CN115862113A - 陌生人异常识别方法、装置、设备及存储介质 - Google Patents
陌生人异常识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115862113A CN115862113A CN202211640257.4A CN202211640257A CN115862113A CN 115862113 A CN115862113 A CN 115862113A CN 202211640257 A CN202211640257 A CN 202211640257A CN 115862113 A CN115862113 A CN 115862113A
- Authority
- CN
- China
- Prior art keywords
- face
- image data
- feature vector
- model
- distribution center
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及物流领域,公开了陌生人异常识别方法、装置、设备及存储介质,用于提高分拨中心的监测区域中陌生人检测识别的准确性,以及提高分拨中心监控物流配送的安全性。该方法包括:制作第一训练集和第二训练集;构建retinaface优化模型和insightface优化模型;将第一训练集和第二训练集分别输入retinaface优化模型和insightface优化模型进行训练,得到人脸信息提取模型和人脸特征向量提取模型;获取分拨中心人脸数据库样本,经人脸信息提取模型和人脸特征向量提取模型提取得到分拨中心人脸特征向量库;获取分拨中心实时图像数据,经人脸信息提取模型和人脸特征向量提取模型提取得到待识别人脸特征向量,并将待识别人脸特征向量与分拨中心人脸特征向量库进行比对,得到对比结果。
Description
技术领域
本发明涉及物流技术领域,尤其涉及一种陌生人异常识别方法、装置、设备及存储介质。
背景技术
人脸识别技术利用人的面部特征进行身份辨识,是目前所有生物识别技术中对使用者影响最小的技术。较之于其它的生物识别技术,人的面部特征是非常稳定可靠的,而且“携带”便利,人脸也是用于区分人的首要特征。
基于机器学习、深度学习模型的人脸识别技术开发的人脸布控系统,可以提供人证比对、人脸注册、人脸布控、人数抓拍统计、人脸库管理、检索历史比对记录等核心业务功能,可应用于人流密集或有针对性的重点场所进行人员身份认证和人脸实时布控,提供快速、高效、准确的实时告警,后续可通过大规模人脸库检索,进一步实现人员轨迹搜索、数据挖掘等智能应用。
分拨中心是物流行业运作的经济活动组织,也就是集加工、理货、送货等多种职能于一体的物流据点。分拨中心管理目前虽然具有全方位和全时段的摄像监控,但缺乏对异常闯入的陌生人进行检测识别和及时报警,导致分拨中心存在陌生人检测识别的准确性低和物流配送安全性差的问题。
发明内容
本发明提供了一种陌生人异常识别方法、装置、设备及存储介质,用于提高分拨中心的监测区域中陌生人检测识别的准确性,以及提高分拨中心监控物流配送的安全性。
本发明第一方面提供了一种陌生人异常识别方法,包括:获取多张人脸图像数据,得到人脸样本图像数据集,并根据所述人脸样本图像数据集制作第一训练集和第二训练集;构建基于Distance-IoU损失函数的retinaface优化模型;构建基于Arcface损失函数的insightface优化模型;将所述第一训练集输入所述retinaface优化模型进行训练,得到人脸信息提取模型;将所述第二训练集输入所述insightface优化模型进行训练,得到人脸特征向量提取模型;获取分拨中心人脸数据库样本,将获取的分拨中心人脸数据库样本输入所述人脸信息提取模型进行人脸信息提取,得到分拨中心人脸信息,并将所述分拨中心人脸信息输入到所述人脸特征向量提取模型进行人脸特征向量提取,得到分拨中心人脸特征向量库;获取分拨中心实时图像数据,将包含人脸的图像数据输入所述人脸信息提取模型进行人脸信息提取,得到待识别人脸信息,并将所述待识别人脸信息输入到所述人脸特征向量提取模型进行人脸特征向量提取,得到待识别人脸特征向量,并将所述待识别人脸特征向量与所述分拨中心人脸特征向量库进行比对,得到对比结果,所述对比结果用于指示分拨中心的监测区域中是否存在异常陌生人。
可选的,在本发明第一方面的第一种实现方式中,所述获取多张人脸图像数据,得到人脸样本图像数据集,并根据所述人脸样本图像数据集制作第一训练集和第二训练集,包括:调取分拨中心摄像头,采集多张人员图像;对所述多张人员图像进行筛选处理,若人员图像中存在人脸则输出该图像作为人脸图像数据,多张所述人脸图像数据组成所述人脸样本图像数据集;从所述人脸样本图像数据集选取至少部分人脸图像数据,得到第一图像数据集;对所述第一图像数据集的人脸进行标注,得到所述第一训练集;从所述人脸样本图像数据集选取至少部分人脸图像数据,得到第二图像数据集;将所述第二图像数据集中的人脸图像数据以个人为单位进行划分,并创建多个以个人为单位的文件夹,并将划分好的人脸图像数据放入对应的文件夹,得到所述第二训练集。
可选的,在本发明第一方面的第二种实现方式中,所述构建基于Distance-IoU损失函数的retinaface优化模型包括:基于retinaface模型构建基础架构,所述基础架构包括主干网络、FPN模块和检测模块;选择mobilenet作为所述主干网络,选择SSH模块作为所述检测模块,得到retinaface初始模型;将所述retinaface初始模型的损失函数替换为Distance-IoU损失函数,得到所述retinaface优化模型,所述retinaface优化模型的预测结果包括分类结果、人脸框的回归结果、人脸关键点的回归预测结果。
可选的,在本发明第一方面的第三种实现方式中,所述构建基于Arcface损失函数的insightface优化模型包括:构建Resnet网络;将所述Resnet网络的第一个7x7卷积层替换为3x3的卷积层,并将其步幅调整为1;使用BN-Conv-BN-PReLu-Conv-BN结构作为残差单元,得到insightface模型初始模型;将所述insightface初始模型的损失函数替换为Arcface损失函数,得到insightface优化模型。
可选的,在本发明第一方面的第四种实现方式中,所述将所述第一训练集输入所述retinaface优化模型进行训练,得到人脸信息提取模型,包括:将所述第一训练集进行扩增和缩放处理,得到训练图像集;将所述训练图像集输入retinaface优化模型进行训练,得到模型输出结果;根据所述模型输出结果,利用所述Distance-IoU损失函数计算所述retinaface优化模型的损失;根据所述retinaface优化模型的损失调整所述retinaface优化模型的参数,直到模型收敛时,得到所述人脸信息提取模型。
可选的,在本发明第一方面的第五种实现方式中,所述将所述第一训练集进行扩增和缩放处理,得到训练图像集,包括:从所述第一训练集任意选取多张人脸图像数据,并从每张选取的人脸图像数据中随机选取一个方块,若方块中没有人脸,则重新选取新的方块,若选取方块的次数超过预设选取次数,则使用原图,得到初始图像数据集;将所述初始图像数据集进行几何变换,得到第一扩增图像数据;将所述第一扩增图像数据进行颜色变换,得到第二扩增图像数据;将所述第二扩增图像数据的大小调整为300*300,得到所述训练图像集。
