一种面向复杂场景的智慧安防人员布控系统及方法与流程

[0001]
本申请涉及智慧安防技术领域，更具体地说，涉及一种面向复杂场景的智慧安防人员布控系统及方法。


背景技术：

[0002]
现有的智慧安防方案大多以视频监控技术为基础。视频监控技术具有悠久的历史，是协助公安部门打击犯罪、维持社会安定的重要技术手段。其中传统的视频监控系统通过摄像机对监控区域的视频图像进行采集，主要起到记录的作用，如果没有人力干预，则不能实时发现可疑人物、预报紧急情况，无法起到预警的作用；这就使得传统的视频监控系统使用起来需要耗费较多的人力物力，并且非常容易受到外部环境的影响，一旦出现极端天气情况或者遭受人为破坏，传统视频监控系统的监控效率和质量将会大打折扣。
[0003]
相比于传统视频监控系统，智能视频监控系统使用了了图像处理、模式识别和计算机视觉等技术。运用这些技术，可以实现对紧急情况的实时预警，使视频监控不再受限于人力物力。现有智慧安防系统中大多使用了人脸识别的技术来进行人员布控，通过提取监控画面中人员的人脸特征，再与数据库中的目标对象人脸特征进行比对，识别出画面中的目标对象后，触发警报模块并对其进行追踪。
[0004]
现有方案的缺点在于，在复杂场景如人流量较大的车站、机场等公共场所，对目标面部图像的采集比较困难。一方面由于人流量较大，可能导致行人面部信息被遮挡导致，而无法采集；另一方面，人物自己主动遮挡也会导致人物的面部信息无法被采集，从而提升了监控区域的人物身份信息确认的难度与精准度。


技术实现要素：

[0005]
本申请的目的是提供一种面向复杂场景的智慧安防人员布控方法，旨在至少解决现有技术中存在的问题之一。本申请还提供了一种面向复杂场景的智慧安防人员布控系统、设备及计算机可读存储介质。
[0006]
为了实现上述目的，本申请提供如下技术方案：
[0007]
一种面向复杂场景的智慧安防人员布控方法，所述方法包括：
[0008]
获取视频流数据；
[0009]
根据所述视频流数据进行特征提取，所述特征提取所提取的特征具体包括所述视频流数据中所有人员的人脸特征、行人重识别特征以及步态特征；
[0010]
获取目标对象的人脸特征、行人重识别特征以及步态特征；
[0011]
分别计算得到视频流数据中各个人员与目标对象之间的人脸特征相似度、行人重识别特征相似度以及步态特征相似度；
[0012]
判断是否存在所述人脸特征相似度、行人重识别特征相似度以及步态特征相似度中的任一项大于第一阈值的第一人员，如果是，对所述第一人员进行标记追踪；
[0013]
如果否，将所述各个人员的人脸特征相似度、行人重识别特征相似度以及步态特
征相似度通过层次分析法确定相关权重并进行加权计算，得到加权相似度；
[0014]
判断是否存在加权相似度大于第二阈值的第二人员，如果存在，对所述第二人员进行标记追踪。
[0015]
进一步，上述根据所述视频流数据进行特征提取通过训练好的特征提取器进行处理完成。
[0016]
进一步，上述获取目标对象的人脸特征、行人重识别特征以及步态特征具体通过预先构件特征信息库，将目标对象预先存入所述特征信息库中等待信息提取。
[0017]
进一步，上述层次分析法具体包括如下，
[0018]
建立层次结构模型；构造判断成对比较的相关矩阵；层次单排序及其一致性检验；层次总排序及其一致性检验。
[0019]
进一步，上述的第一阈值具体为0.7。
[0020]
进一步，上述的第二阈值具体为0.6。
[0021]
本发明还提出一种面向复杂场景的智慧安防人员布控系统，包括：
[0022]
视频采集模块，布置于待监测地点，用于获取视频流数据；
[0023]
特征提取模块，包括，
[0024]
人脸特征提取模块，用于提取所述视频流数据中所有人员的人脸特征，
[0025]
行人重识别特征提取模块，用于提取所述视频流数据中所有人员的行人重识别特征，
[0026]
步态特征提取模块，用于提取所述视频流数据中所有人员的步态特征；
[0027]
特征比对模块，用于获取目标对象的人脸特征、行人重识别特征以及步态特征，
