CN112784712A - 一种基于实时监控的失踪儿童预警实现方法、装置 - Google Patents

Abstract

本发明公开了一种基于实时监控的失踪儿童预警实现方法、装置，其中方法包括：实时获取并检测街道上出现的人脸图像；利用训练好的卷积神经网络从人脸图像中提取出人脸特征数据；计算人脸特征数据与各预保存的失踪儿童人像图像的人脸特征数据之间的欧式距离，判断欧式距离是否小于等于预设阈值；若欧式距离小于等于预设阈值，则判定所述人脸图像与所述预保存的失踪儿童人脸图像为同一人脸，然后发出失踪儿童预警。上述技术方案将手机或者车载行车记录仪等设备和人脸识别技术结合，将其应用到失踪儿童的寻找中，发挥了广大群众的力量，进而提高寻找失踪儿童的成功率。

Description

一种基于实时监控的失踪儿童预警实现方法、装置

技术领域

本发明涉及失踪儿童预警领域，具体涉及基于实时监控的失踪儿童预警实现方法、装置、电子设备和计算机可读存储介质。

背景技术

我国地域辽阔、人口众多，儿童失踪或者被拐卖后找寻难度大，加上有的孩子年纪太小无法报警，发现线索比较困难，有数据显示，我国失踪儿童找回来的概率只有0.1％。因此，特别需要调动全社会的力量，发挥各种媒介的作用，尽最大可能获取相关信息，最大限度请求公众帮助，及时捕捉线索，而不能仅仅依靠孩子亲属和警方的行动。

目前，在视频监控、人脸识别门禁以及人脸识别解锁等场景中，人脸识别扮演一个重要的角色，通过人脸识别自动识别来客、判断陌生人闯入或解锁，实现自动告警，然而目前还没有将人脸识别应用到儿童失踪预警的记载。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于实时监控的失踪儿童预警实现方法、装置、电子设备和计算机可读存储介质。

依据本发明的一个方面，提供了一种基于实时监控的失踪儿童预警实现方法，所述方法包括：

实时获取并检测街道上出现的人脸图像；

利用训练好的卷积神经网络从所述人脸图像中提取出人脸特征数据；

计算所述人脸特征数据与各预保存的失踪儿童人像图像的人脸特征数据之间的欧式距离，判断所述欧式距离是否小于等于预设阈值；

若所述欧式距离小于等于预设阈值，则判定所述人脸图像与所述预保存的失踪儿童人脸图像为同一人脸，然后发出失踪儿童预警。

可选地，所述实时获取并检测街道上出现的人脸图像包括：

从车载行车记录仪、行人手机摄像头或街道监控摄像头的录像或拍照中获取并检测所述人脸图像的数据。

可选地，所述实时获取并检测街道上出现的人脸图像还包括：

对获取的所述人脸图像进行人脸尺度校正处理、平面人脸旋转校正处理、深度人脸旋转矫正处理、图像缩放处理、中值滤波处理或直方图光线均衡化处理，对预处理后的人脸图像进行检测获得图像中人脸候选区域。

可选地，所述利用训练好的卷积神经网络从所述人脸图像中提取出人脸特征数据包括：

确定人脸候选区域；

选取所述人脸候选区域内的特征点，并对所述特征点进行矫正；

根据所述特征点，利用所述训练好的卷积神经网络确定所述人脸图像的人脸特征数据。

可选地，所述选取所述人脸候选区域内的特征点，并对所述特征点进行矫正包括：

选择人脸候选区域的边界点、曲线拐点、连接点或上述各点连线上的等分点作为特征点，并按顺序排列各特征点的x和y坐标值形成第一特征集，并将所述第一特征集转换为二维向量；再对二维向量进行主成分分析提取主成分，所述第一特征集中的各特征点即为主成分向量空间的一个坐标点，坐标原点为第一特征集的平均，此时任一特征点就是坐标原点加上一个向量，所述向量为包括前面特征向量协方差的向量；对各所述特征点周围的纹理信息进行采样，对比采样的纹理信息和训练集中的纹理信息，找到训练集中纹理信息最接近的点作为匹配特征点，从而得到第二特征集，利用匹配特征点与对应的特征点的位置关系对人脸候选区域进行旋转、缩放或平移，得到对齐后的人脸区域，根据该对齐后的人脸区域得到校正的特征点。

