CN113989914A - 一种基于人脸识别的安防监控方法及*** - Google Patents

Abstract

本发明提供了一种基于人脸识别的安防监控方法及***，属于信息技术领域。其中，所述方法包括：获取分布式监控设备的视频监控数据，基于所述视频监控数据提取若干人脸信息；将所述人脸信息与人脸数据库进行匹配计算；若所述匹配结果为匹配失败，则基于该匹配失败的人脸信息进行跨相机匹配，基于跨相机匹配的结果得出与该人脸信息对应的行进轨迹；本发明的方案实现了针对陌生人进行跨相机的匹配操作，得出陌生人在监控场景中的行进轨迹，有利于对陌生人进行针对性监控。

Description

一种基于人脸识别的安防监控方法及***

技术领域

本发明涉及信息技术及安防技术领域，具体而言，涉及一种基于人脸识别的安防监控方法及***。

背景技术

随着科技技术的发展与进步，当前安防技术已经进入了全新的智能时代，而视频智能分析则是智能安防技术落地的重要手段。得益于深度学***台以及客户端。

对现有技术进行检索后发现如下专利文献：

专利文献1（CN106845385A）公开了一种视频目标跟踪的方法，所述方法包括：获取视频流，根据人脸检测算法识别人脸区域，得到第一视频帧对应的第一待跟踪目标；对所述第一待跟踪目标通过基于深度神经网络的人脸特征提取得到第一人脸特征加入特征库；在当前视频帧根据人脸检测算法识别人脸区域，得到当前视频帧对应的当前待跟踪目标，对所述当前待跟踪目标通过基于深度神经网络的人脸特征提取得到第二人脸特征，根据所述第二人脸特征和所述特征库将所述当前待跟踪目标与第一待跟踪目标进行特征匹配，以从所述第一视频帧开始跟踪所述第一待跟踪目标，在跟踪过程中根据提取的更新的人脸特征更新所述特征库。

专利文献2（CN102521578A）公开了一种入侵检测和识别方法，为依次通过视频数据采集、图像识别、最后根据识别结果进行安全控制的方法，还包括步骤：a).通过图像传感器采集视野区域内的实时视频；b).划分视频段，并从视频段中分离出每帧的图像，利用背景差分检测出运动目标和区域，然后通过过滤器从视频段内选出记录的运动目标的大小/形状最接近阀值的代表帧图像；c).利用背景差分从该代表帧图像提取运动目标，然后建立运动人体的头肩二维模型并计算模型轮廓的不变矩形成特征向量；利用第一分类器进行人体目标的识别；d).根据人体目标识别的结果，如果可判定为陌生人，则主控***通过控制总线启动本地或网络报警装置进行报警；如果不能准确判断是否为陌生人，则进行人脸识别步骤；e).进行人脸识别时，从代表帧图像内提取人脸的全局或局部特征；如果能提取人脸的全局或局部特征，则通过第二分类器判断主控***数据库内是否存在与运动目标的人脸相同的图像；存在，则主控***为该人进行授权允许其进行与其相关的操作；否则启动本地或网络报警装置进行报警；若无法从代表帧图像内提取人脸的全局或局部特征，则主控***启动云识别步骤；f).云识别步骤，主控***将该代表帧图像发送到云平台，然后再由云平台转发到用户的网络终端；用户利用网络终端，通过人眼进行人工识别，如果判断为认识的人，允许主控***对该运动目标进行操作授权，否则判定为入侵的陌生人，用户通过网络终端控制主控***报警或停止该运动目标在***的操作。

专利文献3（CN111460884A）公开了一种基于人体跟踪的多人脸识别方法，1)读取一帧视频图像，使用yolov3进行目标识别；2)利用DeepSORT多目标跟踪锁定各人体坐标；3)利用人体坐标获取人体图像，使用MTCNN和faceNet模型进行人脸检测及识别，当确认身份时，标识该人体名称属性为具体人名，相反则标记“未识别”；4)读取下一帧图像时，经检测、更新跟踪获得当前人体坐标，并结合存储的检测信息，判定是否需要再次识别，即已标记的具体人名的人体坐标，不再进行识别，只识别标记“未识别”及新加入的人体坐标；5)经过一帧或多帧图像处理，即可判定视频中所有人的身份。

