CN116631108B - 一种基于人脸识别技术的小区安防方法、装置和设备 - Google Patents
一种基于人脸识别技术的小区安防方法、装置和设备 Download PDFInfo
- Publication number
- CN116631108B CN116631108B CN202310561146.2A CN202310561146A CN116631108B CN 116631108 B CN116631108 B CN 116631108B CN 202310561146 A CN202310561146 A CN 202310561146A CN 116631108 B CN116631108 B CN 116631108B
- Authority
- CN
- China
- Prior art keywords
- face image
- face
- resident
- image data
- sequence
- 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.)
- Active
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000013145 classification model Methods 0.000 claims description 41
- 238000000605 extraction Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 26
- 230000003595 spectral effect Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
- G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Business, Economics & Management (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Collating Specific Patterns (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于人脸识别技术的小区安防方法、装置和设备,其中方法包括定时获取历史人脸图像数据;在所述历史人脸图像数据中筛除已登记的小区居民的人脸图像数据;获取每一未登记人员的人脸图像数据合集;获得每一未登记人员对应的人脸特征信息;获取在逃人员的身份信息和人脸图像数据;将所述各个未登记人员对应的人脸特征信息与提取到的每一在逃人员的人脸图像数据进行人脸匹配;若未登记人员对应的人脸特征信息与至少一个在逃人员的人脸图像数据匹配成功,则生成警报信息;将警报信息上报管理中心。本发明实施例能够预防可能出现的危险事件,提高小区的安防系数。
Description
技术领域
本发明涉及安全监控技术领域,尤其是涉及一种基于人脸识别技术的小区安防方法、装置和设备。
背景技术
现在的工厂,小区或单位是用刷卡的形式来开门和管理的,但是由于进出的闲杂人员较多,使得对于进出这些场所的人员的管理作用有限,还效率低;尤其是对于有过犯罪记录的人员或是有案底的人员的排查和管理,仅靠门禁卡以及相关的安保人员难以及时做出识别和做相对应的安保或报警措施。
发明内容
本发明实施例的目的是提供一种基于人脸识别技术的小区安防方法、装置和设备,通过定时对出入小区的未登记人员进行人脸信息收集,然后将未登记人员的人脸信息与获得的在逃人员的人脸图像进行匹配对比,看是否有在逃人员出入小区,若发现有则识别该在逃人员的身份信息并生成警报信息上报,以预防可能出现的危险事件,提高小区的安防系数。
为了解决上述技术问题,本发明实施例提供了一种基于人脸识别技术的小区安防方法,包括:
定时获取历史人脸图像数据;所述历史人脸图像数据至少包括门禁的摄像头以及小区内安装的监控摄像头采集得到的图像;每一所述历史人脸图像数据至少包括拍摄时间和拍摄地点信息;
在所述历史人脸图像数据中筛除已登记的小区居民的人脸图像数据;
将筛除后的历史人脸图像数据输入人脸图像分类模型,得到预设时间段内出入小区的每一未登记人员的人脸图像数据合集;
将所述每一未登记人员的人脸图像合集输入人脸特征提取模型进行人脸特征信息提取,分别得到各个未登记人员对应的人脸特征信息;
获取在逃人员的身份信息和人脸图像数据;
将所述各个未登记人员对应的人脸特征信息与提取到的每一在逃人员的人脸图像数据进行人脸匹配;
若至少一个未登记人员对应的人脸特征信息与至少一个在逃人员的人脸图像数据匹配成功,则生成警报信息;所述警报信息包括匹配成功的在逃人员的身份信息以及对应的人脸图像数据,以及匹配成功的未登记人员的人脸图像数据合集;
将所述警报信息上报至管理中心。
作为其中一种优选方案,还包括预设所述人脸特征提取模型,具体步骤如下:
获取人脸图像集,对所述人脸图像集中的每幅人脸图像进行灰度处理,以获得相应的人脸灰度图像集;
在预设尺度和方向下,对所述人脸灰度图像集进行滤波,获得滤波后的人脸灰度图像集;
将滤波后的人脸灰度图像集中的每幅人脸灰度图像划分为一系列互不重叠的灰度子图像;
提取所述每幅人脸灰度图像中一系列互不重叠的灰度子图像的谱能量;
计算所述一系列互不重叠的灰度子图像的谱能量的百分比;
根据所述一系列互不重叠的灰度子图像的谱能量的百分比构建对应的特征向量,获得人脸特征提取模型。
作为其中一种优选方案,还包括预设图像分类模型建立模块,具体用于:
获取未设置分类标签的第一样本数据,将所述第一样本数据输入至预先训练的基础分类模型中,确定所述第一样本数据设置预设分类标签的概率,其中,所述基础分类模型基于设置预设分类标签的第二样本数据训练获得;
基于所述第一样本数据设置分类标签的概率确定所述第一样本数据的权重;
基于第二样本数据、所述第一样本数据以及所述第一样本数据的权重对待训练的分类模型进行训练,获得人脸图像分类模型。
作为其中一种优选方案,所述在所述历史人脸图像数据中筛除已登记的小区居民的人脸图像数据,具体包括:
获取已登记的小区居民人脸图像数据;
将所述历史人脸图像数据与所述已登记的小区居民人脸图像数据进行人脸匹配;
若所述历史人脸图像数据中与至少一个已登记的小区居民的人脸图像数据匹配成功,则从事实历史人脸数据中删除所述至少一个已登记的小区居民的人脸图像数据。