可选地，所述人脸特征数据包括128维向量，所述128维向量由68个特征点的x值和y值构成，所述预保存的失踪儿童人像图像的人脸特征采用与获得所述人脸特征相同的方式得到，所述计算所述人脸特征与预保存的失踪儿童人像图像的人脸特征之间的欧式距离包括：

计算所述人脸特征的128维向量的均值，并保存到CSV文件中；

计算各所述预保存的失踪儿童人像图像的人脸特征的128维向量的均值，并保存到所述CSV文件中；

根据各维向量之间的差值，求取各所述预保存的失踪儿童人像图像的人脸特征的128维向量的均值与所述人脸特征的128维向量的均值之间的欧式距离。

可选地，所述若所述欧式距离小于等于预设阈值，则判定所述人脸图像与所述预保存的失踪儿童人脸图像为同一人脸包括：

若存在多个所述欧式距离小于等于所述预设阈值的情况，则对所述欧式距离进行排序，选择最小的欧式距离对应的人脸作为预警的对象。

依据本发明的另一个方面，提供了一种基于实时监控的失踪儿童预警实现装置，所述装置包括：

人脸图像检测单元，适于实时获取并检测街道上出现的人脸图像；

特征数据获取单元，适于利用训练好的卷积神经网络从所述人脸图像中提取出人脸特征数据；

欧式距离确定单元，适于计算所述人脸特征数据与各预保存的失踪儿童人像图像的人脸特征数据之间的欧式距离，判断所述欧式距离是否小于等于预设阈值；

失踪儿童预警单元，适于若所述欧式距离小于等于预设阈值，则判定所述人脸图像与所述预保存的失踪儿童人脸图像为同一人脸，然后发出失踪儿童预警。

依据本发明的又一方面，提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如上述任一所述的方法。

依据本发明的再一方面，提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如上述任一所述的方法。

上述技术方案能够获得以下的有益效果：

本发明利用从车载行车记录仪或手机或其他职能摄像头上实时获取的人脸图像，提取出人脸特征，然后利用该人脸特征与预保存的失踪儿童的人脸特征数据进行比较，计算它们之间的欧式距离，根据该欧式距离判断实时获取的人脸特征数据与失踪儿童的人脸特征数据是否为同一人脸，避免了损失函数的使用，更加直接、准确地获得识别结果。上述技术方案将手机或者车载行车记录仪等设备和人脸识别技术结合，将其应用到失踪儿童的寻找中，发挥了广大群众的力量，进而提高寻找失踪儿童的成功率。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的基于实时监控的失踪儿童预警实现方法的流程示意图；

图2示出了根据本发明一个实施例的基于实时监控的失踪儿童预警实现装置的结构示意图；

图3示出了根据本发明一个实施例的电子设备的结构示意图；

图4示出了根据本发明一个实施例的计算机可读存储介质的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

图1示出了根据本发明一个实施例的基于实时监控的失踪儿童预警实现方法，所述方法包括：

S110，实时获取并检测街道上出现的人脸图像。本发明该实施例首先利用车载行车记录仪、行人手机摄像头或街道监控等智能摄像头采集到的录像视频或者是拍摄的照片中获取并检测出人脸图像，利用矩形框确定出人脸候选区域。

S120，利用训练好的卷积神经网络从所述人脸图像中提取出人脸特征数据。

该步骤中的卷积神经网络是通过选择合适的人脸图像训练样本集训练后获得的，其中对人脸的特征点标记包括眉毛、眼睛、鼻子、嘴巴、下巴、脸部轮廓，对于样本集中的每一个样本，可以优选采用68个特征点来表示人脸形状，这些特征点又被称为关键点，且每一个关键点的位置信息为二维，则样本可以表示如下：Xi＝[xi1,xi2,...,xi68,yi1,yi2,...,yi68]。

卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeural Networks)，是深度学***移不变分类，因此也被称为“平移不变人工神经网络”。

