前端设备比中与未比中的所有数据流同时将未比中的数据流以特定的主题转发至Kafka消息队列集群。图像挖掘分析引擎通过实时消费Kafka数据进行多次结构化挖掘分析,并将命中的陌生人员进一步发送至消息队列。由特定的计算引擎实时异步消费消息队列结合专家知识系统规则进行实时校验是否符合,符合规则情况将信息通过媒介进行预警周知。
为便于理解本实施例中公开的一种基于多维度人脸分析精准识别陌生人构建社区安防的方法,这里借助一个实例进行具体说明,具体的控制时序可以参考图2。
动态人脸识别摄像机设备的边缘设备进行实施抓拍,获取实时的人脸数据。动态人脸识别摄像机设备通过消息队列集群Kafka将上述图像发送至计算引擎进行图像分析和与社区已知人员图像比对,如果比对结果为命中,则将该图像添加至社区人员全局轨迹库,如果比对结果为未命中,则计算引擎向消息队列集群Kafka生产消息,消息主题为未命中。消息队列集群Kafka在收到上述未命中消息后,向图像挖掘分析引擎订阅监听消费图像挖掘分析请求,图像挖掘分析引擎在收到上述请求后进行一次挖掘,来检索社区人脸库。
如果检索社区人脸库后,发现待挖掘分析的人脸图像已存在于检索社区人脸库中,则向消息队列集群Kafka生产消息,消息主题未命中,消息队列集群Kafka接收到上述消息后向计算引擎发送监听消息,主题为命中,计算引擎将上述人脸图像添加至社区人员全局轨迹库。
如果检索社区人脸库后,未发现待挖掘分析的人脸图像已存在于检索社区人脸库中,则在图像挖掘分析引擎中进行二次挖掘,检索社区陌生人人脸库。
如果检索社区陌生人人脸库的结果为二次挖掘的人脸图像已存在于检索社区陌生人人脸库中,则将该人脸图像添加到陌生人轨迹库中,并向消息队列集群Kafka反馈陌生人命中的消息,其中反馈陌生人的UUID、社区和人脸图像。
如果检索社区陌生人人脸库的结果为二次挖掘的人脸图像未存在于检索社区陌生人人脸库中,则将该人脸图像注册到社区陌生人库,首次将其添加至陌生人轨迹库,并向消息队列集群Kafka反馈陌生人命中的消息,其中反馈陌生人的UUID、社区和人脸图像。消息队列集群Kafka受到上述消息后,向计算引擎发送监听陌生人信息,查询当前陌生人历史轨迹列表,查询专家知识规则系统,当达到制定规则,发送预警。
具体的,所述的专家知识系统规则包括:若干根据行业领域专家经验所设定的规则通过关系型数据库进行存储。所述的关系型数据库存储主要由规则信息表组成包括:主键(整型)、领域类型(社区、学校、工厂等)、窗口期(连续几天)、出现次数等。社区领域规则包含同一人同一个地点连续几天出现几次。
计算引擎监听消费消息队列集群特定主题,实时监听计算从图像挖掘引擎分析中所发送陌生人(社区楼栋或大门口摄像头未比中)数据流,根据返回信息流中的唯一UUID从本地关系型数据库中获取指定UUID的人员轨迹列表,并结合专家知识系统规则进行统计比对,若符合指定规则,则通过媒介进行预警周知,由特定人员(如社区物业管理人员)精准主动按需进行线下访查并登记陌生人员信息,从而形成一个完整基于人脸分析的闭环社区安防模型。所述的本地关系型数据库包括陌生人人员轨迹信息表:人员UUID、图像抓拍时间、现场抓拍图、人员抠图、摄像头地址信息等。
此外,还可以通过计算引擎,在社区小程序或人证一体机进行人脸注册,并向消息队列集群Kafka产生人员注册消息,消息队列集群Kafka在收到上述消息后向图像挖掘分析引擎监听订阅人员注册请求,图像挖掘分析引擎监收到上述请求后,进行人脸检索陌生人库,当上述人员提交离开消息后,废除陌生人轨迹。
此外,还可以在图像检索模块输入人脸信息在指定社区或者有限的社区范围内进行检索,如果在图像挖掘分析引擎进行的社区人脸检索结果为存在,则将人脸UUID返回到社区人脸库;如果在图像挖掘分析引擎进行的社区人脸检索结果为不存在,则检索社区陌生人人脸库,如果检索社区陌生人人脸库的结果为存在则将人脸UUID反馈到陌生人人脸库。
本发明提供一种基于多维度人脸分析精准识别陌生人构建社区安防的方法,基于多维度人脸分析精准识别陌生人构建社区安防方法,解决传统环境下社区安防领域仅仅依靠人盯人的人海安防战术或者凭借着安保人员个人的记忆能力来识别陌生人人员同时无法有效辨别混杂在人群中的尾随人员所体现出的不足点,以及解决现有智能人脸识别摄像机只能单次识别陌生人的不足。设计的一种行之有效的基于人脸分析聚合挖掘分析多次连续出现的陌生人构建精准的社区安防方法。结合高性能Kafka消息队列集群实时计算分析图像数据流进行图像挖掘分析,结合自主研发以图搜图近似邻算法快速进行搜索计算。与现有的技术相比,本技术方法具有应用的拓展补充现有的不足,精准防控有效降低社区安保人力资源依赖性,具有十分重要的意义,对未知动态人员连续几天连续多次出现进行聚合挖掘提供了一种结构化计算方法。