可选的,在本发明第一方面的第六种实现方式中,所述获取分拨中心实时图像数据,将包含人脸的图像数据输入所述人脸信息提取模型进行人脸信息提取,得到待识别人脸信息,并将所述待识别人脸信息输入到所述人脸特征向量提取模型进行人脸特征向量提取,得到待识别人脸特征向量,并将所述待识别人脸特征向量与所述分拨中心人脸特征向量库进行比对,得到对比结果,所述对比结果用于指示分拨中心的监测区域中是否存在异常陌生人,包括:获取分拨中心实时图像数据,将所述分拨中心实时图像数据分为有人脸的实时图像和无人脸的实时图像;将所述有人脸的实时图像输入所述人脸信息提取模型进行人脸信息提取,得到待识别人脸信息;将所述待识别人脸信息输入到所述人脸特征向量提取模型进行人脸特征向量提取,得到待识别人脸特征向量;将所述待识别人脸特征向量与所述分拨中心人脸特征向量库进行比对;若所述待识别人脸特征向量属于所述分拨中心人脸特征向量库的人脸特征向量,则判定所述实时图像数据中的人属于分拨中心的员工,并输出其工号和位置;若所述待识别人脸特征向量不属于分拨中心人脸特征向量库的人脸特征向量,则判定所述实时图像数据中的人为异常陌生人,并将其标记为异常陌生人,以及将该实时图像回传至报警系统。
本发明第二方面提供了一种陌生人异常识别装置,包括第一获取模块,用于获取多张人脸图像数据,得到人脸样本图像数据集,并根据所述人脸样本图像数据集制作第一训练集和第二训练集;第一构建模块,用于构建基于Distance-IoU损失函数的retinaface优化模型;第二构建模块,用于构建基于Arcface损失函数的insightface优化模型;第一训练模块,用于将所述第一训练集输入所述retinaface优化模型进行训练,得到人脸信息提取模型;第二训练模块,用于将所述第二训练集输入所述insightface优化模型进行训练,得到人脸特征向量提取模型;第二获取模块,用于获取分拨中心人脸数据库样本,将获取的分拨中心人脸数据库样本输入所述人脸信息提取模型进行人脸信息提取,得到分拨中心人脸信息,并将所述分拨中心人脸信息输入到所述人脸特征向量提取模型进行人脸特征向量提取,得到分拨中心人脸特征向量库;比对模块,用于获取分拨中心实时图像数据,将包含人脸的图像数据输入所述人脸信息提取模型进行人脸信息提取,得到待识别人脸信息,并将所述待识别人脸信息输入到所述人脸特征向量提取模型进行人脸特征向量提取,得到待识别人脸特征向量,并将所述待识别人脸特征向量与所述分拨中心人脸特征向量库进行比对,得到对比结果,所述对比结果用于指示分拨中心的监测区域中是否存在异常陌生人。
可选的,在本发明第二方面的第一种实现方式中,所述第一获取模块包括:采集单元,用于调取分拨中心摄像头,采集多张人员图像;筛选单元,用于对多张人员图像进行筛选处理,若人员图像中存在人脸则输出该图像作为人脸图像数据,多张人脸图像数据组成人脸样本图像数据集;第一选取单元,用于从人脸样本图像数据集选取至少部分人脸图像数据,得到第一图像数据集;第一训练集制作单元,用于对第一图像数据集的人脸进行标注,得到第一训练集;第二选取单元,用于从人脸样本图像数据集选取至少部分人脸图像数据,得到第二图像数据集;第二训练集制作单元,用于将第二图像数据集中的人脸图像数据以个人为单位进行划分,并创建多个以个人为单位的文件夹,并将划分好的人脸图像数据放入对应的文件夹,得到第二训练集。
可选的,在本发明第二方面的第二种实现方式中,所述第一构建模块包括:基础架构构建单元,用于基于retinaface模型构建基础架构,基础架构包括主干网络、FPN模块和检测模块;第一模型构建单元,选择mobilenet作为主干网络,选择SSH模块作为检测模块,得到retinaface初始模型;第二模型构建单元,用于将retinaface初始模型的损失函数替换为Distance-IoU损失函数,得到retinaface优化模型。
可选的,在本发明第二方面的第三种实现方式中,所述第二构建模块:第三模型构建单元,用于构建Resnet网络;第四模型构建单元,用于将Resnet网络的第一个7x7卷积层替换为3x3的卷积层,并将其步幅调整为1;第五模型构建单元,用于使用BN-Conv-BN-PReLu-Conv-BN结构作为残差单元,得到insightface模型初始模型用于,第六模型构建单元,用于将insightface初始模型的损失函数替换为Arcface损失函数,得到insightface优化模型
可选的,在本发明第二方面的第四种实现方式中,所述第一训练模块包括:第一处理单元,用于将第一训练集进行扩增和缩放处理,得到训练图像集;训练单元,用于将训练图像集输入retinaface优化模型进行训练,得到模型输出结果;计算单元,用于根据模型输出结果,利用Distance-IoU损失函数计算retinaface优化模型的损失;调整单元,用于根据retinaface优化模型的损失调整retinaface优化模型的参数,直到模型收敛时,得到人脸信息提取模型。
可选的,在本发明第二方面的第五种实现方式中,所述比对模块包括:获取单元,用于获取分拨中心实时图像数据,将分拨中心实时图像数据分为有人脸的实时图像和无人脸的实时图像;人脸信息提取单元,用于将有人脸的实时图像输入人脸信息提取模型进行人脸信息提取,得到待识别人脸信息;人脸特征向量提取单元,用于将待识别人脸信息输入到人脸特征向量提取模型进行人脸特征向量提取,得到待识别人脸特征向量;比对单元,用于将待识别人脸特征向量与分拨中心人脸特征向量库进行比对;第二处理单元,用于在判定待识别人脸特征向量属于分拨中心人脸特征向量库的人脸特征向量,则判定实时图像数据中的人属于分拨中心的员工,并输出其工号和位置,第三处理单元,用于在判定待识别人脸特征向量不属于分拨中心人脸特征向量库的人脸特征向量,则判定实时图像数据中的人为异常陌生人,并将其标记为异常陌生人,以及将该实时图像回传至报警系统。
本发明第三方面提供了一种陌生人异常识别设备,包括:存储器和至少一个处理器,所述存储器中存储有计算机可读指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述计算机可读指令,以使得所述陌生人异常识别设备执行如上所述陌生人异常识别方法的各个步骤。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可读指令,当其在计算机上运行时,使得计算机执行如上所述陌生人异常识别方法的各个步骤。
本发明提供的技术方案中,通过构建retinaface优化模型和insightface优化模型,并利用第一训练集和第二训练集分别对retinaface优化模型和insightface优化模型进行训练,得到人脸信息提取模型和人脸特征向量提取模型,并将分拨中心人脸数据库样本输入人脸信息提取模型,输出分拨中心人脸信息,再将分拨中心人脸信息输入人脸特征向量提取模型,输出分拨中心人脸特征向量库,最后,通过将分拨中心实时图像数据输入人脸信息提取模型进行人脸信息提取,得到待识别人脸信息,并将待识别人脸信息输入到人脸特征向量提取模型进行人脸特征向量提取,得到待识别人脸特征向量,并将待识别人脸特征向量分拨中心人脸特征向量库比对,提高了分拨中心的监测区域中陌生人检测识别的准确性,以及提高了分拨中心监控物流配送的安全性。