经过分析上述现有技术中的专利文献可以看出，目前现有的人脸技术工作重心偏向于:在相机下通过人脸算法提取到人脸的特征，与数据库中实现录入的人脸特征进行比对，匹配成功则给出人员信息，匹配失败则上报不在名单中。然而，匹配失败的人即陌生人有时候才是用户真正关心的对象，现有技术显然并不能有效解决对陌生人的安防监控跟踪。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供了一种基于人脸识别的安防监控方法、***、电子设备及存储介质。

本发明的第一方面提供了一种基于人脸识别的安防监控方法，包括如下步骤：

获取分布式监控设备的视频监控数据，基于所述视频监控数据提取若干人脸信息；

将所述人脸信息与人脸数据库进行匹配计算以得出匹配结果；

若所述匹配结果为匹配失败，则基于该匹配失败的人脸信息进行跨相机匹配，基于跨相机匹配的结果得出与该人脸信息对应的行进轨迹。

可选地，所述基于所述视频监控数据提取若干人脸信息，包括：

从所述视频监控数据中确定出各人体目标区域图像，对所述人体目标区域图像的上部区域进行人脸检测以确定人脸区域图像；

对所述人脸区域图像进行计算以提取出人脸目标特征，将所述人脸目标特征作为所述人脸信息。

可选地，所述基于该匹配失败的人脸信息进行跨相机匹配，包括：

计算所述人脸信息与其它监控设备提取出的待匹配人脸信息的相似度，基于相似度的计算结果确定目标监控设备。

可选地，所述计算所述人脸信息与其它监控设备提取出的待匹配人脸信息的相似度，包括：

对于某一监控设备对应的各待匹配人脸信息，计算所述人脸目标特征与各待匹配人脸信息的第一相似度；

提取出所述第一相似度大于第一阈值的待匹配人脸信息，基于所述第一相似度计算所述人脸信息与提取出的所述待匹配人脸信息的第二相似度，将所述第二相似度作为所述相似度。

可选地，所述第二相似度通过下式计算得出：

式中，Sim为第二相似度，d1为第三相似度，其表征所述人脸目标特征与提取出的所述待匹配人脸信息中第一相似度值最大的所述待匹配人脸信息的相似度；d2为第四相似度，其表征所述人脸目标特征与提取出的所述待匹配人脸信息中第一相似度值最小的所述待匹配人脸信息的相似度；

式中，

为所述人脸目标特征中的第i个元素，n为所述人脸目标特征中的元素个数；

为提取出的所述待匹配人脸信息中第一相似度值最大的所述待匹配人脸信息对应的人脸目标特征中的第i个特征；

为提取出的所述待匹配人脸信息中第一相似度值最小的所述待匹配人脸信息对应的人脸目标特征中的第i个特征；

、

为修正系数。

可选地，所述修正系数

、

基于提取出的所述待匹配人脸信息的第一相似度确定。

可选地，所述人脸信息与对应的所述视频监控数据的拍摄时刻关联；

则所述基于跨相机匹配的结果得出与该人脸信息对应的行进轨迹，包括：

提取各目标监控设备的属性信息，基于所述属性信息确定位置点序列；

基于所述位置点序列和所述拍摄时刻绘制出所述行进轨迹。

本发明的第二方面提供了一种基于人脸识别的安防监控***，包括处理模块、存储模块、通信模块、分布式监控设备，所述处理模块与所述存储模块、所述通信模块连接；其中，

所述存储模块，用于存储可执行的计算机程序代码；

所述通信模块，用于实现所述处理模块与所述分布式监控设备的通信；

所述处理模块，用于通过调用所述存储模块中的所述可执行的计算机程序代码，执行如前任一项所述的方法。

本发明的第三方面提供了一种电子设备，包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行如前任一项所述的方法。

本发明的第四方面提供了一种计算机存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上任一项所述的方法。

本发明的方案，获取分布式监控设备的视频监控数据，基于所述视频监控数据提取若干人脸信息；将所述人脸信息与人脸数据库进行匹配计算以得出匹配结果；若所述匹配结果为匹配失败，则基于该匹配失败的人脸信息进行跨相机匹配，基于所述跨相机匹配结果得出与该人脸信息对应的行进轨迹。本发明的方案相对于现有技术来说，基于人脸匹配结果来识别陌生人，进而针对陌生人进行跨相机的匹配操作，从而得出陌生人在监控场景中的行进轨迹，有利于对陌生人进行针对性监控。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1是本发明实施例公开的一种基于人脸识别的安防监控方法的流程示意图。

