CN118015435B - 基于移动计算平台的实时人脸抓拍方法及*** - Google Patents
基于移动计算平台的实时人脸抓拍方法及*** Download PDFInfo
- Publication number
- CN118015435B CN118015435B CN202410428332.3A CN202410428332A CN118015435B CN 118015435 B CN118015435 B CN 118015435B CN 202410428332 A CN202410428332 A CN 202410428332A CN 118015435 B CN118015435 B CN 118015435B
- Authority
- CN
- China
- Prior art keywords
- face
- information
- face recognition
- real
- locking
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000002372 labelling Methods 0.000 claims description 16
- 230000003213 activating effect Effects 0.000 claims description 11
- 230000007547 defect Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000001815 facial effect Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 230000001360 synchronised effect Effects 0.000 abstract description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于移动计算平台的实时人脸抓拍方法及***，涉及图像处理技术领域。所述方法包括：基于前端采集单元对目标区域进行实时记录，并将实时视频记录上传至数据云端，生成目标区域的视频流；遍历目标区域的视频流进行逐帧扫描，生成多个焦点帧；将多个焦点帧传输至计算处理单元进行全脸特征提取，根据全脸特征生成锁定框；提取锁定框内的人脸信息作为输入数据，同步至多维人脸识别通道，生成人脸识别数据集；基于人脸识别数据集，激活后端锁定单元对目标区域内的目标人员进行锁定，根据锁定信息对目标人员进行实时抓拍。解决了现有技术中在复杂场景下人脸抓拍效率和准确性较低的技术问题，达到了提高人脸抓拍效率和准确性的技术效果。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及基于移动计算平台的实时人脸抓拍方法及***。
背景技术
在信息化社会高速发展的时代背景下，人脸识别技术作为人工智能领域的关键技术之一，已经深入渗透到我们生活的多个方面。无论是金融支付、安全监控，还是智能家居、公共服务，都离不开人脸识别技术的支撑。然而，传统的人脸抓拍方法往往依赖于固定的摄像头设备，无法适应复杂多变的监控环境，尤其在移动场景下，人脸抓拍的准确性和实时性往往受到较大影响。
发明内容
本申请实施例提供了基于移动计算平台的实时人脸抓拍方法及***，解决了现有技术中在复杂场景下人脸抓拍效率和准确性较低的技术问题。
鉴于上述问题，本申请实施例提供了基于移动计算平台的实时人脸抓拍方法及***。
本申请实施例的第一个方面，提供了基于移动计算平台的实时人脸抓拍方法，所述方法包括：
基于前端采集单元对目标区域进行实时记录，并将实时视频记录上传至所述数据云端，生成目标区域的视频流；
遍历目标区域的所述视频流进行逐帧扫描，生成多个焦点帧；
将所述多个焦点帧传输至计算处理单元进行全脸特征提取，根据所述全脸特征生成锁定框；
提取所述锁定框内的人脸信息作为输入数据，同步至多维人脸识别通道，生成人脸识别数据集；
基于所述人脸识别数据集，激活后端锁定单元对目标区域内的目标人员进行锁定，根据锁定信息对目标人员进行实时抓拍。
本申请实施例的第二个方面，提供了基于移动计算平台的实时人脸抓拍***，所述***包括：
采集模块，所述采集模块用于基于前端采集单元对目标区域进行实时记录，并将实时视频记录上传至所述数据云端，生成目标区域的视频流；
扫描模块，所述扫描模块用于遍历目标区域的所述视频流进行逐帧扫描，生成多个焦点帧；