附图说明
图1为本发明实施例提供的陌生人异常识别方法的第一种流程图;
图2为本发明实施例提供的陌生人异常识别方法的第二种流程图;
图3为本发明实施例提供的陌生人异常识别方法的第三种流程图;
图4为本发明实施例提供的陌生人异常识别方法的第四种流程图;
图5为本发明实施例提供的陌生人异常识别方法的第五种流程图;
图6为本发明实施例提供的陌生人异常识别方法的第六种流程图;
图7为本发明实施例提供的陌生人异常识别装置的结构示意图;
图8为本发明实施例提供的陌生人异常识别设备的结构示意图。
具体实施方式
本发明实施例提供了陌生人异常识别方法、装置、设备及存储介质,用于提高分拨中心的监测区域中陌生人检测识别的准确性,以及提高分拨中心监控物流配送的安全性。该方法包括:获取多张人脸图像数据,得到人脸样本图像数据集,并根据人脸样本图像数据集制作第一训练集和第二训练集;构建基于Distance-IoU损失函数的retinaface优化模型;构建基于Arcface损失函数的insightface优化模型;将第一训练集输入retinaface优化模型进行训练,得到人脸信息提取模型;将第二训练集输入insightface优化模型进行训练,得到人脸特征向量提取模型;获取分拨中心人脸数据库样本,将获取的分拨中心人脸数据库样本输入人脸信息提取模型进行人脸信息提取,得到分拨中心人脸信息,并将所述分拨中心人脸信息输入到人脸特征向量提取模型进行人脸特征向量提取,得到分拨中心人脸特征向量库;获取分拨中心实时图像数据,将包含人脸的图像数据输入人脸信息提取模型进行人脸信息提取,得到待识别人脸信息,并将待识别人脸信息输入到人脸特征向量提取模型进行人脸特征向量提取,得到待识别人脸特征向量,并将待识别人脸特征向量与分拨中心人脸特征向量库进行比对,得到对比结果,对比结果用于指示分拨中心的监测区域中是否存在异常陌生人。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中一种陌生人异常识别方法的第一个实施例包括:
S101、获取多张人脸图像数据,得到人脸样本图像数据集,并根据人脸样本图像数据集制作第一训练集和第二训练集。
可以理解地,本发明的执行主体可以为陌生人异常识别装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
其中,分拨中心是物流行业运作的经济活动组织,也就是集加工、理货、送货等多种职能于一体的物流据点。服务器可以对一个分拨中心(也就是,目标分拨中心)进行监控,也可以对多个分拨中心进行监控,并从至少一个分拨中心中按照预设数量采集多张分拨中心监控图片,多张分拨中心监控图片包括有人脸的图片和无人脸的图片,有人脸的图片是指该分拨中心监控图片中具有人脸姿态特征,人脸姿态特征包括侧脸、正脸、抬头、低头、表情、遮挡,无人脸的图片是指该分拨中心监控图片只有人的背景,或者仅具有分拨中心的环境背景,其中,预设数量为正整数。
具体的,服务器使用预设的摄像头从至少一个分拨中心中获取多个监控视频流;服务器按照预设频率从多个监控视频流中采集多帧视频图像数据;服务器从多帧视频图像数据中删除图片的尺寸小于预设尺寸的图片,得到第一视频图像数据集;服务器从第一视频图像数据集中筛选图片的清晰度大于或等于预设清晰度阈值的第二视频图像数据集;服务器从第二视频图像数据集中筛选图片的灰度值大于或等于预设灰度值的第三视频图像数据集,其中,图片灰度值用于指示图片的亮暗程度;服务器将第三视频图像数据集进行筛选,筛选出包含人脸的照片,并将其设置为多张人脸图像数据,并对多张人脸图像数据进行存储。
进一步地,服务器可以将多张人脸图像数据存储至预设主数据库中,其中,预设主数据库与预设从数据库之间能够实现读写分离,并进行图像数据同步,提高了图像数据读写速度。
S102、构建基于Distance-IoU损失函数的retinaface优化模型。
可以理解地,retinaface的mnet本质是基于RetinaNet的结构,采用了特征金字塔的技术,实现了多尺度信息的融合,对检测小物体有重要的作用。损失函数在神经网络中是最基础也是最为重要的一个要素,它的意义在于真实值与预测值之间的误差。若损失函数越小,代表预测值越接近真实值,神经网络越收敛。retinaface的网络损失层所使用的损失函数是Softmax Loss,Softmax Loss是比较传统的损失函数,他所考虑的问题是样本能否正确分类,但是Softmax Loss在扩大异类样本间的类间距离和缩小同类样本间的类内距离的问题上仍有很大的提升空间,因此本实施例中选用Distance-IoU(DIoU)损失函数来替代原本的Softmax Loss。Distance-IoU损失函数使用了预测框与真实框中心点之间的归一化距离,对于回归问题是尺度不变的。与GIoU损失一样,DIoU损失也为非重叠情况下的预测框提供了移动方向;与GIoU损失不一样的是,DIoU损失直接最小化了预测框和真实框之间的距离,即使在真实框具有水平和垂直方向时,其收敛速度也比GIoU要快得多。
DIoU损失可以加快神经网络的训练过程并且得到更准确的边界框回归结果,将其用于非极大值抑制(NMS)过程中的指标时,可以在有遮挡的情况下提供更为鲁棒的结果。
具体地,DIoU损失函数的公式如下:
DIoU=1-IoU+d/c2
式中,d表示预测框与真实框中心点的欧式距离,c表示覆盖预测框与真实框的最小闭合框的对角线长度。
S103、构建基于Arcface损失函数的insightface优化模型。
可以理解地,Insightface人脸识别算法采用特征金字塔的技术,利用残差连接的方式实现多尺度信息的融合。具体来说,该模型对图像逐步自底向上卷积,产生了多种尺寸的特征图,低层的特征语义信息比较少,但是目标位置准确;高层的特征语义信息比较丰富,但是目标位置比较粗略,该模型在3层特征图每一层检测框分别使用神经网络进行预测,在每层检测框对人脸特征位置点形状驱动深度模型进行训练;生成3个不同尺度上的检测框,每个尺度上又引入了不同尺寸的目标框大小,保证可以检测到不同大小的物体,实现准确、完整检测到所有不同大小的人脸。
S104、将第一训练集输入retinaface优化模型进行训练,得到人脸信息提取模型。
在本实施例中,对retinaface优化模型进行训练时,需要先把第一训练集中的人脸图像数据进行预处理,需要对人脸图像数据的人脸进行标注,并且需要调整其尺寸,使其满足retinaface优化模型的输入格式。再把预处理后的第一训练集输入retinaface优化模型,对retinaface优化模型进行训练,得到训练好的retinaface优化模型,作为为人脸信息提取模型,人脸信息提取模型用于在输入带有人脸的图像数据时,输出该带有人脸的图像数据对应的人脸信息。
S105、将第二训练集输入insightface优化模型进行训练,得到人脸特征向量提取模型。