本发明中的卷积神经网络包括输入层、隐含层和输出层，输入层用于接收上述人脸二维向量；隐含层包含卷积层、池化层和全连接层，卷积层中的卷积核包含权重系数，卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，类似于一个前馈神经网络的神经元；卷积神经网络中输出层的上游通常是全连接层，因此其结构和工作原理与传统前馈神经网络中的输出层相同。根据后续的计算要求，本发明中的输出层不设用于分类的函数，直接输出更加精炼、准确的人脸特征向量。

S130，计算所述人脸特征数据与各预保存的失踪儿童人像图像的人脸特征数据之间的欧式距离，判断所述欧式距离是否小于等于预设阈值。

本发明中预保存的失踪儿童人像图像的人脸特征数据具有相同的数据结构，优选采用与实时获得的人脸特征数据采用相同的算法获得，其中欧式距离是将上述两种人脸特征中的各向量将减后平方，将各向量差值平方相加后开平方即获得欧式距离，欧式距离小于预设阈值表明两个人脸特征数据相差较小，可以认定为同一人像。

S140，若所述欧式距离小于等于预设阈值，则判定所述人脸图像与所述预保存的失踪儿童人脸图像为同一人脸，然后发出失踪儿童预警。

由此，欧式距离小于预设阈值时，表明实时获得的人脸图像与预先保存的失踪儿童人脸图像为同一人脸，即此人大概率是找寻的失踪儿童，此时可以发出预警，可将该图像返回失踪儿童信息发布方，或者向有关组织提供线索和相关信息。

在一个优选的实施例中，S110具体还包括：对获取的所述人脸图像进行人脸尺度校正处理、平面人脸旋转校正处理、深度人脸旋转矫正处理、图像缩放处理、中值滤波处理或直方图光线均衡化处理。

人脸尺度校正处理、平面人脸旋转校正处理、深度人脸旋转矫正处理属于人脸图像的归一化，目的是使不同成像条件(光照强度，方向，距离，姿势等)下拍摄的同一个人的照片具有一致性。人脸归一化包括两个方面的内容：一是几何归一化，二是灰度归一化。几何归一化也称为位置校准，它将有助于矫正因成像距离和人脸姿势变化造成的尺寸差异和角度倾斜，它的目的在于解决人脸尺度变化和人脸旋转问题，具体包括人脸尺度归一化，平面人脸旋转矫正(歪头)，深度人脸旋转矫正(扭脸)三个环节。

无论是直接获取的灰度图像，还是由彩色图像转换得到的灰度图像，里面都有噪声的存在，噪声对图像质量有很大的影响。进行中值滤波不仅可以去除孤点噪声，而且可以保持图像的边缘特性，不会使图像产生显著的模糊，比较适合于实验中的人脸图像。

直方图是一种点操作，它逐点改变图像的灰度值，尽量使各个灰度级别都具有相同的数量的像素点，使直方图趋于平衡。直方图均衡可以使输入图像转换为在每一个灰度级上都有相同像素点数的输出图像(即输出的直方图是平的)。

在实际操作中，可以根据数据来源的实际情况选择上述中的任一项或者几项，然后对预处理后的人脸图像进行初步检测从图像中获得人脸候选区域。

在一个实施例中，S120包括：确定人脸候选区域；选取所述人脸候选区域内的特征点，并对所述特征点进行矫正；根据所述特征点，利用所述训练好的卷积神经网络确定所述人脸图像的人脸特征数据。

实际上，上述操作可以利用Python结合OpenCv以及Dlib实现，在开发中对现有模块进行改进以获得上述模型。Dlib是一个现代化的C++工具箱，其中包含用于在C++中创建复杂软件以解决实际问题的机器学习算法和工具。它广泛应用于工业界和学术界，包括机器人，嵌入式设备，移动电话和大型高性能计算环境。

确定人脸候选区域可以结合Dlib中的加载正脸检测器，使用Dlib中detector＝dlib.get_frontal_face_detector()，加载人脸关键点检测器sp＝dlib.shape_predictor(predictor_path)，加载人脸识别模型facerec＝dlib.face_recognition_model_v1(face_rec_model_path)等实现。