以上显示和描述了本发明的基本原理、主要特征和优点,因此以上所述仅为本发明的实施例。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下,本发明还包括各种等效变化和改进,这些变化和改进都将落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其效物界定。
Claims (10)
1.一种基于多维度人脸分析精准识别陌生人构建社区安防的方法,其特征在于:该方法包括整合前端智能人脸识别摄像机设备、消息队列集群以及自主研发人脸识别算法、多次多维度图像挖掘分析、实时分析结果数据流计算引擎统计和专家知识经验规则、媒介预警周知;所述的前端智能人脸识别摄像机设备,基于主流的智能人脸识别摄像机设备并通过相关人员针对楼栋的入住人员事先进行采集录入人脸,前端智能人脸识别摄像机设备支持录入若干张人脸底库、内置人脸检测、人脸跟踪、人脸识别比对,同时将比对结果实时基于http/https远程服务进行上报服务端。所述的远程服务包含收集前端设备比中与未比中的所有数据流同时将未比中的数据流以特定的主题转发至Kafka消息队列集群。图像挖掘分析引擎通过实时消费Kafka数据进行多次结构化挖掘分析,并将命中的陌生人员进一步发送至消息队列。由特定的计算引擎实时异步消费消息队列结合专家知识系统规则进行实时校验是否符合,符合规则情况将信息通过媒介进行预警周知。
2.根据权利要求1中所述的方法,其特征在于:引擎统计,用于监听消费消息队列集群特定主题,实时监听计算从图像挖掘引擎分析中所发送陌生人数据流。
3.根据权利要求1中所述的方法,其特征在于:图像挖掘分析引擎通过两次不同维度的图像挖掘分析。
4.根据权利要求3中所述的方法,其特征在于:两次不同维度的图像挖掘分析包括:第一次人脸图像挖掘分析包括基于社区不同楼栋以及过道大门口所安装的前端智能人脸识别摄像机的所有人脸底库,构建一个完整社区级的人脸库,实时消费的图像数据流进行计算分析将未比中的图像和社区级人脸库进行以图搜图挖掘,若达到指定阈值以及符合相对应的人脸图像质量,则表示命中返回正常社区人脸,属于非陌生人;第二次人脸图像挖掘分析包括:在通过第一次人脸分析基础上进行,将不处于社区级人脸库的人脸统一构建成一个社区级陌生人库;同时将消费的图像数据流进行计算分析将未比中的图像和社区级陌生人脸库进行以图搜图挖掘,若达到指定阈值则返回该人脸对应的陌生人库中的唯一主键UUID和原始图像流,发送至消息队列集群中另一个主题;若未达到指定阀值,则表明该人脸属于新增的陌生人,进入指定社区的陌生人库。
5.根据权利要求1中所述的方法,其特征在于:图像挖掘分析引擎包含人脸识别算法。
6.根据权利要求5中所述的方法,其特征在于:人脸识别算法采用基于欧式距离的度量规则和小批量随机梯度下降算法的迭代训练。
7.根据权利要求1中所述的方法,其特征在于:图像检索模块包含了以图搜图算法。
8.根据权利要求1所述的方法,其特征在于:前端智能人脸识别摄像机设备录入若干张人脸底库主要包括两种方法:一种通过智能人脸识别摄像机设备所提供的系统通过其自带页面的进行直接录入;另外一种是通过自主研发的微信小程序通过智能抓拍设备所开放的Http接口上传人员图片以及基本信息。
9.根据权利要求1所述的方法,其特征在于:图像挖掘分析引擎包含人脸库构建、人脸特征提取、人脸两次图像挖掘分析包含本社区级正常人脸库挖掘分析、社区级非正常人脸库挖掘分析。所述的社区级正常人脸库包含社区中的各个楼栋出入口、大门出入口前端摄像头所录入的人脸信息。
10.一种根据权利要求中所述的一种基于多维度人脸分析精准识别陌生人构建社区安防的方法所基于的系统,其特征在于:该系统包括:该方法包括整合前端智能人脸识别摄像机设备、消息队列集群、安装有自主研发人脸识别算法的计算引擎、社区全局轨迹库、图像挖掘分析引擎、社区陌生人轨迹库以及图像检索模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110031033.2A CN112766119A (zh) | 2021-01-11 | 2021-01-11 | 一种基于多维度人脸分析精准识别陌生人构建社区安防的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110031033.2A CN112766119A (zh) | 2021-01-11 | 2021-01-11 | 一种基于多维度人脸分析精准识别陌生人构建社区安防的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112766119A true CN112766119A (zh) | 2021-05-07 |
