CN116524569A - 一种基于归类算法的多并发人脸识别系统及方法 - Google Patents

一种基于归类算法的多并发人脸识别系统及方法 Download PDF

Info

Publication number
CN116524569A
CN116524569A CN202310523296.4A CN202310523296A CN116524569A CN 116524569 A CN116524569 A CN 116524569A CN 202310523296 A CN202310523296 A CN 202310523296A CN 116524569 A CN116524569 A CN 116524569A
Authority
CN
China
Prior art keywords
face
recognition
image
original image
features
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
CN202310523296.4A
Other languages
English (en)
Inventor
侯庆龙
刘国洋
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.)
Shenzhen Grand Time Technology Co ltd
Original Assignee
Shenzhen Grand Time 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 Shenzhen Grand Time Technology Co ltd filed Critical Shenzhen Grand Time Technology Co ltd
Priority to CN202310523296.4A priority Critical patent/CN116524569A/zh
Publication of CN116524569A publication Critical patent/CN116524569A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • 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
    • 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

Abstract

本发明公开了一种基于归类算法的多并发人脸识别系统及方法，涉及图像识别技术领域。采集终端采集工作现场视频提取各人脸原始图像的人脸特征发送给识别服务器；识别服务器对人脸特征进行第一次识别，确定其中与第一数据库中保存的历史人脸特征达到预设相似度的人脸特征作为目标人脸特征；识别服务器对人脸原始图像进行第二次识别，提取人脸原始图像多尺度特征判断人脸原始图像是否与第二数据库中保存的目标人脸图像匹配。该系统通过前端采集服务器端识别，并且进行二次识别，第一次进行人脸特征，能够快速筛除未记录的目标人脸特征，对已记录的目标人脸特征对应的人脸原始图像进行第二次识别，提高多并发人脸识别的时效性与识别精度。