在一个优选的实施例中，所述选取所述人脸候选区域内的特征点，并对所述特征点进行矫正包括：选择人脸候选区域中眉毛、眼睛、鼻子、嘴巴、下巴、脸部轮廓的边界点、曲线拐点、连接点或上述各点连线上的等分点作为特征点，并按顺序排列各特征点的x和y坐标值形成第一特征集X，并将所述第一特征集转换为二维向量；再对二维向量进行主成分分析(PCA)提取主成分，所述第一特征集中的各特征点即为主成分向量空间的一个坐标点，坐标原点为第一特征集的平均，此时任一特征点就是坐标原点加上一个向量，该特征向量为包括前面特征向量协方差的向量；对各所述特征点周围的纹理信息进行采样，对比采样的纹理信息和训练集中的纹理信息，找到训练集中纹理信息最接近的点作为匹配特征点，从而得到第二特征集Y，利用匹配特征点与对应的特征点的位置关系获得旋转缩放平移矩阵T，对人脸候选区域进行旋转、缩放或平移，得到对齐后的人脸区域，根据该对齐后的人脸区域得到校正的特征点。

获取的过程是：先初始化向量为0，得到模型X，用kalman滤波等方法找到变换矩阵T，求得Y，再利用Y反求其中的参数，并且更新该参数，直到收敛，再利用旋转缩放平移矩阵T对人脸区域进行旋转、平移和缩放，即可得到对齐后的人脸区域。

在一个实施例中，所述人脸特征数据包括128维向量，如Xi＝[xi1,xi2,...,xi68,yi1,yi2,...,yi68]，该128维向量由68个特征点的x值和y值构成，所述预保存的失踪儿童人像图像的人脸特征采用与获得所述人脸特征相同的方式得到，假设有n个失踪儿童，则预保存的就有n个128维的特征向量数据。

由此，S130包括：计算所述人脸特征的128维向量的均值，并保存到CSV文件中；计算各所述预保存的失踪儿童人像图像的人脸特征的128维向量的均值，该均值可采用Dlib中的numpy.mean()函数计算得到，并保存到所述CSV文件中。

然后，逐个根据各维向量之间的差值，求取各所述预保存的失踪儿童人像图像的人脸特征的128维向量的均值与所述人脸特征的128维向量的均值之间的欧式距离。

在一个实施例中，S140具体包括：若存在多个所述欧式距离小于等于所述预设阈值的情况，则对该多个欧式距离值进行排序，选择最小的欧式距离对应的人脸作为预警的对象，在实际操作中，可以对各人像特征数据进行标识，并且将各标识也保存到CSV文件中，从而便于确定具体的预警对象。

图2示出了根据本发明一个实施例的基于实时监控的失踪儿童预警实现装置200，所述装置200包括：

人脸图像检测单元210，实时获取并检测街道上出现的人脸图像。本发明该实施例首先利用车载行车记录仪、行人手机摄像头或街道监控等智能摄像头采集到的录像视频或者是拍摄的照片中获取并检测出人脸图像，利用矩形框确定出人脸候选区域。

特征数据获取单元220，利用训练好的卷积神经网络从所述人脸图像中提取出人脸特征数据。

欧式距离确定单元230，计算所述人脸特征数据与各预保存的失踪儿童人像图像的人脸特征数据之间的欧式距离，判断所述欧式距离是否小于等于预设阈值。

本发明中预保存的失踪儿童人像图像的人脸特征数据具有相同的数据结构，优选采用与实时获得的人脸特征数据采用相同的算法获得，其中欧式距离是将上述两种人脸特征中的各向量将减后平方，将各向量差值平方相加后开平方即获得欧式距离，欧式距离小于预设阈值表明两个人脸特征数据相差较小，可以认定为同一人像。

失踪儿童预警单元240，若所述欧式距离小于等于预设阈值，则判定所述人脸图像与所述预保存的失踪儿童人脸图像为同一人脸，然后发出失踪儿童预警。

由此，欧式距离小于预设阈值时，表明实时获得的人脸图像与预先保存的失踪儿童人脸图像为同一人脸，即此人大概率是找寻的失踪儿童，此时可以发出预警，可将该图像返回失踪儿童信息发布方，或者向有关组织提供线索和相关信息。

在一个优选的实施例中，人脸图像检测单元210适于：对获取的所述人脸图像进行人脸尺度校正处理、平面人脸旋转校正处理、深度人脸旋转矫正处理、图像缩放处理、中值滤波处理或直方图光线均衡化处理。

