CN112861637B - 一种基于多视频人员跟踪的站内人像特征比对识别方法 - Google Patents

Abstract

本发明公开了一种基于多视频人员跟踪的站内人像特征比对识别方法，适用于多视频人员跟踪的站内人像特征比对识别系统，包括有门禁系统、站内监控摄像头和中控中心，所述门禁系统和站内监控摄像头分别与中控中心通信连接，中控中心内设置有站内人脸数据库，所述门禁系统设置有备案数据库和录入人像数据库，备案数据库中存储有门禁系统可识别的来访人身份数据，所述的中控中心分别与录入人像数据库通信连接；采用站内门禁系统和站内监控系统互联互通，建立站内人脸数据池的方式来实现数据信息的精益化需求，并通过分组错式排布比对方式、两两配对比对方式实现比对效率提升。

Description

一种基于多视频人员跟踪的站内人像特征比对识别方法

技术领域

本发明涉及图像识别技术领域，具体的，涉及一种基于多视频人员跟踪的站内人像特征比对识别方法。

背景技术

当今社会，由于单位园区、重要设备用地、工程现场越来越规范化，大多数有安全管理方面需求的场合场地大批配备了智能门禁和智能监控，但是目前智能门禁和智能监控系统是两套独立的系统，互不干涉，数据互不共享，这也导致了门禁系统和监控系统若想要进行人脸身份识别需要遍历原本录入的大数据库进行数据调用和比对，这将极大影响识别效率并且增加比对重复率，当录入的大数据库增加到相应规模后将存在人脸比对耗时过长的问题，影响系统的用户体验。

发明内容

为了解决站内人员录入信息过多导致人员信息比对时间过长的问题，提出了一种基于多视频人员跟踪的站内人像特征比对识别方法，采用站内门禁系统和站内监控系统互联互通，建立站内人脸数据池的方式来实现数据信息的精益化需求，并通过分组错式排布比对方式、两两配对比对方式实现比对效率提升。

为实现上述技术目的，本发明提供的一种技术方案是，一种基于多视频人员跟踪的站内人像特征比对识别方法，适用于多视频人员跟踪的站内人像特征比对识别系统，所述多视频人员跟踪的站内人像特征比对识别系统包括有门禁系统、站内监控摄像头和中控中心，所述门禁系统和站内监控摄像头分别与中控中心通信连接，中控中心内设置有站内人脸数据库，所述门禁系统设置有备案数据库和录入人像数据库，备案数据库中存储有门禁系统可识别的来访人身份数据，所述的中控中心分别与录入人像数据库通信连接；包括如下步骤：

S1、通过园区入口的门禁系统的摄像头捕捉进入园区的人员头像信息并建立录入人像数据库，将录入人像数据库中的人像信息与备案数据库中的人像信息进行比对，通过人脸识别算法进行特征比对得到所对应的相似度指标，将比对结果划分为定义人员子数据库和非定义人员子数据库，判定为定义人员子数据库的来访人员可以直接进入站内，判定为非定义人员子数据库的来访人员须完成身份登记并获得权限才可进入站内；

S2、将定义人员子数据库和非定义人员子数据库迁移至站内人像识别的内置数据库作为站内人脸数据池，设定进入园区的人员数量为

时，园区摄像头内出现摄像头捕捉到的已定义人员为m人时，摄像头捕捉到的未定义人员为n人时，其中

识别系统根据未定义人员数量分为三个识别场景对其进行识别，其中摄像头捕捉到的未定义人员进行特征比对时仅与未定义人员子数据库中的数据特征进行比对；

S3、当摄像头捕捉到的若干人像经过特征比对后完成身份识别，对其进行人像跟踪完成身份标定，同时将该人员由未定义人员子数据库中移入已定义人员子数据库，此后当该摄像头捕捉到的或其他摄像头捕捉到的未定义人员进行特征比对时只需与更新后的未定义人员子数据库的数据特征进行特征比对；

S4、当摄像头对已定义人员进行人像跟踪时丢失该人像的行进轨迹后，将该人员的数据特征由已定义人员子数据库中拿出，将该数据特征与此时所有摄像头捕捉到的未定义人员进行特征比对，若出现特征比对一致的人像特征则将该人员的数据特征放回已定义人员子数据库中并同时对该人员继续进行跟踪，若未出现特征比对一致的人像特征则将该人员的数据特征放入未定义人员子数据库中。

