人员监控识别方法、装置、电子设备及可读存储介质与流程

1.本发明涉及数据分析技术，尤其涉及一种人员监控识别方法、装置、电子设备及可读存储介质。


背景技术：

2.随着视频监控使用的越来越广泛，基于视频监控的人员监控识别方法也得到了越来越广泛的应用。
3.但是现有的人员监控识别方法只是依靠人脸信息进行识别，当视频捕捉人脸信息不全时，识别效果较差，准确率较低。


技术实现要素：

4.本发明提供一种人员监控识别方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高人员监控识别的准确率。
5.为实现上述目的，本发明提供的一种人员监控识别方法，包括：
6.获取待识别人员的人脸图像及体征图像；
7.获取摄像头的监控视频，对所述监控视频进行分帧操作，得到多个视频帧及每个视频帧对应的时间；
8.选取所述视频帧中每个人的人脸区域图像及人体区域图像，分别得到待识别人脸图像及待识别人体图像；
9.计算所述人脸图像与所述待识别人脸图像的相似度，得到人脸相似度；
10.计算所述体征图像与所述待识别人体图像的相似度，得到人体相似度；
11.根据所述人脸相似度及所述人体相似度进行加权计算，得到每个视频帧对应的识别概率；
12.根据所述识别概率及预设识别阈值对所有所述视频帧进行筛选，得到目标视频帧；
13.将所述目标视频帧及对应的所述时间发送至监控人员的预设终端设备。
14.可选地，所述计算所述人脸图像与所述待识别人脸图像的相似度，得到人脸相似度，包括：
15.将所述待识别人脸图像进行向量转化，得到待识别人脸向量；
16.将所述人脸图像进行向量转化，得到目标人脸向量；
17.计算所述待识别人脸向量与所述目标人脸向量的相似度，得到所述人脸相似度值。
18.可选地，所述将所述待识别人脸图像进行向量转化，得到待识别人脸向量，包括：
19.将所述待识别人脸图像输入预构建的深度学习网络模型；
20.获取所述深度学习网络模型中最后一层全连接层所有节点输出值；
21.将所述所有节点输出值按照对应节点在所述全连接层中的先后顺序进行纵向组
合，得到所述待识别人脸向量。
22.可选地，所述根据所述人脸相似度及所述人体相似度进行加权计算，得到每个视频帧对应的识别概率，包括：
23.利用所述人脸相似度与预设的第一权重进行计算，得到人脸权重值；
24.利用所述人体相似度与预设的第二权重进行计算，得到人体权重值；
25.根据所述人脸权重值及所述人体权重值进行计算，得到目标权重值；
26.选取每个所述视频帧对应的所有所述目标权重值中的最大值，得到对应的所述识别概率。
27.可选地，所述根据所述人脸相似度及所述人体相似度进行加权计算，得到每个视频帧对应的识别概率，包括：
28.选取所述人脸相似度及所述人体相似度中的最大值，得到目标相似度；
29.当所述目标相似度值大于预设相似度阈值，将所述目标相似度确定为所述目标权重值；
30.可选地，所述根据所述人脸相似度及所述人体相似度进行加权计算，得到每个视频帧对应的识别概率，包括：
31.当所述人脸相似度及所述人体相似度均大于预设相似度阈值，那么将所述人脸相似度确定为所述目标权重值。
32.可选地，所述将所述目标视频帧及对应的所述时间发送至监控人员的预设终端设备，包括：
33.将所有所述目标视频帧中时间最晚的所述目标视频帧及对应的所述时间发送至预设终端设备。
34.为了解决上述问题，本发明还提供一种人员监控识别装置，所述装置包括：
35.视频分帧模块，用于获取待识别人员的人脸图像及体征图像；获取摄像头的监控视频，对所述监控视频进行分帧操作，得到多个视频帧及每个视频帧对应的时间；
36.分帧识别模块，用于选取所述视频帧中每个人的人脸区域图像及人体区域图像，分别得到待识别人脸图像及待识别人体图像；计算所述人脸图像与所述待识别人脸图像的相似度，得到人脸相似度；计算所述体征图像与所述待识别人体图像的相似度，得到人体相似度；根据所述人脸相似度及所述人体相似度进行加权计算，得到每个视频帧对应的识别概率；
37.计算筛选模块，用于根据所述识别概率及预设识别阈值对所有所述视频帧进行筛选，得到目标视频帧；将所述目标视频帧及对应的所述时间发送至监控人员的预设终端设备。
38.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
39.存储器，存储至少一个计算机程序；及
40.处理器，执行所述存储器中存储的计算机程序以实现上述所述的人员监控识别方法。
41.为了解决上述问题，本发明还提供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至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的人员监控识别方法。
42.本发明实施例根据所述人脸相似度及所述人体相似度进行加权计算，得到每个视频帧对应的识别概率；根据所述识别概率及预设识别阈值对所有所述视频帧进行筛选，得到目标视频帧；利用人脸识别和人体识别比对两个维度进行识别，识别的准确率更高，因此本发明实施例提出的人员监控识别方法、装置、电子设备及可读存储介质提高了人员监控识别的准确率。
附图说明
43.图1为本发明一实施例提供的人员监控识别方法的流程示意图；
44.图2为本发明一实施例提供的人员监控识别装置的模块示意图；
