面向基层治安、维稳及反恐的特异人脸搜索方法
【专利摘要】本发明涉及面向基层治安、维稳及反恐的特异人脸搜索方法。该方法首先提取其中的运动帧，然后在运动帧中结合动态聚类分析和AAM方法快速检测、定位可能存在的人脸图像，并将人脸图像分割为局部部件，再针对各部件基于动态联合深度神经网络提取其特征，最后将该特异性特征与目标人脸库进行比对，返回比对结果，实现搜索。该方法只针对连续n帧关键帧的运动部分进行人脸检测和识别、搜索处理，有效降低处理资源，缩小处理范围，提高处理效率；基于动态加权的方法融合多个局部人脸部件分类结果，可有效体现局部部件特异性的强弱，使搜索结果更准确。
【专利说明】面向基层治安、维稳及反恐的特异人脸搜索方法
【技术领域】
[0001]本发明涉及面向基层治安、维稳及反恐的特异人脸搜索方法。
【背景技术】
[0002]我国大力开展了城市监控系统建设，运用视频采集、网络传输、图像处理等现代技术，依法有组织地整体建设城市监控体系，目前已经在各级政府所在地、主要街道和社区、娱乐场所、重要路口、车站、卡口等地点设立视频监视系统，将视频图像通过网络传输到各级公安机关进行存储。公安机关目前主要采用人工观察的方式从海量监视视频进行过滤和分析，通过监控中心人工发现异常情况做出应急响应，或是公安机关相关部门通过时候查阅，获取破案线索。目前的工作模式存在以下不足:
效率低:监视摄像机数以万计，且每个监控场景中人员众多，单纯依靠监控中心人工观察的方式工作量大、遗漏率非常高；
存储压力大:现有模式对全部摄像机获取的所有数据进行存储，数据量极其庞大；
智能处理能力弱:现有监控系统的数据自动分析功能弱，难以实现更高级、更深层次应
用；
为提高重要位置、重要人员的管控效率，进一步加强安全管理，有效维护社会稳定，迫切地需要采用视频图像分析与理解技术，智能监管重要位置出入人员，形成安全、可靠、便捷的视频监管体系。
【发明内容】
[0003]针对重要位置、重要人员的管控问题，本发明设计一种面向基层的特异人脸搜索方法，该方法主要针对卡口、大门、通道等重要场所的实时监视视频流或者视频存储文件进行处理，首先提取其中的运动帧；然后在运动帧中采用动态聚类分析，利用AAM方法快速检测、定位可能存在的人脸图像，并将人脸图像分割为局部部件，针对各部件基于动态联合深度神经网络提取其特征；最后将该特异性特征与目标人脸库进行比对，返回比对结果，实现搜索。其完整处理流程如图1所示:
具体步骤如下:
1、针对运动帧的目标提取
若是针对视频中每一帧图像进行处理，增大了系统资源消耗，并且其中存在大量冗余处理，效率不高。本发明采取的策略是:对视频流或者视频文件进行运动分析，仅针对视频流中的连续帧关键帧中发生了运动的部分，进行后续人脸检测和搜索处理，其中取3~
5。具体流程为:
Stepl:针对视频文件进行解码，提取连续帧关键帧；
Step2:针对连续/?帧关键帧,进行运动检测,提取运动部分；
Step3:针对提取到的运动部分进行后续检测、识别处理。
[0004]2、采用结合动态聚类分析和AAM (Active Appearance Mode)方法实现人脸快速检测和分割
传统人脸检测方法比如肤色分割、Adaboost、Hough Transform等,误检率较高；基于ASM、AAM的方法检测准确率较高，但计算量大，耗时较多。本发明根据人脸区域内灰度变化缓慢的特点，针对检测到的运动区域，首先对图像灰度进行动态聚类分析，提取出灰度相近的若干区域；然后仅针对此类区域采用AAM方法检测和定位人脸。当检测到人脸时，AAM可同时实现人脸各部件的分割。
[0005]具体阐述如下:
(I)动态聚类分析 Stepl:初始化聚类中心
【权利要求】