目前常规的人脸识别算法有：基于几何特征的人脸识别方法、基于相关匹配的方法、基于子空间方法、基于统计的识别方法、基于神经网络的方法、弹性图匹配方法、混合方法、基于三维模型的方法。其中，基于几何特征的人脸识别方法是以人脸器官的形状和几何关系为基础特征矢量的识别方法，其分量通常包括人脸指定两点间的欧式距离、曲率、角度等；基于相关匹配的方法是利用灰度图像的多级灰度值的等强度线作为特征进行人脸图像的匹配识别；基于子空间方法是通过原始图像和重构图像的差分图在进行K-L变换得到二阶子空间，同时针对眼、鼻、嘴等五官特征再建多个子空间，联合所有子空间对人脸图像进行匹配；基于统计的识别方法包括KL算法、奇异值分解法(SVD)、隐马尔可夫法(HMM)；基于神经网络的方法中人像识别多采用卷积神经网络进行网络架构的搭建来完成识别学习；上述所有的人脸识别方法都有共同之处在于都会通过某项几何关系或代数关系最后得到待识别人像的特征指标量并与数据库中身份人像的特征指标量进行代数运算得到对应的相似度指标，设定相应判据最终完成识别的分类问题得到相应匹配项。

作为优选，三个识别场景分别包括第一识别场景、第二识别场景以及第三识别场景，第一识别场景包括如下步骤：

当n＝1时，对待识别人像进行特征提取，并通过对未定义人员子数据库中数据信息依次进行特征比对来完成人像识别。

作为优选，所述第二识别场景包括如下步骤：

当

时，对待识别人像依次进行特征提取，待识别人像即摄像头捕捉到的未定义人员，得到待识别人像的特征指标α₁、α₂、α₃……α_n，同时已知未定义人员子数据库人像数据的特征指标

根据待识别人像的个数将未定义人员子数据库分成若干部分，并设置若干个待识别人像与未定义人员子数据库人像特征比对在未定义人员子数据库中的起始节点，设待识别人像个数为n，未定义人员子数据库人像数据

组。

作为优选，起始节点设置方式和比对方式如下：

步骤A、将未定义人员子数据库依次分为ε组，依次将待识别人像的特征指标α₁、α₂、α₃……α_n两两放入分为ε组的未定义人员子数据库每个组别的首尾作为待识别人像在未定义人员子数据库的特征比对起始节点，由每个组别的首尾向相反方向在整个未定义人员子数据库中进行特征比对，其中若比对到整个未定义人员子数据库的首端或者尾端未发现匹配项则在该未定义人员子数据库的另一端开始向该待识别人像的起始点依次进行特征比对直到找到匹配项为止。

步骤B、若在步骤A中比对到待识别人像在未定义人员子数据库的匹配项则将该匹配项所对应的特征指标由未定义人员子数据库中移入所述已定义人员子数据库，以免还在整个未定义人员子数据库中进行特征比对的待识别人像对匹配项中的未定义人员进行非必要的特征比对。

当n为偶数和n为奇数时的计算方法有所不同，根据n的奇偶性，分为两种计算方式，分别为：

当n为偶数时，ε＝n/2，起始节点每组各两个；当n为奇数时，ε＝(n+1)/2，起始节点有一组为一个，剩余每组各两个。其中，起始节点a_n的计算方式如下，以下起始节点的计算方式仅为给出的一种具体计算事例，为了体现本发明中的分组错式对比，不是唯一的分组方式和计算方式；

a₁＝1

…

…

分别假设当n＝4和n＝5在

时的计算事例帮助理解。当n＝4时ε＝2，则起始点为a₁＝1，a₂＝4，a₃＝5，a₄＝8，其中α₁在β₁、β₂、β₃……β₈中的比对顺序是β₁→β₈，α₂在β₁、β₂、β₃……β₈中的比对顺序是β₄→β₁，β₈→β₅，α₃在β₁、β₂、β₃……β₈中的比对顺序是β₅→β₈，β₁→β₄，α₄在β₁、β₂、β₃……β₈中的比对顺序是β₈→β₁。α₁、α₂、α₃、α₄可同时进行比对，若找到匹配项则停止比对同时完成该未定义人员的移除减少重复计算量。当n＝5时ε＝3，则起始点为a₁＝1，a₂＝2，a₃＝3，a₄＝4，a₅＝8，其中α₁在β₁、β₂、β₃……β₈中的比对顺序是β₁→β₈，α₂在β₁、β₂、β₃……β₈中的比对顺序是β₂→β₁，β₈→β₃，α₃在β₁、β₂、β₃……β₈中的比对顺序是β₃→β₈，β₁→β₂，α₄在β₁、β₂、β₃……β₈中的比对顺序是β₄→β₁，β₈→β₅。α₅在β₁、β₂、β₃……β₈中的比对顺序是β₈→β₁。α₁、α₂、α₃、α₄可同时进行比对，若找到匹配项则停止比对同时完成该未定义人员的移除减少重复计算量。