Description

一种基于归类算法的多并发人脸识别系统及方法
技术领域
本发明涉及图像识别技术领域，具体涉及一种基于归类算法的多并发人脸识别系统及方法。
背景技术
人脸识别执法记录仪是一种在现有的执法记录仪功能的基础上,增加人脸识别的功能,让执法记录仪能实时识别嫌疑犯的智能设备。执法人员在录制执法视频的过程中,系统自动提取人脸图片,与黑名单库实时比对,快速告警。
但是现有技术中，在视频中搜索一个人的脸一般都比较耗时，无法保证较高的检测精度，更加无法满足大量人群的多并发人脸识别的时效和精度要求。
发明内容
本发明的目的就在于解决上述背景技术的问题，而提出一种基于归类算法的多并发人脸识别系统及方法。
本发明的目的可以通过以下技术方案实现：
本发明实施例提供了一种基于归类算法的多并发人脸识别系统，包括采集终端和识别服务器；其中：
所述采集终端，用于采集工作现场视频，检测并以第一标记框标记视频帧中的各人脸图像，提取各人脸原始图像的人脸特征发送给所述识别服务器；
所述识别服务器，用于对接收的人脸特征进行第一次识别，将各人脸特征进行分类确定其中与第一数据库中保存的历史人脸特征达到预设相似度的人脸特征作为目标人脸特征；
所述采集终端，还用于将所述目标人脸特征对应的人脸原始图像送给所述识别服务器；
所述识别服务器，还用于对所述人脸原始图像进行第二次识别，提取所述人脸原始图像多尺度特征判断所述人脸原始图像是否与第二数据库中保存的目标人脸图像匹配。
本发明实施例还提供了一种基于归类算法的多并发人脸识别方法，应用于采集终端，所述方法包括：
采集工作现场视频，检测并以第一标记框标记视频帧中的各人脸图像；
提取各人脸原始图像的人脸特征发送给所述识别服务器；以使所述识别服务器对接收的人脸特征进行第一次识别，将各人脸特征进行分类确定其中与第一数据库中保存的历史人脸特征达到预设相似度的人脸特征作为目标人脸特征；
将所述目标人脸特征对应的人脸原始图像送给所述识别服务器；以使所述识别服务器对所述人脸原始图像进行第二次识别，提取所述人脸原始图像多尺度特征判断所述人脸原始图像是否与第二数据库中保存的目标人脸图像匹配。
可选地，所述方法还包括：
当接收到所述识别服务器发送的报警数据包，以第二标记框标记视频帧中的所述人脸原始图像，显示记录信息并发出警报；所述报警数据包为所述识别服务器若匹配到所述人脸原始图像在第二数据库中保存有对应的目标人脸图像，调取所述目标人脸图像对应的记录信息，根据记录信息与报警消息生成的数据包。
可选地，检测并以第一标记框标记视频帧中的各人脸图像包括：
根据现场视频对现场背景进行建模，得到背景参考模型；
将各视频帧与背景参考模型进行比较，通过SVM提取并分类ACF特征，并结合NMS确定行人的边界框；
根据行人区域的比例估计人脸区域，得到各人脸图像，并以第一标记框标记视频帧中的各人脸图像。
可选地，提取各人脸原始图像的人脸特征包括：
使用均值核对人脸原始图像添加预设数量的噪声，然后使用下采样方法将图像转换为低分辨率图像；
使用插值方法将各低分辨率图像放大到与人脸原始图像尺寸相同，得到低分辨率人脸图像；
根据人脸原始图像与低分辨率人脸图像生成各人脸原始图像的人脸特征。
可选地，根据人脸原始图像与低分辨率人脸图像生成各人脸原始图像的人脸特征包括：
将人脸原始图像去除低分辨率人脸图像的像素，得到特征图像；
将二维特征图像降维得到一维高分辨率特征向量作为各人脸原始图像的人脸特征。
本发明实施例还提供了一种基于归类算法的多并发人脸识别方法，应用于识别服务器，所述方法包括：
接收采集终端发送的人脸特征进行第一次识别，将各人脸特征进行分类确定其中与第一数据库中保存的历史人脸特征达到预设相似度的人脸特征作为目标人脸特征；人脸特征为采集终端采集工作现场视频，检测并以第一标记框标记视频帧中的各人脸图像，提取各人脸原始图像的人脸特征发送给所述识别服务器；