Family
ID=75701545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110031033.2A Pending CN112766119A (zh) | 2021-01-11 | 2021-01-11 | 一种基于多维度人脸分析精准识别陌生人构建社区安防的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766119A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190700A (zh) * | 2021-07-02 | 2021-07-30 | 成都旺小宝科技有限公司 | 用于房产交易的人脸抓拍、筛选和存储的方法及系统 |
CN113269091A (zh) * | 2021-05-26 | 2021-08-17 | 广州瀚信通信科技股份有限公司 | 一种面向智慧园区的人员轨迹分析方法、设备及介质 |
CN115471902A (zh) * | 2022-11-14 | 2022-12-13 | 广州市威士丹利智能科技有限公司 | 基于智慧校园的人脸识别防护方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206149401U (zh) * | 2016-07-29 | 2017-05-03 | 海南思蓝网络科技有限公司 | 一种基于大数据架构的人脸识别监控系统 |
CN109657608A (zh) * | 2018-12-17 | 2019-04-19 | 中通服公众信息产业股份有限公司 | 基于人脸识别技术的尾随分析方法 |
CN110246074A (zh) * | 2019-05-27 | 2019-09-17 | 武汉虹信技术服务有限责任公司 | 一种基于多维采集的社区安防管理系统及方法 |
CN110491004A (zh) * | 2019-08-14 | 2019-11-22 | 金陵科技学院 | 一种居民社区人员安全管理系统及方法 |
CN111125382A (zh) * | 2018-10-30 | 2020-05-08 | 深圳市优必选科技有限公司 | 人员轨迹实时监测方法及终端设备 |
CN111460940A (zh) * | 2020-03-21 | 2020-07-28 | 中电海康集团有限公司 | 一种陌生人落脚点研判方法与系统 |
BR102020010134A2 (pt) * | 2020-05-20 | 2020-10-27 | Itn- Instituto De Tecnologia E Negócios Do Norte | sistema de reconhecimento facial |
-
2021
- 2021-01-11 CN CN202110031033.2A patent/CN112766119A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206149401U (zh) * | 2016-07-29 | 2017-05-03 | 海南思蓝网络科技有限公司 | 一种基于大数据架构的人脸识别监控系统 |
CN111125382A (zh) * | 2018-10-30 | 2020-05-08 | 深圳市优必选科技有限公司 | 人员轨迹实时监测方法及终端设备 |
CN109657608A (zh) * | 2018-12-17 | 2019-04-19 | 中通服公众信息产业股份有限公司 | 基于人脸识别技术的尾随分析方法 |
CN110246074A (zh) * | 2019-05-27 | 2019-09-17 | 武汉虹信技术服务有限责任公司 | 一种基于多维采集的社区安防管理系统及方法 |
CN110491004A (zh) * | 2019-08-14 | 2019-11-22 | 金陵科技学院 | 一种居民社区人员安全管理系统及方法 |
CN111460940A (zh) * | 2020-03-21 | 2020-07-28 | 中电海康集团有限公司 | 一种陌生人落脚点研判方法与系统 |