上述方法由于采用了分组错式排布方式比对，在对比对象进行比对时可实时将比对过程中所完成的匹配项由数据库中取出，更新数据库同时由于不是同侧依次比对方式留给数据库更新时间，最终能较大程度地减少现有识别比对过程中的重复率，并缩短对比时间，减小对比时所占内存。

作为优选，所述第三识别场景包括如下步骤：

当

时，对待识别人像依次进行特征提取，待识别人像即摄像头捕捉到的未定义人员，得到待识别人像的特征指标α₁、α₂、α₃……α_n，同时已知未定义人员子数据库人像数据的特征指标β₁、β₂、β₃……

由于

α₁、α₂、α₃……α_n与β₁、β₂、β₃……

可一一对应，因此首先将(α₁、β₁)，(α₂、β₂)，(α₃、β₃)，……，

进行特征比对，算出相似度。这里假设相似度指标分别为ξ₁、ξ₂、ξ₃……ξ_n，若其中数值有大于阈值ξ₀的，则认为该数值所对应的待识别人像和未定义人员子数据库中的人像为匹配项。其中阈值ξ₀的设定可以是人为经验设定值，也可以通过例如取所有数值中的平均值等计算方法计算得到。去掉数值大于阈值ξ₀的相似度指标后进行以上相似度指标所对应的待识别人像和未定义人员子数据库人像的重新配对和交换比对，重复上述步骤直至完成所有人像的匹配，用最后剩余一项的待识别人像和未定义人员子数据库人像是否匹配来完成前面人像匹配是否有问题的校验，匹配判别同前述的所计算相似度指标数值是否大于阈值ξ₀来确定。

作为优选，重新配对和交换比对包括如下步骤：将剩余的相似度指标按数值由小到大重新排列，排列完成后将待识别人像的特征指标往前一位，并将第一个待识别人像的特征指标放入由于整体指标数列往前移了一位而在最后一位产生的空缺。

为了方便理解，这里假设

若其中ξ₂、ξ₅、ξ₆、ξ₈的数值大于阈值ξ₀，则将剩余的ξ₁、ξ₃、ξ₄、ξ₇进行数值大小由小到大排序ξ₃＜ξ₇＜ξ₁＜ξ₄，将所对应的待识别人像特征指标和未定义人员子数据库人像特征指标进行上述排序分别为α₃、α₇、α₁、α₄和β₃、β₇、β₁、β₄。将待识别人像特征指标向前移一位并将数列首位放置数列末尾后进行相似度指标的计算，分别为(α₇、β₃)，(α₁、β₇)，(α₄、β₁)，(α₃、β₄)的相似度指标值，并重复上述步骤直至匹配完成。

本方案中，上述方法由于采用了两两配对法而解决了常规识别方法遍历数据库所造成的算法冗余，同时缩短了识别对比时间。根据站内新建的人员数据库完成连线匹配操作，而非遍历匹配操作，同时通过及时排除数据库中的匹配项减小特征比对的重复率进一步缩短了比对时间，通过交换配对的方法完成最优路径的寻找配对。

本发明的有益效果：本发明一种基于多视频人员跟踪的站内人像特征比对识别方法，采用站内门禁系统和站内监控系统互联互通，建立站内人脸数据池的方式来实现数据信息的精益化需求，并通过分组错式排布比对方式、两两配对比对方式实现比对效率提升；其中，采用了分组错式排布方式比对，在对比对象进行比对时可实时将比对过程中所完成的匹配项由数据库中取出，更新数据库同时由于不是同侧依次比对方式留给数据库更新时间，最终能较大程度地减少现有识别比对过程中的重复率，并缩短对比时间，减小对比时所占内存；采用了两两配对法而解决了常规识别方法遍历数据库所造成的算法冗余，同时缩短了识别对比时间。根据站内新建的人员数据库完成连线匹配操作，而非遍历匹配操作，同时通过及时排除数据库中的匹配项减小特征比对的重复率进一步缩短了比对时间，通过交换配对的方法完成最优路径的寻找配对。