特征提取模块，所述特征提取模块用于将所述多个焦点帧传输至计算处理单元进行全脸特征提取，根据所述全脸特征生成锁定框；
数据集生成模块，所述数据集生成模块用于提取所述锁定框内的人脸信息作为输入数据，同步至多维人脸识别通道，生成人脸识别数据集；
识别模块，所述识别模块用于基于所述人脸识别数据集，激活后端锁定单元对目标区域内的目标人员进行锁定，根据锁定信息对目标人员进行实时抓拍。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过前端采集单元对目标区域进行实时记录，将实时视频上传至数据云端并生成目标区域的视频流。随后，遍历该视频流进行逐帧扫描，以生成多个焦点帧。这些焦点帧随后被传输至计算处理单元，用于提取全脸特征并生成相应的锁定框。提取锁定框内的人脸信息作为输入数据，并同步至多维人脸识别通道，从而生成人脸识别数据集。基于此数据集，激活后端锁定单元对目标区域内的目标人员进行锁定，并在发现目标人员时实时进行抓拍。解决了现有技术中在复杂场景下人脸抓拍效率和准确性较低的技术问题，达到了提高人脸抓拍效率和准确性的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本申请实施例提供的基于移动计算平台的实时人脸抓拍方法流程示意图；
图2为本申请实施例提供的基于移动计算平台的实时人脸抓拍***结构示意图。
附图标记说明：采集模块11，扫描模块12，特征提取模块13，数据集生成模块14，识别模块15。
具体实施方式
本申请实施例通过提供基于移动计算平台的实时人脸抓拍方法及***，解决了现有技术中在复杂场景下人脸抓拍效率和准确性较低的技术问题。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或模块。
实施例一：
如图1所示，本申请实施例提供了基于移动计算平台的实时人脸抓拍方法，其中，方法包括：
基于所述前端采集单元对目标区域进行实时记录，并将实时视频记录上传至所述数据云端，生成目标区域的视频流；
前端采集单元用于对目标区域进行实时记录，将捕捉到的视频数据以高清晰度、流畅的方式进行录制，并通过与移动计算平台的通信连接，将这些实时视频记录上传至数据云端。数据云端作为***的数据存储和处理中心，具备强大的存储能力和数据处理能力，能够接收并存储大量的视频数据。在数据云端对这些视频记录进行处理和整合，生成目标区域的视频流。
进一步而言，基于所述前端采集单元对目标区域进行实时记录，并将实时视频记录上传至数据云端，方法包括：
所述前端采集单元内布设多个前端设备，其中，所述多个前端设备为布设于目标区域内对同一区域进行实时采集的多个视频采集设备；
基于所述多个前端设备对目标区域进行持续捕捉，生成同一区域内多角度的所述实时视频记录；
检测所述实时视频记录的连续性，若连续性满足预设连续阈值，则将所述实时视频记录上传至所述数据云端进行存储。
前端采集单元内部布设了多个前端设备，这些前端设备均为视频采集设备且被放置在目标区域内，用于对同一区域进行实时采集。每个前端设备都具备独立的视频采集功能，同时对目标区域进行持续捕捉，从而生成同一区域内多角度的实时视频记录。之后，***会检测这些实时视频记录的连续性，通过对比相邻帧之间的差异、计算帧率变化等方式来评估视频记录的连续性，将检测到的连续性与预设的连续阈值进行比较，如果符合预设的连续阈值，就会将这些实时视频记录上传至数据云端进行存储。
遍历目标区域的所述视频流进行逐帧扫描，生成多个焦点帧；
视频流是由一系列连续的图像帧组成的，每一帧都代表了目标区域在某一时刻的图像信息。通过逐帧扫描视频流，可以提取出关键图像帧，即焦点帧，焦点帧通常包含了目标区域内人员的人脸信息，用于后续的人脸特征提取和分析。
进一步而言，遍历目标区域的所述视频流进行逐帧扫描，生成多个焦点帧，方法包括：
基于边界检测算法对所述视频流进行分割，获取多个视频段信息；
逐帧扫描所述多个视频段信息，提取每个视频段信息中的焦点帧，获得所述多个焦点帧。
边界检测算法是一种专门用于识别视频或图像中内容变化边界的技术。在视频流中，这些边界可能代表着场景的变化、目标物体的进入或离开、光照条件的变化等。通过检测这些边界，边界检测算法能够将视频流自动分割成多个逻辑上相对独立的视频段。具体来说，通过分析每一帧图像的特征和内容，并计算相邻帧之间的差异。当差异超过预设的阈值时，就会判断为一个边界点，标志着视频段的变化。通过不断扫描和比较，识别出视频流中的所有边界点，并将边界点作为分割点，将视频流划分为多个视频段。进一步对这些视频段进行逐帧扫描，从中提取出包含人脸特征信息的焦点帧。