接收所述采集终端发送的所述目标人脸特征对应的人脸原始图像，对所述人脸原始图像进行第二次识别，提取所述人脸原始图像多尺度特征判断所述人脸原始图像是否与第二数据库中保存的目标人脸图像匹配。
可选地，所述方法还包括：
若所述人脸原始图像匹配到第二数据库中保存的目标人脸图像，调取所述目标人脸图像对应的记录信息，将记录信息与报警消息打包返回给所述采集终端；以使所述采集终端以第二标记框标记视频帧中的所述人脸原始图像，显示记录信息并发出警报。
可选地，对所述人脸原始图像进行第二次识别包括：
对所述人脸原始图像分别进行下采样和中央切割得到第一识别图像和第二识别图像；
将第一识别图像和第二识别图像输入预设的两通道神经网络对所述人脸原始图像进行第二次识别；所述两通道神经网络包括并列的第一通道、第二通道，所述第一通道和所述第二通道同时连接第一全连接层，第一全连接层连接第二全连接层，第二全连接层连接输出层；所述第一通道和所述第二通道具有相同结构均包括一个卷积层和一个池化层。
本发明的有益效果：
本发明实施例提供了一种基于归类算法的多并发人脸识别系统，包括采集终端和识别服务器；其中：采集终端，用于采集工作现场视频，检测并以第一标记框标记视频帧中的各人脸图像，提取各人脸原始图像的人脸特征发送给识别服务器；识别服务器，用于对接收的人脸特征进行第一次识别，将各人脸特征进行分类确定其中与第一数据库中保存的历史人脸特征达到预设相似度的人脸特征作为目标人脸特征；采集终端，还用于将目标人脸特征对应的人脸原始图像送给识别服务器；识别服务器，还用于对人脸原始图像进行第二次识别，提取人脸原始图像多尺度特征判断人脸原始图像是否与第二数据库中保存的目标人脸图像匹配。该系统通过前端采集服务器端识别，并且进行二次识别，第一次进行人脸特征，能够快速筛除未记录的目标人脸特征，对已记录的目标人脸特征对应的人脸原始图像进行第二次识别，提高多并发人脸识别的时效性与识别精度。
附图说明
下面结合附图对本发明作进一步的说明。
图1为一种应用于采集终端的基于归类算法的多并发人脸识别方法的流程图；
图2为一种应用于识别服务器的基于归类算法的多并发人脸识别方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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。
本发明实施例提供了一种基于归类算法的多并发人脸识别系统，包括采集终端和识别服务器；其中：
采集终端，用于采集工作现场视频，检测并以第一标记框标记视频帧中的各人脸图像，提取各人脸原始图像的人脸特征发送给识别服务器；
识别服务器，用于对接收的人脸特征进行第一次识别，将各人脸特征进行分类确定其中与第一数据库中保存的历史人脸特征达到预设相似度的人脸特征作为目标人脸特征；
采集终端，还用于将目标人脸特征对应的人脸原始图像送给识别服务器；
识别服务器，还用于对人脸原始图像进行第二次识别，提取人脸原始图像多尺度特征判断人脸原始图像是否与第二数据库中保存的目标人脸图像匹配。
基于本发明实施例提供了一种基于归类算法的多并发人脸识别系统，通过前端采集服务器端识别，并且进行二次识别，第一次进行人脸特征，能够快速筛除未记录的目标人脸特征，对已记录的目标人脸特征对应的人脸原始图像进行第二次识别，提高多并发人脸识别的时效性与识别精度。
一种实现方式中，第二数据库中保存有需要查找的目标人脸图像，第一数据库可以保存有第二数据库中各目标人脸图像提取的图像特征。
基于相同的发明构思本发明实施例还提供了一种应用于采集终端的基于归类算法的多并发人脸识别方法。参见图1，图1为一种应用于采集终端的基于归类算法的多并发人脸识别方法的流程图。方法包括：
S101，采集工作现场视频，检测并以第一标记框标记视频帧中的各人脸图像。
S102，提取各人脸原始图像的人脸特征发送给识别服务器；以使识别服务器对接收的人脸特征进行第一次识别，将各人脸特征进行分类确定其中与第一数据库中保存的历史人脸特征达到预设相似度的人脸特征作为目标人脸特征。