[0028]
分别计算得到视频流数据中各个人员与目标对象之间的人脸特征相似度、行人重识别特征相似度以及步态特征相似度，
[0029]
判断是否存在所述人脸特征相似度、行人重识别特征相似度以及步态特征相似度中的任一项大于第一阈值的第一人员，如果是，对所述第一人员进行标记追踪，
[0030]
如果否，将所述各个人员的人脸特征相似度、行人重识别特征相似度以及步态特征相似度通过层次分析法确定相关权重并进行加权计算，得到加权相似度，
[0031]
判断是否存在加权相似度大于第二阈值的第二人员，如果存在，对所述第二人员进行标记追踪；
[0032]
特征信息库，用于存放目标对象的人脸特征、行人重识别特征以及步态特征。
[0033]
进一步，所述系统还包括，
[0034]
可疑人员追踪库，用于存放记录所述第一人员以及第二人员，
[0035]
追踪模块，与所述可疑人员追踪库相关联，用于对所述第一人员以及第二人员进行追踪；
[0036]
自动告警模块，与所述追踪模块相关联，用于根据所述追踪模块的追踪信息进行自动告警。
[0037]
本发明还提出一种面向复杂场景的智慧安防人员布控设备，包括：
[0038]
存储器，用于存储计算机程序；
[0039]
处理器，用于执行所述计算机程序时实现如权利要求1至6中任一项所述的一种面向复杂场景的智慧安防人员布控方法的步骤。
[0040]
一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的一种面向复杂场景的智慧安防人员布控方法的步骤。
[0041]
有益效果：
[0042]
本申请提供的一种面向复杂场景的智慧安防人员布控方法，通过两种方式对可疑人员进行排查，首先通过设置一个第一阈值对所有的使用了人脸识别、行人重识别、步态识别三种技术的现场人员进行排查，将任一项识别结果高于第一阈值的人员进行标记追踪，并且采用加权的方法将这三种识别技术通过层次分析法结合起来，并将加权相似度与第二阈值比对，将高于第二阈值的人员进行标记追踪，本发明弥补现有方案在复杂场景下获取信息不足的缺陷，使鲁棒性得到了提升。
附图说明
[0043]
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
[0044]
图1为本申请实施例提供的一种面向复杂场景的智慧安防人员布控方法的流程图；
[0045]
图2为本申请实施例提供的一种面向复杂场景的智慧安防人员布控系统的结构示意图；
[0046]
图3为本申请实施例提供的一种面向复杂场景的智慧安防人员布控设备的结构示意图。
具体实施方式
[0047]
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、完整地描述，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。
[0048]
请参阅图1，图1为本申请实施例提供的一种面向复杂场景的智慧安防人员布控方法的流程图。
[0049]
本申请实施例提供的一种面向复杂场景的智慧安防人员布控方法，所述方法包括：
[0050]
获取视频流数据；
[0051]
根据所述视频流数据进行特征提取，所述特征提取所提取的特征具体包括所述视频流数据中所有人员的人脸特征、行人重识别特征以及步态特征；
[0052]
获取目标对象的人脸特征、行人重识别特征以及步态特征；
[0053]
分别计算得到视频流数据中各个人员与目标对象之间的人脸特征相似度、行人重识别特征相似度以及步态特征相似度；
[0054]
判断是否存在所述人脸特征相似度、行人重识别特征相似度以及步态特征相似度
中的任一项大于第一阈值的第一人员，如果是，对所述第一人员进行标记追踪；
[0055]
如果否，将所述各个人员的人脸特征相似度、行人重识别特征相似度以及步态特征相似度通过层次分析法确定相关权重并进行加权计算，得到加权相似度；
[0056]
.判断是否存在加权相似度大于第二阈值的第二人员，如果存在，对所述第二人员进行标记追踪。