1.面向基层治安、维稳及反恐的特异人脸搜索方法，针对卡口、大门、通道重要场所的实时监视视频流或者视频存储文件进行处理，其特征在于，首先提取其中的运动帧；然后在运动帧中采用基于聚类分析的快速AAM方法检测、定位可能存在的人脸图像，并将人脸图像分割为局部部件；接着针对各部件基于动态联合深度神经网络提取其特征；最后将该特异性特征与目标人脸库进行比对，返回比对结果，实现搜索；具体步骤如下: 步骤一、针对运动帧的目标提取 对视频流或者视频文件进行运动分析，仅针对视频流中的连续帧关键帧中发生了运动的部分，进行后续人脸检测和搜索处理，其中取3~5 ; 步骤二、采用结合动态聚类分析和AAM方法实现人脸快速检测和分割根据人脸区域内灰度变化缓慢的特点，针对检测到的运动区域，首先对图像灰度进行动态聚类分析，提取出灰度相近的若干区域；然后仅针对此类区域采用AAM方法检测和定位人脸，当检测到人脸时，AAM可同时实现人脸各部件的分割； 步骤三、采用深度神经网络权重动态计算方法进行人脸特征提取将人脸分割为左眉、右眉、左眼、右眼、鼻子、嘴、胡须、面部疤痕或胎记8种部件，对每一部件构造对应的DNN进行特征提取，对各DNN输出结果进行动态加权综合，使人脸部件的特异性特征得到体现； 步骤四、基于深度神经网络动态联合进行人脸特异性比对 在已建立人脸部件对应的多个DNN基础上，将目标人脸和模板人脸部件分别输入DNN，输出两种人脸各局部部件分类的类型及权重，在此基础上，综合生成两种人脸的整体相似矢量，从而计算其最终相似度，实现人脸搜索。
2.根据权利要求1所述的面向基层治安、维稳及反恐的特异人脸搜索方法，其特征在于，所述步骤一包括如下步骤: Stepl:针对视频文件进行解码，提 取连续帧关键帧； Step2:针对连续/?帧关键帧,进行运动检测,提取运动部分； Step3:针对提取到的运动部分进行后续检测、识别处理。
3.根据权利要求1所述的面向基层治安、维稳及反恐的特异人脸搜索方法，其特征在于，所述步骤二包括如下步骤: (I)动态聚类分析 Step2.1:初始化聚类中心 其中，Cf为第I类聚类中心，Cf为第免类聚类中心；免为聚类类型数量， 分别为各自迭代次数，针对人脸检测应用 =2，即是人脸或不是人脸两类； Step2.2:假设已进行r-1次迭代运算，针对第r次迭代，所有采样按照最小距离原则分类为k类..a- ed('x，C\、= _(d(入q)，j = 1X3,-,k)式中Λ为采样数据，茗为以Cf为中心的分类；Cf为第i类聚类中心，Cri为第j类聚类中心，i，j为聚类序号； Step2.3:计算新分类的中心:
4.根据权利要求1所辻的面向基层治安、维稳及反恐的特异人脸搜索方法，其特征在于，所述步骤三包括如下步骤: Step3.1:针对每一种单独DNN，输入对应人脸部件图像进行训练，建立该DNN ； Step3.2:将待处理人脸的部件图像Q输入已建立的对应DNN，令输出的识别结果为该部件类型的第i类，该DNN输出值的权重为Ui，且基于该DNN，第&类标准类型的最终映射矢量为对,待识别部件的最终映射矢量为V;,计算该DNN其待识别部件与分类结果的距离为:
5.根据权利要求1所述的面向基层治安、维稳及反恐的特异人脸搜索方法，其特征在于，所述步骤四包括如下步骤: Step4.1:将待处理人脸部件图像和模板人脸部件图像分别输入对应DNN，得到两种图像各部件的分类结果，及其各部件权值，并构造相似性矢量为:
【文档编号】G06K9/62GK103886305SQ201410137540
【公开日】2014年6月25日 申请日期:2014年4月8日 优先权日:2014年4月8日
【发明者】谢剑斌, 李沛秦, 闫玮, 刘通, 崔一兵, 李欣 申请人:中国人民解放军国防科学技术大学, 武汉海辰友邦科技发展有限公司