在本实施例中,需要使用同一个人的多张人脸对insightface优化模型进行训练,因此,第二训练集需要创建多个以个人为单位的文件夹,每个文件夹里有多张人脸图像数据。训练时,将第二训练集输入insightface优化模型进行训练,得到模型输出结果,再根据模型输出结果,利用Arcface损失函数计算insightface优化模型的损失,根据insightface优化模型的损失调整insightface优化模型的参数,直到模型收敛时,得到人脸特征向量提取模型;通过人脸特征向量提取模型对人脸信息进行识别,输出人脸特征向量。
S106、获取分拨中心人脸数据库样本,将获取的分拨中心人脸数据库样本输入人脸信息提取模型进行人脸信息提取,得到分拨中心人脸信息,并将分拨中心人脸信息输入到人脸特征向量提取模型进行人脸特征向量提取,得到分拨中心人脸特征向量库。
可以理解地,可以获取一个分拨中心的分拨中心人脸数据库样本,也可以获取多个分拨中心人脸数据库样本。在本实施例中,为了提高识别速度,可以只获取应用该方案的分拨中心的人脸数据库样本。
具体地,分拨中心人脸数据样本可以是分拨中心的员工自行提供的图片,员工自行提供的图片由管理者统一上传到分拨中心管理平台,也可以是通过分拨中心摄像头采集得到,并存储在分拨中心管理平台,获取分拨中心人脸数据库样本时,直接从分拨中心管理平台获取数据即可。
可以理解地,由于识别分拨中心的监测区域中是否存在异常陌生人是通过比对分拨中心实时图像数据的人脸特征向量,因此,需要先将获取的分拨中心人脸数据库样本输入人脸信息提取模型进行人脸信息提取,得到分拨中心人脸信息,再将分拨中心人脸信息输入到人脸特征向量提取模型进行人脸特征向量提取,得到分拨中心人脸特征向量库。
S107、获取分拨中心实时图像数据,将包含人脸的图像数据输入人脸信息提取模型进行人脸信息提取,得到待识别人脸信息,并将待识别人脸信息输入到人脸特征向量提取模型进行人脸特征向量提取,得到待识别人脸特征向量,并将待识别人脸特征向量与分拨中心人脸特征向量库进行比对,得到对比结果,对比结果用于指示分拨中心的监测区域中是否存在异常陌生人。
在本实施例中,若待识别人脸特征向量属于分拨中心人脸特征向量库的人脸特征向量,则判定实时图像数据中的人属于分拨中心的员工,并输出其工号和位置。
若待识别人脸特征向量不属于分拨中心人脸特征向量库的人脸特征向量,则判定实时图像数据中的人为异常陌生人,并将其标记为异常陌生人。
进一步地,当服务器确定分拨中心的监测区域中存在异常陌生人时,服务器还可以按照预设方式进行预警,其中,预设方式包括邮件方式、短信方式或者触发预警装置,具体此处不做限定。
本实施例提供的是一种陌生人异常识别方法,其通过构建retinaface优化模型和insightface优化模型,并利用第一训练集和第二训练集分别对retinaface优化模型和insightface优化模型进行训练,得到人脸信息提取模型和人脸特征向量提取模型,并将分拨中心人脸数据库样本输入人脸信息提取模型,输出分拨中心人脸信息,再将分拨中心人脸信息输入人脸特征向量提取模型,输出分拨中心人脸特征向量库,最后,通过将分拨中心实时图像数据输入人脸信息提取模型进行人脸信息提取,得到待识别人脸信息,并将待识别人脸信息输入到人脸特征向量提取模型进行人脸特征向量提取,得到待识别人脸特征向量,并将待识别人脸特征向量分拨中心人脸特征向量库比对,提高了分拨中心的监测区域中陌生人检测识别的准确性,以及提高了分拨中心监控物流配送的安全性。
请参阅图2,本发明实施例中陌生人异常识别方法的第二个实施例包括:
S201、调取分拨中心摄像头,采集多张人员图像。
在本实施例中,可以直接调取分拨中心摄像头实时采集多张人员图像,也可以从分拨中心中获取多个以往的监控视频流,从监控视频流获取多张人员图像。
可以理解地,多张人员图像的数量可以为1000张,也可以为2000张,具体此处不做限定。服务器可以采用VOC2007数据集的方式存储多张人员图像。
S202、对多张人员图像进行筛选处理,若人员图像中存在人脸则输出该图像作为人脸图像数据,多张人脸图像数据组成人脸样本图像数据集。
在本实施例中,本方案是为了识别分拨中心的监测区域中是否存在异常陌生人,因此,最终目的是需要实现人脸识别,因此,需要对获取的多张人员图像进行筛选处理,将其分类有人脸的人员图像和无人脸的人员图像,有人脸的人员图像是指该人员图像中具有人脸姿态特征,人脸姿态特征包括侧脸、正脸、抬头、低头、表情、遮挡,无人脸的图片是指该人员图像只有人的背景,或者仅具有分拨中心的环境背景,将有人脸的人员图像放入人脸样本图像数据集。
S203、从人脸样本图像数据集选取至少部分人脸图像数据,得到第一图像数据集。
可以理解地,第一图像数据集可以选取人脸样本图像数据集的全部人脸图像数据,也可以选取人脸样本图像数据集的部分人脸图像数据,在本实施例中,为了提高训练效果,第一图像数据集选取人脸图像数据集里全部的人脸图像数据。
S204、对第一图像数据集的人脸进行标注,得到第一训练集。
在本实施例中,服务器接收人脸标注请求,并根据人脸标注请求,向终端发送待标注图片数据和标注工具文件,以使得终端加载标注工具文件,得到标注工具页面,标注工具页面中包括用于对待标注图片数据进行标注的标注工具,其中,待标注图片数据为选取的人脸图像数据中的至少一张图片数据。服务器接收终端通过标注工具页面发送的对待标注图片数据进行标注的操作请求,并根据操作请求对待标注图片数据进行标注操作,得到多张标注后的图片数据,服务器将多张标注后的图片数据设置为第一训练集。
具体地,可以通过Labelme工具对第一图像数据集的人脸进行标注。
S205、从人脸样本图像数据集选取至少部分人脸图像数据,得到第二图像数据集。
可以理解地,第二图像数据集可以选取人脸样本图像数据集的全部人脸图像数据,也可以选取人脸样本图像数据集的部分人脸图像数据,在本实施例中,为了提高训练效果,第二图像数据集选取人脸图像数据集里全部的人脸图像数据。
S206、将第二图像数据集中的人脸图像数据以个人为单位进行划分,并创建多个以个人为单位的文件夹,并将划分好的人脸图像数据放入对应的文件夹,得到第二训练集。
可以理解地,由于第二训练集是用于训练insightface优化模型,并且最终目的是得到人脸特征向量提取模型,因为,为了更准确以及更全面地获取人脸特征向量,需要利用同一个人不同角度的人脸图像对insightface优化模型进行训练,因此在制作第二训练集时,需要将第二图像数据集中的人脸图像数据以个人为单位进行划分,并创建多个以个人为单位的文件夹,并将划分好的人脸图像数据放入对应的文件夹。
本实施例中,基于人脸样本图像数据集制作用于训练retinaface优化模型的第一训练集和用于训练insightface优化模型的第二训练集,制作第一训练集时,对第一图像数据集的人脸进行标注;制作第二训练集时,将第二图像数据集中的人脸图像数据以个人为单位进行划分,并创建多个以个人为单位的文件夹,并将划分好的人脸图像数据放入对应的文件夹,使得在训练模型时得到更好的训练效果。
提高了分拨中心的监测区域中陌生人检测识别的准确性,以及提高了分拨中心监控物流配送的安全性。
请参阅图3,通过对本发明实施例中的一种陌生人异常识别方法的第三个实施例包括:
S301、基于retinaface模型构建基础架构,基础架构包括主干网络、FPN模块和检测模块。