本发明另一实施例提供了一种基于人脸识别技术的小区安防装置,包括:
图像获取模块,用于定时获取历史人脸图像数据;所述历史人脸图像数据至少包括门禁的摄像头以及小区内安装的监控摄像头采集得到的图像;每一所述历史人脸图像数据至少包括拍摄时间和拍摄地点信息;
数据筛除模块,用于在所述历史人脸图像数据中筛除已登记的小区居民的人脸图像数据;
数据合集获取模块,用于将筛除后的历史人脸图像数据输入人脸图像分类模型,得到预设时间段内出入小区的每一未登记人员的人脸图像数据合集;
特征提取模块,用于将所述每一未登记人员的人脸图像合集输入人脸特征提取模型进行人脸特征信息提取,分别得到各个未登记人员对应的人脸特征信息;
信息获取模块,用于获取在逃人员的身份信息和人脸图像数据;
特征匹配模块,用于将所述各个未登记人员对应的人脸特征信息与提取到的每一在逃人员的人脸图像数据进行人脸匹配;
警报信息生成模块,用于若至少一个未登记人员对应的人脸特征信息与至少一个在逃人员的人脸图像数据匹配成功,则生成警报信息;所述警报信息包括匹配成功的在逃人员的身份信息以及对应的人脸图像数据,以及匹配成功的未登记人员的人脸图像数据合集;
警报上报模块,用于将所述警报信息上报至管理中心。
作为其中一种优选方案,还包括特征提取模型建立模块,具体用于:
获取人脸图像集,对所述人脸图像集中的每幅人脸图像进行灰度处理,以获得相应的人脸灰度图像集;
在预设尺度和方向下,对所述人脸灰度图像集进行滤波,获得滤波后的人脸灰度图像集;
将滤波后的人脸灰度图像集中的每幅人脸灰度图像划分为一系列互不重叠的灰度子图像;
提取所述每幅人脸灰度图像中一系列互不重叠的灰度子图像的谱能量;
计算所述一系列互不重叠的灰度子图像的谱能量的百分比;
根据所述一系列互不重叠的灰度子图像的谱能量的百分比构建对应的特征向量,获得人脸特征提取模型。
作为其中一种优选方案,还包括图像分类模型建立模块,具体用于:
获取未设置分类标签的第一样本数据,将所述第一样本数据输入至预先训练的基础分类模型中,确定所述第一样本数据设置预设分类标签的概率,其中,所述基础分类模型基于设置预设分类标签的第二样本数据训练获得;
基于所述第一样本数据设置分类标签的概率确定所述第一样本数据的权重;
基于第二样本数据、所述第一样本数据以及所述第一样本数据的权重对待训练的分类模型进行训练,获得人脸图像分类模型。
作为其中一种优选方案,所述数据筛除模块用于:获取已登记的小区居民人脸图像数据,将所述历史人脸图像数据与所述已登记的小区居民人脸图像数据进行人脸匹配,若所述历史人脸图像数据中与至少一个已登记的小区居民的人脸图像数据匹配成功,则从事实历史人脸数据中删除所述至少一个已登记的小区居民的人脸图像数据,具体为:
(1)获取已登记的小区居民人脸图像数据,所述已登记的小区居民人脸图像数据为各小区居民人脸图像组成的集合,各小区居民人脸图像及所述历史人脸图像数据皆为已经过图像预处理的图像矩阵;由于小区居民进行登记的时间各有不同,所以各小区居民人脸图像都带有各对应的登记的时刻;
(2)获取所述历史人脸图像数据,通过图像相似度算法,以此分别获取各小区居民人脸图像与所述历史人脸图像数据之间的图像相似度,所述图像相似度为属于(0,1]的数值且越相近数值越大;
(3)在所述已登记的小区居民人脸图像数据中进行随机采样,从中每次抽取出若干个小区居民人脸图像来组成一个居民人脸图像序列,从中分多次进行抽取分别得到多个不同的居民人脸图像序列,在各个居民人脸图像序列中包含的小区居民人脸图像的数量都相同,在一个居民人脸图像序列中其包含的小区居民人脸图像各不相同;
将一个居民人脸图像序列中包含的各小区居民人脸图像对应的登记的时刻计算其算术平均值作为该个居民人脸图像序列对应的时刻;
将所述多个不同的居民人脸图像序列按其各自对应的时刻先后顺序进行排序组成一个序列称作图像处理序列;
(4)记图像处理序列为序列Phoseq,Phoseq包含的居民人脸图像序列的数量为n,Phoseq包含的居民人脸图像序列的序号为i,i∈[1,n],Phoseq中序号为i的居民人脸图像序列记作Pho(i),函数Sem()为计算两个居民人脸图像序列之间的图像相似度的函数,对各个序号i有变量i`,变量i`与i对应,所述变量i`表示在[1,n]中除所述序号i以外的各序号,由此,以所述变量i`为序号的居民人脸图像序列Pho(i`)则表示Phoseq中除所述Pho(i)外的各居民人脸图像序列,记居民人脸图像序列Pho(i)与所述预设的字符串的图像相似度为sim(i),记居民人脸图像序列Pho(i`)与居民人脸图像序列Pho(i)之间的图像相似度为Sem(i,i`),各居民人脸图像序列Pho(i`)分别与居民人脸图像序列Pho(i)之间的图像相似度的算术平均值为Sem(i,i`)avg,函数time()表示通过输入居民人脸图像序列的序号从而获取接收到该居民人脸图像序列对应的小区居民人脸图像的时刻,time(i)表示接收到序号i的居民人脸图像序列Pho(i)对应的小区居民人脸图像的时刻,计算序号1的居民人脸图像序列Pho(1)对应的时刻time(1)与序号n的居民人脸图像序列Pho(n)对应的时刻time(n)之差的绝对值作为timeL,计算各居民人脸图像序列Pho(i)对应的time(i)的算术平均值作为time(avg),记Pho(i)对应的小区居民人脸图像的时间分步值为Temp(i),Temp(i)的计算公式为:
记Pho(i)对应的小区居民人脸图像的图像分层值为Ling(i),Ling(i)的计算公式为Ling(i)=sim(i)*Sem(i,i`)avg;
根据各Pho(i)对应的小区居民人脸图像的时间分步值,将Phoseq中时间分步值大于零的各居民人脸图像序列Pho(i)筛选出来组成的集合作为分步集合,在分步集合中对各居民人脸图像序列按照其图像分层值从大到小的顺序进行排序;按照排序的结果先后对各居民人脸图像序列所对应的小区居民人脸图像进行处理,其中,优选地,按顺序地选取出排序后的分步集合中的居民人脸图像序列,再在所述居民人脸图像序列中选取其中的各小区居民人脸图像去与所述历史人脸图像数据进行人脸识别的比对,一旦存在与所述历史人脸图像数据得到比对是匹配的,即表明所述历史人脸图像数据中与至少一个已登记的小区居民的人脸图像数据匹配成功,无需再去与分步集合中的其他再进行比对,以此从事实历史人脸数据中删除所述至少一个已登记的小区居民的人脸图像数据。
本发明再一实施例提供了一种基于人脸识别技术的小区安防设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的基于人脸识别技术的小区安防方法。