S103，将目标人脸特征对应的人脸原始图像送给识别服务器；以使识别服务器对人脸原始图像进行第二次识别，提取人脸原始图像多尺度特征判断人脸原始图像是否与第二数据库中保存的目标人脸图像匹配。
基于本发明实施例提供了一种基于归类算法的多并发人脸识别方法，通过前端采集服务器端识别，并且进行二次识别，第一次进行人脸特征，能够快速筛除未记录的目标人脸特征，对已记录的目标人脸特征对应的人脸原始图像进行第二次识别，提高多并发人脸识别的时效性与识别精度。
在一个实施例中，方法还包括：
当接收到识别服务器发送的报警数据包，以第二标记框标记视频帧中的人脸原始图像，显示记录信息并发出警报；报警数据包为识别服务器若匹配到人脸原始图像在第二数据库中保存有对应的目标人脸图像，调取目标人脸图像对应的记录信息，根据记录信息与报警消息生成的数据包。
在一个实施例中，检测并以第一标记框标记视频帧中的各人脸图像包括：
步骤一，根据现场视频对现场背景进行建模，得到背景参考模型；
步骤二，将各视频帧与背景参考模型进行比较，通过SVM提取并分类ACF特征，并结合NMS确定行人的边界框；
步骤三，根据行人区域的比例估计人脸区域，得到各人脸图像，并以第一标记框标记视频帧中的各人脸图像。
在一个实施例中，提取各人脸原始图像的人脸特征包括：
步骤一，使用均值核对人脸原始图像添加预设数量的噪声，然后使用下采样方法将图像转换为低分辨率图像；
步骤二，使用插值方法将各低分辨率图像放大到与人脸原始图像尺寸相同，得到低分辨率人脸图像；
步骤三，根据人脸原始图像与低分辨率人脸图像生成各人脸原始图像的人脸特征。
在一个实施例中，根据人脸原始图像与低分辨率人脸图像生成各人脸原始图像的人脸特征包括：
步骤一，将人脸原始图像去除低分辨率人脸图像的像素，得到特征图像；
步骤二，将二维特征图像降维得到一维高分辨率特征向量作为各人脸原始图像的人脸特征。
基于相同的发明构思本发明实施例还提供了一种应用于识别服务器的基于归类算法的多并发人脸识别方法。参见图2，图2为一种应用于识别服务器的基于归类算法的多并发人脸识别方法的流程图。方法包括：
S201，接收采集终端发送的人脸特征进行第一次识别，将各人脸特征进行分类确定其中与第一数据库中保存的历史人脸特征达到预设相似度的人脸特征作为目标人脸特征；人脸特征为采集终端采集工作现场视频，检测并以第一标记框标记视频帧中的各人脸图像，提取各人脸原始图像的人脸特征发送给识别服务器；
S202，接收采集终端发送的目标人脸特征对应的人脸原始图像，对人脸原始图像进行第二次识别，提取人脸原始图像多尺度特征判断人脸原始图像是否与第二数据库中保存的目标人脸图像匹配。
基于本发明实施例提供了一种基于归类算法的多并发人脸识别方法，通过前端采集服务器端识别，并且进行二次识别，第一次进行人脸特征，能够快速筛除未记录的目标人脸特征，对已记录的目标人脸特征对应的人脸原始图像进行第二次识别，提高多并发人脸识别的时效性与识别精度。
在一个实施例中，方法还包括：
若人脸原始图像匹配到第二数据库中保存的目标人脸图像，调取目标人脸图像对应的记录信息，将记录信息与报警消息打包返回给采集终端；以使采集终端以第二标记框标记视频帧中的人脸原始图像，显示记录信息并发出警报。
在一个实施例中，对人脸原始图像进行第二次识别包括：
对人脸原始图像分别进行下采样和中央切割得到第一识别图像和第二识别图像；
将第一识别图像和第二识别图像输入预设的两通道神经网络对人脸原始图像进行第二次识别；两通道神经网络包括并列的第一通道、第二通道，第一通道和第二通道同时连接第一全连接层，第一全连接层连接第二全连接层，第二全连接层连接输出层；第一通道和第二通道具有相同结构均包括一个卷积层和一个池化层。
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 (9)

