CN112800950A - 一种基于深度学习的大型安保活动人脸搜索方法 - Google Patents
一种基于深度学习的大型安保活动人脸搜索方法 Download PDFInfo
- Publication number
- CN112800950A CN112800950A CN202110109333.8A CN202110109333A CN112800950A CN 112800950 A CN112800950 A CN 112800950A CN 202110109333 A CN202110109333 A CN 202110109333A CN 112800950 A CN112800950 A CN 112800950A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- training
- data
- human
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 84
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000013500 data storage Methods 0.000 claims description 32
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000013441 quality evaluation Methods 0.000 claims description 9
- 210000000887 face Anatomy 0.000 claims description 7
- 230000003190 augmentative effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 210000004709 eyebrow Anatomy 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 abstract description 10
- 230000009471 action Effects 0.000 abstract description 4
- 230000004044 response Effects 0.000 abstract description 4
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process 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
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的大型安保活动人脸搜索方法,通过设置模型训练单元,对人脸训练数据进行备份和预处理,利用人脸检测和关键点算法将人脸图像归一到预定规格的彩色图像上,并搭建分布式深度学习训练框架对人脸识别模型进行训练,提高了人脸识别模型的识别准确率,节省了安保人员锁定对应人员的时间,提高大型活动安全有序进行的安全系数,通过设置搜索匹配单元,对人脸底库特征库进行构建和人脸搜索匹配,生成搜索排序数据,并将其传输至显示单元进行展示,根据抓拍摄像机编号和图像抓拍时间匹配出该被识别人员的行动路径,快速确认被识别人员的准确位置和具体行进路线,方便安保人员对被识别人的查找,提高了安保反应能力。
Description
技术领域
本发明涉及一种人脸搜索方法,具体为一种基于深度学习的大型安保活动人脸搜索方法。
背景技术
大型活动中由于人员聚集,管理和调度相对复杂,对于安全监控和防护的压力也比较大,所以在大型活动中基本都设置有多个摄像头对活动参与人员的人脸图像进行提取。
大型活动中抓拍的人脸图像可能存在拍摄角度不正、光线变化复杂、分辨率较低、遮挡等不利条件,导致人脸识别的准确率不高,难以做到对参与活动人员的快速定位,安保的快速反应能力得不到保证,为此,我们一种基于深度学习的大型安保活动人脸搜索方法。
发明内容
本发明的目的就在于提供一种基于深度学习的大型安保活动人脸搜索方法,通过设置模型训练单元,对人脸训练数据进行备份和预处理,利用人脸检测和关键点算法将人脸特征归一化到预定规格的彩色图像上,并搭建分布式深度学习训练框架对人脸识别模型进行训练,提高了人脸识别模型的识别准确度,节省了安保人员锁定对应人员的时间,提高大型活动安全有序进行的安全系数,通过设置搜索匹配单元,对人脸底库特征库进行构建和人脸搜索匹配,生成搜索排序数据,并将其传输至显示单元进行展示,根据抓拍摄像机编号和图像抓拍时间匹配出该被识别人员的行动路径,快速确认被识别人员的准确位置和具体行进路线,方便安保人员对被识别人的查找,提高了安保反应能力。