将所述多个焦点帧传输至所述计算处理单元进行全脸特征提取，根据所述全脸特征生成锁定框；
多个焦点帧会被传输至计算处理单元，计算处理单元具备强大的计算能力，会对接收到的焦点帧进行全脸特征提取，即提取出人脸的关键特征信息。全脸特征通常包括人脸的各种特征，如眼睛、嘴巴、鼻子等部位的位置和特征描述。根据提取到的全脸特征，计算处理单元可以生成锁定框，即框出人脸所在的位置并进行标识。锁定框是一个矩形区域，用于在原始图像中标记出人脸的位置和范围。通过生成锁定框，***能够精确地定位到人脸在图像中的具***置，为后续的人脸抓拍提供准确的坐标信息。
进一步而言，将所述多个焦点帧传输至所述计算处理单元进行全脸特征提取，方法包括：
对所述多个焦点帧进行随机提取，获取N帧图像，其中，N为大于等于1的整数；
将所述N帧图像传输至所述计算处理单元，按照预设分块标准对所述N帧图像进行分割，确定目标N帧图像块；
基于所述目标N帧图像块进行离散余弦变化系数计算，获得第一全脸灰度特征值、第二全脸灰度特征值；
根据所述第一全脸灰度特征值、所述第二全脸灰度特征值，利用全脸灰度特征值计算公式，计算N帧图像特征值；
将所述N帧图像特征值添加至所述全脸特征。
从多个焦点帧中随机提取N帧图像，N为大于等于1的整数，将提取到的N帧图像传输至计算处理单元，并按照预设的分块标准对N帧图像进行分割，分块标准可以是基于图像大小、人脸位置、特征区域等因素来设定的。对分割后的目标N帧图像块进行离散余弦变换系数计算，获得第一全脸灰度特征值和第二全脸灰度特征值。根据第一全脸灰度特征值和第二全脸灰度特征值，利用全脸灰度特征值计算公式来计算N帧图像的特征值。将计算得到的N帧图像特征值添加到全脸特征中，用于后续的人脸识别。
第一全脸灰度特征值的计算公式如下：
；
Tn是指第一全脸灰度特征值，是指第一直流系数，/>是指第一交流系数，n是指第一N帧图像，/>是指第一N帧图像的第/>个子块，a是指第一直流系数对第一全脸灰度特征值的影响因子，b是指第一交流系数对第一全脸灰度特征值的影响因子。
第二全脸灰度特征值的计算公式如下：
；
Tn+1是指第二全脸灰度特征值，是指第二直流系数，是指第二交流系数，n+1是指第二N帧图像，/>是指第二N帧图像的第个子块，c是指第二直流系数对第二全脸灰度特征值的影响因子，d是指第二交流系数对第二全脸灰度特征值的影响因子。
进一步而言，根据所述全脸特征生成锁定框，方法包括：
基于所述全脸特征，采用人脸检测算法对人脸区域进行识别，生成人脸特征点；
根据所述人脸特征点进行所述人脸区域的图像预处理，生成人脸区域增强图像；
利用图像分割技术，将所述人脸区域增强图像进行背景分离，根据分离图像生成锁定框，其中，所述分离图像与所述锁定框存在对应关系。
利用已提取的全脸特征，结合人脸检测算法，对视频帧中的人脸区域进行识别。脸检测算法是一种专门用于在图像或视频中定位和识别人脸的算法，通过对全脸特征的匹配和筛选，能够在复杂的场景中准确地识别出人脸区域。在识别出人脸区域后，会根据人脸特征点进行图像预处理，人脸特征点是指人脸轮廓上的一些关键点，如眼角、嘴角、鼻梁等，定义了人脸的基本形状和结构。通过对这些特征点的分析，可以获取人脸的姿态、表情和形变等信息，从而进行相应的图像调整和优化。图像预处理包括去噪、对比度增强、色彩校正等操作，旨在提高人脸区域的图像质量和清晰度，为后续的分析和识别提供更好的数据基础。利用图像分割技术，对预处理后的人脸区域图像进行背景分离，通过分析像素的颜色、纹理、边缘等信息，将目标对象与背景进行分离。在人脸抓拍***中，通过背景分离，***能够去除人脸区域周围的冗余信息，只留下包含人脸的纯净图像。根据分离后的图像，生成锁定，锁定框是一个矩形区域，用于标记和定位人脸在图像中的位置。通过生成锁定框，***能够精确地指示出人脸区域的边界和范围，为后续的人脸识别、特征提取和抓拍操作提供准确的定位和导航。
提取所述锁定框内的人脸信息作为输入数据，同步至多维人脸识别通道，生成人脸识别数据集；
根据之前生成的锁定框，精确提取框内的人脸信息，并将人脸信息传输至多维人脸识别通道，从而生成完整的人脸识别数据集，人脸识别数据集包含各种人脸特征，用于后续的人脸识别。
进一步而言，提取所述锁定框内的人脸信息作为输入数据，同步至多维人脸识别通道，生成人脸识别数据集，方法包括：
基于所述锁定框内的人脸信息进行标签标注，生成人脸特征标注数据；
根据所述人脸特征标注数据对人脸信息进行分割，生成多个人脸待识别信息，其中，所述多个人脸待识别信息内包括人脸比例信息、人脸轮廓信息，人脸缺损信息；
