活体识别模型训练方法、活体检测方法及装置制造方法及图纸

本发明专利技术提供一种活体识别模型训练方法、活体检测方法及装置，其中所述活体识别模型训练方法包括：获取包含人体头肩特征的多个图像作为正样本，以及不包含人体头肩特征的多个图像作为负样本；利用所述正样本和负样本对神经网络模型进行训练，直至所述神经网络模型对人体头肩特征的识别正确率大于预设阈值。

Living body recognition model training method, living body detection method and device

The invention provides a method for training a vivid recognition model, a vivid detection method and a device thereof, wherein the vivid recognition model training method comprises: acquiring a plurality of images including human head and shoulder features as positive samples, and a plurality of images not including human head and shoulder features as negative samples; and utilizing the positive samples and negative samples. The neural network model is trained until the recognition accuracy of the neural network model is higher than the preset threshold.

【技术实现步骤摘要】
活体识别模型训练方法、活体检测方法及装置
本专利技术涉及图像检测领域，具体涉及一种活体识别模型训练方法、活体检测方法及装置。
技术介绍
目前，各种规模的视频监控系统已广泛应用于各行各业，除了治安、金融、银行、交通、军队和口岸等领域外，还包括社区、写字楼、酒店、公共场所、工厂、商场、小区、甚至家庭等场合。通过对视频图像进行检测和判断，可以对图像的内容进行识别从而实现自动识别某种目标或行为的目的。目前已有很多人体检测方法，例如有基于传统运动检测的方法如基于前景检测及图像分块等，还有基于机械学习的方法，例如基于“AdaBoost+Haar”的行人检测和“方向梯度直方图(HOG)+支持向量机(SVM)”等方法。但是这些方法都存在不同程度的问题，如基于运动检测的方法，前景检测很容易受到光照等环境的影响，导致不稳定，出现鬼影、分块、漏检等问题；而这些机械学习的方法，由于人群比较密集的地方如地铁站、汽车站、火车站等，很容易出现，个体被遮挡的情况。而当个体出现遮挡的情况下，“AdaBoost+Haar”和“HOG+SVM”等方法都会存在不同程度的漏检问题，同时，人员出现量大的场景，计算度成量级上升的情况下，需要保证实时性的问题。
技术实现思路
因此，本专利技术要解决的是现有的人体检测方案漏检率较高的问题。有鉴于此，本专利技术提供了一种活体识别模型训练方法，包括：获取包含人体头肩特征的多个图像作为正样本，以及不包含人体头肩特征的多个图像作为负样本；利用所述正样本和负样本对神经网络模型进行训练，直至所述神经网络模型对人体头肩特征的识别正确率大于预设阈值。优选地，在所述利用所述正样本和负样本对神经网络模型进行训练的步骤中，采用聚合通道特征算法对所述神经网络模型进行训练。优选地，所述正样本包括不同性别、不同年龄段、不同姿态、以及身着不同服装的人体图像。优选地，所述正样本的数量大于所述负样本的数量。本专利技术还提供了一种活体检测方法，包括：获取由门禁系统采集到的待识别视频图像；利用上述方法训练的神经网络模型对所述待识别视频图像中的每一帧图像进行识别；标记识别到的人体头肩特征。相应地，本专利技术还提供了一种活体识别模型训练装置，包括：获取单元，用于获取包含人体头肩特征的多个图像作为正样本，以及不包含人体头肩特征的多个图像作为负样本；训练单元，用于利用所述正样本和负样本对神经网络模型进行训练，直至所述神经网络模型对人体头肩特征的识别正确率大于预设阈值。优选地，所述训练单元采用聚合通道特征算法对所述神经网络模型进行训练。优选地，所述正样本包括不同性别、不同年龄段、不同姿态、以及身着不同服装的人体图像。优选地，所述正样本的数量大于所述负样本的数量。相应地，本专利技术还提供了一种活体检测装置，包括：获取单元，用于获取由门禁系统采集到的待识别视频图像；识别单元，用于利用上述方法训练的神经网络模型对所述待识别视频图像中的每一帧图像进行识别；标记单元，用于标记识别到的人体头肩特征。本专利技术提供的活体识别模型训练方法和装置，通过正样本和负样本以及头肩特征对神经网络模型进行训练，使训练出的模型能够从图像中准确地识别出是否包含头肩特征，该模型可以通过识别头肩特征来确定图像中是否存在活体，相比于全身检测，由于门禁系统中的摄像机通常是安放在头顶上方45度的位置，因此头肩完全遮挡的情况相对来讲比较少出现，因此该模型可以很好的解决传统行人检测在人群密集出现遮挡时，容易漏检的问题。本专利技术提供的活体检测方法及装置，利用头肩识别模型检测图像中的头肩特征，将头肩特征进行标记，并视其为人体，后续可以对识别到的人体进行跟踪等处理。相比于全身检测，因为门禁系统中的摄像机通常是安放在头顶上方45度的位置，因此头肩完全遮挡的情况相对来讲比较少出现，因此可以很好的解决传统行人检测在人群密集出现遮挡时，容易漏检的问题。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本专利技术的一些实施方式，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为本专利技术实施例中的活体识别模型训练方法的流程图；图2为本专利技术实施例中的活体检测方法的流程图；图3为本专利技术实施例中的人流量统计方法的流程图；图4为本专利技术实施例中的活体识别模型训练装置的结构示意图；图5为本专利技术实施例中的活体检测装置的结构示意图；图6为本专利技术实施例中的人流量统计装置的结构示意图。具体实施方式下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。本专利技术第一实施例提供了一种活体识别模型训练方法，如图1所示包括如下步骤：S11，获取包含人体头肩特征的多个图像作为正样本，以及不包含人体头肩特征的多个图像作为负样本，例如可以选取20000张正样本和10000张负样本。为了使训练出的模型性能更加良好，正样本的种类可以更加全面，例如从人物属性上包含男女，老人，小孩等，从姿态上包含正面、侧面和背面等，从环境的角度上包含了各个季度的样本，而负样本包含各个类别中的不含行人的大图片10000张。S12，利用所述正样本和负样本对神经网络模型进行训练，直至所述神经网络模型对人体头肩特征的识别正确率大于预设阈值。具体可以选取图像中的某些特征属性作为神经网络模型的输入层，将人体头肩在图像中的位置作为输出层对神经网络模型进行训练。训练算法包括多种，本实施例优选采用聚合通道特征(ACF，AggregateChannelFeatures)算法对所述神经网络模型进行训练，提取图像的10个通道的特征作为神经网络模型的输入层数据。原因主要是综合考虑算法对硬件内存、鲁棒性、实时性的要求，ACF算法在满足实时性要求的同时能够有较好的鲁棒性，对各种环境的检测结果比较稳定。本专利技术提供的活体识别模型训练方法，通过正样本和负样本以及头肩特征对神经网络模型进行训练，使训练出的模型能够从图像中准确地识别出是否包含头肩特征，该模型可以通过识别头肩特征来确定图像中是否存在活体，相比于全身检测，由于门禁系统中的摄像机通常是安放在头顶上方45度的位置，因此头肩完全遮挡的情况相对来讲比较少出现，因此该模型可以很好的解决传统行人检测在人群密集出现遮挡时，容易漏检的问题。本专利技术第二实施例提供了一种活体检测方法，如图2所示，该方法包括：S21，获取由门禁系统采集到的待识别视频图像；S22，利用上述第一实施例提供的方法所训练的神经网络模型，对所述待识别视频图像中的每一帧图像进行识别；S23，标记识别到的人体头肩特征。本专利技术实施例利用头肩识别模型检测图像中的头肩特征，将头肩特征进行标记，并视其为人体，后续可以对识别到的人体进行跟踪等处理。相比于全身检测，因为门禁系统中的摄像机通常是安放在头顶上方45度的位置，因此头肩完全遮挡的情况相对来讲比较少出现，因此可以很好的解决传统行人检测在人群密集出现遮挡时，容易漏检的问题。本专利技术第三实施例提供了一种人流量统计方法，如图3所示，该方法包括：S31，获取由门禁本文档来自技高网...