S302、选择mobilenet作为主干网络,选择SSH模块作为检测模块,得到retinaface初始模型。
需要说明的是,Mobilenet网络是轻量级的深度神经网络,是可以在手机上运行的网络,其核心思想是深度可分离卷积。
SSH检测模块由SSH上下文模块组成,上下文模块的作用是扩张预检测区域的上下文信息。上下文模块和conv结合组成了一个检测模块。
S303、将retinaface初始模型的损失函数替换为Distance-IoU损失函数,得到retinaface优化模型,retinaface优化模型的预测结果包括分类结果、人脸框的回归结果、人脸关键点的回归预测结果。
retinaface优化模型预测部分流程如下:
首先,使用Mobilenet网络作为主干特征提取网络,初步提取第一训练集中的人脸图像数据中的人脸特征。
然后,使用FPN(Feature Pyramid Network,特征金字塔网络)和SSH(SingleStage Headless)进行加强特征提取。FPN结构对主干特征提取网络最后三个的有效特征层进行FPN结构的构建。SSH模块非常简单,其使用三个并行结构:左边是3*3卷积,中间利用两次3*3卷积代替5*5卷积,右边利用三次3*3卷积代替7*7卷积,达到3*3卷积的堆叠代替5*5与7*7卷积的效果。
最后,分析特征获取预测结果。retinaface优化模型预测结果可以分为三部分:①分类预测结果实验判断先验框内是否有物体。②框的回归预测结果是对先验框尺寸进行调整获得预测框。③人脸关键点的回归预测结果是通过调整先验框获得人脸关键点信息。人脸关键点信息包括左眼信息、右眼信息、左嘴角信息、右嘴角信息以及鼻子信息。
请参阅图4,本发明实施例中的一种陌生人异常识别方法的第四个实施例包括:
S401、构建Resnet网络。
S402、将Resnet网络的第一个7x7卷积层替换为3x3的卷积层,并将其步幅调整为1。
需要说明的是,Resnet网络是为了图片分类而设计的,他的网络输入是224x224的,但是Insightface模型的人脸输入却是112x112的,如果将112x112的人脸直接作为输入那么会使得最终提取的的特征维度从7x7变成3x3的,因此,将模型的第一个7x7的卷积层(步幅=2)替换成3x3的卷积层(步幅=1),这样第一个卷积层就不会将输入的维度缩减,因此最后还是能得到7x7的输入。对于网络的最后几层,不同的输出可能会影响模型的性能,因此选取BN-Dropout-FC-BN作为最后的输出模型。
S403、使用BN-Conv-BN-PReLu-Conv-BN结构作为残差单元,得到insightface模型初始模型。
可以理解地,对Resnet的残差块进行了改善,采用BN-Conv-BN-PReLu-Conv-BN结构作为残差块,并在残差块中将第一个卷积层的步福从2调整到1,这样会使得残差块更适合insightface初始模型的训练。
S404、将insightface初始模型的损失函数替换为Arcface损失函数,得到insightface优化模型。
在本实施例中,加性角度边距损失(AdditiveAngular Margin Loss,Arcface),能够进一步提高人脸识别模型的判别能力,并稳定训练过程。采用更加符合人脸识别的Arcface损失函数,让同一个人的人脸特征距离尽可能小,让不同人脸的距离尽可能大,并且和背景严格区分开来,提高人脸识别的准确率。
本实施例中构建Resnet网络,将Resnet网络的第一个7x7卷积层替换为3x3的卷积层,并将其步幅调整为1,使用BN-Conv-BN-PReLu-Conv-BN结构作为残差单元,得到insightface模型初始模型,将insightface初始模型的损失函数替换为Arcface损失函数,得到insightface优化模型,能够提高人脸识别的准确率。
请参阅图5,本发明实施例中的一种陌生人异常识别方法的第五个实施例包括:
S501、将第一训练集进行扩增和缩放处理,得到训练图像集。
在本实施例中,仅通过人脸图像数据作为第一训练集容易导致后续训练出现过拟合的问题,因此,需对第一训练集进行扩增,可通过单样本数据进行增强。采用单样本数据进行增强时,可通过图像进行几何变换或颜色变换增加图像的多样性,以此避免样本出现失衡的问题,降低第一训练集中图像失衡的比例,对第一训练集加上噪声,掩码等方法可提升模型鲁棒性;需要说明的是,几何变换包括翻转、旋转、裁剪、变形、缩放等方式,颜色变换包括包括噪声、模糊、颜色变换、擦除、填充等方式,通过这样的方式可降低模型对图像的敏感度,提高模型的泛化能力。
具体地,从第一训练集任意选取多张人脸图像数据,并从每张选取的人脸图像数据中随机选取一个方块,若方块中没有人脸,则重新选取新的方块,若选取方块的次数超过预设选取次数,则使用原图,得到初始图像数据集;将初始图像数据集进行几何变换,得到第一扩增图像数据;将第一扩增图像数据进行颜色变换,得到第二扩增图像数据;将第二扩增图像数据的大小调整为300*300,得到训练图像集。
S502、将训练图像集输入retinaface优化模型进行训练,得到模型输出结果。
S503、根据模型输出结果,利用Distance-IoU损失函数计算retinaface优化模型的损失。
S504、根据retinaface优化模型的损失调整retinaface优化模型的参数,直到模型收敛时,得到人脸信息提取模型。
本实施例中,对retinaface优化模型进行训练进行训练时,先将第一训练集进行扩增和缩放处理,得到训练图像集,利用训练图像集对retinaface优化模型进行训练,并利用Distance-IoU损失函数计算retinaface优化模型的损失,以及根据retinaface优化模型的损失调整retinaface优化模型的参数,直到模型收敛时,得到人脸信息提取模型,能够提高人脸信息提取模型的识别准确度。
请参阅图6,本发明实施例中的一种陌生人异常识别方法的第五个实施例包括:
S601、获取分拨中心实时图像数据,将分拨中心实时图像数据分为有人脸的实时图像和无人脸的实时图像。
在本实施例中,有人脸的实时图像是指该实时图像中具有人脸姿态特征,人脸姿态特征包括侧脸、正脸、抬头、低头、表情、遮挡,无人脸的实时图像是指该实时图像只有人的背景,或者仅具有分拨中心的环境背景。
S602、将有人脸的实时图像输入人脸信息提取模型进行人脸信息提取,得到待识别人脸信息。
在本实施例中,输入人脸信息提取模型在输入有人脸的实时图像时,输出人脸信息,作为待识别人脸信息。
S603、将待识别人脸信息输入到人脸特征向量提取模型进行人脸特征向量提取,得到待识别人脸特征向量。
在本实施例中,人脸特征向量提取模型在输入待识别人脸信息时,输出人脸特征向量,作为待识别人脸特征向量。
S604、将待识别人脸特征向量与分拨中心人脸特征向量库进行比对。
在本实施例中,由于分拨中心的员工的人脸特征集成了分拨中心人脸特征向量库,因此,在判定实时图像数据中的人是否是异常陌生人,将其人脸特征向量与分拨中心人脸特征向量库进行比对即可。
S605、若待识别人脸特征向量属于分拨中心人脸特征向量库的人脸特征向量,则判定实时图像数据中的人属于分拨中心的员工,并输出其工号和位置。