本发明再一实施例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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的基于人脸识别技术的小区安防方法。
相比于现有技术,本发明实施例的有益效果在于以下所述中的至少一点:通过定时获取进出小区的人员的历史人脸图像数据,如果历史人脸图像数据中包括有已登记的小区居民的人脸图像数据,则删除该部分数据;将删除后的历史人脸图像数据输入人脸图像分类模型,以获得该时间段内进出该小区的每一未登记人员的人脸图像数据合集;获取在逃人员的身份信息和人脸图像数据,与每一未登记人员的人脸图像数据合集进行匹配,当存在有匹配成功的数据时,生成警报信息,并上报至管理中心,以预防可能出现的危险事件,提高小区的安防系数。相应地,本发明实施例还提供一种基于人脸识别技术的小区安防装置和设备。
附图说明
图1是本发明其中一种实施例中的一种基于人脸识别技术的小区安防方法的流程示意图;
图2是本发明其中一种实施例中的基于人脸识别技术的小区安防装置的结构示意图;
图3是本发明其中一种实施例中的基于人脸识别技术的小区安防设备的结构框图;
附图标记:
其中,11、图像获取模块;12、数据筛除模块;13、数据合集获取模块;14、特征提取模块;15、信息获取模块;16、特征匹配模块;17、警报信息生成模块;18、警报上报模块;21、处理器;22、存储器。
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他实施例,都属于本发明保护的范围。
在本申请描述中,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
在本申请的描述中,需要说明的是,除非另有定义,本发明所使用的所有的技术和科学术语与属于本的技术领域的技术人员通常理解的含义相同。本发明中说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明,对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
本发明一实施例提供了一种基于人脸识别技术的小区安防方法,具体的,请参见图1,图1示出为本发明其中一种实施例中的基于人脸识别技术的小区安防方法的流程示意图,其中包括下述步骤S1到步骤S8:
S1、定时获取历史人脸图像数据;历史人脸图像数据至少包括门禁的摄像头以及小区内安装的监控摄像头采集得到的图像;每一历史人脸图像数据至少包括拍摄时间和拍摄地点信息;
S2、在历史人脸图像数据中筛除已登记的小区居民的人脸图像数据;
S3、将筛除后的历史人脸图像数据输入人脸图像分类模型,得到预设时间段内出入小区的每一未登记人员的人脸图像数据合集;
S4、将每一未登记人员的人脸图像合集输入人脸特征提取模型进行人脸特征信息提取,分别得到各个未登记人员对应的人脸特征信息;
S5、获取在逃人员的身份信息和人脸图像数据;
S6、将各个未登记人员对应的人脸特征信息与提取到的每一在逃人员的人脸图像数据进行人脸匹配;
S7、若至少一个未登记人员对应的人脸特征信息与至少一个在逃人员的人脸图像数据匹配成功,则生成警报信息;警报信息包括匹配成功的在逃人员的身份信息以及对应的人脸图像数据,以及匹配成功的未登记人员的人脸图像数据合集;
S8、将警报信息上报至管理中心。
需要说明的是,在本实施例中,基于人脸识别技术的小区安防方法可以通过小区内布置的监控摄像头实时采集的动态视频获取用户图像,以及门禁处设置的摄像头来实时采集到来往小区的用户图像,然后服务器端可以通过二者每隔一段时间获取来往小区的历史人脸图像数据,该历史人脸图像数据包括而不仅限于拍摄时间和拍摄地点信息;
小区通过对小区内居住人员进行身份信息登记以及人脸图像数据记录,并将小区居民的登记的身份信息与对应的人脸图像数据绑定并记录,当历史人脸图像数据中经过匹配发现存在有已登记的小区居民的人脸图像数据,则将当中的已登记的小区居民的人脸图像数据筛除;
将筛除后的历史人脸图像数据输入预设的人脸图像分类模型,已获得预设时间段内出入小区的每一未登记人员的人脸图像数据合集;
并将该人脸图像数据合集输入至人脸特征提取模型进行人脸特征信息提取,以获得每一未登记人员对应的人脸特征信息;
通过爬虫技术来获取公检法官网页中的在逃人员或者是有案底人员的身份信息以及对应的人脸图像数据;将所获得的在逃人员的人脸图像数据与每一未登记人员对应的人脸特征信息进行匹配,若是存在有至少一个人的数据匹配成功,则生成警报信息,且该警报信息包括有匹配成功的在逃人员的身份信息以及对应的人脸图像数据,以及匹配成功的未登记人员的人脸图像数据合集;
最后将该警报信息上报至管理中心,管理中心会根据该警报信息采取相应的预防措施,来提高小区的安防系数。
本发明实施例提供的基于人脸识别技术的小区安防方法,通过定时获取进出小区的人员的历史人脸图像数据,如果历史人脸图像数据中包括有已登记的小区居民的人脸图像数据,则删除该部分数据;将删除后的历史人脸图像数据输入人脸图像分类模型,以获得该时间段内进出该小区的每一未登记人员的人脸图像数据合集;获取在逃人员的身份信息和人脸图像数据,与每一未登记人员的人脸图像数据合集进行匹配,当存在有匹配成功的数据时,生成警报信息,并上报至管理中心,以预防可能出现的危险事件,提高小区的安防系数。
进一步地,在上述实施例中,还包括预设人脸特征提取模型,具体步骤如下:
获取人脸图像集,对所述人脸图像集中的每幅人脸图像进行灰度处理,以获得相应的人脸灰度图像集;
在预设尺度和方向下,对所述人脸灰度图像集进行滤波,获得滤波后的人脸灰度图像集;
将滤波后的人脸灰度图像集中的每幅人脸灰度图像划分为一系列互不重叠的灰度子图像;
提取所述每幅人脸灰度图像中一系列互不重叠的灰度子图像的谱能量;
计算所述一系列互不重叠的灰度子图像的谱能量的百分比;
根据所述一系列互不重叠的灰度子图像的谱能量的百分比构建对应的特征向量,获得人脸特征提取模型。
在本实施例中,将服务器中的历史人脸图像数据作为人脸图像集,然后对人脸图像集中的每幅人脸图像进行灰度处理,以获得人脸灰度图像集。
预设所要计算的尺度和方向,从而便于后续对每幅人脸灰度图像的不同尺度不同方向进行滤波,进而提取每幅人脸灰度图像多组具有不同性质的特征。示例性的,预设尺度可以为3,预设方向可以为5,则可以获得人脸灰度图像在3个尺度和5个方向上,一共15组具有不同性质的特征矢量。