附图说明

图1为本发明的一种基于多视频人员跟踪的站内人像特征比对识别系统的结构示意图。

图2为本发明第二识别场景的比对示意图。

图3为本发明起始节点a_n的计算示意图。

图4为本发明第三识别场景的比对示意图。

图5为本发明人像的重新配对和交换比对的方式示意图。

具体实施方式

为使本发明的目的、技术方案以及优点更加清楚明白，下面结合附图和实施例对本发明作进一步详细说明，应当理解的是，此处所描述的具体实施方式仅是本发明的一种最佳实施例，仅用以解释本发明，并不限定本发明的保护范围，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他实施例，都属于本发明保护的范围。

实施例：如图1所示，一种基于多视频人员跟踪的站内人像特征比对识别系统由包括有门禁系统3、站内监控摄像头1和中控中心2，所述门禁系统和站内监控摄像头分别与中控中心通信连接，中控中心内设置有站内人脸数据库，所述门禁系统设置有备案数据库和录入人像数据库，备案数据库中存储有门禁系统可识别的来访人身份数据，所述的中控中心分别与录入人像数据库通信连接，一种比对识别方法适用于一种基于多视频人员跟踪的站内人像特征比对识别系统，包括如下步骤：

S1、通过园区入口的摄像头捕捉进入园区的人员头像，与所备案的数据库中的人像进行比对，通过特征比对得到所对应的相似度指标，完成所捕捉的人员头像在备案数据库中的身份信息，若未找到对应身份信息闸门将不会开启放该人员进入园区。

S2、将所获取的人员信息迁移至站内人像识别的内置数据库中备用，内置数据库分为两个数据池：已定义人员子数据库和未定义人员子数据库。当进入园区的人员数量

时，假设在该园区摄像头内出现摄像头捕捉到的已定义人员m人，摄像头捕捉到的未定义人员n人

根据未定义人员数量识别系统细分为三个识别场景对其进行识别，其中摄像头捕捉到的未定义人员进行特征比对时仅与未定义人员子数据库中的数据特征进行比对。

S3、当摄像头捕捉到的若干人像经过特征比对后完成身份识别，对其进行人像跟踪完成身份标定，同时将该人员由未定义人员子数据库中移入已定义人员子数据库。自此，当其他摄像头捕捉到的未定义人员或者该摄像头捕捉到的新的未定义人员进行特征比对与更新后的未定义人员子数据库的数据特征进行特征比对。

S4、当摄像头对已定义人员进行人像跟踪时丢失该人像的行进轨迹后，将该人员的数据特征由已定义人员子数据库中拿出，将该数据特征与此时所有摄像头捕捉到的未定义人员进行特征比对，若出现特征比对一致的人像特征则将该人员的数据特征放回已定义人员子数据库中并同时对该人员继续进行跟踪，若未出现特征比对一致的人像特征则将该人员的数据特征放入未定义人员子数据库中。

目前常规的人像识别方法有：基于几何特征的人脸识别方法、基于相关匹配的方法、基于子空间方法、基于统计的识别方法、基于神经网络的方法、弹性图匹配方法、混合方法、基于三维模型的方法。

其中，基于几何特征的人脸识别方法是以人脸器官的形状和几何关系为基础特征矢量的识别方法，其分量通常包括人脸指定两点间的欧式距离、曲率、角度等。基于相关匹配的方法是利用灰度图像的多级灰度值的等强度线作为特征进行人脸图像的匹配识别。基于子空间方法是通过原始图像和重构图像的差分图在进行K-L变换得到二阶子空间，同时针对眼、鼻、嘴等五官特征再建多个子空间，联合所有子空间对人脸图像进行匹配。基于统计的识别方法包括KL算法、奇异值分解法(SVD)、隐马尔可夫法(HMM)。基于神经网络的方法中人像识别多采用卷积神经网络进行网络架构的搭建来完成识别学习。

上述所有的人脸识别方法都有共同之处在于都会通过某项几何关系或代数关系最后得到待识别人像的特征指标量并与数据库中身份人像的特征指标量进行代数运算得到对应的相似度指标，设定相应判据最终完成识别的分类问题得到相应匹配项。