图2是本发明实施例提供的标准人脸模板的示意图。

图3是本发明实施例公开的一种基于人脸识别的安防监控***的结构示意图。

图4是本发明实施例公开一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

实施例一

请参阅图1，图1是本发明实施例公开的一种基于人脸识别的安防监控方法的流程示意图。如图1所示，本发明实施例的一种基于人脸识别的安防监控方法，包括如下步骤：

获取分布式监控设备的视频监控数据，基于所述视频监控数据提取若干人脸信息；

将所述人脸信息与人脸数据库进行匹配计算以得出匹配结果；

若所述匹配结果为匹配失败，则基于该匹配失败的人脸信息进行跨相机匹配，基于跨相机匹配的结果得出与该人脸信息对应的行进轨迹。

在本发明实施例中，监控场景中分布式布置有若干监控设备，当有人体目标进入监控设备的监控区域时，监控设备就可以提取出该人体目标的人脸信息，然后可以通过与人脸数据库进行匹配计算，若匹配失败，则说明该人体目标属于陌生人，进而基于该陌生人的人脸信息进行跨相机匹配，最终得出其在监控场景中的行进轨迹。本发明的方案能够准确获取陌生人的行进轨迹，以实现对陌生人的有效监控，而且，本发明的方案仅针对陌生人进行行进轨迹的监控，可以有效降低监控***的处理负荷。

本发明的方案既可以实现于上位机，也可以实现于服务器中，相应地，上位机或服务器需要与分布式监控设备建立通信连接。其中，上位机可以是电脑、智能手机、平板电脑、可穿戴设备或者其他电子设备。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content DeliveryNetwork，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。

可选地，所述基于所述视频监控数据提取若干人脸信息，包括：

从所述视频监控数据中确定出各人体目标区域图像，对所述人体目标区域图像的上部区域进行人脸检测以确定人脸区域图像；

对所述人脸区域图像进行计算以提取出人脸目标特征，将所述人脸目标特征作为所述人脸信息。

在本发明实施例中，由于人体目标在视频图像中会变换姿势（例如转身或低头），造成监控设备只能观测到人体目标的侧脸甚至后脑勺，于是人脸检测容易出现漏检。针对该问题，本发明先从视频监控数据中确定出人体目标区域图像，然后对确定出的人体目标区域图像进行持续跟踪，同时，对人体目标区域图像的上部区域持续进行人脸检测（人脸一般情况下处于人体的上部），当检测到人脸时就可以将对应的区域确定为人脸区域图像，接着对确定出的人脸区域图像进行特征提取就可以确定出人脸目标特征即人脸信息。

需要进行说明的是，对于人体目标检测，可以采用深度学习技术来准确的区分视频监控图像的前景与背景，从而就可以将图片前景中的人体目标区域图像准确的定位出来；而对于深度学习技术，例如可以选择使用YOLOV5模型。而对于人脸检测，同样可以基于深度学习技术实现，例如可以选择Retina Face模型。由于上述模型均属于本领域的成熟现有技术，本发明在此不再赘述。

需要进行说明的是，在进行人脸特征提取时应当基于标准人脸即正脸进行，而监控设备实际获取到的人脸图像绝大部分都不是正脸。针对于此，本发明确定的人体目标区域图像有多帧，多帧图像对应着不同角度的人脸图像，对各帧图像进行人脸角度（包括偏航角、俯仰角和翻滚角）的计算，基于所述角度就可以确定出仿射变换矩阵并据此将各帧图像中的人脸图像分别映射至标准人脸图像模板中，再对标准人脸图像进行人脸特征的提取，其中，人脸目标特征可以包括眼睛特征、鼻子特征、嘴巴特征、下巴特征等，具体可以通过例如Insight Face模型进行提取。

举例说明如下：

参照图2所示，标准人脸图像模板包括左上、正左、左下、正上、正脸、正下、右上、正右、右下9部分，而不同帧中的人脸图像对应着这9部分中的至少一部分，基于人脸角度能够确定与上述9个部分的对应关系，然后再基于仿射变换矩阵就可以将各人脸图像映射至标准人脸图像模板，进而得到经过合成的人脸区域图像。