建立多维人脸识别通道，所述多维人脸识别通道内包含多个并行的人脸识别分支，其中，所述多个并行的人脸识别分支包含第一人脸识别分支、第二人脸识别分支、第三人脸识别分支；
将所述人脸比例信息同步至所述第一人脸识别分支进行面部五官比例识别，生成第一人脸识别信息；
将所述人脸轮廓信息同步至所述第二人脸识别分支进行面部折叠度的识别，生成第二人脸识别信息；
将所述人脸缺损信息同步至所述第三人脸识别分支进行面部缺遮挡的识别，生成第三人脸识别信息；
将所述第一人脸识别信息、所述第一人脸识别信息、所述第一人脸识别信息进行信息整合，生成所述人脸识别数据集。
基于锁定框内的人脸信息进行标签标注，生成人脸特征标注数据，即为每个人脸信息添加相应的标签，如身份ID、性别、年龄等以便后续的识别和分析。根据人脸特征标注数据，对人脸信息进行分割，生成多个人脸待识别信息，包括人脸比例信息、人脸轮廓信息和人脸缺损信息。多维人脸识别通道中包含多个并行的人脸识别分支，包括第一人脸识别分支、第二人脸识别分支和第三人脸识别分支，每个分支负责处理不同的人脸特征信息。将人脸比例信息同步至第一人脸识别分支进行面部五官比例识别，通过识别五官比例，***能够判断人脸的对称性和协调性，生成第一人脸识别信息，第一人脸识别信息包含了关于人脸五官的分布、尺寸和比例等特征信息。将人脸轮廓信息同步至第二人脸识别分支进行面部折叠度的识别，人脸轮廓信息主要描述了人脸的外部形状和边缘特征，而面部折叠度则是指人脸的立体感、凹凸程度以及轮廓的清晰度，通过识别面部折叠度，***能够更准确地判断人脸的形态和特征，生成第二人脸识别信息。将人脸缺损信息同步至第三人脸识别分支进行面部缺遮挡的识别，生成第三人脸识别信息，第三人脸识别信息包含了人脸的缺损或被遮挡部分。将第一人脸识别信息、第二人脸识别信息和第三人脸识别信息进行信息整合，生成最终的人脸识别数据集。
基于所述人脸识别数据集，激活所述后端锁定单元对目标区域内的目标人员进行锁定，根据锁定信息对目标人员进行实时抓拍。
将人脸识别数据集传输到后端锁定单元中，以激活后端锁定单元并准备进行目标人员的识别和锁定。根据数据集中的人脸特征信息，后端锁定单元会自动识别目标区域内的目标人员，并对其进行锁定，确保后续的抓拍操作针对这些目标人员。在锁定目标人员后，会根据锁定信息对目标人员进行实时抓拍。
进一步而言，基于所述人脸识别数据集，激活所述后端锁定单元对目标区域内的目标人员进行锁定，根据锁定信息对目标人员进行实时抓拍，方法包括：
基于所述人脸识别数据集与目标人员的人脸特征匹配度，设定锁定条件；
当所述人脸识别数据集满足所述锁定条件时，则激活所述后端锁定单元；
基于所述后端锁定单元锁定目标人员，获取目标锁定人员并生成抓拍指令；
将所述抓拍指令发送至所述前端采集单元，当所述前端采集单元接收到所述抓拍指令后，对所述目标锁定人员进行多角度人脸的实时抓拍。
通过比对人脸识别数据集中的特征信息与目标人员的实时特征，得出一个匹配度。利用人脸识别数据集中的人脸特征信息，设定一个匹配度阈值作为锁定条件。当目标人员的人脸特征与数据集中的人脸特征匹配度超过设定的阈值时，触发后续的锁定和抓拍操作。一旦满足锁定条件，后端锁定单元将被激活，开始对目标人员进行锁定并生成抓拍指令。后端锁定单元根据锁定的目标人员信息生成抓拍指令，包括要求前端采集单元对目标人员进行多角度人脸的实时抓拍。前端采集单元接收到抓拍指令后，立即对锁定的目标人员进行多角度人脸的实时抓拍，确保获取全方位的目标人员面部图像信息。
综上所述，本申请实施例至少具有如下技术效果：
首先，采用栅格地图原理来构建目标厂区的地图。接着，针对厂区内的第一生产线，进行逐节的生产流程分析。然后，基于第一生产线的特征信息，确定了生产线的第一风险漏洞集，并将这些风险漏洞在目标地图上进行标记，得到了目标可视化模型。巡检机器人随后根据目标可视化模型生成的预定巡检路径对目标厂区进行巡检，并实时录制巡检视频。最后，从巡检视频中截取与第一风险漏洞相关的视频片段，并对这些视频片段进行分析，以识别具体的安全隐患。根据视频分析结果，采取相应的安防预警控制。解决了现有技术中在复杂场景下人脸抓拍效率和准确性较低的技术问题，达到了提高厂区安全风险识别的准确性和巡检效率的技术效果。
实施例二：
基于与前述实施例中基于移动计算平台的实时人脸抓拍方法相同的发明构思，如图2所示，本申请提供了基于移动计算平台的实时人脸抓拍***，本申请实施例中的***与方法实施例基于同样的发明构思。其中，***包括：
采集模块11，所述采集模块11用于基于前端采集单元对目标区域进行实时记录，并将实时视频记录上传至所述数据云端，生成目标区域的视频流；