可以理解,由于每幅人脸灰度图像上的图像纹理特征不同,对应的高频信息不同,通过对人脸灰度图像集进行滤波,可以获得滤波后的人脸特征灰度图像集。在一个实施例中,可采用Gabor滤波器进行滤波,把每幅人脸灰度图像分别用对应的Gabor实部滤波器、Gabor虚部滤波器进行滤波,再进行平方相加开根号,获得人脸的Gabor特征人脸灰度图像。
由于滤波后的人脸灰度图像集中,每幅人脸灰度图像的特征维数太高,因此需要对每幅人脸灰度图像的特征进行降维处理。在本实施例中,将滤波后的人脸灰度图像集中的每幅人脸灰度图像划分为一系列互不重叠的灰度子图像,例如等宽度的“回”字形环状区域。通过划分处理,人脸灰度图像的特征维数相对简单,有利于后续的特征提取处理。
在每幅人脸灰度图像中,每个灰度子图像对应的谱能量有所不同,因此,可以针对每幅人脸图像,分别提取其一系列互不重叠的灰度子图像的谱能量,以便后续构建相应的特征向量。
具体地,首先,通过如下公式对每幅尺寸为M×N的人脸灰度图像进行傅里叶变换:
其中,f(x,y)为人脸灰度图像的灰度值,x、y为空域中人脸灰度图像的横纵坐标;F(u,v)为两个频域变量U和V的复函数,频域U对应于x轴,频域V对应于y轴,U=0,1,…,M-1;V=0,1,…,N-1。
因此,针对每幅人脸灰度图像,其一系列互不重叠的灰度子图像的谱能量,假设每幅人脸灰度图像一共划分为K个灰度子图像,对于K个灰度子图像傅里叶变换的能量谱分别为:
其中,k=0,1,…,K;K为每幅人脸灰度图像中灰度子图像的总数。
则K个灰度子图像的谱能量的百分比分别为:
基于所获得的K个灰度子图像的谱能量的百分比,构建对应的特征向量如下:
P=[P1,P2,P3,……,Pk]
将上述的特征向量作为人脸灰度图像中提取人脸特征的全局特征,从而获得人脸特征提取模型。
进一步地,本发明实施例还提供了人脸图像分类模型的预设方法,包括:
获取未设置分类标签的第一样本数据,将第一样本数据输入至预先训练的基础分类模型中,确定第一样本数据设置预设分类标签的概率,其中,基础分类模型基于设置预设分类标签的第二样本数据训练获得;
基于第一样本数据设置分类标签的概率确定第一样本数据的权重;
基于第二样本数据、第一样本数据以及第一样本数据的权重对待训练的分类模型进行训练,获得人脸图像分类模型。
在本发明实施例中,基础分类模型通过输入设置预设分类标签的第二样本数据训练,能够对输入的样本数据进行初步分类。第一样本数据为未设置分类标签的人脸图像集,将人脸图像集输入至预先训练的基础分类模型中,获得第一样本数据设置预设分类标签以及每个预设分类标签对应的概率,其中每个预设分类标签的概率表示对应类别预测的置信度。
在获得第一样本数据设置分类标签的概率后,进一步确定第一样本数据的权重,具体的,第一样本数据设置分类标签的概率越大第一样本数据的权重越小。最后基于第二样本数据、第一样本数据以及第一样本数据的权重对待训练的分类模型进行训练,获得人脸图像分类模型。
进一步地,在上述实施例中,步骤S2中的“在历史人脸图像数据中筛除已登记的小区居民的人脸图像数据”,具体包括:
获取已登记的小区居民人脸图像数据;
将历史人脸图像数据与已登记的小区居民人脸图像数据进行人脸匹配;
若历史人脸图像数据中与至少一个已登记的小区居民的人脸图像数据匹配成功,则从事实历史人脸数据中删除至少一个已登记的小区居民的人脸图像数据。
应当说明的是,本发明实施例的有益效果在于以下中的至少一点:通过定时获取进出小区的人员的历史人脸图像数据,如果历史人脸图像数据中包括有已登记的小区居民的人脸图像数据,则删除该部分数据;将删除后的历史人脸图像数据输入人脸图像分类模型,以获得该时间段内进出该小区的每一未登记人员的人脸图像数据合集;获取在逃人员的身份信息和人脸图像数据,与每一未登记人员的人脸图像数据合集进行匹配,当存在有匹配成功的数据时,生成警报信息,并上报至管理中心,以预防可能出现的危险事件,提高小区的安防系数。
请参见图2,其是本发明一实施例提供的基于人脸识别技术的小区安防装置的结构示意图,包括:
图像获取模块11,用于定时获取历史人脸图像数据;历史人脸图像数据至少包括门禁的摄像头以及小区内安装的监控摄像头采集得到的图像;每一历史人脸图像数据至少包括拍摄时间和拍摄地点信息;
数据筛除模块12,用于在历史人脸图像数据中筛除已登记的小区居民的人脸图像数据;
数据合集获取模块13,用于将筛除后的历史人脸图像数据输入人脸图像分类模型,得到预设时间段内出入小区的每一未登记人员的人脸图像数据合集;
特征提取模块14,用于将每一未登记人员的人脸图像合集输入人脸特征提取模型进行人脸特征信息提取,分别得到各个未登记人员对应的人脸特征信息;
信息获取模块15,用于获取在逃人员的身份信息和人脸图像数据;
特征匹配模块16,用于将各个未登记人员对应的人脸特征信息与提取到的每一在逃人员的人脸图像数据进行人脸匹配;
警报信息生成模块17,用于若至少一个未登记人员对应的人脸特征信息与至少一个在逃人员的人脸图像数据匹配成功,则生成警报信息;警报信息包括匹配成功的在逃人员的身份信息以及对应的人脸图像数据,以及匹配成功的未登记人员的人脸图像数据合集;
警报上报模块18,用于将警报信息上报至管理中心。
本发明实施例提供的基于人脸识别技术的小区安防装置,通过定时获取进出小区的人员的历史人脸图像数据,如果历史人脸图像数据中包括有已登记的小区居民的人脸图像数据,则删除该部分数据;将删除后的历史人脸图像数据输入人脸图像分类模型,以获得该时间段内进出该小区的每一未登记人员的人脸图像数据合集;获取在逃人员的身份信息和人脸图像数据,与每一未登记人员的人脸图像数据合集进行匹配,当存在有匹配成功的数据时,生成警报信息,并上报至管理中心,以预防可能出现的危险事件,提高小区的安防系数。
优选地,在上述实施例中,还包括特征提取模型建立模块,具体用于:
获取人脸图像集,对所述人脸图像集中的每幅人脸图像进行灰度处理,以获得相应的人脸灰度图像集;
在预设尺度和方向下,对所述人脸灰度图像集进行滤波,获得滤波后的人脸灰度图像集;
将滤波后的人脸灰度图像集中的每幅人脸灰度图像划分为一系列互不重叠的灰度子图像;
提取所述每幅人脸灰度图像中一系列互不重叠的灰度子图像的谱能量;
计算所述一系列互不重叠的灰度子图像的谱能量的百分比;
根据所述一系列互不重叠的灰度子图像的谱能量的百分比构建对应的特征向量,获得人脸特征提取模型。