可选地，所述基于该匹配失败的人脸信息进行跨相机匹配，包括：

计算所述人脸信息与其它监控设备提取出的待匹配人脸信息的相似度，基于相似度计算结果确定目标监控设备。

在本发明实施例中，在确定出某人体目标为陌生人即其人脸信息并未录入该监控场景的***中，此时需要对该陌生人的行进轨迹进行监控。具体而言，当该人体目标在监控场景中活动时，其会被多个监控设备依次拍摄到，相应地，***会接收到若干监控设备上传的多个人脸信息，此时，以前述陌生人的人脸信息为基准，将其与其它监控设备上传的人脸信息一一计算相似度，将相似度高于阈值的其它人脸信息认定为同属于该陌生人，此时也就确定了对应的监控设备，于是就实现了对陌生人的跨相机匹配。

可选地，所述计算所述人脸信息与其它监控设备提取出的待匹配人脸信息的相似度，包括：

对于某一监控设备对应的各待匹配人脸信息，计算所述人脸目标特征与各待匹配人脸信息的第一相似度；

提取出所述第一相似度大于第一阈值的待匹配人脸信息，基于所述第一相似度计算所述人脸信息与提取出的所述待匹配人脸信息的第二相似度，将所述第二相似度作为所述相似度。

在本发明实施例中，由于人体目标在行动的过程中其姿态是多变的，且其与监控设备的角度也是不断变化的，而且本发明中的人脸区域图像也是经过合成的，所以，本发明中相似度准确计算的难度是比较大的。针对于此，本发明设置对相似度的计算包括两部分，即先通过第一相似度的计算将那些与陌生人明显不匹配的人脸信息筛除；然后，再基于满足第一阈值条件的剩余待匹配人脸信息的第一相似度计算第二相似度。通过相似度的两步计算，本发明的方案充分保障了相似度计算的准确性，也就使得对陌生人的跨相机匹配更为准确、高效。

可选地，所述第二相似度通过下式计算得出：

式中，Sim为第二相似度，d1为第三相似度，其表征所述人脸目标特征与提取出的所述待匹配人脸信息中第一相似度值最大的所述待匹配人脸信息的相似度；d2为第四相似度，其表征所述人脸目标特征与提取出的所述待匹配人脸信息中第一相似度值最小的所述待匹配人脸信息的相似度；

式中，

为所述人脸目标特征中的第i个元素，n为所述人脸目标特征中的元素个数；

为提取出的所述待匹配人脸信息中第一相似度值最大的所述待匹配人脸信息对应的人脸目标特征中的第i个特征；

为提取出的所述待匹配人脸信息中第一相似度值最小的所述待匹配人脸信息对应的人脸目标特征中的第i个特征；

、

为修正系数。

在本发明实施例中，常规的相似度计算方式包括欧式距离（EuclideanDistance）、切比雪夫距离（Chebyshev Distance）、余弦相似度（Cosine）、曼哈顿距离（Manhattan Distance）等。对于第一相似度来说，其主要起到初筛的作用，所以，可以采用上述简单的相似度计算方式来保障初筛的速率；而对于第二相似度来说，其作用主要是从经过初筛的相互间都比较相似的剩余待匹配人脸信息准确筛选出最相似的，而上述传统的相似度计算方式比较粗放，并不能保证第二相似度计算的准确性。所以，本发明特别设计了上述计算公式来计算第二相似度。

其中，对于经过筛选提取出的待匹配人脸信息（其第一相似度均大于第一阈值），使用有别于第一相似度计算方式的另一种相似度计算方式重新计算与第一相似度最大的待匹配人脸的第三相似度d1以及与第一相似度最小的待匹配人脸的第四相似度d2，再基于公式

来计算陌生人的人脸目标特征与第一相似度最大的待匹配人脸的“相似程度”即第二相似度Sim，如果第二相似度大于阈值，则说明陌生人的人脸特征与第一相似度最大的待匹配人脸更为相近，说明两种相似度计算方式均表明该待匹配人脸高度相似，于是该陌生人与该待匹配人脸匹配成功，反之则说明相近程度不够，匹配失败。而在匹配失败时，采用上述方式继续计算所述人脸目标特征与提取出的所述待匹配人脸信息中第一相似度值次大的所述待匹配人脸信息的相似度，依此类推，直至匹配成功为止，如果所有的待匹配人脸均匹配失败，则说明该监控设备未监控到该陌生人，继续比对其它监控设备。