在实际操作中，可以根据数据来源的实际情况选择上述中的任一项或者几项，然后对预处理后的人脸图像进行初步检测从图像中获得人脸候选区域。

在一个实施例中，特征数据获取单元220还适于：确定人脸候选区域；选取所述人脸候选区域内的特征点，并对所述特征点进行矫正；根据所述特征点，利用所述训练好的卷积神经网络确定所述人脸图像的人脸特征数据。

在一个优选的实施例中，特征数据获取单元220具体适于：选择人脸候选区域中眉毛、眼睛、鼻子、嘴巴、下巴、脸部轮廓的边界点、曲线拐点、连接点或上述各点连线上的等分点作为特征点，并按顺序排列各特征点的x和y坐标值形成第一特征集X，并将所述第一特征集转换为二维向量；再对二维向量进行主成分分析(PCA)提取主成分，所述第一特征集中的各特征点即为主成分向量空间的一个坐标点，坐标原点为第一特征集的平均，此时任一特征点就是坐标原点加上一个向量，该特征向量为包括前面特征向量协方差的向量；对各所述特征点周围的纹理信息进行采样，对比采样的纹理信息和训练集中的纹理信息，找到训练集中纹理信息最接近的点作为匹配特征点，从而得到第二特征集Y，利用匹配特征点与对应的特征点的位置关系获得旋转缩放平移矩阵T，对人脸候选区域进行旋转、缩放或平移，得到对齐后的人脸区域，根据该对齐后的人脸区域得到校正的特征点。

在一个实施例中，所述人脸特征数据包括128维向量，如Xi＝[xi1,xi2,...,xi68,yi1,yi2,...,yi68]，该128维向量由68个特征点的x值和y值构成，所述预保存的失踪儿童人像图像的人脸特征采用与获得所述人脸特征相同的方式得到，假设有n个失踪儿童，则预保存的就有n个128维的特征向量数据。

由此，欧式距离确定单元230适于：计算所述人脸特征的128维向量的均值，并保存到CSV文件中；计算各所述预保存的失踪儿童人像图像的人脸特征的128维向量的均值，该均值可采用Dlib中的numpy.mean()函数计算得到，并保存到所述CSV文件中。

然后，逐个根据各维向量之间的差值，求取各所述预保存的失踪儿童人像图像的人脸特征的128维向量的均值与所述人脸特征的128维向量的均值之间的欧式距离。

在一个实施例中，失踪儿童预警单元240具体适于：若存在多个所述欧式距离小于等于所述预设阈值的情况，则对该多个欧式距离值进行排序，选择最小的欧式距离对应的人脸作为预警的对象，在实际操作中，可以对各人像特征数据进行标识，并且将各标识也保存到CSV文件中，从而便于确定具体的预警对象。

需要说明的是，上述各装置实施例的具体实施方式可以参照前述对应方法实施例的具体实施方式进行，在此不再赘述。

综上所述，本发明的技术方案，简化了识别模型，提高了模型识别精度，避免了损失函数的使用，更加直接、准确地获得识别结果；且将手机或者车载行车记录仪等设备和人脸识别技术结合，将其应用到失踪儿童的寻找中，发挥了广大群众的力量，进而提高寻找失踪儿童的成功率。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的基于实时监控的失踪儿童预警实现装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图3示出了根据本发明一个实施例的电子设备的结构示意图。该电子设备300包括处理器310和被安排成存储计算机可执行指令(计算机可读程序代码)的存储器320。存储器320可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器320具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码331的存储空间330。例如，用于存储计算机可读程序代码的存储空间330可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码331。计算机可读程序代码331可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图4所述的计算机可读存储介质。图4示出了根据本发明一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质400存储有用于执行根据本发明的方法步骤的计算机可读程序代码331，可以被电子设备300的处理器310读取，当计算机可读程序代码331由电子设备300运行时，导致该电子设备300执行上面所描述的方法中的各个步骤，具体来说，该计算机可读存储介质存储的计算机可读程序代码331可以执行上述任一实施例中示出的方法。计算机可读程序代码331可以以适当形式进行压缩。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种基于实时监控的失踪儿童预警实现方法，其特征在于，所述方法包括：