45.图3为本发明一实施例提供的实现人员监控识别方法的电子设备的内部结构示意图；
46.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
47.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
48.本发明实施例提供一种人员监控识别方法。所述人员监控识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述人员监控识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等，服务器可以是独立的服务器，也可以是提供云服务、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、内容分发网络(content delivery network，cdn)、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。
49.参照图1所示的本发明一实施例提供的人员监控识别方法的流程示意图，在本发明实施例中，所述人员监控识别方法包括：
50.本发明实施例中，所述一种人员监控识别方法，包括：
51.s1、获取待识别人员的人脸图像及体征图像；
52.详细地，本发明实施例所述待识别人员为需要监控识别查找的人员，其中，所述人脸图像为所述待识别人员人脸区域的图像，所述体征图像为待识别人员人体区域的图像。
53.s2、获取摄像头的监控视频，对所述监控视频进行分帧操作，得到多个视频帧及每个视频帧对应的时间；
54.详细地，本发明实施例中所述监控视频为需要进行监控识别区域对应的摄像头的监控视频，如：待识别人员为放学后失踪的学生，那么所述监控视频就可以为学校门口的摄像头视频。
55.s3、选取所述视频帧中每个人的人脸区域图像及人体区域图像，分别得到待识别人脸图像及待识别人体图像；
56.详细地，本发明实施例中可以利用预设的图像分割模型选取所述视频帧中每个人的人脸区域图像及对应的人体区域图像。
57.可选地，本发明实施例中所述图像分割模型为全卷积神经网络模型。
58.s4、计算所述人脸图像与所述待识别人脸图像的相似度，得到人脸相似度；
59.详细地，本发明实施例中计算所述人脸图像与所述待识别人脸图像的相似度，得到人脸相似度，包括：
60.步骤a：将所述待识别人脸图像进行向量转化，得到待识别人脸向量；
61.可选地，本发明实施例中将所述待识别人脸图像进行向量转化，得到所述待识别人脸图像，包括：
62.将所述待识别人脸图像输入预构建的深度学习网络模型；
63.获取所述深度学习网络模型中最后一层全连接层所有节点输出值，根据获取的所有节点输出值构建所述待识别人脸向量。
64.可选地，本发明实施例中所述深度学习网络模型为人工智能模型，所述深度学习网络模型为cnn(convolutional neural networks,卷积神经网络)，本发明实施例中所述深度学习模型中可能包含多层全连接层，只有最后一层全连接层的输出值才是最终的图像特征值，因此，获取所述深度学习网络模型中最后一层全连接层所有节点的输出值进行向量构建所述待识别人脸向量。
65.详细地，本发明实施例中获取所述深度学习网络模型中最后一层全连接层所有节点的输出值构建所述待识别人脸向量，包括：
66.将所述所有节点输出值按照对应节点在所述全连接层中的先后顺序进行纵向组合，得到所述待识别人脸向量。
67.例如：全连接层共有3个节点，按顺序分别为第一节点、第二节点、第三节点，第一节点输出值为1，第二节点输出值为3，第三节点输出值为5，那么对应的所述待识别人脸向量为
68.步骤b：将所述人脸图像进行向量转化，得到目标人脸向量；
69.本发明实施例中本步骤所述的向量转化方法与所述步骤1中类似，在此不在赘述。
70.步骤c：计算所述待识别人脸向量与所述目标人脸向量的相似度，得到所述人脸相似度值。
71.可选地，本发明实施例可利用余弦相似度、皮尔森相关系数等相似度算法进行相似度计算。
72.s5、计算所述体征图像与所述待识别人体图像的相似度，得到人体相似度；
73.详细地，本发明实施例中计算所述体征图像与所述待识别人体图像的相似度，得到人体相似度，包括：
74.将所述待识别人体图像进行向量转化，得到待识别人体向量；
75.将所述体征图像进行向量转化，得到目标人体向量；
76.计算所述待识别人体向量与所述人体向量的相似度，得到所述人体相似度值。
77.s6、根据所述人脸相似度及所述人体相似度进行加权计算，得到每个视频帧对应的识别概率；
78.详细地，本发明实施例中根据所述人脸相似度及所述人体相似度进行加权计算，得到每个视频帧对应的识别概率，包括：
79.利用所述人脸相似度与预设的第一权重进行计算，得到人脸权重值；
80.例如：所述人脸相似度为0.8，所述第一权重为0.8，那么对应的所述人脸权重值为0.8*0.8＝0.64。
81.利用所述人体相似度与预设的第二权重进行计算，得到人体权重值；
82.例如：所述人体相似度为0.7，所述第二权重为0.2，那么对应的所述人体权重值为0.7*0.2＝0.14。
83.根据所述人脸权重值及所述人体权重值进行计算，得到目标权重值；