【技术保护点】
1.一种活体识别模型训练方法，其特征在于，包括：获取包含人体头肩特征的多个图像作为正样本，以及不包含人体头肩特征的多个图像作为负样本；利用所述正样本和负样本对神经网络模型进行训练，直至所述神经网络模型对人体头肩特征的识别正确率大于预设阈值。

【技术特征摘要】
1.一种活体识别模型训练方法，其特征在于，包括：获取包含人体头肩特征的多个图像作为正样本，以及不包含人体头肩特征的多个图像作为负样本；利用所述正样本和负样本对神经网络模型进行训练，直至所述神经网络模型对人体头肩特征的识别正确率大于预设阈值。2.根据权利要求1所述的方法，其特征在于，在所述利用所述正样本和负样本对神经网络模型进行训练的步骤中，采用聚合通道特征算法对所述神经网络模型进行训练。3.根据权利要求1或2所述的方法，其特征在于，所述正样本包括不同性别、不同年龄段、不同姿态、以及身着不同服装的人体图像。4.根据权利要求1或2所述的方法，其特征在于，所述正样本的数量大于所述负样本的数量。5.一种活体检测方法，其特征在于，包括：获取由门禁系统采集到的待识别视频图像；利用权利要求1-4中任一项所述的方法训练的神经网络模型对所述待识别视频图像中的每一帧图像进行识别；标记识别到的人体头肩特征。6.一种活体...

【专利技术属性】
技术研发人员：李俊，赵晓萌，张如高，
申请(专利权)人：新智认知数据服务有限公司，
类型：发明
国别省市：上海,31