扫描模块12，所述扫描模块12用于遍历目标区域的所述视频流进行逐帧扫描，生成多个焦点帧；
特征提取模块13，所述特征提取模块13用于将所述多个焦点帧传输至计算处理单元进行全脸特征提取，根据所述全脸特征生成锁定框；
数据集生成模块14，所述数据集生成模块14用于提取所述锁定框内的人脸信息作为输入数据，同步至多维人脸识别通道，生成人脸识别数据集；
识别模块15，所述识别模块15用于基于所述人脸识别数据集，激活后端锁定单元对目标区域内的目标人员进行锁定，根据锁定信息对目标人员进行实时抓拍。
进一步的，所述采集模块11用于执行如下方法：
所述前端采集单元内布设多个前端设备，其中，所述多个前端设备为布设于目标区域内对同一区域进行实时采集的多个视频采集设备；
基于所述多个前端设备对目标区域进行持续捕捉，生成同一区域内多角度的所述实时视频记录；
检测所述实时视频记录的连续性，若连续性满足预设连续阈值，则将所述实时视频记录上传至所述数据云端进行存储。
进一步的，所述扫描模块12用于执行如下方法：
基于边界检测算法对所述视频流进行分割，获取多个视频段信息；
逐帧扫描所述多个视频段信息，提取每个视频段信息中的焦点帧，获得所述多个焦点帧。
进一步的，所述特征提取模块13用于执行如下方法：
对所述多个焦点帧进行随机提取，获取N帧图像，其中，N为大于等于1的整数；
将所述N帧图像传输至所述计算处理单元，按照预设分块标准对所述N帧图像进行分割，确定目标N帧图像块；
基于所述目标N帧图像块进行离散余弦变化系数计算，获得第一全脸灰度特征值、第二全脸灰度特征值；
根据所述第一全脸灰度特征值、所述第二全脸灰度特征值，利用全脸灰度特征值计算公式，计算N帧图像特征值；
将所述N帧图像特征值添加至所述全脸特征。
进一步的，所述特征提取模块13用于执行如下方法：
基于所述全脸特征，采用人脸检测算法对人脸区域进行识别，生成人脸特征点；
根据所述人脸特征点进行所述人脸区域的图像预处理，生成人脸区域增强图像；
利用图像分割技术，将所述人脸区域增强图像进行背景分离，根据分离图像生成锁定框，其中，所述分离图像与所述锁定框存在对应关系。
进一步的，所述数据集生成模块14用于执行如下方法：
基于所述锁定框内的人脸信息进行标签标注，生成人脸特征标注数据；
根据所述人脸特征标注数据对人脸信息进行分割，生成多个人脸待识别信息，其中，所述多个人脸待识别信息内包括人脸比例信息、人脸轮廓信息，人脸缺损信息；
建立多维人脸识别通道，所述多维人脸识别通道内包含多个并行的人脸识别分支，其中，所述多个并行的人脸识别分支包含第一人脸识别分支、第二人脸识别分支、第三人脸识别分支；
将所述人脸比例信息同步至所述第一人脸识别分支进行面部五官比例识别，生成第一人脸识别信息；
将所述人脸轮廓信息同步至所述第二人脸识别分支进行面部折叠度的识别，生成第二人脸识别信息；
将所述人脸缺损信息同步至所述第三人脸识别分支进行面部缺遮挡的识别，生成第三人脸识别信息；
将所述第一人脸识别信息、所述第一人脸识别信息、所述第一人脸识别信息进行信息整合，生成所述人脸识别数据集。
进一步的，所述识别模块15用于执行如下方法：
基于所述人脸识别数据集与目标人员的人脸特征匹配度，设定锁定条件；
当所述人脸识别数据集满足所述锁定条件时，则激活所述后端锁定单元；
基于所述后端锁定单元锁定目标人员，获取目标锁定人员并生成抓拍指令；
将所述抓拍指令发送至所述前端采集单元，当所述前端采集单元接收到所述抓拍指令后，对所述目标锁定人员进行多角度人脸的实时抓拍。
需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (7)
1.基于移动计算平台的实时人脸抓拍方法，其特征在于，所述方法应用于基于移动计算平台的实时人脸抓拍***，所述基于移动计算平台的实时人脸抓拍***与移动计算平台通信连接，移动计算平台内嵌前端采集单元、计算处理单元、后端锁定单元，且移动计算平台与数据云端通信连接，所述方法包括：
基于所述前端采集单元对目标区域进行实时记录，并将实时视频记录上传至所述数据云端，生成目标区域的视频流；
遍历目标区域的所述视频流进行逐帧扫描，生成多个焦点帧，所述多个焦点帧为多个关键图像帧；
将所述多个焦点帧传输至所述计算处理单元进行全脸特征提取，根据所述全脸特征生成锁定框；
提取所述锁定框内的人脸信息作为输入数据，同步至多维人脸识别通道，生成人脸识别数据集；
基于所述人脸识别数据集，激活所述后端锁定单元对目标区域内的目标人员进行锁定，根据锁定信息对目标人员进行实时抓拍；
基于所述锁定框内的人脸信息进行标签标注，生成人脸特征标注数据；