84.例如：所述视频帧对应的所述人脸权重值为0.64，对应的所述人体权重值为0.14，那么目标权重值为0.64+0.14＝0.78。
85.选取每个所述视频帧对应的所有所述目标权重值中的最大值，得到对应的所述识别概率。
86.本发明实施例中所述第一权重值与所述第二权重值为预设的权重参数，所述第一权重值与所述第二权重值之和为1。
87.本发明另一实施例中，所述根据所述人脸相似度及所述人体相似度进行加权计算，得到每个视频帧对应的识别概率，包括：
88.选取所述人脸相似度及所述人体相似度中的最大值，得到目标相似度；
89.当所述目标相似度值大于预设相似度阈值，将所述目标相似度确定为所述目标权重值；
90.本发明另一实施例中，所述根据所述人脸相似度及所述人体相似度进行加权计算，得到每个视频帧对应的识别概率，包括：
91.当所述人脸相似度及所述人体相似度均大于预设相似度阈值，那么将所述人脸相似度确定为所述目标权重值。
92.例如：所述视频帧中某人对应的所述人脸相似度为0.94，对应的所述人体相似度为0.93，所述相似度阈值为0.92，那么该人对应的目标权重值为0.94。
93.本发明另一实施例中，所述根据所述人脸相似度及所述人体相似度进行加权计算，得到每个视频帧对应的识别概率，包括：
94.当每个所述视频帧对应的所述人脸相似度及所述人体相似度均大于预设相似度阈值，那么将所述人体相似度确定为所述目标权重值。
95.例如：所述视频帧中某人对应的所述人脸相似度为0.94，对应的所述人体相似度为0.93，所述相似度阈值为0.92，那么该人对应的目标权重值为0.93。
96.s7、根据所述识别概率及预设识别阈值对所有所述视频帧进行筛选，得到目标视频帧；
97.详细地，本发明实施例中选取所述识别概率大于或等于所述识别阈值的所述视频帧，得到所述目标视频帧。
98.s8、将所述目标视频帧及对应的所述时间发送至监控人员的预设终端设备。
99.详细地，本发明实施例中将所述目标视频帧对应的时间发送至监控人员的预设终端设备。
100.将所有所述目标视频帧中时间最晚的所述目标视频帧及对应的所述时间发送至预设终端设备。
101.可选地，本发明实施例中所述终端设备为可以进行信息接收显示的智能终端，包括但不限于：手机、电脑、平板等。
102.本发明另一实施例中为了更好的方便所述监控人员更好放入对人员进行监控识别，获取所述摄像头的位置，将所述摄像头的位置、最晚时间及对应的目标视频帧发送至所述终端设备。
103.如图2所示，是本发明人员监控识别装置的功能模块图。
104.本发明所述人员监控识别装置100可以安装于电子设备中。根据实现的功能，所述人员监控识别装置可以包括视频分帧模块101、分帧识别模块102、计算筛选模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
105.在本实施例中，关于各模块/单元的功能如下：
106.所述视频分帧模块101用于获取待识别人员的人脸图像及体征图像；获取摄像头的监控视频，对所述监控视频进行分帧操作，得到多个视频帧及每个视频帧对应的时间；
107.所述分帧识别模块102用于选取所述视频帧中每个人的人脸区域图像及人体区域图像，分别得到待识别人脸图像及待识别人体图像；计算所述人脸图像与所述待识别人脸图像的相似度，得到人脸相似度；计算所述体征图像与所述待识别人体图像的相似度，得到人体相似度；根据所述人脸相似度及所述人体相似度进行加权计算，得到每个视频帧对应的识别概率；
108.所述计算筛选模块103用于根据所述识别概率及预设识别阈值对所有所述视频帧进行筛选，得到目标视频帧；将所述目标视频帧及对应的所述时间发送至监控人员的预设终端设备。
109.详细地，本发明实施例中所述人员监控识别装置100中所述的各模块在使用时采用与上述图1中所述的人员监控识别方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
110.如图2所示，是本发明实现人员监控识别方法的电子设备的结构示意图。
111.所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口 13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如安全预警程序。
112.其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital， sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如安全预警程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
113.所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器
及各种控制芯片的组合等。所述处理器 10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如人员监控识别程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