另外，在前述涉及的匹配失败的情况下，虽然需要继续计算所述人脸目标特征与提取出的所述待匹配人脸信息中第一相似度值次大的所述待匹配人脸信息的相似度，但是应当有如下的改进：

式中，dm为第三相似度，其表征所述人脸目标特征与提取出的所述待匹配人脸信息中第一相似度值次大的所述待匹配人脸信息的相似度；d2为第四相似度，其表征所述人脸目标特征与提取出的所述待匹配人脸信息中第一相似度值最小的所述待匹配人脸信息的相似度，

为调节系数，且

>1。

其中，

的设置是用于人为使Sim计算公式的分母变大，同等条件下Sim的值变小，于是，也就使得陌生人与第一相似度值次大的所述待匹配人脸信息的相似度要求更为严格。本发明如此设置，既兼顾了第一相似度的计算结果，还在当第二相似度与第一相似度的结果不同时，使用更为严格的相似度计算方式，如此，可以确保计算得出的第二相似度更为准确，跨相机匹配结果也自然更为准确。而且，随着“次大”的逐渐更迭，也即匹配失败的次数的增加，

的值也逐渐调大，初始的

值可以基于

设置，这体现了第一相似度的高低对“严格”要求的不同程度，而对于具体的增量调节方法，则可以自由设置，本发明在此不再赘述。

可选地，所述修正系数

、

基于提取出的所述待匹配人脸信息的第一相似度确定。

在本发明实施例中，除了使用另一种不同的相似度计算方式来计算第二相似度之外，本发明还设置了调节系数

、

，二者既可以预设得出，也可以基于第一相似度得出，此时本发明中计算得出的第二相似度也受第一相似度的影响，从而使得第二相似度更为准确。

举例而言，

、

可以通过如下方式确定：

式中，

为修正系数，i=1,2；

为提取出的所述待匹配人脸信息中第一相似度值最大的所述待匹配人脸信息的第一相似度；

为提取出的所述待匹配人脸信息中第j个所述待匹配人脸信息的第一相似度；m为提取出的所述待匹配人脸信息的个数。

由此可见，本发明中的修正系数

、

是与提取出的所述待匹配人脸信息第一相似度的占比直接关联的，也即，某个提取出的所述待匹配人脸信息的第一相似度占比越大，其修正系数

也就越大，其对第二相似度的计算的影响性也就越大。

可选地，所述人脸信息与对应的所述视频监控数据的拍摄时刻关联；

则所述基于跨相机匹配的结果得出与该人脸信息对应的行进轨迹，包括：

提取各目标监控设备的属性信息，基于所述属性信息确定位置点序列；

基于所述位置点序列和所述拍摄时刻绘制出所述行进轨迹。

在本发明实施例中，在确定出人体目标与各监控设备的对应关系之后，就可以从各目标监控设备的属性信息中提取出位置点，进而确定出各目标监控设备的位置点序列，然后，再基于对应的视频监控数据的拍摄时刻就可以确定出人体目标在监控区域内的活动轨迹的逻辑顺序，基于该逻辑顺序将各位置点进行连接，即可得到该人体目标的行进轨迹。

实施例二

请参阅图3，图3是本发明实施例公开的一种基于人脸识别的安防监控***的结构示意图。如图3所示，本发明实施例的一种基于人脸识别的安防监控***100，包括处理模块101、存储模块102、通信模块103、分布式监控设备104，所述处理模块101与所述存储模块102、所述通信模块103连接；其中，

所述存储模块102，用于存储可执行的计算机程序代码；

所述通信模块103，用于实现所述处理模块101与所述分布式监控设备104的通信；

所述处理模块101，用于通过调用所述存储模块102中的所述可执行的计算机程序代码，执行如实施例一所述的方法。

该实施例中的一种基于人脸识别的安防监控***的具体功能参照上述实施例一，由于本实施例中的***采用了上述实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。

实施例三

请参阅图4，图4是本发明实施例公开的一种电子设备，包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行如实施例一所述的方法。

实施例四

本发明实施例还公开了一种计算机存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如实施例一所述的方法。

本申请实施例的计算机存储介质，可以采用一个或多个计算机可读的存储介质的任意组合。计算机可读存储介质可以是计算机可读信号存储介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的设备、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请实施例中，计算机可读存储介质可以是任何包含或存储程序的有形存储介质，该程序可以被指令执行设备、装置或者器件使用或者与其结合使用。

计算机可读的信号存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号存储介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行设备、装置或者器件使用或者与其结合使用的程序。

计算机可读存储介质上包含的程序代码可以用任何适当的存储介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或设备上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (10)

1.一种基于人脸识别的安防监控方法，其特征在于，包括如下步骤：

获取分布式监控设备的视频监控数据，基于所述视频监控数据提取若干人脸信息；

将所述人脸信息与人脸数据库进行匹配计算以得出匹配结果；

若所述匹配结果为匹配失败，则基于该匹配失败的人脸信息进行跨相机匹配，基于跨相机匹配的结果得出与该人脸信息对应的行进轨迹。

2.根据权利要求1所述的一种基于人脸识别的安防监控方法，其特征在于：所述基于所述视频监控数据提取若干人脸信息，包括：

从所述视频监控数据中确定出各人体目标区域图像，对所述人体目标区域图像的上部区域进行人脸检测以确定人脸区域图像；

对所述人脸区域图像进行计算以提取出人脸目标特征，将所述人脸目标特征作为所述人脸信息。

3.根据权利要求2所述的一种基于人脸识别的安防监控方法，其特征在于：所述基于该匹配失败的人脸信息进行跨相机匹配，包括：

计算所述人脸信息与其它监控设备提取出的各待匹配人脸信息的相似度，基于相似度的计算结果确定目标监控设备。

4.根据权利要求3所述的一种基于人脸识别的安防监控方法，其特征在于：所述计算所述人脸信息与其它监控设备提取出的各待匹配人脸信息的相似度，包括：

对于某一监控设备对应的各待匹配人脸信息，计算所述人脸目标特征与各待匹配人脸信息的第一相似度；

提取出所述第一相似度大于第一阈值的待匹配人脸信息，基于所述第一相似度计算所述人脸信息与提取出的所述待匹配人脸信息的第二相似度，将所述第二相似度作为所述相似度。

5.根据权利要求4所述的一种基于人脸识别的安防监控方法，其特征在于：所述第二相似度通过下式计算得出：

式中，Sim为第二相似度，d1为第三相似度，其表征所述人脸目标特征与提取出的所述待匹配人脸信息中第一相似度值最大的所述待匹配人脸信息的相似度；d2为第四相似度，其表征所述人脸目标特征与提取出的所述待匹配人脸信息中第一相似度值最小的所述待匹配人脸信息的相似度；

式中，

为所述人脸目标特征中的第i个元素，n为所述人脸目标特征中的元素个数；

为提取出的所述待匹配人脸信息中第一相似度值最大的所述待匹配人脸信息对应的人脸目标特征中的第i个特征；

为提取出的所述待匹配人脸信息中第一相似度值最小的所述待匹配人脸信息对应的人脸目标特征中的第i个特征；

、

为修正系数。

6.根据权利要求5所述的一种基于人脸识别的安防监控方法，其特征在于：所述修正系数

、

基于提取出的所述待匹配人脸信息的第一相似度确定。

7.根据权利要求1或6所述的一种基于人脸识别的安防监控方法，其特征在于：所述人脸信息与对应的所述视频监控数据的拍摄时刻关联；

则所述基于跨相机匹配的结果得出与该人脸信息对应的行进轨迹，包括：

提取各目标监控设备的属性信息，基于所述属性信息确定位置点序列；

基于所述位置点序列和所述拍摄时刻绘制出所述行进轨迹。

8.一种基于人脸识别的安防监控***，包括处理模块、存储模块、通信模块、分布式监控设备，所述处理模块与所述存储模块、所述通信模块连接；其中，

所述存储模块，用于存储可执行的计算机程序代码；

所述通信模块，用于实现所述处理模块与所述分布式监控设备的通信；

其特征在于：所述处理模块，用于通过调用所述存储模块中的所述可执行的计算机程序代码，执行如权利要求1-7任一项所述的方法。

9.一种电子设备，包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

其特征在于：所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的方法。

10.一种计算机存储介质，该存储介质上存储有计算机程序，其特征在于：该计算机程序被处理器运行时执行如权利要求1-7任一项所述的方法。

Images