实时获取并检测街道上出现的人脸图像；

利用训练好的卷积神经网络从所述人脸图像中提取出人脸特征数据；

计算所述人脸特征数据与各预保存的失踪儿童人像图像的人脸特征数据之间的欧式距离，判断所述欧式距离是否小于等于预设阈值；

若所述欧式距离小于等于预设阈值，则判定所述人脸图像与所述预保存的失踪儿童人脸图像为同一人脸，然后发出失踪儿童预警。

2.根据权利要求1所述的方法，其特征在于，所述实时获取并检测街道上出现的人脸图像包括：

从车载行车记录仪、行人手机摄像头或街道监控摄像头的录像或拍照中获取并检测所述人脸图像的数据。

3.根据权利要求1所述的方法，其特征在于，所述实时获取并检测街道上出现的人脸图像还包括：

对获取的所述人脸图像进行人脸尺度校正处理、平面人脸旋转校正处理、深度人脸旋转矫正处理、图像缩放处理、中值滤波处理或直方图光线均衡化处理，对预处理后的人脸图像进行检测获得图像中人脸候选区域。

4.根据权利要求1所述的方法，其特征在于，所述利用训练好的卷积神经网络从所述人脸图像中提取出人脸特征数据包括：

确定人脸候选区域；

选取所述人脸候选区域内的特征点，并对所述特征点进行矫正；

根据所述特征点，利用所述训练好的卷积神经网络确定所述人脸图像的人脸特征数据。

5.根据权利要求4所述的方法，其特征在于，所述选取所述人脸候选区域内的特征点，并对所述特征点进行矫正包括：

选择人脸候选区域的边界点、曲线拐点、连接点或上述各点连线上的等分点作为特征点，并按顺序排列各特征点的x和y坐标值形成第一特征集，并将所述第一特征集转换为二维向量；再对二维向量进行主成分分析提取主成分，所述第一特征集中的各特征点即为主成分向量空间的一个坐标点，坐标原点为第一特征集的平均，此时任一特征点就是坐标原点加上一个向量，所述向量为包括前面特征向量协方差的向量；对各所述特征点周围的纹理信息进行采样，对比采样的纹理信息和训练集中的纹理信息，找到训练集中纹理信息最接近的点作为匹配特征点，从而得到第二特征集，利用匹配特征点与对应的特征点的位置关系对人脸候选区域进行旋转、缩放或平移，得到对齐后的人脸区域，根据该对齐后的人脸区域得到校正的特征点。

6.根据权利要求4所述的方法，其特征在于，所述人脸特征数据包括128维向量，所述128维向量由68个特征点的x值和y值构成，所述预保存的失踪儿童人像图像的人脸特征采用与获得所述人脸特征相同的方式得到，所述计算所述人脸特征与预保存的失踪儿童人像图像的人脸特征之间的欧式距离包括：

计算所述人脸特征的128维向量的均值，并保存到CSV文件中；

计算各所述预保存的失踪儿童人像图像的人脸特征的128维向量的均值，并保存到所述CSV文件中；

根据各维向量之间的差值，求取各所述预保存的失踪儿童人像图像的人脸特征的128维向量的均值与所述人脸特征的128维向量的均值之间的欧式距离。

7.根据权利要求1所述的方法，其特征在于，所述若所述欧式距离小于等于预设阈值，则判定所述人脸图像与所述预保存的失踪儿童人脸图像为同一人脸包括：

若存在多个所述欧式距离小于等于所述预设阈值的情况，则对所述欧式距离进行排序，选择最小的欧式距离对应的人脸作为预警的对象。

8.一种基于实时监控的失踪儿童预警实现装置，其特征在于，所述装置包括：

人脸图像检测单元，适于实时获取并检测街道上出现的人脸图像；

特征数据获取单元，适于利用训练好的卷积神经网络从所述人脸图像中提取出人脸特征数据；

欧式距离确定单元，适于计算所述人脸特征数据与各预保存的失踪儿童人像图像的人脸特征数据之间的欧式距离，判断所述欧式距离是否小于等于预设阈值；

失踪儿童预警单元，适于若所述欧式距离小于等于预设阈值，则判定所述人脸图像与所述预保存的失踪儿童人脸图像为同一人脸，然后发出失踪儿童预警。

9.一种电子设备，其中，该电子设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如权利要求1-7中任一项所述的方法。

Images