CN113947789A - 一种赛事用场景人脸识别技术 - Google Patents

一种赛事用场景人脸识别技术 Download PDF

Info

Publication number
CN113947789A
CN113947789A CN202111057654.4A CN202111057654A CN113947789A CN 113947789 A CN113947789 A CN 113947789A CN 202111057654 A CN202111057654 A CN 202111057654A CN 113947789 A CN113947789 A CN 113947789A
Authority
CN
China
Prior art keywords
face
image
module
snapshot
database
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
Application number
CN202111057654.4A
Other languages
English (en)
Inventor
俞进森
陈影
何德利
王海鹰
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.)
Beijing Ping Technology Co ltd
Original Assignee
Beijing Ping 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 Beijing Ping Technology Co ltd filed Critical Beijing Ping Technology Co ltd
Priority to CN202111057654.4A priority Critical patent/CN113947789A/zh
Publication of CN113947789A publication Critical patent/CN113947789A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种赛事用场景人脸识别技术,涉及人脸识别技术领域,包括监控中心、数据库、人脸数据采集模块、图像预处理模块、模型训练模块、人脸识别模块、布控和轨迹追踪模块以及预警模块;针对赛场内的复杂场景中采集到的人脸存在的人脸图像低分辨率以及人脸姿态、表情、光照、遮挡等变化,首先对图像进行预处理,在预处理的基础上进行特征提取,通过特征比对确认目标的身份,可快速有效鉴别可疑目标,挖掘场馆人员轨迹信息。

Description

一种赛事用场景人脸识别技术
技术领域
本发明属于人脸识别技术领域,具体是一种赛事用场景人脸识别技术。
背景技术
人脸识别是数字信息发展中的一种生物特征识别技术,通过摄像机采集含有人脸的图像或者视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行人脸定位、人脸识别预处理、记忆存储和比对,从而达到识别不同人身份的目的,随着人脸识别技术的发展,也开始逐渐应用至各个赛事中。
现有的技术中,由于赛场环境比较复杂,这对人脸识别造成较大的干扰,同时由于赛场内人员流动大,无法对进入赛场的人员进行有效的运动轨迹监控,存在安全隐患,为了解决上述问题,现提供一种赛事用场景人脸识别技术。
发明内容
本发明的目的在于提供一种赛事用场景人脸识别技术。
本发明的目的可以通过以下技术方案实现:一种赛事用场景人脸识别技术,包括监控中心、数据库、人脸数据采集模块、图像预处理模块、模型训练模块、人脸识别模块、布控和轨迹追踪模块以及预警模块;
所述数据库,用于建立人脸模型数据子库、身份信息子库、人脸布控子库和人脸抓拍子库;
所述图像预处理模块,用于对人脸数据采集模块获取到的赛场内的待识别人脸图像进行预处理;
所述模型训练模块,用于对人脸模型数据子库进行训练
所述人脸识别模块,用于对人脸数据采集模块获取到的赛场内的人脸图像进行人脸识别;
所述布控和轨迹追踪模块,用于对可疑目标进行告警,以及对用户在赛场内的轨迹进行追踪和记录。
进一步的,所述人脸模型数据子库内还分别建立有全人脸数据子集和口罩人脸数据子集。
进一步的,所述全人脸数据子集的建立过程包括:通过人脸数据采集模块获取人脸图像,对图像进行清洗,去除图像中存在的错误标记,获得全人脸数据子集。
进一步的,所述口罩人脸数据子集的建立过程包括:将清洗后的全人脸数据子集通过人脸三维重建方法进行加口罩处理,获得口罩人脸数据子集,将全人脸数据子集和口罩人脸数据子集进行合并,获得人脸训练数据集。
进一步的,对人脸训练数据集中的图像进行预处理的过程包括:使用CenterFace算法检测人脸训练图像中的人脸位置,并对人脸训练图像中的人脸位置进行标记,将除人脸位置以外的部分进行清除;提取人脸两个眼睛的中心、鼻尖、两嘴角五个关键点;使用相似变换校准人脸,并归一化到112*112大小的彩色图像上。
进一步的,对人脸训练数据集进行训练的过程包括:搭建人脸识别网络,采用IR101深度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,得到人脸特征提取模型。
进一步的,所述身份信息子库用于存储拥有进入赛场权限的人员的用户信息和结构化人脸特征数据;所述人脸布控子库用于存储可疑人员信息和结构化人脸特征数据,其中用户信息包括用户的姓名、年龄、性别、实名认证的手机号码、照片以及身份信息;所述人脸抓拍子库用于存储历史抓拍现场图像、结构化人脸特征数据、抓拍地点和抓拍时间等信息。
进一步的,对待识别人脸图像的预处理过程包括:对采集到的人脸图像进行图像质量评价,并输出评价结果;若评价结果为图像质量差,则通过图像超分辨率重建技术提高人脸图像的图像质量;对人脸图像中的人脸进行归一化处理,从而使得人脸归一化至同一个视角。
进一步的,人脸识别的过程包括:将预处理后的人脸图像进行特征提取,与身份信息子库中的人脸特征进行一一比对,从而获得余弦相似值,同时使用SSE对点积进行性能优化,最后将所有余弦相似度值按照从大到小的顺序进行排序得到最终的识别结果;当无法获得与身份信息子库数据的匹配结果时,则判定为非法进入赛场的人员,同时通过预警模块发出警报;若与身份信息子库中的数据匹配成功,则进一步地获取该人员的用户信息。
进一步的,布控和轨迹追踪过程包括:对各监控设备抓拍的人脸图像在人脸布控子库中检索,若检索存在于人脸布控子库,则触发报警信息;对身份信息子库中人脸图像在人脸抓拍子库中检索,检索成功后记录其抓拍人脸图像、抓拍摄像机编号及其出现时间,存储到人脸轨迹数据库中,形成人脸轨迹。
本发明的有益效果:针对赛场内的复杂场景中采集到的人脸,存在的人脸图像低分辨率以及人脸姿态、表情、光照、遮挡等变化,首先对图像进行预处理,在预处理的基础上进行特征提取,通过特征比对确认目标的身份,可快速有效鉴别可疑目标,挖掘场馆人员轨迹信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的前提下,还可以根据这些附图获得其他的附图。
图1为一种赛事用场景人脸识别技术的原理框图。
具体实施方式
如图1所示,一种赛事用场景人脸识别,包括监控中心、数据库、人脸数据采集模块、图像预处理模块、模型训练模块、人脸识别模块、布控和轨迹追踪模块以及预警模块;
所述数据库用于建立人脸模型数据子库、身份信息子库、人脸布控子库和人脸抓拍子库;其中人脸模型数据子库内还分别建立有全人脸数据子集和口罩人脸数据子集;
所述全人脸数据子集和口罩人脸数据子集的具体建立过程包括以下步骤:
步骤S1:通过人脸数据采集模块获取人脸图像,并对获取到的人脸图像进行标记;
步骤S2:对图像进行清洗,去除图像中存在的错误标记,获得全人脸数据子集;
步骤S3:将清洗后的全人脸数据子集通过人脸三维重建方法进行加口罩处理,获得口罩人脸数据子集;
步骤S4:将全人脸数据子集和口罩人脸数据子集进行合并,获得人脸训练数据集。
所述图像预处理模块用于对人脸训练数据集中的人脸图像进行预处理,具体过程包括以下步骤:
步骤L1:使用CenterFace算法检测人脸训练图像中的人脸位置,并对人脸训练图像中的人脸位置进行标记,将除人脸位置以外的部分进行清除;
步骤L2:提取人脸两个眼睛的中心、鼻尖、两嘴角五个关键点;
步骤L3:使用相似变换校准人脸,并归一化到112*112大小的彩色图像上。
所述对人脸训练数据集进行训练的过程包括以下步骤:
步骤X1:搭建人脸识别网络,采用IR101深度神经网络作为特征提取网络;
步骤X2:采用课程学习损失函数进行训练,得到人脸特征提取模型。
所述身份信息子库用于存储拥有进入赛场权限的人员的用户信息和结构化人脸特征数据;所述人脸布控子库用于存储可疑人员信息和结构化人脸特征数据,其中用户信息包括用户的姓名、年龄、性别、实名认证的手机号码、照片以及身份信息;所述人脸抓拍子库用于存储历史抓拍现场图像、结构化人脸特征数据、抓拍地点和抓拍时间等信息。
在实际使用过程中,通过人脸数据采集模块实时获取赛场内的人脸图像,人脸采集模块由若干个人脸采集终端组成,若干个人脸采集终端按照需求安装在赛场内的合适位置,然后将获得的人脸图像发送至图像预处理模块中;
所述图像预处理模块还用于对人脸数据采集模块获取到的赛场内的待识别人脸图像进行预处理,具体过程包括以下步骤:
步骤Y1:对采集到的人脸图像进行图像质量评价,并输出评价结果;
步骤Y2:若评价结果为图像质量差,则通过图像超分辨率重建技术提高人脸图像的图像质量;
步骤Y3:对人脸图像中的人脸进行归一化处理,从而使得人脸归一化至同一个视角,从而达到消除姿态、光照、表情等人脸变化对人脸识别性能的影响;
步骤Y4:将预处理后的人脸图像发送至人脸识别模块。
所述人脸识别模块用于对人脸数据采集模块获取到的赛场内的人脸图像进行人脸识别,具体过程包括以下步骤:
步骤R1:将预处理后的人脸图像进行特征提取;
步骤R2:与身份信息子库中的人脸特征进行一一比对,从而获得余弦相似值,同时使用SSE对点积进行性能优化,加速人脸比对过程,最后将所有余弦相似度值按照从大到小的顺序进行排序得到最终的识别结果;
步骤R3:若无法获得与身份信息子库数据的匹配结果,则判定该人员为非法进入赛场的人员,同时通过预警模块发出警报;若与身份信息子库中的数据匹配成功,则进一步地获取该人员的用户信息。
所述布控和轨迹追踪模块用于对可以目标进行告警,以及对用户在赛场内的轨迹进行追踪和记录。对各监控设备抓拍的人脸图像在人脸布控子库中检索,若检索存在于人脸布控子库,则触发报警信息。对身份信息子库中人脸图像在人脸抓拍子库中检索,检索成功后记录其抓拍人脸图像、抓拍摄像机编号及其出现时间,存储到人脸轨迹数据库中,形成人脸轨迹。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围,此外,术语“第一”、“第二”仅用于描述目的,而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。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。在本发明所提供的实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式;所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方法的目的。
另对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方法而非限制,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法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。

Claims (10)

1.一种赛事用场景人脸识别技术,其特征在于,包括监控中心、数据库、人脸数据采集模块、图像预处理模块、模型训练模块、人脸识别模块、布控和轨迹追踪模块以及预警模块;
所述数据库,用于建立人脸模型数据子库、身份信息子库、人脸布控子库和人脸抓拍子库;
所述图像预处理模块,用于对人脸数据采集模块获取到的赛场内的待识别人脸图像进行预处理;
所述模型训练模块,用于对人脸模型数据子库进行训练
所述人脸识别模块,用于对人脸数据采集模块获取到的赛场内的人脸图像进行人脸识别;
所述布控和轨迹追踪模块,用于对可疑目标进行告警,以及对用户在赛场内的轨迹进行追踪和记录。
2.根据权利要求1所述的一种赛事用场景人脸识别技术,其特征在于,所述人脸模型数据子库内还分别建立有全人脸数据子集和口罩人脸数据子集。
3.根据权利要求2所述的一种赛事用场景人脸识别技术,其特征在于,所述全人脸数据子集的建立过程包括:通过人脸数据采集模块获取人脸图像,对图像进行清洗,去除图像中存在的错误标记,获得全人脸数据子集。
4.根据权利要求2所述的一种赛事用场景人脸识别技术,其特征在于,所述口罩人脸数据子集的建立过程包括:将清洗后的全人脸数据子集通过人脸三维重建方法进行加口罩处理,获得口罩人脸数据子集,将全人脸数据子集和口罩人脸数据子集进行合并,获得人脸训练数据集。
5.根据权利要求4所述的一种赛事用场景人脸识别技术,其特征在于,对人脸训练数据集中的图像进行预处理的过程包括:使用CenterFace算法检测人脸训练图像中的人脸位置,并对人脸训练图像中的人脸位置进行标记,将除人脸位置以外的部分进行清除;提取人脸两个眼睛的中心、鼻尖、两嘴角五个关键点;使用相似变换校准人脸,并归一化到112*112大小的彩色图像上。
6.根据权利要求5所述的一种赛事用场景人脸识别技术,其特征在于,对人脸训练数据集进行训练的过程包括:搭建人脸识别网络,采用IR101深度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,得到人脸特征提取模型。
7.根据权利要求1所述的一种赛事用场景人脸识别技术,其特征在于,所述身份信息子库用于存储拥有进入赛场权限的人员的用户信息和结构化人脸特征数据;所述人脸布控子库用于存储可疑人员信息和结构化人脸特征数据,其中用户信息包括用户的姓名、年龄、性别、实名认证的手机号码、照片以及身份信息;所述人脸抓拍子库用于存储历史抓拍现场图像、结构化人脸特征数据、抓拍地点和抓拍时间等信息。
8.根据权利要求1所述的一种赛事用场景人脸识别技术,其特征在于,对待识别人脸图像的预处理过程包括:对采集到的人脸图像进行图像质量评价,并输出评价结果;若评价结果为图像质量差,则通过图像超分辨率重建技术提高人脸图像的图像质量;对人脸图像中的人脸进行归一化处理,从而使得人脸归一化至同一个视角。
9.根据权利要求8所述的一种赛事用场景人脸识别技术,其特征在于,人脸识别的过程包括:将预处理后的人脸图像进行特征提取,与身份信息子库中的人脸特征进行一一比对,从而获得余弦相似值,同时使用SSE对点积进行性能优化,最后将所有余弦相似度值按照从大到小的顺序进行排序得到最终的识别结果;当无法获得与身份信息子库数据的匹配结果时,则判定为非法进入赛场的人员,同时通过预警模块发出警报;若与身份信息子库中的数据匹配成功,则进一步地获取该人员的用户信息。
10.根据权利要求1所述的一种赛事用场景人脸识别技术,其特征在于,布控和轨迹追踪过程包括:对各监控设备抓拍的人脸图像在人脸布控子库中检索,若检索存在于人脸布控子库,则触发报警信息;对身份信息子库中人脸图像在人脸抓拍子库中检索,检索成功后记录其抓拍人脸图像、抓拍摄像机编号及其出现时间,存储到人脸轨迹数据库中,形成人脸轨迹。
CN202111057654.4A 2021-09-09 2021-09-09 一种赛事用场景人脸识别技术 Pending CN113947789A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111057654.4A CN113947789A (zh) 2021-09-09 2021-09-09 一种赛事用场景人脸识别技术

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111057654.4A CN113947789A (zh) 2021-09-09 2021-09-09 一种赛事用场景人脸识别技术

Publications (1)

Publication Number Publication Date
CN113947789A true CN113947789A (zh) 2022-01-18

Family

ID=79328021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111057654.4A Pending CN113947789A (zh) 2021-09-09 2021-09-09 一种赛事用场景人脸识别技术

Country Status (1)

Country Link
CN (1) CN113947789A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116935462A (zh) * 2023-06-09 2023-10-24 海易科技(北京)有限公司 图像处理方法、装置、电子设备和计算机可读介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116935462A (zh) * 2023-06-09 2023-10-24 海易科技(北京)有限公司 图像处理方法、装置、电子设备和计算机可读介质
CN116935462B (zh) * 2023-06-09 2024-05-17 海易科技(北京)有限公司 图像处理方法、装置、电子设备和计算机可读介质

Similar Documents

Publication Publication Date Title
CN109271554B (zh) 一种智能视频识别系统及其应用
CN109934176B (zh) 行人识别系统、识别方法及计算机可读存储介质
Kumar et al. The p-destre: A fully annotated dataset for pedestrian detection, tracking, and short/long-term re-identification from aerial devices
US6975346B2 (en) Method for suspect identification using scanning of surveillance media
CN108229335A (zh) 关联人脸识别方法和装置、电子设备、存储介质、程序
US20070201694A1 (en) Privacy management in imaging system
US8130285B2 (en) Automated searching for probable matches in a video surveillance system
CN109815813B (zh) 图像处理方法及相关产品
CN105574506A (zh) 基于深度学习和大规模集群的智能人脸追逃系统及方法
US20220180534A1 (en) Pedestrian tracking method, computing device, pedestrian tracking system and storage medium
CN106355154B (zh) 一种监控视频中检测频繁过人的方法
CN108108711B (zh) 人脸布控方法、电子设备及存储介质
CN110781798A (zh) 一种基于树莓派和人脸识别的车载嫌疑犯锁定系统
CN109492614A (zh) 一种基于安防视频识别面部特征的方法及系统
CN111242077A (zh) 一种人物追踪方法、系统及服务器
CN112163503A (zh) 办案区人员无感轨迹生成方法、系统、存储介质及设备
CN113947742A (zh) 一种基于人脸识别的人员轨迹追踪方法与装置
KR20180085505A (ko) 얼굴인식을 통한 학습형 실시간 안내 시스템 및 그 안내 방법
CN113947789A (zh) 一种赛事用场景人脸识别技术
CN113436231A (zh) 行人轨迹生成方法、装置、设备及存储介质
CN111738059A (zh) 一种面向无感场景的人脸识别方法
CN110245648A (zh) 基于人像识别的智慧单警系统
CN113989914B (zh) 一种基于人脸识别的安防监控方法及系统
WO2022134916A1 (zh) 身份特征生成方法、设备及存储介质
CN110110620A (zh) 一种基于人脸识别的学生行为管理系统及设计方法

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