1.一种基于归类算法的多并发人脸识别系统，其特征在于，包括采集终端和识别服务器；其中：
所述采集终端，用于采集工作现场视频，检测并以第一标记框标记视频帧中的各人脸图像，提取各人脸原始图像的人脸特征发送给所述识别服务器；
所述识别服务器，用于对接收的人脸特征进行第一次识别，将各人脸特征进行分类确定其中与第一数据库中保存的历史人脸特征达到预设相似度的人脸特征作为目标人脸特征；
所述采集终端，还用于将所述目标人脸特征对应的人脸原始图像送给所述识别服务器；
所述识别服务器，还用于对所述人脸原始图像进行第二次识别，提取所述人脸原始图像多尺度特征判断所述人脸原始图像是否与第二数据库中保存的目标人脸图像匹配。
2.一种基于归类算法的多并发人脸识别方法，其特征在于，应用于采集终端，所述方法包括：
采集工作现场视频，检测并以第一标记框标记视频帧中的各人脸图像；
提取各人脸原始图像的人脸特征发送给所述识别服务器；以使所述识别服务器对接收的人脸特征进行第一次识别，将各人脸特征进行分类确定其中与第一数据库中保存的历史人脸特征达到预设相似度的人脸特征作为目标人脸特征；
将所述目标人脸特征对应的人脸原始图像送给所述识别服务器；以使所述识别服务器对所述人脸原始图像进行第二次识别，提取所述人脸原始图像多尺度特征判断所述人脸原始图像是否与第二数据库中保存的目标人脸图像匹配。
3.根据权利要求2所述的一种基于归类算法的多并发人脸识别方法，其特征在于，所述方法还包括：
当接收到所述识别服务器发送的报警数据包，以第二标记框标记视频帧中的所述人脸原始图像，显示记录信息并发出警报；所述报警数据包为所述识别服务器若匹配到所述人脸原始图像在第二数据库中保存有对应的目标人脸图像，调取所述目标人脸图像对应的记录信息，根据记录信息与报警消息生成的数据包。
4.根据权利要求2所述的一种基于归类算法的多并发人脸识别方法，其特征在于，检测并以第一标记框标记视频帧中的各人脸图像包括：
根据现场视频对现场背景进行建模，得到背景参考模型；
将各视频帧与背景参考模型进行比较，通过SVM提取并分类ACF特征，并结合NMS确定行人的边界框；
根据行人区域的比例估计人脸区域，得到各人脸图像，并以第一标记框标记视频帧中的各人脸图像。
5.根据权利要求2所述的一种基于归类算法的多并发人脸识别方法，其特征在于，提取各人脸原始图像的人脸特征包括：
使用均值核对人脸原始图像添加预设数量的噪声，然后使用下采样方法将图像转换为低分辨率图像；
使用插值方法将各低分辨率图像放大到与人脸原始图像尺寸相同，得到低分辨率人脸图像；
根据人脸原始图像与低分辨率人脸图像生成各人脸原始图像的人脸特征。
6.根据权利要求5所述的一种基于归类算法的多并发人脸识别方法，其特征在于，根据人脸原始图像与低分辨率人脸图像生成各人脸原始图像的人脸特征包括：
将人脸原始图像去除低分辨率人脸图像的像素，得到特征图像；
将二维特征图像降维得到一维高分辨率特征向量作为各人脸原始图像的人脸特征。
7.一种基于归类算法的多并发人脸识别方法，其特征在于，应用于识别服务器，所述方法包括：
接收采集终端发送的人脸特征进行第一次识别，将各人脸特征进行分类确定其中与第一数据库中保存的历史人脸特征达到预设相似度的人脸特征作为目标人脸特征；人脸特征为采集终端采集工作现场视频，检测并以第一标记框标记视频帧中的各人脸图像，提取各人脸原始图像的人脸特征发送给所述识别服务器；
接收所述采集终端发送的所述目标人脸特征对应的人脸原始图像，对所述人脸原始图像进行第二次识别，提取所述人脸原始图像多尺度特征判断所述人脸原始图像是否与第二数据库中保存的目标人脸图像匹配。
8.根据权利要求7所述的一种基于归类算法的多并发人脸识别方法，其特征在于，所述方法还包括：
若所述人脸原始图像匹配到第二数据库中保存的目标人脸图像，调取所述目标人脸图像对应的记录信息，将记录信息与报警消息打包返回给所述采集终端；以使所述采集终端以第二标记框标记视频帧中的所述人脸原始图像，显示记录信息并发出警报。
9.根据权利要求7所述的一种基于归类算法的多并发人脸识别方法，其特征在于，对所述人脸原始图像进行第二次识别包括：
对所述人脸原始图像分别进行下采样和中央切割得到第一识别图像和第二识别图像；
将第一识别图像和第二识别图像输入预设的两通道神经网络对所述人脸原始图像进行第二次识别；所述两通道神经网络包括并列的第一通道、第二通道，所述第一通道和所述第二通道同时连接第一全连接层，第一全连接层连接第二全连接层，第二全连接层连接输出层；所述第一通道和所述第二通道具有相同结构均包括一个卷积层和一个池化层。
CN202310523296.4A 2023-05-10 2023-05-10 一种基于归类算法的多并发人脸识别系统及方法 Pending CN116524569A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310523296.4A CN116524569A (zh) 2023-05-10 2023-05-10 一种基于归类算法的多并发人脸识别系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310523296.4A CN116524569A (zh) 2023-05-10 2023-05-10 一种基于归类算法的多并发人脸识别系统及方法

