CN104573679A - 监控场景下基于深度学习的人脸识别*** - Google Patents

Abstract

一种监控场景下基于深度学习的人脸识别***。监控场景下基于深度学习的人脸识别***包括视频采集单元、人脸检测单元、显示单元、存储单元。视频采集单元将采集到的图像信息传输给人脸检测单元进行下步处理，同时传输给存储单元进行储存；人脸检测单元通过深度学习，检测出视频图像中的人脸信息，并提取出人脸特征信息，提取到的人脸特征信息与人脸数据库模块中的人脸进行特征匹配，得到匹配的人脸信息，传输到显示单元显示，同时传输到存储单元进行储存。该装置能够快速识别出人脸并准确判定出对应的身份信息，能够实现危险人物的预警，保护人们的生命财产安全，对我国治安的协助维持有重要的作用。

Description

监控场景下基于深度学习的人脸识别***

技术领域

本发明属于智能视频监控领域，涉及到模式识别、人工智能等技术，特别涉及到监控场景下智能人脸识别方面。

背景技术

人脸识别技术是依据人脸部的特征信息进行身份识别的生物识别技术之一。人脸识别技术成为一种可靠地身份识别依据，而且具有非接触性、并发性、非强制性、直观性等优点。目前人脸识别主要应用于考勤、门禁身份验证等领域，在智能监控领域的应用还不完善，还没有比较完备的人脸识别监控设备应用在监控场景中。

本发明旨在应用在智能监控领域，通过监控，将目标与场景中的人脸进行识别比对匹配，得到搜索的人物信息。在远距离情况下快速确认目标身份，实现智能预警的功能。通过在重要保护场所如学校、车站、超市、广场、住宅区等进行实时采集视频信息并进行人脸识别，从而快速锁定出入人员的信息，判断是否为危险分子，从而实现预警，保护人们的人身财产安全。随着人们安全防范意识的提高，急需人脸识别***应用于监控领域，并且，这对加强我国治安管理水平有重要的作用。

发明内容

为解决上述问题，本发明的目的在于提供监控场景下基于深度学习的人脸识别***。

本***在监控场景下，能够检测到人脸并进行快速分析匹配，及早辨别出身份信息，判断是否为危险人物并及早预警。本***具有友好、易采集性、非强制性、检测可靠等优点，具有较高的智能化水平。

本发明采用的技术方案是：监控场景下基于深度学习的人脸识别***包括视频采集单元、人脸检测单元、显示单元、存储单元。

其中，所述视频采集单元包括嵌入式高清相机和视频编码器。

其中，所述人脸检测单元包括人脸数据库模块、深度学习模块、人脸判别模块、特征提取模块、人脸匹配模块和通信模块a。

所述人脸数据库模块是存放待训练的人脸。

所述深度学习模块包括神经网络各层的建立过程。所建立的神经网络，包含输入层、输出层、五层隐层，只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接。训练过程包括前向训练和后向训练。前向训练过程为自下而上的非监督学习，即从底层开始，一层一层的往顶层训练，训练过程中，训练学习得到第n-1层参数后，将n-1层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数；后向训练过程为自上而下的监督学习，即训练误差自顶向下传输，对参数进行微调。

所述人脸判别模块，指的是通过深度学习各层神经网络的学习，将视频图像中出现的人脸信息检测出来。

所述特征提取模块是依据人脸数据库模块中的人脸样本学习规则，提取出人脸判别模块中提取得到的人脸的特征信息。

所述人脸匹配模块为人脸判别模块中提取得到的待检测人脸与已经存储的人脸数据库模块中的人脸进行比对匹配的过程。通过比对人脸判别模块中提取得到的待检测人脸和人脸数据库模块中的人脸的特征信息，找出匹配的人脸对应的身份信息。