根据所述人脸特征标注数据对人脸信息进行分割，生成多个人脸待识别信息，其中，所述多个人脸待识别信息内包括人脸比例信息、人脸轮廓信息，人脸缺损信息；
建立多维人脸识别通道，所述多维人脸识别通道内包含多个并行的人脸识别分支，其中，所述多个并行的人脸识别分支包含第一人脸识别分支、第二人脸识别分支、第三人脸识别分支；
将所述人脸比例信息同步至所述第一人脸识别分支进行面部五官比例识别，生成第一人脸识别信息；
将所述人脸轮廓信息同步至所述第二人脸识别分支进行面部折叠度的识别，生成第二人脸识别信息；
将所述人脸缺损信息同步至所述第三人脸识别分支进行面部缺遮挡的识别，生成第三人脸识别信息；
将所述第一人脸识别信息、所述第一人脸识别信息、所述第一人脸识别信息进行信息整合，生成所述人脸识别数据集。
2.如权利要求1所述的方法，其特征在于，基于所述前端采集单元对目标区域进行实时记录，并将实时视频记录上传至数据云端，方法包括：
所述前端采集单元内布设多个前端设备，其中，所述多个前端设备为布设于目标区域内对同一区域进行实时采集的多个视频采集设备；
基于所述多个前端设备对目标区域进行持续捕捉，生成同一区域内多角度的所述实时视频记录；
检测所述实时视频记录的连续性，若连续性满足预设连续阈值，则将所述实时视频记录上传至所述数据云端进行存储。
3.如权利要求1所述的方法，其特征在于，遍历目标区域的所述视频流进行逐帧扫描，生成多个焦点帧，方法包括：
基于边界检测算法对所述视频流进行分割，获取多个视频段信息；
逐帧扫描所述多个视频段信息，提取每个视频段信息中的焦点帧，获得所述多个焦点帧。
4.如权利要求1所述的方法，其特征在于，将所述多个焦点帧传输至所述计算处理单元进行全脸特征提取，方法包括：
对所述多个焦点帧进行随机提取，获取N帧图像，其中，N为大于等于1的整数；
将所述N帧图像传输至所述计算处理单元，按照预设分块标准对所述N帧图像进行分割，确定目标N帧图像块；
基于所述目标N帧图像块进行离散余弦变化系数计算，获得第一全脸灰度特征值、第二全脸灰度特征值；
根据所述第一全脸灰度特征值、所述第二全脸灰度特征值，利用全脸灰度特征值计算公式，计算N帧图像特征值；
将所述N帧图像特征值添加至所述全脸特征。
5.如权利要求4所述的方法，其特征在于，根据所述全脸特征生成锁定框，方法包括：
基于所述全脸特征，采用人脸检测算法对人脸区域进行识别，生成人脸特征点；
根据所述人脸特征点进行所述人脸区域的图像预处理，生成人脸区域增强图像；
利用图像分割技术，将所述人脸区域增强图像进行背景分离，根据分离图像生成锁定框，其中，所述分离图像与所述锁定框存在对应关系。
6.如权利要求1所述的方法，其特征在于，基于所述人脸识别数据集，激活所述后端锁定单元对目标区域内的目标人员进行锁定，根据锁定信息对目标人员进行实时抓拍，方法包括：
基于所述人脸识别数据集与目标人员的人脸特征匹配度，设定锁定条件；
当所述人脸识别数据集满足所述锁定条件时，则激活所述后端锁定单元；
基于所述后端锁定单元锁定目标人员，获取目标锁定人员并生成抓拍指令；
将所述抓拍指令发送至所述前端采集单元，当所述前端采集单元接收到所述抓拍指令后，对所述目标锁定人员进行多角度人脸的实时抓拍。
7.基于移动计算平台的实时人脸抓拍***，其特征在于，用于实施权利要求1-6任意一项所述的基于移动计算平台的实时人脸抓拍方法，所述***包括：
采集模块，所述采集模块用于基于所述前端采集单元对目标区域进行实时记录，并将实时视频记录上传至所述数据云端，生成目标区域的视频流；
扫描模块，所述扫描模块用于遍历目标区域的所述视频流进行逐帧扫描，生成多个焦点帧，所述多个焦点帧为多个关键图像帧；
特征提取模块，所述特征提取模块用于将所述多个焦点帧传输至所述计算处理单元进行全脸特征提取，根据所述全脸特征生成锁定框；
数据集生成模块，所述数据集生成模块用于提取所述锁定框内的人脸信息作为输入数据，同步至多维人脸识别通道，生成人脸识别数据集；
识别模块，所述识别模块用于基于所述人脸识别数据集，激活所述后端锁定单元对目标区域内的目标人员进行锁定，根据锁定信息对目标人员进行实时抓拍；
标注模块，所述标注模块用于基于所述锁定框内的人脸信息进行标签标注，生成人脸特征标注数据；
分割模块，所述分割模块用于根据所述人脸特征标注数据对人脸信息进行分割，生成多个人脸待识别信息，其中，所述多个人脸待识别信息内包括人脸比例信息、人脸轮廓信息，人脸缺损信息；
通道模块，所述通道模块用于建立多维人脸识别通道，所述多维人脸识别通道内包含多个并行的人脸识别分支，其中，所述多个并行的人脸识别分支包含第一人脸识别分支、第二人脸识别分支、第三人脸识别分支；