S606、若待识别人脸特征向量不属于分拨中心人脸特征向量库的人脸特征向量,则判定实时图像数据中的人为异常陌生人,并将其标记为异常陌生人,以及将该实时图像回传至报警系统。
在本实施例中,通过将实时图像数据中的人标记为异常陌生人,便于监控及追溯,以及将该实时图像回传至报警系统有利于后台管理者及时发现分拨中心的监测区域中存在异常陌生人,能够及时处理。
本实施例提供的是一种陌生人异常识别方法,其通过将分拨中心实时图像数据输入人脸信息提取模型进行人脸信息提取,得到待识别人脸信息,并将待识别人脸信息输入到人脸特征向量提取模型进行人脸特征向量提取,得到待识别人脸特征向量,并将待识别人脸特征向量分拨中心人脸特征向量库比对,提高了分拨中心的监测区域中陌生人检测识别的准确性,以及提高了分拨中心监控物流配送的安全性。
上面对本发明实施例中陌生人异常识别方法进行了描述,下面对本发明实施例中装置进行描述,请参阅图7,本发明实施例中陌生人异常识别装置的第一实施方式包括:
第一获取模块701,用于获取多张人脸图像数据,得到人脸样本图像数据集,并根据人脸样本图像数据集制作第一训练集和第二训练集;
第一构建模块702,用于构建基于Distance-IoU损失函数的retinaface优化模型;
第二构建模块703,用于构建基于Arcface损失函数的insightface优化模型;
第一训练模块704,用于将第一训练集输入所述retinaface优化模型进行训练,得到人脸信息提取模型;
第二训练模块705,用于将第二训练集输入所述insightface优化模型进行训练,得到人脸特征向量提取模型;
第二获取模块706,用于获取分拨中心人脸数据库样本,将获取的分拨中心人脸数据库样本输入人脸信息提取模型进行人脸信息提取,得到分拨中心人脸信息,并将分拨中心人脸信息输入到人脸特征向量提取模型进行人脸特征向量提取,得到分拨中心人脸特征向量库;
比对模块707,用于获取分拨中心实时图像数据,将包含人脸的图像数据输入人脸信息提取模型进行人脸信息提取,得到待识别人脸信息,并将待识别人脸信息输入到人脸特征向量提取模型进行人脸特征向量提取,得到待识别人脸特征向量,并将待识别人脸特征向量与分拨中心人脸特征向量库进行比对,得到对比结果,对比结果用于指示分拨中心的监测区域中是否存在异常陌生人。
在本实施例中,第一获取模块701包括:采集单元7011,用于调取分拨中心摄像头,采集多张人员图像;筛选单元7012,用于对多张人员图像进行筛选处理,若人员图像中存在人脸则输出该图像作为人脸图像数据,多张人脸图像数据组成人脸样本图像数据集;第一选取单元7013,用于从人脸样本图像数据集选取至少部分人脸图像数据,得到第一图像数据集;第一训练集制作单元7014,用于对第一图像数据集的人脸进行标注,得到第一训练集;第二选取单元7015,用于从人脸样本图像数据集选取至少部分人脸图像数据,得到第二图像数据集;第二训练集制作单元7016,用于将第二图像数据集中的人脸图像数据以个人为单位进行划分,并创建多个以个人为单位的文件夹,并将划分好的人脸图像数据放入对应的文件夹,得到第二训练集。
在本实施例中,第一构建模块702包括:基础架构构建单元7021,用于基于retinaface模型构建基础架构,基础架构包括主干网络、FPN模块和检测模块;第一模型构建单元7022,选择mobilenet作为主干网络,选择SSH模块作为检测模块,得到retinaface初始模型;第二模型构建单元7023,用于将retinaface初始模型的损失函数替换为Distance-IoU损失函数,得到retinaface优化模型。
在本实施例中,第二构建模块703包括:第三模型构建单元7031,用于构建Resnet网络;第四模型构建单元7032,用于将Resnet网络的第一个7x7卷积层替换为3x3的卷积层,并将其步幅调整为1;第五模型构建单元7033,用于使用BN-Conv-BN-PReLu-Conv-BN结构作为残差单元,得到insightface模型初始模型用于,第六模型构建单元7034,用于将insightface初始模型的损失函数替换为Arcface损失函数,得到insightface优化模型。
在本实施例中,第一训练模块704包括:第一处理单元7041,用于将第一训练集进行扩增和缩放处理,得到训练图像集;训练单元7042,用于将训练图像集输入retinaface优化模型进行训练,得到模型输出结果;计算单元7043,用于根据模型输出结果,利用Distance-IoU损失函数计算retinaface优化模型的损失;调整单元7044,用于根据retinaface优化模型的损失调整retinaface优化模型的参数,直到模型收敛时,得到人脸信息提取模型。
在本实施例中,比对模块707包括:获取单元7071,用于获取分拨中心实时图像数据,将分拨中心实时图像数据分为有人脸的实时图像和无人脸的实时图像;人脸信息提取单元7072,用于将有人脸的实时图像输入人脸信息提取模型进行人脸信息提取,得到待识别人脸信息;人脸特征向量提取单元7073,用于将待识别人脸信息输入到人脸特征向量提取模型进行人脸特征向量提取,得到待识别人脸特征向量;比对单元7074,用于将待识别人脸特征向量与分拨中心人脸特征向量库进行比对;第二处理单元7075,用于在判定待识别人脸特征向量属于分拨中心人脸特征向量库的人脸特征向量,则判定实时图像数据中的人属于分拨中心的员工,并输出其工号和位置,第三处理单元7076,用于在判定待识别人脸特征向量不属于分拨中心人脸特征向量库的人脸特征向量,则判定实时图像数据中的人为异常陌生人,并将其标记为异常陌生人,以及将该实时图像回传至报警系统。
本实施例中,通过构建retinaface优化模型和insightface优化模型,并利用第一训练集和第二训练集分别对retinaface优化模型和insightface优化模型进行训练,得到人脸信息提取模型和人脸特征向量提取模型,并将分拨中心人脸数据库样本输入人脸信息提取模型,输出分拨中心人脸信息,再将分拨中心人脸信息输入人脸特征向量提取模型,输出分拨中心人脸特征向量库,最后,通过将分拨中心实时图像数据输入人脸信息提取模型进行人脸信息提取,得到待识别人脸信息,并将待识别人脸信息输入到人脸特征向量提取模型进行人脸特征向量提取,得到待识别人脸特征向量,并将待识别人脸特征向量分拨中心人脸特征向量库比对,提高了分拨中心的监测区域中陌生人检测识别的准确性,以及提高了分拨中心监控物流配送的安全性。
上面图图7从模块化功能实体的角度对本发明实施例中的陌生人异常识别装置进行详细描述,下面从硬件处理的角度对本发明实施例中陌生人异常识别设备进行详细描述。
图8是本发明实施例提供的一种陌生人异常识别设备的结构示意图,该设备800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)810(例如,一个或一个以上处理器)和存储器820,一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中,存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图未示),每个模块可以包括对设备800中的一系列指令操作。更进一步地,处理器810可以设置为与存储介质830通信,在设备800上执行存储介质中的一系列指令操作。