所述通信模块a负责将人脸匹配模块提取得到的匹配的人脸信息传输到显示单元，通过PCI总线进行数据传输。

其中，所述显示单元包括通信模块b、解码模块和显示模块。

所述通信模块b负责接收人脸检测单元传输的匹配人脸的特征信息和视频采集单元经过压缩编码的视频信息，通过PCI总线进行数据传输。

所述解码模块负责将接收到的视频采集单元传输的视频信息进行解码。

所述显示模块指的是LED显示屏，显示人脸匹配模块得到的人脸的身份信息以及实时监控录像。

其中，所述存储单元为云盘存储，将视频采集单元采集到的场景信息通过光纤电缆传输到云盘并存储，同时，将人脸检测单元中人脸匹配模块得到的人脸的身份信息进行存储。

所述视频采集单元的嵌入式高清相机将采集到的视频信息通过网线传输到人脸检测单元的人脸判别模块，同时经光纤电缆传输到存储单元的存储视频模块进行数据备份；人脸检测单元将人脸数据库模块中的人脸数据传到深度学习模块，进行神经网络的自学习建模，建立好的神经网络模型参数传输到人脸判别模块；人脸判别模块利用深度学习模块建立的神经网络模型对视频采集单元传输来的视频信息进行人脸判别，得到视频中人脸图像信息；特征提取模块将人脸判别模块中提取到的人脸信息进一步进行特征提取，人脸匹配模块将提取到的人脸特征与人脸数据库模块中的人脸进行比对匹配，找到匹配度最高的人脸信息，同时，并将人脸匹配结果传输到存储单元的存储匹配结果模块进行储存；进而，匹配得到的人脸特征信息通过通信模块a以PCI总线方式传输到显示单元；显示单元通过通信模块b接收人脸检测单元传输来的匹配的人脸信息和视频采集单元压缩编码后的视频信息，并利用解码模块进行对视频解码；解码模块解码后的视频传到显示模块；显示模块显示匹配的人脸信息，同时实时显示视频信息。

本发明的有益效果是：该装置采集到的图像信息能够快速识别出人脸并准确判定出对应的身份信息，能够通过非接触、友好地完成信息身份检查确认，能够实现危险人物的预警，提早采取相应措施，保护人们的生命财产安全，对我国治安的协助维持有重要的作用。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明***图。

图2是本发明处理流程图。

具体实施方式

下面结合具体实例来说明本发明技术方案所涉及到的各个细节问题。应指出的是，所描述的实例仅旨在便于对本发明的理解，并不因此而限定本发明的保护范围。

如图1所示，本发明采用的技术方案是：监控场景下基于深度学习的人脸识别***包括视频采集单元1、人脸检测单元2、显示单元3、存储单元4。

其中，所述视频采集单元1包括嵌入式高清相机11和视频编码器12。

其中，所述人脸检测单元2包括人脸数据库模块21、深度学习模块22、人脸判别模块23、特征提取模块24、人脸匹配模块25和通信模块a 26。

所述人脸数据库模块21是存放待训练的人脸。

所述深度学习模块22包括神经网络各层的建立过程。所建立的神经网络，包含输入层、输出层、五层隐层，只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接。训练过程包括前向训练和后向训练。前向训练过程为自下而上的非监督学习，即从底层开始，一层一层的往顶层训练，训练过程中，训练学习得到第n-1层参数后，将n-1层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数；后向训练过程为自上而下的监督学习，即训练误差自顶向下传输，对参数进行微调。

所述人脸判别模块23，指的是通过深度学习各层神经网络的学习，将视频图像中出现的人脸信息检测出来。

所述特征提取模块24是依据人脸数据库模块21中的人脸样本学习规则，提取出人脸判别模块23中提取得到的人脸的特征信息。

所述人脸匹配模块25为人脸判别模块23中提取得到的待检测人脸与已经存储的人脸数据库模块21中的人脸进行比对匹配的过程。通过比对人脸判别模块23中提取得到的待检测人脸和人脸数据库模块21中的人脸的特征信息，找出匹配的人脸对应的身份信息。