Publications (1)

Publication Number Publication Date
CN116524569A true CN116524569A (zh) 2023-08-01

Family

ID=87408008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310523296.4A Pending CN116524569A (zh) 2023-05-10 2023-05-10 一种基于归类算法的多并发人脸识别系统及方法

Country Status (1)

Country Link
CN (1) CN116524569A (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529448A (zh) * 2016-10-27 2017-03-22 四川长虹电器股份有限公司 利用聚合通道特征进行多视角人脸检测的方法
CN107491762A (zh) * 2017-08-23 2017-12-19 珠海安联锐视科技股份有限公司 一种行人检测方法
CN108089695A (zh) * 2016-11-23 2018-05-29 纳恩博（北京）科技有限公司 一种控制可移动设备的方法和装置
CN108764024A (zh) * 2018-04-09 2018-11-06 平安科技（深圳）有限公司 人脸识别模型的生成装置、方法及计算机可读存储介质
CN108898125A (zh) * 2018-07-10 2018-11-27 深圳市巨龙创视科技有限公司 一种基于嵌入式人脸识别管理系统
CN109409297A (zh) * 2018-10-30 2019-03-01 咪付（广西）网络技术有限公司 一种基于双通道卷积神经网络的身份识别方法
CN109583357A (zh) * 2018-11-23 2019-04-05 厦门大学 一种改进lbp和轻量卷积神经网络级联的人脸识别方法
CN109961031A (zh) * 2019-01-25 2019-07-02 深圳市星火电子工程公司 人脸融合识别认定方法、目标人员信息显示方法、预警布控方法及系统
CN110781750A (zh) * 2019-09-25 2020-02-11 万翼科技有限公司 危险人物监控处理方法、装置、计算机设备和存储介质
CN111310734A (zh) * 2020-03-19 2020-06-19 支付宝(杭州)信息技术有限公司 保护用户隐私的人脸识别方法和装置
WO2020164264A1 (zh) * 2019-02-13 2020-08-20 平安科技（深圳）有限公司 人脸图像识别方法、装置及计算机设备
CN111832405A (zh) * 2020-06-05 2020-10-27 天津大学 一种基于hog和深度残差网络的人脸识别方法
CN111950499A (zh) * 2020-08-21 2020-11-17 湖北民族大学 一种检测车载人员统计信息的方法
CN112466078A (zh) * 2020-10-30 2021-03-09 重庆电子工程职业学院 智能安防系统
CN112836658A (zh) * 2021-02-08 2021-05-25 南京林业大学 基于迁移学习和稀疏损失函数的人脸识别方法
CN114463812A (zh) * 2022-01-18 2022-05-10 赣南师范大学 基于双通道多分支融合特征蒸馏的低分辨率人脸识别方法
US20230019851A1 (en) * 2021-07-05 2023-01-19 Zili Yi Methods and systems for high definition image manipulation with neural networks