设备800还可以包括一个或一个以上电源840,一个或一个以上有线或无线网络接口850,一个或一个以上输入输出接口860,和/或,一个或一个以上操作系统831,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,计算机可读存储介质中存储有指令,当指令在计算机上运行时,使得计算机执行陌生人异常识别方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统或装置、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种陌生人异常识别方法,其特征在于,所述陌生人异常识别方法包括:
获取多张人脸图像数据,得到人脸样本图像数据集,并根据所述人脸样本图像数据集制作第一训练集和第二训练集;
构建基于Distance-IoU损失函数的retinaface优化模型;
构建基于Arcface损失函数的insightface优化模型;
将所述第一训练集输入所述retinaface优化模型进行训练,得到人脸信息提取模型;
将所述第二训练集输入所述insightface优化模型进行训练,得到人脸特征向量提取模型;
获取分拨中心人脸数据库样本,将获取的分拨中心人脸数据库样本输入所述人脸信息提取模型进行人脸信息提取,得到分拨中心人脸信息,并将所述分拨中心人脸信息输入到所述人脸特征向量提取模型进行人脸特征向量提取,得到分拨中心人脸特征向量库;
获取分拨中心实时图像数据,将包含人脸的图像数据输入所述人脸信息提取模型进行人脸信息提取,得到待识别人脸信息,并将所述待识别人脸信息输入到所述人脸特征向量提取模型进行人脸特征向量提取,得到待识别人脸特征向量,并将所述待识别人脸特征向量与所述分拨中心人脸特征向量库进行比对,得到对比结果,所述对比结果用于指示分拨中心的监测区域中是否存在异常陌生人。
2.根据权利要求1所述的陌生人异常识别方法,其特征在于,所述获取多张人脸图像数据,得到人脸样本图像数据集,并根据所述人脸样本图像数据集制作第一训练集和第二训练集,包括:
调取分拨中心摄像头,采集多张人员图像;
对所述多张人员图像进行筛选处理,若人员图像中存在人脸则输出该图像作为人脸图像数据,多张所述人脸图像数据组成所述人脸样本图像数据集;
从所述人脸样本图像数据集选取至少部分人脸图像数据,得到第一图像数据集;
对所述第一图像数据集的人脸进行标注,得到所述第一训练集;
从所述人脸样本图像数据集选取至少部分人脸图像数据,得到第二图像数据集;
将所述第二图像数据集中的人脸图像数据以个人为单位进行划分,并创建多个以个人为单位的文件夹,并将划分好的人脸图像数据放入对应的文件夹,得到所述第二训练集。
3.根据权利要求1所述的陌生人异常识别方法,其特征在于,所述构建基于Distance-IoU损失函数的retinaface优化模型包括:
基于retinaface模型构建基础架构,所述基础架构包括主干网络、FPN模块和检测模块;
选择mobilenet作为所述主干网络,选择SSH模块作为所述检测模块,得到retinaface初始模型;
将所述retinaface初始模型的损失函数替换为Distance-IoU损失函数,得到所述retinaface优化模型,所述retinaface优化模型的预测结果包括分类结果、人脸框的回归结果、人脸关键点的回归预测结果。
4.根据权利要求1所述的陌生人异常识别方法,其特征在于,所述构建基于Arcface损失函数的insightface优化模型包括:
构建Resnet网络;
将所述Resnet网络的第一个7x7卷积层替换为3x3的卷积层,并将其步幅调整为1;
使用BN-Conv-BN-PReLu-Conv-BN结构作为残差单元,得到insightface模型初始模型;
将所述insightface初始模型的损失函数替换为Arcface损失函数,得到insightface优化模型。
5.根据权利要求1所述的陌生人异常识别方法,其特征在于,所述将所述第一训练集输入所述retinaface优化模型进行训练,得到人脸信息提取模型,包括:
将所述第一训练集进行扩增和缩放处理,得到训练图像集;
将所述训练图像集输入retinaface优化模型进行训练,得到模型输出结果;
根据所述模型输出结果,利用所述Distance-IoU损失函数计算所述retinaface优化模型的损失;
根据所述retinaface优化模型的损失调整所述retinaface优化模型的参数,直到模型收敛时,得到所述人脸信息提取模型。
6.根据权利要求5所述的陌生人异常识别方法,其特征在于,所述将所述第一训练集进行扩增和缩放处理,得到训练图像集,包括:
从所述第一训练集任意选取多张人脸图像数据,并从每张选取的人脸图像数据中随机选取一个方块,若方块中没有人脸,则重新选取新的方块,若选取方块的次数超过预设选取次数,则使用原图,得到初始图像数据集;
将所述初始图像数据集进行几何变换,得到第一扩增图像数据;
将所述第一扩增图像数据进行颜色变换,得到第二扩增图像数据;
将所述第二扩增图像数据的大小调整为300*300,得到所述训练图像集。
7.根据权利要求1所述的陌生人异常识别方法,其特征在于,所述获取分拨中心实时图像数据,将包含人脸的图像数据输入所述人脸信息提取模型进行人脸信息提取,得到待识别人脸信息,并将所述待识别人脸信息输入到所述人脸特征向量提取模型进行人脸特征向量提取,得到待识别人脸特征向量,并将所述待识别人脸特征向量与所述分拨中心人脸特征向量库进行比对,得到对比结果,所述对比结果用于指示分拨中心的监测区域中是否存在异常陌生人,包括:
获取分拨中心实时图像数据,将所述分拨中心实时图像数据分为有人脸的实时图像和无人脸的实时图像;
将所述有人脸的实时图像输入所述人脸信息提取模型进行人脸信息提取,得到待识别人脸信息;
将所述待识别人脸信息输入到所述人脸特征向量提取模型进行人脸特征向量提取,得到待识别人脸特征向量;
将所述待识别人脸特征向量与所述分拨中心人脸特征向量库进行比对;
若所述待识别人脸特征向量属于所述分拨中心人脸特征向量库的人脸特征向量,则判定所述实时图像数据中的人属于分拨中心的员工,并输出其工号和位置;
若所述待识别人脸特征向量不属于分拨中心人脸特征向量库的人脸特征向量,则判定所述实时图像数据中的人为异常陌生人,并将其标记为异常陌生人,以及将该实时图像回传至报警系统。
8.一种陌生人异常识别装置,其特征在于,包括:
第一获取模块,用于获取多张人脸图像数据,得到人脸样本图像数据集,并根据所述人脸样本图像数据集制作第一训练集和第二训练集;
第一构建模块,用于构建基于Distance-IoU损失函数的retinaface优化模型;
第二构建模块,用于构建基于Arcface损失函数的insightface优化模型;
第一训练模块,用于将所述第一训练集输入所述retinaface优化模型进行训练,得到人脸信息提取模型;
第二训练模块,用于将所述第二训练集输入所述insightface优化模型进行训练,得到人脸特征向量提取模型;