BR102020010134A2 (pt) * | 2020-05-20 | 2020-10-27 | Itn- Instituto De Tecnologia E Negócios Do Norte | sistema de reconhecimento facial |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269091A (zh) * | 2021-05-26 | 2021-08-17 | 广州瀚信通信科技股份有限公司 | 一种面向智慧园区的人员轨迹分析方法、设备及介质 |
CN113190700A (zh) * | 2021-07-02 | 2021-07-30 | 成都旺小宝科技有限公司 | 用于房产交易的人脸抓拍、筛选和存储的方法及系统 |
CN115471902A (zh) * | 2022-11-14 | 2022-12-13 | 广州市威士丹利智能科技有限公司 | 基于智慧校园的人脸识别防护方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Deep convolutional neural networks for forest fire detection | |
CN112766119A (zh) | 一种基于多维度人脸分析精准识别陌生人构建社区安防的方法 | |
CN109344285B (zh) | 一种面向监控的视频图谱构建和挖掘方法、设备 | |
CN107133569B (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
CN108564052A (zh) | 基于mtcnn的多摄像头动态人脸识别系统与方法 | |
US10275683B2 (en) | Clustering-based person re-identification | |
CN110516586A (zh) | 一种人脸图像聚类方法、系统、产品及介质 | |
CN110598543B (zh) | 基于属性挖掘和推理的模型训练方法及行人再识别方法 | |
CN109086672A (zh) | 一种基于强化学习自适应分块的行人再识别方法 | |
CN107659754B (zh) | 一种树叶扰动情况下监控视频的有效浓缩方法 | |
CN109117771B (zh) | 一种基于锚节点的图像中暴力事件检测系统及方法 | |
CN115223246A (zh) | 一种人员违规行为识别方法、装置、设备及存储介质 | |
CN116311063A (zh) | 监控视频下基于人脸识别的人员细粒度跟踪方法及系统 | |
CN113434573A (zh) | 多维度图像检索系统、方法及设备 | |
Pang et al. | Federated Learning for Crowd Counting in Smart Surveillance Systems | |
Zhang et al. | A thermodynamics-inspired feature for anomaly detection on crowd motions in surveillance videos | |
CN112925899B (zh) | 排序模型建立方法、案件线索推荐方法、装置及介质 | |
CN113569657A (zh) | 一种行人重识别方法、装置、设备及存储介质 | |
Zhang et al. | A Multiple Instance Learning and Relevance Feedback Framework for Retrieving Abnormal Incidents in Surveillance Videos. | |
CN112306985A (zh) | 一种数字视网膜多模态特征联合精准检索方法 | |
Beiji et al. | Crime hotspot detection and monitoring using video based event modeling and mapping techniques | |
Qu et al. | A time sequence location method of long video violence based on improved C3D network | |
CN111160077A (zh) | 一种大规模人脸动态聚类方法 | |
CN115294519A (zh) | 一种基于轻量化网络的异常事件检测及预警方法 | |
Vo et al. | UIT-Anomaly: A Modern Vietnamese Video Dataset for Anomaly Detection |
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 |