[0057]
实施例1通过两种方式对可疑人员进行排查，首先通过设置一个第一阈值对所有的使用了人脸识别、行人重识别、步态识别三种技术的现场人员进行排查，将任一项识别结果高于第一阈值的人员进行标记追踪，并且采用加权的方法将这三种识别技术通过层次分析法结合起来，并将加权相似度与第二阈值比对，将高于第二阈值的人员进行标记追踪，本发明弥补现有方案在复杂场景下获取信息不足的缺陷，使鲁棒性得到了提升。
[0058]
人脸识别主要依靠提取人脸的静态特征。行人重识别依靠行人的整体姿态来做检索，主要提取静态的外部特征，比如穿着、背包、发型、雨伞等，通过分析行人的穿着和体态来识别人。步态识别提取的特征点包含两个方面，一方面是提取静态的内部特征，如身高、头型、腿骨、关节、肌肉等生理结构；第二方面，是提取人的动态特征，比如走路姿态、手臂摆幅、晃头耸肩、运动神经敏感度等。在集成学习中通常会综合多个基学习器，如果它们之间的差异很大、具有多样性的话，综合这些基学习器可以减小最终预测结果的方差。
[0059]
作为本发明的优选实施方式，上述根据所述视频流数据进行特征提取通过训练好的特征提取器进行处理完成。
[0060]
作为本发明的优选实施方式，上述获取目标对象的人脸特征、行人重识别特征以及步态特征具体通过预先构件特征信息库，将目标对象预先存入所述特征信息库中等待信息提取。
[0061]
作为本发明的优选实施方式，上述层次分析法具体包括如下，
[0062]
层次分析法，简称ahp，是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。该方法是美国运筹学家匹茨堡大学教授萨蒂于20世纪70年代初，在为美国国防部研究"根据各个工业部门对国家福利的贡献大小而进行电力分配"课题时，应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法。层次分析法根据问题的性质和要达到的总目标，将问题分解为不同的组成因素，并按照因素间的相互关联影响以及隶属关系将因素按不同层次聚集组合，形成一个多层次的分析结构模型，从而最终使问题归结为最低层(供决策的方案、措施等)相对于最高层(总目标)的相对重要权值的确定或相对优劣次序的排定。层次分析法的权重计算步骤为：1.建立层次结构模型；2.构造判断(成对比较)矩阵；3.层次单排序及其一致性检验；4.层次总排序及其一致性检验。考虑到行人重识别特征多为外部特征(如穿着、背包、发型、雨伞等)，这些特征容易发生变化，所以在层次分析法中的行人重识别特征设置得相对不重要，并以此计算出加权特征相似度。
[0063]
作为本发明的优选实施方式，上述的第一阈值具体为0.7。在进行相似度计算之前需要预先设定好一个阈值，这个阈值会影响误识率与通过率，其中误识率指错误识别的概率，也称为认假率；通过率指正确认出而通过的概率。阈值越高，通过率和误识率越低，阈值越低，通过率和误识率越高。在此专利的应用情景下，为了尽可能地识别出可疑人员，需要设定一个比一般的识别阈值相对较低的阈值。经过实践论证分析之后本方案将该阈值即第
一阈值设定为0.7
[0064]
作为本发明的优选实施方式，上述的第二阈值具体为0.6。与第一阈值的设定相似的，在第一阶段中某个现场人员的单个特征相似度超过阈值0.7，说明该人员有很大的可能性是目标对象；如果出现某个现场人员三个特征相似度均比0.7略低的情况，这时第一阶段不会将该现场人员判断为可疑人员，为了能将这些人员识别出来，第二阶段的阈值要设置得比第一阶段稍低，为0.6，在综合了三种相似度之后，如果加权相似度超过0.6，说明该现场人员有很大的可能是特征信息库中的目标对象，将其添加到可疑人员跟踪库。
[0065]
参照图2，实施例2，本发明还提出一种面向复杂场景的智慧安防人员布控系统，包括：
[0066]
视频采集模块110，布置于待监测地点，用于获取视频流数据；
[0067]
特征提取模块，包括，
[0068]