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529448A (zh) * 2016-10-27 2017-03-22 四川长虹电器股份有限公司 利用聚合通道特征进行多视角人脸检测的方法
CN108089695A (zh) * 2016-11-23 2018-05-29 纳恩博（北京）科技有限公司 一种控制可移动设备的方法和装置
CN107491762A (zh) * 2017-08-23 2017-12-19 珠海安联锐视科技股份有限公司 一种行人检测方法
CN108764024A (zh) * 2018-04-09 2018-11-06 平安科技（深圳）有限公司 人脸识别模型的生成装置、方法及计算机可读存储介质
CN108898125A (zh) * 2018-07-10 2018-11-27 深圳市巨龙创视科技有限公司 一种基于嵌入式人脸识别管理系统
CN109409297A (zh) * 2018-10-30 2019-03-01 咪付（广西）网络技术有限公司 一种基于双通道卷积神经网络的身份识别方法
CN109583357A (zh) * 2018-11-23 2019-04-05 厦门大学 一种改进lbp和轻量卷积神经网络级联的人脸识别方法
CN109961031A (zh) * 2019-01-25 2019-07-02 深圳市星火电子工程公司 人脸融合识别认定方法、目标人员信息显示方法、预警布控方法及系统
WO2020164264A1 (zh) * 2019-02-13 2020-08-20 平安科技（深圳）有限公司 人脸图像识别方法、装置及计算机设备
CN110781750A (zh) * 2019-09-25 2020-02-11 万翼科技有限公司 危险人物监控处理方法、装置、计算机设备和存储介质
CN111310734A (zh) * 2020-03-19 2020-06-19 支付宝(杭州)信息技术有限公司 保护用户隐私的人脸识别方法和装置
CN111832405A (zh) * 2020-06-05 2020-10-27 天津大学 一种基于hog和深度残差网络的人脸识别方法
CN111950499A (zh) * 2020-08-21 2020-11-17 湖北民族大学 一种检测车载人员统计信息的方法
CN112466078A (zh) * 2020-10-30 2021-03-09 重庆电子工程职业学院 智能安防系统
CN112836658A (zh) * 2021-02-08 2021-05-25 南京林业大学 基于迁移学习和稀疏损失函数的人脸识别方法
US20230019851A1 (en) * 2021-07-05 2023-01-19 Zili Yi Methods and systems for high definition image manipulation with neural networks
CN114463812A (zh) * 2022-01-18 2022-05-10 赣南师范大学 基于双通道多分支融合特征蒸馏的低分辨率人脸识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZHENG WEN 等: "AI-Based W-Band Suspicious Object Detection System for Moving Persons: Two-Stage Walkthrough Configuration and Recognition Optimization", WIRELESS COMMUNICATIONS AND MOBILE COMPUTING, 10 June 2022 (2022-06-10), pages 1 - 16 *
孟蕊: "基于Gabor特征的二次分类法在人脸识别中的应用", 中国优秀硕士学位论文全文数据库 信息科技辑, vol. 2008, no. 5, 15 May 2008 (2008-05-15), pages 138 - 737 *
甘晓楠: "卷积神经网络在交通标志识别中的研究", 中国优秀硕士学位论文全文数据库 信息科技辑, vol. 2018, no. 2, 15 February 2018 (2018-02-15), pages 138 - 2564 *
葛鹏 等: "基于稀疏表示的光场图像超分辨率重建", 激光与光电子学进展, vol. 59, no. 2, 31 January 2022 (2022-01-31), pages 94 - 100 *

Similar Documents

Publication Publication Date Title
CN101095149B (zh) 图像比较设备和图像比较方法
KR101906796B1 (ko) 딥러닝 기반 영상 분석 장치 및 영상 분석 방법
US20220301317A1 (en) Method and device for constructing object motion trajectory, and computer storage medium
CN107590486B (zh) 运动目标识别方法和系统、自行车流量统计方法和设备
CN111723773B (zh) 遗留物检测方法、装置、电子设备及可读存储介质
CN111008574A (zh) 一种基于形体识别技术的重点人员轨迹分析方法
CN110826415A (zh) 一种场景图像中车辆的重识别方法及设备
CN112836657A (zh) 一种基于轻量化YOLOv3的行人检测方法及系统
CN110942456B (zh) 篡改图像检测方法、装置、设备及存储介质
CN109359530B (zh) 一种智能视频监控方法及装置
CN114005019A (zh) 一种翻拍图像识别方法及其相关设备
Zhao et al. A robust color-independent text detection method from complex videos
CN113920585A (zh) 行为识别方法及装置、设备和存储介质
CN111191481A (zh) 车辆识别方法及系统
KR102230559B1 (ko) 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치
CN116012949B (zh) 一种复杂场景下的人流量统计识别方法及系统
CN116524569A (zh) 一种基于归类算法的多并发人脸识别系统及方法
Roy et al. Temporal integration for word-wise caption and scene text identification
CN113963438A (zh) 行为识别方法及装置、设备和存储介质
CN113593145A (zh) 一种基于门禁设备的智能缴费系统
CN112232390A (zh) 一种高像素大图像的识别方法和系统
KR101367821B1 (ko) 계층적 영상블록의 대칭정보를 이용한 비디오 식별 방법 및 장치
Bellman et al. A classification approach to finding buildings in large scale aerial photographs
KR20200122900A (ko) 감시 영상 기반의 차량 추적 시스템
Cao et al. Adaptive and robust feature selection for low bitrate mobile augmented reality applications

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