114.所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称pci)总线或扩展工业标准结构(extended industry standardarchitecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
115.图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2 示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
116.例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
117.可选地，所述通信接口13可以包括有线接口和/或无线接口(如wi-fi 接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
118.可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器 (display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是 led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
119.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
120.所述电子设备中的所述存储器11存储的人员监控识别程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
121.获取待识别人员的人脸图像及体征图像；
122.获取摄像头的监控视频，对所述监控视频进行分帧操作，得到多个视频帧及每个视频帧对应的时间；
123.选取所述视频帧中每个人的人脸区域图像及人体区域图像，分别得到待识别人脸图像及待识别人体图像；
124.计算所述人脸图像与所述待识别人脸图像的相似度，得到人脸相似度；
125.计算所述体征图像与所述待识别人体图像的相似度，得到人体相似度；
126.根据所述人脸相似度及所述人体相似度进行加权计算，得到每个视频帧对应的识别概率；
127.根据所述识别概率及预设识别阈值对所有所述视频帧进行筛选，得到目标视频
帧；
128.将所述目标视频帧及对应的所述时间发送至监控人员的预设终端设备。
129.具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
130.进一步地，所述电子设备集成的模块/单元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。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述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)。
131.本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
132.获取待识别人员的人脸图像及体征图像；
133.获取摄像头的监控视频，对所述监控视频进行分帧操作，得到多个视频帧及每个视频帧对应的时间；
134.选取所述视频帧中每个人的人脸区域图像及人体区域图像，分别得到待识别人脸图像及待识别人体图像；
135.计算所述人脸图像与所述待识别人脸图像的相似度，得到人脸相似度；
136.计算所述体征图像与所述待识别人体图像的相似度，得到人体相似度；
137.根据所述人脸相似度及所述人体相似度进行加权计算，得到每个视频帧对应的识别概率；
138.根据所述识别概率及预设识别阈值对所有所述视频帧进行筛选，得到目标视频帧；
139.将所述目标视频帧及对应的所述时间发送至监控人员的预设终端设备。
140.进一步地，所述计算机可用存储介质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系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
141.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
142.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
143.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
144.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单
元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
145.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
146.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
147.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
148.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。