人脸特征提取模块121，用于提取所述视频流数据中所有人员的人脸特征，
[0069]
行人重识别特征提取模块122，用于提取所述视频流数据中所有人员的行人重识别特征，
[0070]
步态特征提取模块123，用于提取所述视频流数据中所有人员的步态特征；
[0071]
特征比对模块130，用于获取目标对象的人脸特征、行人重识别特征以及步态特征，
[0072]
分别计算得到视频流数据中各个人员与目标对象之间的人脸特征相似度、行人重识别特征相似度以及步态特征相似度，
[0073]
判断是否存在所述人脸特征相似度、行人重识别特征相似度以及步态特征相似度中的任一项大于第一阈值的第一人员，如果是，对所述第一人员进行标记追踪，
[0074]
如果否，将所述各个人员的人脸特征相似度、行人重识别特征相似度以及步态特征相似度通过层次分析法确定相关权重并进行加权计算，得到加权相似度，
[0075]
判断是否存在加权相似度大于第二阈值的第二人员，如果存在，对所述第二人员进行标记追踪；
[0076]
特征信息库140，用于存放目标对象的人脸特征、行人重识别特征以及步态特征。
[0077]
在本实施例2中，通过两种方式对可疑人员进行排查，首先通过设置一个第一阈值对所有的使用了人脸识别、行人重识别、步态识别三种技术的现场人员进行排查，将任一项识别结果高于第一阈值的人员进行标记追踪，并且采用加权的方法将这三种识别技术通过层次分析法结合起来，并将加权相似度与第二阈值比对，将高于第二阈值的人员进行标记追踪，本发明弥补现有方案在复杂场景下获取信息不足的缺陷，使鲁棒性得到了提升。
[0078]
作为本发明的优选实施方式，所述系统还包括，
[0079]
可疑人员追踪库150，用于存放记录所述第一人员以及第二人员，
[0080]
追踪模块160，与所述可疑人员追踪库相关联，用于对所述第一人员以及第二人员进行追踪；
[0081]
自动告警模块170，与所述追踪模块相关联，用于根据所述追踪模块160的追踪信息进行自动告警。
[0082]
通过增加以上模块，能够方便本方案进行可以人员的标记追踪，并能够对相关工作人员起到一个提醒督促处理的作用。
[0083]
参照图3，实施例3，本发明还提出一种面向复杂场景的智慧安防人员布控设备，包括：
[0084]
存储器201，用于存储计算机程序；
[0085]
处理器202，用于执行所述计算机程序时实现如权利要求1至6中任一项所述的一种面向复杂场景的智慧安防人员布控方法的步骤。
[0086]
在本实施例3中，通过应用了上述的方法，能够通过两种方式对可疑人员进行排查，首先通过设置一个第一阈值对所有的使用了人脸识别、行人重识别、步态识别三种技术的现场人员进行排查，将任一项识别结果高于第一阈值的人员进行标记追踪，并且采用加权的方法将这三种识别技术通过层次分析法结合起来，并将加权相似度与第二阈值比对，将高于第二阈值的人员进行标记追踪，本发明弥补现有方案在复杂场景下获取信息不足的缺陷，使鲁棒性得到了提升。
[0087]
一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的一种面向复杂场景的智慧安防人员布控方法的步骤。
[0088]
本申请所涉及的计算机可读存储介质包括随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质。
[0089]
本申请实施例提供的一种面向复杂场景的智慧安防人员布控系统、设备及计算机可读存储介质中相关部分的说明请参见本申请实施例提供的一种面向复杂场景的智慧安防人员布控方法中对应部分的详细说明，在此不再赘述。另外，本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
[0090]
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0091]
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。