第一人脸识别模块，所述第一人脸识别模块用于将所述人脸比例信息同步至所述第一人脸识别分支进行面部五官比例识别，生成第一人脸识别信息；
第二人脸识别模块，所述第二人脸识别模块用于将所述人脸轮廓信息同步至所述第二人脸识别分支进行面部折叠度的识别，生成第二人脸识别信息；
第三人脸识别模块，所述第三人脸识别模块用于将所述人脸缺损信息同步至所述第三人脸识别分支进行面部缺遮挡的识别，生成第三人脸识别信息；
信息整合模块，所述信息整合模块用于将所述第一人脸识别信息、所述第一人脸识别信息、所述第一人脸识别信息进行信息整合，生成所述人脸识别数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410428332.3A CN118015435B (zh) | 2024-04-10 | 2024-04-10 | 基于移动计算平台的实时人脸抓拍方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410428332.3A CN118015435B (zh) | 2024-04-10 | 2024-04-10 | 基于移动计算平台的实时人脸抓拍方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118015435A CN118015435A (zh) | 2024-05-10 |
| CN118015435B true CN118015435B (zh) | 2024-06-04 |
Family
ID=90945802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410428332.3A Active CN118015435B (zh) | 2024-04-10 | 2024-04-10 | 基于移动计算平台的实时人脸抓拍方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118015435B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118196877B (zh) * | 2024-05-20 | 2024-07-23 | 微网优联科技(成都)有限公司 | 一种基于ai摄像头的人脸识别***及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111191532A (zh) * | 2019-12-18 | 2020-05-22 | 深圳供电局有限公司 | 基于施工区域的人脸识别方法、装置、计算机设备 |
| CN112183496A (zh) * | 2020-11-06 | 2021-01-05 | 平安科技（深圳）有限公司 | 人脸识别信息的二次加密方法、装置、设备及存储介质 |
| WO2021078001A1 (zh) * | 2019-10-25 | 2021-04-29 | 华为技术有限公司 | 一种图像增强方法及装置 |
| CN116486392A (zh) * | 2023-03-31 | 2023-07-25 | 黄河科技学院 | 一种基于fpga的车牌人脸智能识别方法及*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111767858B (zh) * | 2020-06-30 | 2024-03-22 | 北京百度网讯科技有限公司 | 图像识别方法、装置、设备和计算机存储介质 |
-
2024
- 2024-04-10 CN CN202410428332.3A patent/CN118015435B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021078001A1 (zh) * | 2019-10-25 | 2021-04-29 | 华为技术有限公司 | 一种图像增强方法及装置 |
| CN111191532A (zh) * | 2019-12-18 | 2020-05-22 | 深圳供电局有限公司 | 基于施工区域的人脸识别方法、装置、计算机设备 |
| CN112183496A (zh) * | 2020-11-06 | 2021-01-05 | 平安科技（深圳）有限公司 | 人脸识别信息的二次加密方法、装置、设备及存储介质 |
