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
一种基于多视频人员跟踪的站内人像特征比对识别方法 Download PDFInfo
- Publication number
- CN112861637B CN112861637B CN202110048131.7A CN202110048131A CN112861637B CN 112861637 B CN112861637 B CN 112861637B CN 202110048131 A CN202110048131 A CN 202110048131A CN 112861637 B CN112861637 B CN 112861637B
- Authority
- CN
- China
- Prior art keywords
- database
- person
- sub
- undefined
- comparison
- 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
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
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
- G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
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
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……αn,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……αn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an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……αn,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……αn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……ξn,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an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……αn,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……αn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an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……αn,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……αn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……ξn,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……αn,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……αn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……ξn,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。
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……αn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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110048131.7A CN112861637B (zh) | 2021-01-14 | 2021-01-14 | 一种基于多视频人员跟踪的站内人像特征比对识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110048131.7A CN112861637B (zh) | 2021-01-14 | 2021-01-14 | 一种基于多视频人员跟踪的站内人像特征比对识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861637A CN112861637A (zh) | 2021-05-28 |
CN112861637B true CN112861637B (zh) | 2023-04-28 |
Family
ID=76005984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110048131.7A Active CN112861637B (zh) | 2021-01-14 | 2021-01-14 | 一种基于多视频人员跟踪的站内人像特征比对识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861637B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427421A (zh) * | 2015-11-16 | 2016-03-23 | 苏州市公安局虎丘分局 | 基于人脸识别的门禁控制方法 |
CN106469296A (zh) * | 2016-08-30 | 2017-03-01 | 北京旷视科技有限公司 | 人脸识别方法、装置和门禁系统 |
CN110942545A (zh) * | 2019-11-20 | 2020-03-31 | 中船重工(武汉)凌久高科有限公司 | 基于人脸识别和视频围栏的人员密集出入口门禁控制系统及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679125B (zh) * | 2012-09-24 | 2016-12-21 | 致伸科技股份有限公司 | 人脸追踪的方法 |
JP6909657B2 (ja) * | 2017-07-12 | 2021-07-28 | 株式会社日立製作所 | 映像認識システム |
CN109544595B (zh) * | 2018-10-29 | 2020-06-16 | 苏宁易购集团股份有限公司 | 一种顾客路径追踪方法及系统 |
CN110378195B (zh) * | 2019-05-27 | 2021-10-15 | 浙江工业大学 | 基于直方图缓存法的多目标跟踪方法 |
CN110491004B (zh) * | 2019-08-14 | 2021-06-25 | 金陵科技学院 | 一种居民社区人员安全管理系统及方法 |
-
2021
- 2021-01-14 CN CN202110048131.7A patent/CN112861637B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427421A (zh) * | 2015-11-16 | 2016-03-23 | 苏州市公安局虎丘分局 | 基于人脸识别的门禁控制方法 |
CN106469296A (zh) * | 2016-08-30 | 2017-03-01 | 北京旷视科技有限公司 | 人脸识别方法、装置和门禁系统 |
CN110942545A (zh) * | 2019-11-20 | 2020-03-31 | 中船重工(武汉)凌久高科有限公司 | 基于人脸识别和视频围栏的人员密集出入口门禁控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112861637A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fernando et al. | Self-supervised video representation learning with odd-one-out networks | |
CN111260594B (zh) | 一种无监督的多模态图像融合方法 | |
CN109063666A (zh) | 基于深度可分离卷积的轻量化人脸识别方法及系统 | |
US8135220B2 (en) | Face recognition system and method based on adaptive learning | |
Thapar et al. | VGR-net: A view invariant gait recognition network | |
CN110232361B (zh) | 基于三维残差稠密网络的人体行为意图识别方法与系统 | |
CN106778501B (zh) | 基于压缩跟踪与ihdr增量学习的视频人脸在线识别方法 | |
CN101231703A (zh) | 基于相关向量机和提升学习的多人脸跟踪方法 | |
CN110020626B (zh) | 一种基于注意力机制的多源异构数据身份识别方法 | |
CN114882537B (zh) | 一种基于神经辐射场的手指新视角图像生成方法 | |
CN113505717B (zh) | 一种基于人脸面部特征识别技术的在线通行系统 | |
CN112861637B (zh) | 一种基于多视频人员跟踪的站内人像特征比对识别方法 | |
CN106886771B (zh) | 基于模块化pca的图像主信息提取方法及人脸识别方法 | |
AU2021240278A1 (en) | Face identification methods and apparatuses | |
Kim et al. | Facial dynamic modelling using long short-term memory network: Analysis and application to face authentication | |
CN110211123B (zh) | 一种深度学习神经网络的优化方法、装置及系统 | |
CN110490057A (zh) | 一种基于人脸大数据人工智能聚类的自适应识别方法与系统 | |
Karungaru et al. | Face recognition in colour images using neural networks and genetic algorithms | |
CN116563937A (zh) | 基于关键帧的多粒度特征学习步态识别方法 | |
Zuobin et al. | Effective feature fusion for pattern classification based on intra-class and extra-class discriminative correlation analysis | |
CN114973099A (zh) | 一种基于可回溯目标识别的智能寻物方法及系统 | |
CN114429646A (zh) | 基于深度自注意力变换网络的步态识别方法 | |
Sivasangari et al. | Facial recognition system using decision tree algorithm | |
CN112084867A (zh) | 一种基于人体骨架点距离的行人定位跟踪方法 | |
CN115050093B (zh) | 一种基于分阶段多级金字塔的跨视角步态识别方法 |
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 |