本发明所解决的技术问题为:
(1)如何通过设置模型训练单元,对人脸训练数据进行备份和预处理,利用人脸检测和关键点算法将人脸图像归一化到预定规格的彩色图像上,并搭建分布式深度学习训练框架对人脸识别模型进行训练,解决现有技术中人脸识别模型识别效率和精确度不高的问题;
(2)如何通过设置搜索匹配单元,对人脸底库特征库进行构建和人脸搜索匹配,生成搜索排序数据,并将其传输至显示单元进行展示,根据抓拍摄像机编号和图像抓拍时间匹配出该被识别人员的行动路径,解决现有技术中无法根据识别的图像进行路径分析的问题。
本发明的目的可以通过以下技术方案实现:一种基于深度学习的大型安保活动人脸搜索方法,该大型安保活动人脸搜索方法具体包括:
步骤一:通过图像采集单元对每一位进入活动现场的人员的人脸图像进行采集并将其传输至数据存储单元进行存储,数据存储单元中人脸训练数据,所述人脸训练数据包括公开人脸数据集和私有人脸数据集;
步骤二:模型训练单元从数据存储单元中提取人脸训练数据,并对其进行模型训练,得到人脸识别模型后将其发送至数据存储单元进行存储,图像采集单元对每一位进入活动现场的人员进行人脸图像进行采集并将其传输至数据存储单元进行存储;
步骤三:搜索匹配单元进行人脸底库特征库的构建和人脸搜索匹配,得到人脸轨迹,并将人脸轨迹传输至显示单元,显示单元将人脸轨迹按照抓拍摄像机编号和图像抓拍时间的顺序进行展示。
本发明的进一步技术改进在于:所述模型训练单元对人脸训练数据进行模
型训练的具体步骤如下:
S21:获取到人脸训练数据,并对人脸训练数据进行备份,对其中一份人脸训练数据进行预处理,预处理方式包括对训练图像增加高斯模糊、运动模糊、图像尺度变化、图像水平翻转、增加随机噪声、图像区域随机擦除和亮度调节,将进行预处理后的人脸训练数据标记为增广人脸数据;
S22:对人脸训练数据和增广人脸数据中人脸图像进行检测,检测出人脸位置,并在人脸图像进行人脸位置标记,利用关键点算法提取人脸两眼中心、鼻尖、两嘴角这五个关键点,然后使用图像相似变换校准人脸图像并将其归一化到预设规格的彩色图像上;
S23:搭建分布式深度学习训练框架Horovod,采用SE-resnet101深度卷积神经网络作为特征提取网络,使用课程学习损失函数进行训练;将步骤S22中彩色图像导入到训练框架Horovod中,训练时先以公开人脸数据集作为训练数据训练卷积神经网络,获取经过公开人脸数据集训练的卷积神经网络,并对其内的权值进行初始化,再用私有人脸数据集训练人脸识别模型,并将训练好的人脸识别模型发送至数据存储单元。
本发明的进一步技术改进在于:所述人脸底库特征库的构建和人脸搜索匹配的具体步骤如下:
S31:提取数据存储单元中由图像采集单元获取的人脸图像,对每一张人脸图像进行质量评价,当质量评价内的每一项指标均合格时,对合格的人脸图像执行步骤S22中同样的操作,使用数据存储单元中的人脸识别模型对执行过步骤S22的图像进行人脸特征的提取,构建出人脸底库特征库;
S32:从图像采集单元输入待识别人脸图像、抓拍摄像机编号和图像抓拍时间,并对待识别人脸图像执行步骤S22中同样的操作,再利用人脸识别模型对其提取待识别人脸特征,将待识别人脸特征与人脸底库特征库进行一一比对,并计算出最大余弦相似度值,如果最大余弦相似度值超过设定阈值,则将待识别人脸图像加到被识别人的搜索结果中,抓拍摄像机编号及图像抓拍时间,存储到人脸轨迹数据库中,形成人脸轨迹。
本发明的进一步技术改进在于:所述质量评价包括人脸分辨率、人脸亮度、人脸清晰度和人脸姿态,搜索匹配单元中预设有人脸区域长宽限值、人脸亮度限定范围、梯度信息损失限定值;
对于人脸分辨率,当人脸图像中的人脸区域长宽不小于人脸区域长度限值时,判定人脸分辨率合格,否则为不合格;
对于人脸亮度,对人脸图像进行灰度化处理,获取人脸所在区域内的各像素点的灰度值,根据各像素点的灰度值计算出平均灰度值,并将其作为人脸亮度估计值,当人脸亮度估计值处于人脸亮度限定范围区间内时,判定人脸亮度合格,否则为不合格;
对于人脸清晰度,将人脸图像进行梯度模糊处理,并检测每一级梯度信息损失程度,当每一级的梯度信息损失程度不大于梯度信息损失限定值时,则判定人脸清晰度合格;
对于人脸姿态,使用人脸检测与关键点检测算法在人脸图像中标记两眼中心、鼻尖、两嘴角这五个关键点的位置,测量对两眼中心连线与水平方向的夹角并将其标定为旋转角度,通过鼻尖所在点向人脸中心线作垂线,测量该垂线与水平方向的夹角并将其标定为偏转角度,将眉心与嘴中心进行连线,将该连线与水平纵线方向的夹角标定为俯仰角度,当旋转角度、偏转角度和俯仰角度均在预设范围内时,判定人脸姿态合格,否则判定为不合格。
与现有技术相比,本发明的有益效果是:
1、本发明在使用时,模型训练单元从数据存储单元中提取人脸训练数据,并对其进行模型训练,得到人脸识别模型后将其发送至数据存储单元进行存储,图像采集单元对每一位进入活动现场的人员进行人脸图像进行采集并将其传输至数据存储单元进行存储,通过设置模型训练单元,对人脸训练数据进行备份和预处理,利用人脸检测和关键点算法将人脸特征整合归化到预定规格的彩色图像上,并搭建分布式深度学习训练框架对人脸识别模型进行训练,提高了人脸识别模型的识别效率和识别的准确度,节省了安保人员锁定对应人员的时间,提高大型活动安全有序进行的安全系数。
2、搜索匹配单元进行人脸底库特征库的构建和人脸搜索匹配,得到搜索排序数据,并将搜索排序数据传输至显示单元,显示单元将搜索排序数据按照时间顺序进行展示,通过设置搜索匹配单元,对人脸底库特征库进行构建和人脸搜索匹配,生成搜索排序数据,并将其传输至显示单元进行展示,根据图像获取时间匹配出该被识别人员的行动路径,快速确认被识别人员的准确位置和具体行进路线,方便安保人员对被识别人的查找,提高了安保反应能力。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明的系统框图。
具体实施方式
下面将结合实施例对本发明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它实施例,都属于本发明保护的范围。
请参阅图1所示,一种基于深度学习的大型安保活动人脸搜索方法,该大型安保活动人脸搜索方法具体包括:
步骤一:通过图像采集单元对每一位进入活动现场的人员的人脸图像进行采集并将其传输至数据存储单元进行存储,数据存储单元中人脸训练数据,所述人脸训练数据包括公开人脸数据集和私有人脸数据集;
步骤二:模型训练单元从数据存储单元中提取人脸训练数据,并对其进行模型训练,得到人脸识别模型后将其发送至数据存储单元进行存储,图像采集单元对每一位进入活动现场的人员进行人脸图像进行采集并将其传输至数据存储单元进行存储;
步骤三:搜索匹配单元进行人脸底库特征库的构建和人脸搜索匹配,得到人脸轨迹,并将人脸轨迹传输至显示单元,显示单元将人脸轨迹按照抓拍摄像机编号和图像抓拍时间的顺序进行展示。
所述模型训练单元对人脸训练数据进行模型训练的具体步骤如下:
S21:获取到人脸训练数据,并对人脸训练数据进行备份,对其中一份人脸训练数据进行预处理,预处理方式包括对训练图像增加高斯模糊、运动模糊、图像尺度变化、图像水平翻转、增加随机噪声、图像区域随机擦除和亮度调节,将进行预处理后的人脸训练数据标记为增广人脸数据;
S22:对人脸训练数据和增广人脸数据中人脸图像进行检测,检测出人脸位置,并在人脸图像进行人脸位置标记,利用关键点算法提取人脸两眼中心、鼻尖、两嘴角这五个关键点,然后使用图像相似变换校准人脸图像并将其归一化到预设规格的彩色图像上;
S23:搭建分布式深度学习训练框架Horovod,采用SE-resnet101深度卷积神经网络作为特征提取网络,使用课程学习损失函数进行训练;将步骤S22中彩色图像导入到训练框架Horovod中,训练时先以公开人脸数据集作为训练数据训练卷积神经网络,获取经过公开人脸数据集训练的卷积神经网络,并对其内的权值进行初始化,再用私有人脸数据集训练人脸识别模型,并将训练好的人脸识别模型发送至数据存储单元。
所述人脸底库特征库的构建和人脸搜索匹配的具体步骤如下:
S31:提取数据存储单元中由图像采集单元获取的人脸图像,对每一张人脸图像进行质量评价,当质量评价内的每一项指标均合格时,对合格的人脸图像执行步骤S22中同样的操作,使用数据存储单元中的人脸识别模型对执行过步骤S22的图像进行人脸特征的提取,构建出人脸底库特征库;
S32:从图像采集单元输入待识别人脸图像、抓拍摄像机编号和图像抓拍时间,并对待识别人脸图像执行步骤S22中同样的操作,再利用人脸识别模型对其提取待识别人脸特征,将待识别人脸特征与人脸底库特征库进行一一比对,并计算出最大余弦相似度值,如果最大余弦相似度值超过设定阈值,则将待识别人脸图像加到被识别人的搜索结果中,抓拍摄像机编号及图像抓拍时间,存储到人脸轨迹数据库中,形成人脸轨迹。
所述质量评价包括人脸分辨率、人脸亮度、人脸清晰度和人脸姿态,搜索匹配单元中预设有人脸区域长宽限值、人脸亮度限定范围、梯度信息损失限定值;
对于人脸分辨率,当人脸图像中的人脸区域长宽不小于人脸区域长度限值时,判定人脸分辨率合格,否则为不合格;
对于人脸亮度,对人脸图像进行灰度化处理,获取人脸所在区域内的各像素点的灰度值,根据各像素点的灰度值计算出平均灰度值,并将其作为人脸亮度估计值,当人脸亮度估计值处于人脸亮度限定范围区间内时,判定人脸亮度合格,否则为不合格;
对于人脸清晰度,将人脸图像进行梯度模糊处理,并检测每一级梯度信息损失程度,当每一级的梯度信息损失程度不大于梯度信息损失限定值时,则判定人脸清晰度合格;
对于人脸姿态,使用人脸检测与关键点检测算法在人脸图像中标记两眼中心、鼻尖、两嘴角这五个关键点的位置,测量对两眼中心连线与水平方向的夹角并将其标定为旋转角度,通过鼻尖所在点向人脸中心线作垂线,测量该垂线与水平方向的夹角并将其标定为偏转角度,将眉心与嘴中心进行连线,将该连线与水平纵线方向的夹角标定为俯仰角度,当旋转角度、偏转角度和俯仰角度均在预设范围内时,判定人脸姿态合格,否则判定为不合格。
工作原理:本发明在使用时,首先,通过图像采集单元对每一位进入活动现场的人员的人脸图像进行采集并将其传输至数据存储单元进行存储,数据存储单元中人脸训练数据,所述人脸训练数据包括公开人脸数据集和私有人脸数据集;模型训练单元从数据存储单元中提取人脸训练数据,并对其进行模型训练,得到人脸识别模型后将其发送至数据存储单元进行存储,图像采集单元对每一位进入活动现场的人员进行人脸图像进行采集并将其传输至数据存储单元进行存储;搜索匹配单元进行人脸底库特征库的构建和人脸搜索匹配,得到人脸轨迹,并将人脸轨迹传输至显示单元,显示单元将人脸轨迹按照抓拍摄像机编号和图像抓拍时间的顺序进行展示。
在本发明的描述中,需要理解的是,术语“上”、“下”、“左”、“右”等指示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、以及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,“第一”、“第二”仅由于描述目的,且不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。因此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个该特征。本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”“相连”“连接”等应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接连接,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。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (4)
1.一种基于深度学习的大型安保活动人脸搜索方法,其特征在于:该大型安保活动人脸搜索方法具体包括:
步骤一:通过图像采集单元对每一位进入活动现场的人员的人脸图像进行采集并将其传输至数据存储单元进行存储,数据存储单元中人脸训练数据,所述人脸训练数据包括公开人脸数据集和私有人脸数据集;
步骤二:模型训练单元从数据存储单元中提取人脸训练数据,并对其进行模型训练,得到人脸识别模型后将其发送至数据存储单元进行存储,图像采集单元对每一位进入活动现场的人员进行人脸图像进行采集并将其传输至数据存储单元进行存储;
步骤三:搜索匹配单元进行人脸底库特征库的构建和人脸搜索匹配,得到人脸轨迹,并将人脸轨迹传输至显示单元,显示单元将人脸轨迹按照抓拍摄像机编号和图像抓拍时间的顺序进行展示。
2.根据权利要求1所述的一种基于深度学习的大型安保活动人脸搜索方法,其特征在于,所述模型训练单元对人脸训练数据进行模型训练的具体步骤如下:
S21:获取到人脸训练数据,并对人脸训练数据进行备份,对其中一份人脸训练数据进行预处理,预处理方式包括对训练图像增加高斯模糊、运动模糊、图像尺度变化、图像水平翻转、增加随机噪声、图像区域随机擦除和亮度调节,将进行预处理后的人脸训练数据标记为增广人脸数据;
S22:对人脸训练数据和增广人脸数据中人脸图像进行检测,检测出人脸位置,并在人脸图像进行人脸位置标记,利用关键点算法提取人脸两眼中心、鼻尖、两嘴角这五个关键点,然后使用图像相似变换校准人脸图像并将其归一化到预设规格的彩色图像上;
S23:搭建分布式深度学习训练框架Horovod,采用SE-resnet101深度卷积神经网络作为特征提取网络,使用课程学习损失函数进行训练;将步骤S22中彩色图像导入到训练框架Horovod中,训练时先以公开人脸数据集作为训练数据训练卷积神经网络,获取经过公开人脸数据集训练的卷积神经网络,并对其内的权值进行初始化,再用私有人脸数据集训练人脸识别模型,并将训练好的人脸识别模型发送至数据存储单元。
3.根据权利要求2所述的一种基于深度学习的大型安保活动人脸搜索方法,其特征在于,所述人脸底库特征库的构建和人脸搜索匹配的具体步骤如下:
S31:提取数据存储单元中由图像采集单元获取的人脸图像,对每一张人脸图像进行质量评价,当质量评价内的每一项指标均合格时,对合格的人脸图像执行步骤S22中同样的操作,使用数据存储单元中的人脸识别模型对执行过步骤S22的图像进行人脸特征的提取,构建出人脸底库特征库;
S32:从图像采集单元输入待识别人脸图像、抓拍摄像机编号和图像抓拍时间,并对待识别人脸图像执行步骤S22中同样的操作,再利用人脸识别模型对其提取待识别人脸特征,将待识别人脸特征与人脸底库特征库进行一一比对,并计算出最大余弦相似度值,如果最大余弦相似度值超过设定阈值,则将待识别人脸图像加到被识别人的搜索结果中,抓拍摄像机编号及图像抓拍时间,存储到人脸轨迹数据库中,形成人脸轨迹。
4.根据权利要求3所述的一种基于深度学习的大型安保活动人脸搜索方法,其特征在于,所述质量评价包括人脸分辨率、人脸亮度、人脸清晰度和人脸姿态,搜索匹配单元中预设有人脸区域长宽限值、人脸亮度限定范围、梯度信息损失限定值;
对于人脸分辨率,当人脸图像中的人脸区域长宽不小于人脸区域长度限值时,判定人脸分辨率合格,否则为不合格;
对于人脸亮度,对人脸图像进行灰度化处理,获取人脸所在区域内的各像素点的灰度值,根据各像素点的灰度值计算出平均灰度值,并将其作为人脸亮度估计值,当人脸亮度估计值处于人脸亮度限定范围区间内时,判定人脸亮度合格,否则为不合格;
对于人脸清晰度,将人脸图像进行梯度模糊处理,并检测每一级梯度信息损失程度,当每一级的梯度信息损失程度不大于梯度信息损失限定值时,则判定人脸清晰度合格;
对于人脸姿态,使用人脸检测与关键点检测算法在人脸图像中标记两眼中心、鼻尖、两嘴角这五个关键点的位置,测量对两眼中心连线与水平方向的夹角并将其标定为旋转角度,通过鼻尖所在点向人脸中心线作垂线,测量该垂线与水平方向的夹角并将其标定为偏转角度,将眉心与嘴中心进行连线,将该连线与水平纵线方向的夹角标定为俯仰角度,当旋转角度、偏转角度和俯仰角度均在预设范围内时,判定人脸姿态合格,否则判定为不合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110109333.8A CN112800950A (zh) | 2021-01-21 | 2021-01-21 | 一种基于深度学习的大型安保活动人脸搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110109333.8A CN112800950A (zh) | 2021-01-21 | 2021-01-21 | 一种基于深度学习的大型安保活动人脸搜索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112800950A true CN112800950A (zh) | 2021-05-14 |
Family
ID=75812069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110109333.8A Pending CN112800950A (zh) | 2021-01-21 | 2021-01-21 | 一种基于深度学习的大型安保活动人脸搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800950A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704448A (zh) * | 2023-08-09 | 2023-09-05 | 山东字节信息科技有限公司 | 多摄像头的行人识别方法及识别系统 |
CN117173159A (zh) * | 2023-10-26 | 2023-12-05 | 长春市联心花信息科技有限公司 | 一种基于深度学习的动态人脸识别系统及视频分析方法 |
CN117711132A (zh) * | 2024-02-05 | 2024-03-15 | 青岛培诺教育科技股份有限公司 | 一种学生安全监测方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373626A (zh) * | 2015-12-09 | 2016-03-02 | 深圳融合永道科技有限公司 | 分布式人脸识别轨迹搜索系统和方法 |
CN111652048A (zh) * | 2020-04-17 | 2020-09-11 | 北京品恩科技股份有限公司 | 一种基于深度学习的1:n人脸比对方法 |
-
2021
- 2021-01-21 CN CN202110109333.8A patent/CN112800950A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373626A (zh) * | 2015-12-09 | 2016-03-02 | 深圳融合永道科技有限公司 | 分布式人脸识别轨迹搜索系统和方法 |
CN111652048A (zh) * | 2020-04-17 | 2020-09-11 | 北京品恩科技股份有限公司 | 一种基于深度学习的1:n人脸比对方法 |
Non-Patent Citations (1)
Title |
---|
马嘉林: "《平安校园提升建设中的安防信息化升级探究》", 30 September 2019 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704448A (zh) * | 2023-08-09 | 2023-09-05 | 山东字节信息科技有限公司 | 多摄像头的行人识别方法及识别系统 |
CN116704448B (zh) * | 2023-08-09 | 2023-10-24 | 山东字节信息科技有限公司 | 多摄像头的行人识别方法及识别系统 |
CN117173159A (zh) * | 2023-10-26 | 2023-12-05 | 长春市联心花信息科技有限公司 | 一种基于深度学习的动态人脸识别系统及视频分析方法 |
CN117711132A (zh) * | 2024-02-05 | 2024-03-15 | 青岛培诺教育科技股份有限公司 | 一种学生安全监测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112800950A (zh) | 一种基于深度学习的大型安保活动人脸搜索方法 | |
CN107766819B (zh) | 一种视频监控系统及其实时步态识别方法 | |
CN105740780B (zh) | 人脸活体检测的方法和装置 | |
US9367730B2 (en) | Method and system for automated face detection and recognition | |
US11194997B1 (en) | Method and system for thermal infrared facial recognition | |
EP3680794B1 (en) | Device and method for user authentication on basis of iris recognition | |
CN112396658B (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
CN110837784A (zh) | 一种基于人体头部特征的考场偷窥作弊检测系统 | |
CN110197169A (zh) | 一种非接触式的学习状态监测系统及学习状态检测方法 | |
CN105243386A (zh) | 人脸活体判断方法以及系统 | |
CN110874583A (zh) | 一种客流统计的方法、装置、存储介质及电子设备 | |
CN106037651A (zh) | 一种心率检测方法及系统 | |
CN113269091A (zh) | 一种面向智慧园区的人员轨迹分析方法、设备及介质 | |
US20200065564A1 (en) | Method for determining pose and for identifying a three-dimensional view of a face | |
CN114894337B (zh) | 一种用于室外人脸识别测温方法及装置 | |
CN108710841A (zh) | 一种基于MEMs红外阵列传感器的人脸活体检测装置及方法 | |
CN112801859A (zh) | 一种具有美妆指导功能的化妆镜系统 | |
CN115797451A (zh) | 一种穴位识别方法、装置、设备及可读存储介质 | |
CN115273150A (zh) | 基于人体姿态估计的安全帽佩戴的新型识别方法及系统 | |
CN113920591B (zh) | 基于多模态生物特征识别的中远距离身份认证方法及装置 | |
CN112149517A (zh) | 一种人脸考勤方法、系统、计算机设备及存储介质 | |
CN116580359A (zh) | 基于时空特征的施工人员重度疲劳检测系统及方法 | |
CN104063689A (zh) | 一种基于双目立体视觉的人脸图像识别方法 | |
CN111476198A (zh) | 基于人工智能的步态识别方法、装置、系统、存储介质和服务器 | |
CN114639168B (zh) | 一种用于跑步姿态识别的方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210514 |