三个识别场景分别包括第一识别场景、第二识别场景以及第三识别场景，第一识别场景包括如下步骤：当n＝1时，对待识别人像进行特征提取，并通过对未定义人员子数据库中数据信息依次进行特征比对来完成人像识别。

第二识别场景包括如下步骤：如图2所示，当

时，对待识别人像依次进行特征提取，待识别人像即摄像头捕捉到的未定义人员，得到待识别人像的特征指标α₁、α₂、α₃……α_n，同时已知未定义人员子数据库人像数据的特征指标β₁、β₂、β₃……

根据待识别人像的个数将未定义人员子数据库分成若干部分并设置若干待识别人像与未定义人员子数据库人像特征比对在未定义人员子数据库中的起始节点，设待识别人像个数为n，未定义人员子数据库人像数据

组。

具体起始节点设置方式和比对方式如下：

将未定义人员子数据库依次分为ε组，依次将待识别人像的特征指标α₁、α₂、α₃……α_n两两放入分为ε组的未定义人员子数据库每个组别的首尾作为待识别人像在未定义人员子数据库的特征比对起始节点，由每个组别的首尾向相反方向在整个未定义人员子数据库中进行特征比对，其中若比对到整个未定义人员子数据库的首端或者尾端未发现匹配项则在该未定义人员子数据库的另一端开始向该待识别人像的起始点依次进行特征比对直到找到匹配项为止。若在上述过程中比对到待识别人像在未定义人员子数据库的匹配项则将该匹配项所对应的特征指标由未定义人员子数据库中拿出进入所述的已定义人员子数据库，以免还在整个未定义人员子数据库中进行特征比对的待识别人像对匹配项中的未定义人员进行非必要的特征比对。

其中当n为偶数和n为奇数时的计算方法有所不同：

当n为偶数时，ε＝n/2，起始节点每组各两个；当n为奇数时，ε＝(n+1)/2，起始节点有一组为一个，剩余每组各两个。其中，起始节点a_n的计算方式如下，以下起始节点的计算方式仅为给出的一种具体计算事例，为了体现本发明中的分组错式对比，不是唯一的分组方式和计算方式；

a₁＝1

…

…

如图3所示，分别假设当n＝4和n＝5在

时的计算事例帮助理解。当n＝4时ε＝2，则起始点为a₁＝1，a₂＝4，a₃＝5，a₄＝8，其中α₁在β₁、β₂、β₃……β₈中的比对顺序是β₁→β₈，α₂在β₁、β₂、β₃……β₈中的比对顺序是β₄→β₁，β₈→β₅，α₃在β₁、β₂、β₃……β₈中的比对顺序是β₅→β₈，β₁→β₄，α₄在β₁、β₂、β₃……β₈中的比对顺序是β₈→β₁。α₁、α₂、α₃、α₄可同时进行比对，若找到匹配项则停止比对同时完成该未定义人员的移除减少重复计算量。当n＝5时ε＝3，则起始点为a₁＝1，a₂＝2，a₃＝3，a₄＝4，a₅＝8，其中α₁在β₁、β₂、β₃……β₈中的比对顺序是β₁→β₈，α₂在β₁、β₂、β₃……β₈中的比对顺序是β₂→β₁，β₈→β₃，α₃在β₁、β₂、β₃……β₈中的比对顺序是β₃→β₈，β₁→β₂，α₄在β₁、β₂、β₃……β₈中的比对顺序是β₄→β₁，β₈→β₅。α₅在β₁、β₂、β₃……β₈中的比对顺序是β₈→β₁。α₁、α₂、α₃、α₄可同时进行比对，若找到匹配项则停止比对同时完成该未定义人员的移除减少重复计算量。

上述方法由于采用了分组错式排布方式比对，在对比对象进行比对时可实时将比对过程中所完成的匹配项由数据库中取出，更新数据库同时由于不是同侧依次比对方式留给数据库更新时间，最终能较大程度地减少现有识别比对过程中的重复率，并缩短对比时间，减小对比时所占内存。

第二识别场景包括如下步骤：如图4所示，当

时，对待识别人像依次进行特征提取，待识别人像即摄像头捕捉到的未定义人员，得到待识别人像的特征指标α₁、α₂、α₃……α_n，同时已知未定义人员子数据库人像数据的特征指标β₁、β₂、β₃……