| CN116486392A (zh) * | 2023-03-31 | 2023-07-25 | 黄河科技学院 | 一种基于fpga的车牌人脸智能识别方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118015435A (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Choudhury et al. | Vehicle detection and counting using haar feature-based classifier | |
| CN118015435B (zh) | 基于移动计算平台的实时人脸抓拍方法及*** | |
| US8326000B2 (en) | Apparatus and method for detecting facial image | |
| US8538082B2 (en) | System and method for detecting and tracking an object of interest in spatio-temporal space | |
| US8855363B2 (en) | Efficient method for tracking people | |
| KR101781358B1 (ko) | 디지털 영상 내의 얼굴 인식을 통한 개인 식별 시스템 및 방법 | |
| CN109359577B (zh) | 一种基于机器学习的复杂背景下人数检测*** | |
| CN105678213B (zh) | 基于视频特征统计的双模式蒙面人事件自动检测方法 | |
| CN113962274B (zh) | 一种异常识别方法、装置、电子设备及存储介质 | |
| JP2012088787A (ja) | 画像処理装置、画像処理方法 | |
| CN112001360B (zh) | 一种基于智能调节的人脸识别监控*** | |
| CN112801037A (zh) | 一种基于连续帧间差异的人脸篡改检测方法 | |
| Sujatha et al. | Biometric authentication system with hand vein features using morphological processing | |
| CN107832696B (zh) | 一种电力作业现场物体安全特征识别*** | |
| CN114155472A (zh) | 厂区场景临空面防护设备异常状态检测方法、装置和设备 | |
| Hassan et al. | Enhanced people counting system based head-shoulder detection in dense crowd scenario | |
| US20220327716A1 (en) | Method of detecting moving objects | |
| Kroneman et al. | Accurate pedestrian localization in overhead depth images via Height-Augmented HOG | |
| KR102463353B1 (ko) | 페이크 얼굴 검출 장치 및 검출 방법 | |
| CN110852203B (zh) | 一种基于视频特征学习的多要素可疑人员识别方法 | |
| Dammalapati et al. | An efficient criminal segregation technique using computer vision | |
| CN111368608A (zh) | 一种人脸识别方法、装置及*** | |
| Mehta et al. | Extraction of posture silhouettes using human posture feature points and spatial masks for activity recognition in public place | |
| RU2788301C1 (ru) | Способ распознавания объектов в системе видеонаблюдения | |
| RU2809945C2 (ru) | Способ обнаружения движущихся объектов |
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 |