第二获取模块,用于获取分拨中心人脸数据库样本,将获取的分拨中心人脸数据库样本输入所述人脸信息提取模型进行人脸信息提取,得到分拨中心人脸信息,并将所述分拨中心人脸信息输入到所述人脸特征向量提取模型进行人脸特征向量提取,得到分拨中心人脸特征向量库;
比对模块,用于获取分拨中心实时图像数据,将包含人脸的图像数据输入所述人脸信息提取模型进行人脸信息提取,得到待识别人脸信息,并将所述待识别人脸信息输入到所述人脸特征向量提取模型进行人脸特征向量提取,得到待识别人脸特征向量,并将所述待识别人脸特征向量与所述分拨中心人脸特征向量库进行比对,得到对比结果,所述对比结果用于指示分拨中心的监测区域中是否存在异常陌生人。
9.一种陌生人异常识别设备,其特征在于,包括存储器和至少一个处理器,所述存储器中存储有计算机可读指令;
所述至少一个处理器调用所述存储器中的所述计算机可读指令,以执行如权利要求1-7中任一项所述陌生人异常识别方法的各个步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1-7中任一项所述陌生人异常识别方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211640257.4A CN115862113A (zh) | 2022-12-20 | 2022-12-20 | 陌生人异常识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211640257.4A CN115862113A (zh) | 2022-12-20 | 2022-12-20 | 陌生人异常识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115862113A true CN115862113A (zh) | 2023-03-28 |
Family
ID=85674441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211640257.4A Pending CN115862113A (zh) | 2022-12-20 | 2022-12-20 | 陌生人异常识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115862113A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152863A (zh) * | 2023-04-19 | 2023-05-23 | 尚特杰电力科技有限公司 | 一种人员信息识别方法、装置、电子设备及存储介质 |
CN117423047A (zh) * | 2023-12-19 | 2024-01-19 | 深圳须弥云图空间科技有限公司 | 基于特征图像的计数方法、装置、电子设备及存储介质 |
-
2022
- 2022-12-20 CN CN202211640257.4A patent/CN115862113A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152863A (zh) * | 2023-04-19 | 2023-05-23 | 尚特杰电力科技有限公司 | 一种人员信息识别方法、装置、电子设备及存储介质 |
CN117423047A (zh) * | 2023-12-19 | 2024-01-19 | 深圳须弥云图空间科技有限公司 | 基于特征图像的计数方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858371B (zh) | 人脸识别的方法及装置 | |
CN109644255B (zh) | 标注包括一组帧的视频流的方法和装置 | |
CN106960195B (zh) | 一种基于深度学习的人群计数方法及装置 | |
CN104933414B (zh) | 一种基于wld-top的活体人脸检测方法 | |
Salimi et al. | Visual-based trash detection and classification system for smart trash bin robot | |
EP2676224B1 (en) | Image quality assessment | |
CN110807385A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN109978918A (zh) | 一种轨迹追踪方法、装置和存储介质 | |
US8929595B2 (en) | Dictionary creation using image similarity | |
CN115862113A (zh) | 陌生人异常识别方法、装置、设备及存储介质 | |
JP5936561B2 (ja) | 画像における外観及びコンテキストに基づく物体分類 | |
WO2019033570A1 (zh) | 嘴唇动作分析方法、装置及存储介质 | |
CN111753602A (zh) | 动作识别方法和装置、电子设备、存储介质 | |
US20210295155A1 (en) | Method and system for transfer learning based object detection | |
TW200529093A (en) | Face image detection method, face image detection system, and face image detection program | |
US12020510B2 (en) | Person authentication apparatus, control method, and non-transitory storage medium | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
US20240232627A1 (en) | Systems and Methods to Train A Cell Object Detector | |
CN114840748A (zh) | 基于人脸识别的信息推送方法、装置、设备及存储介质 | |
CN114359825A (zh) | 监测方法和相关产品 | |
Gupta et al. | HaarCascade and LBPH Algorithms in Face Recognition Analysis | |
Anish et al. | Enhancing Surveillance Systems with YOLO Algorithm for Real-Time Object Detection and Tracking | |
CN108596068B (zh) | 一种动作识别的方法和装置 | |
CN115601684A (zh) | 突发事件预警方法、装置、电子设备及存储介质 | |
KR20170048108A (ko) | 객체 및 상황 인지 방법 및 시스템 |
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 |