在另外一种可选的实施方式中,数据筛除模块,具体用于:
获取已登记的小区居民人脸图像数据;
将历史人脸图像数据与已登记的小区居民人脸图像数据进行人脸匹配;
若历史人脸图像数据中与至少一个已登记的小区居民的人脸图像数据匹配成功,则从事实历史人脸数据中删除至少一个已登记的小区居民的人脸图像数据。
参见图3,其是本发明实施例提供的基于人脸识别技术的小区安防设备的结构框图,本发明实施例提供的基于人脸识别技术的小区安防设备,包括处理器21、存储器22以及存储在存储器22中且被配置为由处理器21执行的计算机程序,处理器21执行计算机程序时实现如上述基于人脸识别技术的小区安防方法实施例中的步骤,例如图1中的步骤S1~S8;或者,处理器21执行计算机程序时实现上述各装置实施例中各模块的功能,例如图像获取模块11。
示例性的,计算机程序可以被分割成一个或多个模块,一个或者多个模块被存储在存储器22中,并由处理器21执行,以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在基于人脸识别技术的小区安防设备中的执行过程。例如,计算机程序可以被分割成图像获取模块11、数据筛除模块12、数据合集获取模块13、特征提取模块14、信息获取模块15、特征匹配模块16、警报信息生成模块17和警报上报模块18,各模块具体功能如下:
图像获取模块11,用于定时获取历史人脸图像数据;历史人脸图像数据至少包括门禁的摄像头以及小区内安装的监控摄像头采集到的图像;每一历史人脸图像数据至少包括拍摄时间和拍摄地点信息;
数据筛除模块12,用于在历史人脸图像数据中筛除已登记的小区居民的人脸图像数据;
数据合集获取模块13,用于将筛除后的历史人脸图像数据输入人脸图像分类模型,获得预设时间段内出入小区的每一未登记人员的人脸图像数据合集;
特征提取模块14,用于将每一未登记人员的人脸图像合集输入人脸特征提取模型进行人脸特征信息提取,分别获得各个未登记人员对应的人脸特征信息;
信息获取模块15,用于通过爬虫技术从公检法官网页中获取在逃人员的身份信息和人脸图像数据;
特征匹配模块16,用于将各个未登记人员对应的人脸特征信息与提取到的每一在逃人员的人脸图像数据进行人脸匹配;
警报信息生成模块17,用于若至少一个未登记人员对应的人脸特征信息与至少一个在逃人员的人脸图像数据匹配成功,则生成警报信息;警报信息包括匹配成功的在逃人员的身份信息以及对应的人脸图像数据,以及匹配成功的未登记人员的人脸图像数据合集;
警报上报模块18,用于将警报信息上报至管理中心。
各个模块具体的工作过程可参考上述实施例的基于人脸识别技术的小区安防装置的工作过程,在此不再赘述。
基于人脸识别技术的小区安防设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。基于人脸识别技术的小区安防设备可包括,但不仅限于,处理器21、存储器22。本领域技术人员可以理解,示意图仅仅是基于人脸识别技术的小区安防设备的示例,并不构成对基于人脸识别技术的小区安防设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如基于人脸识别技术的小区安防设备还可以包括输入输出设备、网络接入设备、总线等。
处理器21可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,处理器21是基于人脸识别技术的小区安防设备20的控制中心,利用各种接口和线路连接整个基于人脸识别技术的小区安防设备20的各个部分。
存储器22可用于存储计算机程序和/或模块,处理器21通过运行或执行存储在存储器22内的计算机程序和/或模块,以及调用存储在存储器22内的数据,实现基于人脸识别技术的小区安防设备20的各种功能。存储器22可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,基于人脸识别技术的小区安防设备集成的模块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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
相应地,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例的基于人脸识别技术的小区安防方法中的步骤,例如图1中所述的步骤S1~S8。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
需要说明的是,本申请所涉及的信息(包括但不限于用户设备信息、用户个人信息等)、数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)以及信号(包括但不限于用户终端与其他设备之间传输的信号等),均为经用户授权或者经过各方充分授权的,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。例如,本公开中涉及到的“人脸图像数据”等都是在充分授权的情况下获取的。
Claims (9)
1.一种基于人脸识别技术的小区安防方法,其特征在于,包括:
定时获取历史人脸图像数据;所述历史人脸图像数据至少包括门禁的摄像头以及小区内安装的监控摄像头采集得到的图像;每一所述历史人脸图像数据至少包括拍摄时间和拍摄地点信息;
在所述历史人脸图像数据中筛除已登记的小区居民的人脸图像数据;
将筛除后的历史人脸图像数据输入人脸图像分类模型,得到预设时间段内出入小区的每一未登记人员的人脸图像数据合集;
将所述每一未登记人员的人脸图像合集输入人脸特征提取模型进行人脸特征信息提取,分别得到各个未登记人员对应的人脸特征信息;
获取在逃人员的身份信息和人脸图像数据;
将所述各个未登记人员对应的人脸特征信息与提取到的每一在逃人员的人脸图像数据进行人脸匹配;
若至少一个未登记人员对应的人脸特征信息与至少一个在逃人员的人脸图像数据匹配成功,则生成警报信息;所述警报信息包括匹配成功的在逃人员的身份信息以及对应的人脸图像数据,以及匹配成功的未登记人员的人脸图像数据合集;
将所述警报信息上报至管理中心;
其中,所述在所述历史人脸图像数据中筛除已登记的小区居民的人脸图像数据,具体包括:获取已登记的小区居民人脸图像数据;将所述历史人脸图像数据与所述已登记的小区居民人脸图像数据进行人脸匹配;若所述历史人脸图像数据中与至少一个已登记的小区居民的人脸图像数据匹配成功,则从事实历史人脸数据中删除所述至少一个已登记的小区居民的人脸图像数据,具体为:
获取已登记的小区居民人脸图像数据,所述已登记的小区居民人脸图像数据为各小区居民人脸图像组成的集合,各小区居民人脸图像及所述历史人脸图像数据皆为已经过图像预处理的图像矩阵;由于小区居民进行登记的时间各有不同,所以各小区居民人脸图像都带有各对应的登记的时刻;
获取所述历史人脸图像数据,通过图像相似度算法,以此分别获取各小区居民人脸图像与所述历史人脸图像数据之间的图像相似度,所述图像相似度为属于0至1的数值且越相近数值越大;
在所述已登记的小区居民人脸图像数据中进行随机采样,从中每次抽取出若干个小区居民人脸图像来组成一个居民人脸图像序列,从中分多次进行抽取分别得到多个不同的居民人脸图像序列,在各个居民人脸图像序列中包含的小区居民人脸图像的数量都相同,在一个居民人脸图像序列中其包含的小区居民人脸图像各不相同;
将一个居民人脸图像序列中包含的各小区居民人脸图像对应的登记的时刻计算其算术平均值作为该个居民人脸图像序列对应的时刻;
将所述多个不同的居民人脸图像序列按其各自对应的时刻先后顺序进行排序组成一个序列称作图像处理序列;
记图像处理序列为序列Phoseq,Phoseq包含的居民人脸图像序列的数量为n,Phoseq包含的居民人脸图像序列的序号为i,i∈[1,n],Phoseq中序号为i的居民人脸图像序列记作Pho(i),函数Sem()为计算两个居民人脸图像序列之间的图像相似度的函数,对各个序号i有变量i`,变量i`与i对应,所述变量i`表示在[1,n]中除所述序号i以外的各序号,由此,以所述变量i`为序号的居民人脸图像序列Pho(i`)则表示Phoseq中除所述Pho(i)外的各居民人脸图像序列,记居民人脸图像序列Pho(i)与预设的字符串的图像相似度为sim(i),记居民人脸图像序列Pho(i`)与居民人脸图像序列Pho(i)之间的图像相似度为Sem(i,i`),各居民人脸图像序列Pho(i`)分别与居民人脸图像序列Pho(i)之间的图像相似度的算术平均值为Sem(i,i`)avg,函数time()表示通过输入居民人脸图像序列的序号从而获取接收到该居民人脸图像序列对应的小区居民人脸图像的时刻,time(i)表示接收到序号i的居民人脸图像序列Pho(i)对应的小区居民人脸图像的时刻,计算序号1的居民人脸图像序列Pho(1)对应的时刻time(1)与序号n的居民人脸图像序列Pho(n)对应的时刻time(n)之差的绝对值作为timeL,计算各居民人脸图像序列Pho(i)对应的time(i)的算术平均值作为time(avg),记Pho(i)对应的小区居民人脸图像的时间分步值为Temp(i),Temp(i)的计算公式为:
记Pho(i)对应的小区居民人脸图像的图像分层值为Ling(i),Ling(i)的计算公式为Ling(i)=sim(i)* Sem(i,i`)avg;
根据各Pho(i)对应的小区居民人脸图像的时间分步值,将Phoseq中时间分步值大于零的各居民人脸图像序列Pho(i)筛选出来组成的集合作为分步集合,在分步集合中对各居民人脸图像序列按照其图像分层值从大到小的顺序进行排序;按照排序的结果先后对各居民人脸图像序列所对应的小区居民人脸图像进行处理,其中,按顺序地选取出排序后的分步集合中的居民人脸图像序列,再在所述居民人脸图像序列中选取其中的各小区居民人脸图像去与所述历史人脸图像数据进行人脸识别的比对,一旦存在与所述历史人脸图像数据得到比对是匹配的,即表明所述历史人脸图像数据中与至少一个已登记的小区居民的人脸图像数据匹配成功,无需再去与分步集合中的其他再进行比对,以此从事实历史人脸数据中删除所述至少一个已登记的小区居民的人脸图像数据。
2.如权利要求1所述的基于人脸识别技术的小区安防方法,其特征在于,还包括预设所述人脸特征提取模型,具体步骤如下:
获取人脸图像集,对所述人脸图像集中的每幅人脸图像进行灰度处理,以获得相应的人脸灰度图像集;
在预设尺度和方向下,对所述人脸灰度图像集进行滤波,获得滤波后的人脸灰度图像集;
将滤波后的人脸灰度图像集中的每幅人脸灰度图像划分为一系列互不重叠的灰度子图像;
提取所述每幅人脸灰度图像中一系列互不重叠的灰度子图像的谱能量;
计算所述一系列互不重叠的灰度子图像的谱能量的百分比;
根据所述一系列互不重叠的灰度子图像的谱能量的百分比构建对应的特征向量,获得人脸特征提取模型。
3.如权利要求1所述的基于人脸识别技术的小区安防方法,其特征在于,还包括预设所述人脸图像分类模型,具体包括:
获取未设置分类标签的第一样本数据,将所述第一样本数据输入至预先训练的基础分类模型中,确定所述第一样本数据设置预设分类标签的概率,其中,所述基础分类模型基于设置预设分类标签的第二样本数据训练获得;
基于所述第一样本数据设置分类标签的概率确定所述第一样本数据的权重;
基于第二样本数据、所述第一样本数据以及所述第一样本数据的权重对待训练的分类模型进行训练,获得人脸图像分类模型。
4.一种基于人脸识别技术的小区安防装置,其特征在于,包括:
图像获取模块,用于定时获取历史人脸图像数据;所述历史人脸图像数据至少包括门禁的摄像头以及小区内安装的监控摄像头采集得到的图像;每一所述历史人脸图像数据至少包括拍摄时间和拍摄地点信息;
数据筛除模块,用于在所述历史人脸图像数据中筛除已登记的小区居民的人脸图像数据:获取已登记的小区居民人脸图像数据;将所述历史人脸图像数据与所述已登记的小区居民人脸图像数据进行人脸匹配;若所述历史人脸图像数据中与至少一个已登记的小区居民的人脸图像数据匹配成功,则从事实历史人脸数据中删除所述至少一个已登记的小区居民的人脸图像数据,具体为:
获取已登记的小区居民人脸图像数据,所述已登记的小区居民人脸图像数据为各小区居民人脸图像组成的集合,各小区居民人脸图像及所述历史人脸图像数据皆为已经过图像预处理的图像矩阵;由于小区居民进行登记的时间各有不同,所以各小区居民人脸图像都带有各对应的登记的时刻;
获取所述历史人脸图像数据,通过图像相似度算法,以此分别获取各小区居民人脸图像与所述历史人脸图像数据之间的图像相似度,所述图像相似度为属于0至1的数值且越相近数值越大;
在所述已登记的小区居民人脸图像数据中进行随机采样,从中每次抽取出若干个小区居民人脸图像来组成一个居民人脸图像序列,从中分多次进行抽取分别得到多个不同的居民人脸图像序列,在各个居民人脸图像序列中包含的小区居民人脸图像的数量都相同,在一个居民人脸图像序列中其包含的小区居民人脸图像各不相同;