所述通信模块a 26负责将人脸匹配模块25提取得到的匹配的人脸信息传输到显示单元3，通过PCI总线进行数据传输。

其中，所述显示单元3包括通信模块b 31、解码模块32和显示模块33。

所述通信模块b 31负责接收人脸检测单元2传输的匹配人脸的特征信息和视频采集单元1经过压缩编码的视频信息，通过PCI总线进行数据传输。

所述解码模块32负责将接收到的视频采集单元1传输的视频信息进行解码。

所述显示模块33指的是LED显示屏，显示人脸匹配模块25得到的人脸的身份信息以及实时监控录像。

其中，所述存储单元4为云盘存储，将视频采集单元1采集到的场景信息通过光纤电缆传输到云盘并存储，同时，将人脸检测单元2中人脸匹配模块25得到的人脸的身份信息进行存储。

所述视频采集单元1的嵌入式高清相机11将采集到的视频信息通过网线传输到人脸检测单元2的人脸判别模块23，同时经光纤电缆传输到存储单元4的存储视频模块41进行数据备份；人脸检测单元2将人脸数据库模块21中的人脸数据传到深度学习模块22，进行神经网络的自学习建模，建立好的神经网络模型参数传输到人脸判别模块23；人脸判别模块23利用深度学习模块22建立的神经网络模型对视频采集单元1传输来的视频信息进行人脸判别，得到视频中人脸图像信息；特征提取模块24将人脸判别模块23中提取到的人脸信息进一步进行特征提取，人脸匹配模块25将提取到的人脸特征与人脸数据库模块21中的人脸进行比对匹配，找到匹配度最高的人脸信息，同时，并将人脸匹配结果传输到存储单元4的存储匹配结果模块41进行储存；进而，匹配得到的人脸特征信息通过通信模块a 26以PCI总线方式传输到显示单元3；显示单元3通过通信模块b 31接收人脸检测单元2传输来的匹配的人脸信息和视频采集单元1压缩编码后的视频信息，并利用解码模块32进行对视频解码；解码模块32解码后的视频传到显示模块3；显示模块3显示匹配的人脸信息，同时实时显示视频信息。

如图2所示，本发明采用的深度学***均池化和子采样层225、最大池化和子采样层226。

其中，深度学习模块22所述滤波器组层222包括卷积滤波器C、激活函数、可训练增益G。其中，激活函数我们采用非线性变换函数sigmoid。则本层对应输入输出为y=G*sigmoid(C)。其中，卷积滤波器组中，本发明采用96组核函数进行卷积滤波。

深度学习模块22所述校正层223是对滤波器组层输出结果进行简单校正，采用的是取绝对值操作，是避免图像处理中出现的无意义负值。

深度学习模块22所述局部对比归一化层224指的是对上层输出结果取均值和方差归一化，即图像特征归一化。

深度学***均池化和子采样层225是使得提取的特征对微小形变具有鲁棒性，采用的是采样窗口所有值取平均，得到的值传输到下一采样层。

深度学***移操作的不变性，采用的是采样窗口所有值取平均最大值，得到的值传输到下一采样层。

任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (2)

1.监控场景下基于深度学习的人脸识别***，其特征在于：所监控场景下基于深度学习的人脸识别***包括视频采集单元、人脸检测单元、匹配显示单元、存储单元；视频采集单元分别和人脸检测单元、存储单元连接；人脸检测单元分别和显示单元、存储单元连接。

2.根据权利要求1所述的监控场景下基于深度学习的人脸识别***装置，其特征在于：所述监控场景下基于深度学习的人脸识别***中视频采集模块的嵌入式高清相机将采集到的视频信息通过网线传输到人脸检测单元的人脸判别模块，同时经过光纤电缆传输到存储单元的存储视频模块进行数据备份；人脸判别模块利用深度学习模块建立的神经网络模型对视频采集单元传输来的视频信息进行人脸判别，得到视频中人脸图像信息；进而特征提取模块提取人脸特征信息，人脸匹配模块将提取到的人脸特征信息与人脸数据库模块中的人脸进行比对匹配，找到匹配度最高的人脸信息，通过通信模块PCI总线方式传输到匹配显示单，并传到存储单元进行匹配结果存储。