由于

α₁、α₂、α₃……α_n与β₁、β₂、β₃……

可一一对应，因此首先将(α₁、β₁)，(α₂、β₂)，(α₃、β₃)，……，

进行特征比对，算出相似度。这里假设相似度指标分别为ξ₁、ξ₂、ξ₃……ξ_n，若其中数值有大于阈值ξ₀的，则认为该数值所对应的待识别人像和未定义人员子数据库中的人像为匹配项。其中阈值ξ₀的设定可以是人为经验设定值，也可以通过例如取所有数值中的平均值等计算方法计算得到。去掉数值大于阈值ξ₀的相似度指标后进行以上相似度指标所对应的待识别人像和未定义人员子数据库人像的重新配对和交换比对，重复上述步骤直至完成所有人像的匹配，用最后剩余一项的待识别人像和未定义人员子数据库人像是否匹配来完成前面人像匹配是否有问题的校验，匹配判别同前述的所计算相似度指标数值是否大于阈值ξ₀来确定。

所述的重新配对和交换比对具体可以为：将剩余的相似度指标按数值由小到大重新排列，排列完成后将待识别人像的特征指标往前一位，并将第一个待识别人像的特征指标放入由于整体指标数列往前移了一位而在最后一位产生的空缺。

为了方便理解，这里假设

如图5所示，若其中ξ₂、ξ₅、ξ₆、ξ₈的数值大于阈值ξ₀，则将剩余的ξ₁、ξ₃、ξ₄、ξ₇进行数值大小由小到大排序ξ₃＜ξ₇＜ξ₁＜ξ₄，将所对应的待识别人像特征指标和未定义人员子数据库人像特征指标进行上述排序分别为α₃、α₇、α₁、α₄和β₃、β₇、β₁、β₄。将待识别人像特征指标向前移一位并将数列首位放置数列末尾后进行相似度指标的计算，分别为(α₇、β₃)，(α₁、β₇)，(α₄、β₁)，(α₃、β₄)的相似度指标值，并重复上述步骤直至匹配完成。

上述方法由于采用了两两配对法而解决了常规识别方法遍历数据库所造成的算法冗余，同时缩短了识别对比时间。根据站内新建的人员数据库完成连线匹配操作，而非遍历匹配操作，同时通过及时排除数据库中的匹配项减小特征比对的重复率进一步缩短了比对时间，通过交换配对的方法完成最优路径的寻找配对。

以上所述之具体实施方式为本发明一种基于多视频人员跟踪的站内人像特征比对识别方法的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。

Claims (5)

1.一种基于多视频人员跟踪的站内人像特征比对识别方法，适用于多视频人员跟踪的站内人像特征比对识别系统，所述多视频人员跟踪的站内人像特征比对识别系统包括有门禁系统、站内监控摄像头和中控中心，所述门禁系统和站内监控摄像头分别与中控中心通信连接，中控中心内设置有站内人脸数据库，所述门禁系统设置有备案数据库和录入人像数据库，备案数据库中存储有门禁系统可识别的来访人身份数据，所述的中控中心分别与录入人像数据库通信连接，其特征在于，包括如下步骤：

S1、通过园区入口的门禁系统的摄像头捕捉进入园区的人员头像信息并建立录入人像数据库，将录入人像数据库中的人像信息与备案数据库中的人像信息进行比对，通过人脸识别算法进行特征比对得到所对应的相似度指标，将比对结果划分为定义人员子数据库和非定义人员子数据库，判定为定义人员子数据库的来访人员可以直接进入站内，判定为非定义人员子数据库的来访人员须完成身份登记并获得权限才可进入站内；

S2、将定义人员子数据库和非定义人员子数据库迁移至站内人像识别的内置数据库作为站内人脸数据池，设定进入园区的人员数量为

时，园区摄像头内出现摄像头捕捉到的定义人员为m人时，摄像头捕捉到的非定义人员为n人时，其中

识别系统根据非定义人员数量分为三个识别场景对其进行识别，其中摄像头捕捉到的非定义人员进行特征比对时仅与非定义人员子数据库中的数据特征进行比对；

三个识别场景分别包括第一识别场景、第二识别场景以及第三识别场景，所述第一识别场景包括如下步骤：当n＝1时，对待识别人像进行特征提取，并通过对非定义人员子数据库中数据信息依次进行特征比对来完成人像识别；

所述第三识别场景包括如下步骤：

当

时，对待识别人像依次进行特征提取，待识别人像即摄像头捕捉到的非定义人员，得到待识别人像的特征指标α₁、α₂、α₃……α_n，同时已知非定义人员子数据库人像数据的特征指标β₁、β₂、β₃……

由于

α₁、α₂、α₃……α_n与β₁、β₂、β₃……

一一对应，因此首先将(α₁、β₁)，(α₂、β₂)，(α₃、β₃)，……，

进行特征比对，通过人脸识别算法算出相似度；相似度指标分别为ξ₁、ξ₂、ξ₃……ξ_n，执行相识度比对判定过程，若其中数值有大于阈值ξ₀的，则判定该数值所对应的待识别人像和非定义人员子数据库中的人像为匹配项；去掉数值大于阈值ξ₀的相似度指标后，保留剩余相似度指标所对应的待识别人像和非定义人员子数据库人像的重新配对和交换比对，重复执行相识度比对判定过程直至完成所有人像的匹配，用最后剩余一项的待识别人像和非定义人员子数据库人像是否匹配来完成前面人像匹配是否有问题的校验，匹配判别根据计算相似度指标数值是否大于阈值ξ₀来确定；

S3、当摄像头捕捉到的若干人像经过特征比对后完成身份识别，对其进行人像跟踪完成身份标定，同时将该人员由非定义人员子数据库中移入定义人员子数据库，此后当该摄像头捕捉到的或其他摄像头捕捉到的非定义人员进行特征比对时只需与更新后的非定义人员子数据库的数据特征进行特征比对；

S4、当摄像头对定义人员进行人像跟踪时丢失该人像的行进轨迹后，将该人员的数据特征由定义人员子数据库中拿出，将该数据特征与此时所有摄像头捕捉到的非定义人员进行特征比对，若出现特征比对一致的人像特征则将该人员的数据特征放回定义人员子数据库中并同时对该人员继续进行跟踪，若未出现特征比对一致的人像特征则将该人员的数据特征放入非定义人员子数据库中。

2.根据权利要求1所述的一种基于多视频人员跟踪的站内人像特征比对识别方法，其特征在于：

所述第二识别场景包括如下步骤：

当

时，对待识别人像依次进行特征提取，待识别人像即摄像头捕捉到的非定义人员，得到待识别人像的特征指标α₁、α₂、α₃……α_n，同时已知非定义人员子数据库人像数据的特征指标β₁、β₂、β₃……

根据待识别人像的个数将非定义人员子数据库分成若干部分，并设置若干个待识别人像与非定义人员子数据库人像特征比对在非定义人员子数据库中的起始节点，设待识别人像个数为n，非定义人员子数据库人像数据

组。

3.根据权利要求2所述的一种基于多视频人员跟踪的站内人像特征比对识别方法，其特征在于：

起始节点设置方式和比对方式如下：

步骤A、将非定义人员子数据库依次分为ε组，依次将待识别人像的特征指标α₁、α₂、α₃……α_n两两放入分为ε组的非定义人员子数据库每个组别的首尾作为待识别人像在非定义人员子数据库的特征比对起始节点，由每个组别的首尾向相反方向在整个非定义人员子数据库中进行特征比对，其中若比对到整个非定义人员子数据库的首端或者尾端未发现匹配项，则在该非定义人员子数据库的另一端开始向该待识别人像的起始点依次进行特征比对直到找到匹配项为止；

步骤B、若在步骤A中比对到待识别人像在非定义人员子数据库的匹配项，则将该匹配项所对应的特征指标由非定义人员子数据库中移入所述定义人员子数据库，以免还在整个非定义人员子数据库中进行特征比对的待识别人像对匹配项中的非定义人员进行非必要的特征比对。

4.根据权利要求3所述的一种基于多视频人员跟踪的站内人像特征比对识别方法，其特征在于：根据n的奇偶性，分为两种计算方式，分别为：

当n为偶数时，ε＝n/2，起始节点每组各两个；

当n为奇数时，ε＝(n+1)/2，起始节点有一组为一个，剩余每组各两个。

5.根据权利要求4所述的一种基于多视频人员跟踪的站内人像特征比对识别方法，其特征在于：重新配对和交换比对包括如下步骤：

将剩余的相似度指标按数值由小到大重新排列，排列完成后将待识别人像的特征指标往前一位，并将第一个待识别人像的特征指标放入由于整体指标数列往前移了一位而在最后一位产生的空缺。

Images