将一个居民人脸图像序列中包含的各小区居民人脸图像对应的登记的时刻计算其算术平均值作为该个居民人脸图像序列对应的时刻;
将所述多个不同的居民人脸图像序列按其各自对应的时刻先后顺序进行排序组成一个序列称作图像处理序列;
记图像处理序列为序列Phoseq,Phoseq包含的居民人脸图像序列的数量为n,Phoseq包含的居民人脸图像序列的序号为i,i∈[1,n],Phoseq中序号为i的居民人脸图像序列记作Pho(i),函数Sem()为计算两个居民人脸图像序列之间的图像相似度的函数,对各个序号i有变量i`,变量i`与i对应,所述变量i`表示在[1,n]中除所述序号i以外的各序号,由此,以所述变量i`为序号的居民人脸图像序列Pho(i`)则表示Phoseq中除所述Pho(i)外的各居民人脸图像序列,记居民人脸图像序列Pho(i)与预设的字符串的图像相似度为sim(i),记居民人脸图像序列Pho(i`)与居民人脸图像序列Pho(i)之间的图像相似度为Sem(i,i`),各居民人脸图像序列Pho(i`)分别与居民人脸图像序列Pho(i)之间的图像相似度的算术平均值为Sem(i,i`)avg,函数time()表示通过输入居民人脸图像序列的序号从而获取接收到该居民人脸图像序列对应的小区居民人脸图像的时刻,time(i)表示接收到序号i的居民人脸图像序列Pho(i)对应的小区居民人脸图像的时刻,计算序号1的居民人脸图像序列Pho(1)对应的时刻time(1)与序号n的居民人脸图像序列Pho(n)对应的时刻time(n)之差的绝对值作为timeL,计算各居民人脸图像序列Pho(i)对应的time(i)的算术平均值作为time(avg),记Pho(i)对应的小区居民人脸图像的时间分步值为Temp(i),Temp(i)的计算公式为:
记Pho(i)对应的小区居民人脸图像的图像分层值为Ling(i),Ling(i)的计算公式为Ling(i)=sim(i)* Sem(i,i`)avg;
根据各Pho(i)对应的小区居民人脸图像的时间分步值,将Phoseq中时间分步值大于零的各居民人脸图像序列Pho(i)筛选出来组成的集合作为分步集合,在分步集合中对各居民人脸图像序列按照其图像分层值从大到小的顺序进行排序;按照排序的结果先后对各居民人脸图像序列所对应的小区居民人脸图像进行处理,其中,按顺序地选取出排序后的分步集合中的居民人脸图像序列,再在所述居民人脸图像序列中选取其中的各小区居民人脸图像去与所述历史人脸图像数据进行人脸识别的比对,一旦存在与所述历史人脸图像数据得到比对是匹配的,即表明所述历史人脸图像数据中与至少一个已登记的小区居民的人脸图像数据匹配成功,无需再去与分步集合中的其他再进行比对,以此从事实历史人脸数据中删除所述至少一个已登记的小区居民的人脸图像数据;
数据合集获取模块,用于将筛除后的历史人脸图像数据输入人脸图像分类模型,得到预设时间段内出入小区的每一未登记人员的人脸图像数据合集;
特征提取模块,用于将所述每一未登记人员的人脸图像合集输入人脸特征提取模型进行人脸特征信息提取,分别得到各个未登记人员对应的人脸特征信息;
信息获取模块,用于获取在逃人员的身份信息和人脸图像数据;
特征匹配模块,用于将所述各个未登记人员对应的人脸特征信息与提取到的每一在逃人员的人脸图像数据进行人脸匹配;
警报信息生成模块,用于若至少一个未登记人员对应的人脸特征信息与至少一个在逃人员的人脸图像数据匹配成功,则生成警报信息;所述警报信息包括匹配成功的在逃人员的身份信息以及对应的人脸图像数据,以及匹配成功的未登记人员的人脸图像数据合集;
警报上报模块,用于将所述警报信息上报至管理中心。
5.如权利要求4所述的基于人脸识别技术的小区安防装置,其特征在于,还包括特征提取模型建立模块,具体用于:
获取人脸图像集,对所述人脸图像集中的每幅人脸图像进行灰度处理,以获得相应的人脸灰度图像集;
在预设尺度和方向下,对所述人脸灰度图像集进行滤波,获得滤波后的人脸灰度图像集;
将滤波后的人脸灰度图像集中的每幅人脸灰度图像划分为一系列互不重叠的灰度子图像;
提取所述每幅人脸灰度图像中一系列互不重叠的灰度子图像的谱能量;
计算所述一系列互不重叠的灰度子图像的谱能量的百分比;
根据所述一系列互不重叠的灰度子图像的谱能量的百分比构建对应的特征向量,获得人脸特征提取模型。
6.如权利要求4所述的基于人脸识别技术的小区安防装置,其特征在于,还包括图像分类模型建立模块,具体用于:
获取未设置分类标签的第一样本数据,将所述第一样本数据输入至预先训练的基础分类模型中,确定所述第一样本数据设置预设分类标签的概率,其中,所述基础分类模型基于设置预设分类标签的第二样本数据训练获得;
基于所述第一样本数据设置分类标签的概率确定所述第一样本数据的权重;
基于第二样本数据、所述第一样本数据以及所述第一样本数据的权重对待训练的分类模型进行训练,获得人脸图像分类模型。
7.如权利要求4所述的基于人脸识别技术的小区安防装置,其特征在于,所述数据筛除模块,具体用于:
获取已登记的小区居民人脸图像数据;
将所述历史人脸图像数据与所述已登记的小区居民人脸图像数据进行人脸匹配;
若所述历史人脸图像数据中与至少一个已登记的小区居民的人脸图像数据匹配成功,则从事实历史人脸数据中删除所述至少一个已登记的小区居民的人脸图像数据。
8.一种基于人脸识别技术的小区安防设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至3中任意一项基于人脸识别技术的小区安防方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至3中任意一项基于人脸识别技术的小区安防方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310561146.2A CN116631108B (zh) | 2023-05-18 | 2023-05-18 | 一种基于人脸识别技术的小区安防方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310561146.2A CN116631108B (zh) | 2023-05-18 | 2023-05-18 | 一种基于人脸识别技术的小区安防方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116631108A CN116631108A (zh) | 2023-08-22 |
CN116631108B true CN116631108B (zh) | 2024-05-24 |
Family
ID=87596614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310561146.2A Active CN116631108B (zh) | 2023-05-18 | 2023-05-18 | 一种基于人脸识别技术的小区安防方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116631108B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024141A (zh) * | 2010-06-29 | 2011-04-20 | 上海大学 | 基于Gabor小波变换和局部二值模式优化的人脸识别方法 |
CN110941993A (zh) * | 2019-10-30 | 2020-03-31 | 东北大学 | 基于人脸识别的动态人员分类与存储方法 |
CN111079791A (zh) * | 2019-11-18 | 2020-04-28 | 京东数字科技控股有限公司 | 人脸识别方法、设备及计算机可读存储介质 |
CN112906676A (zh) * | 2021-05-06 | 2021-06-04 | 北京远鉴信息技术有限公司 | 人脸图像来源的识别方法、装置、存储介质及电子设备 |
CN112989993A (zh) * | 2021-03-10 | 2021-06-18 | 深圳市兴海物联科技有限公司 | 记录方法、记录***以及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11073602B2 (en) * | 2016-06-15 | 2021-07-27 | Stmicroelectronics, Inc. | Time of flight user identification based control systems and methods |
-
2023
- 2023-05-18 CN CN202310561146.2A patent/CN116631108B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024141A (zh) * | 2010-06-29 | 2011-04-20 | 上海大学 | 基于Gabor小波变换和局部二值模式优化的人脸识别方法 |
CN110941993A (zh) * | 2019-10-30 | 2020-03-31 | 东北大学 | 基于人脸识别的动态人员分类与存储方法 |
CN111079791A (zh) * | 2019-11-18 | 2020-04-28 | 京东数字科技控股有限公司 | 人脸识别方法、设备及计算机可读存储介质 |
CN112989993A (zh) * | 2021-03-10 | 2021-06-18 | 深圳市兴海物联科技有限公司 | 记录方法、记录***以及计算机可读存储介质 |
CN112906676A (zh) * | 2021-05-06 | 2021-06-04 | 北京远鉴信息技术有限公司 | 人脸图像来源的识别方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116631108A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | End-to-end latent fingerprint search | |
CN108038937B (zh) | 一种迎宾信息的展示方法、装置、终端设备和存储介质 | |
CN105844238A (zh) | 视频鉴别方法及*** | |
CN111177469A (zh) | 人脸检索方法及人脸检索装置 | |
CN104700094A (zh) | 一种用于智能机器人的人脸识别方法及*** | |
CN111523527A (zh) | 特种运输车辆监控方法、装置、介质及电子设备 | |
CN113421546B (zh) | 基于跨被试多模态的语音合成方法及相关设备 | |
CN114360182B (zh) | 一种智能告警方法、装置、设备及存储介质 | |
CN116631108B (zh) | 一种基于人脸识别技术的小区安防方法、装置和设备 | |
CN113516046A (zh) | 区域内生物多样性的监测方法、装置、设备以及存储介质 | |
CN106714007A (zh) | 一种视频摘要方法及装置 | |
CN115687460A (zh) | 利用轨迹数据挖掘重点人群的关联对象的方法及*** | |
CN106599865A (zh) | 刀闸状态识别装置与方法 | |
CN111079469A (zh) | 人脸图像的处理方法、装置、设备及可读存储介质 | |
CN116933002A (zh) | 一种动作检测方法、装置、终端设备和存储介质 | |
CN110969209B (zh) | 一种陌生人识别方法、装置、电子设备及存储介质 | |
CN113239738A (zh) | 一种图像的模糊检测方法及模糊检测装置 | |
CN114550224A (zh) | 基于深度学习的指纹图像识别比对方法、装置和电子设备 | |
CN112906637A (zh) | 基于深度学习的指纹图像识别方法、装置和电子设备 | |
Ahmed et al. | An image-based digital forensic investigation framework for crime analysis | |
CN115170616B (zh) | 人员轨迹分析方法、装置、终端及存储介质 | |
CN116561372B (zh) | 基于多算法引擎的人员聚档方法、装置及可读存储介质 | |
CN116232742B (zh) | 基于状态估计的虚假数据攻击检测方法、***、电子设备及介质 | |
CN112183480B (zh) | 一种人脸识别方法、装置、终端设备及存储介质 | |
CN111611825B (zh) | 一种唇语内容识别方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |