本公开涉及一种基于深度学习和大规模集群的智能人脸追逃系统及方法。该系统包括视频输入单元，分发服务器，人脸识别服务器集群，流媒体服务器，分布式文件服务器，消息中心服务器，web前端服务器，及常见操作系统的客户端。该系统利用通过大规模集群服务器和基于深度学习的人脸识别技术，能够在图像质量下降的情况下依然保持较高的识别率，更重要的是在大规模数据库中保持较低的误报率与漏检率，从而保证智能追逃系统的可靠性与鲁棒性，使基于人脸识别的智能追逃系统在安防领域达到真实可用。
【技术实现步骤摘要】
本专利技术属于安防监控领域，具体来说涉及一种基于深度学习和大规模集群的人脸 追逃系统及方法。
技术介绍
随着经济的高速发展以及城镇建设速度的加快，导致城市中人口密集，流动人口 增加，社会犯罪率呈逐年上升的趋势，引发了城市建设中的交通、社会治安、重点区域防范 等城市管理问题。因此，近年来，针对犯罪分子流动性较强，情况比较复杂，重点人员布控困 难等情况，人脸智能布控和追逃系统应运而生。此类系统可应用于传统视频布控网络，并且 无需使用者配合，因而操作隐蔽性强，特别适合于公安部门的安全防范、罪犯监控、罪犯抓 捕等。为公安防范体系提供简单且高效的技术手段。此外，随着大众的安全意识的增强，以 及对个人生命财产的自我保护，现在商业中民用的安全保护体系也快速发展，基于人脸识 别的智能安全系统也得到越来越广泛的应用。 现有的人脸识别技术，对于限定在一定条件下的人脸图像，例如，正面人脸、光照 条件良好、无遮挡物体、无眼镜反光情况下获取的人脸图像，其识别率可以满足一些民用领 域的低端应用(如门禁、考勤等)的要求。然而，现有的人脸视频布控主要利用城市中已有的 监控摄像机采集人脸图像，因此很容易受到光照、姿态、遮挡、外表附属物以及图像采集设 备的影响。当上述一个或多个条件发生变化时，识别效果会大大降低。再者，当数据库规模 达到一定数量级后（如百万级），目前人脸识别系统的误报警率与漏检率会大幅升高，造成 不法份子躲过检查的几率大大提高。因此，很大程度上限制了基于人脸识别的智能监控系 统在公共安全防范领域的大规模应用。此外，随着视频监控的广泛普及，大规模视频监控网 络已在全国各地建成。这给人脸追逃系统布控的实时性，准确性，可扩展性等提出了非常高 的要求。
技术实现思路
本专利技术为了有效地解决上述问题，提出了一种基于深度学习的智能人脸追逃系 统。 本专利技术设计的基于深度学习和大规模集群的智能人脸追逃系统，包括:视频输入 单元，分发服务器，人脸识别服务器集群， 所述视频输入单元，主要对多路网络摄像头采集的视频流进行解码，分析处理，并 将处理后的视频帧传送给分发服务器， 所述分发服务器，将从所述视频输入单元获取的视频帧分发给所述人脸识别服务 器集群中的人脸识别服务器进行分析， 人脸识别服务器集群，包含多个人脸识别服务器，每个人脸识别服务器对接入的 视频帧调用基于深度学习的人脸识别算法进行分析处理，并将处理的结果发送到输出服务 器上。 本专利技术还涉及一种基于深度学习和大规模集群的智能人脸追逃方法，该方法的步 骤包括： 步骤S1，视频输入单元从多路网络摄像头采集视频流，并对所述视频流进行解码， 分析处理，并将处理后的视频帧传送给分发服务器； 步骤S2，所述分发服务器将从视频输入单元获取的视频帧分发给特定的人脸识别 服务器进行分析； 步骤S3,人脸识别服务器对接入的视频帧调用基于深度学习的人脸识别算法进行 分析处理； 步骤S4,人脸识别服务器将处理的结果发送到相关的输出服务器上。本专利技术通过深度学习 （deep learning)，能够在图像质量下降的情况下依然保持 较高的识别率，更重要的是在大规模数据库中保持较低的误报率与漏检率，从而保证智能 追逃系统的可靠性与鲁棒性，使基于人脸识别的智能追逃系统在安防领域达到真实可用。 此外，本专利技术的基于深度学习和大规模集群的人脸追逃系统可以提供对多机多路 和一机多路的灵活支持。当人脸数据库较大，为了提高处理效率，可将人脸识别服务器部署 在不同的物理服务器上，从而实现多机多路。由于采用了大规模集群方式，使得本系统能实 时处理成百上千路视频并且拥有良好的可扩展性。【附图说明】 图1是基于深度学习和大规模集群智能人脸追逃系统框架图； 图2是人脸识别服务器的内部结构图； 图3是基于深度学习和大规模集群智能人脸追逃方法流程图。【具体实施方式】 以下结合附图1-3对本专利技术的各个实施例进行详细的说明。 如图1所示，基于深度学习和大规模集群的智能人脸追逃系统包括:视频输入单元 10、分发服务器20、人脸识别服务器集群30、流媒体服务器40、分布式文件服务器50、消息中 心服务器60、数据库70、Web前端服务器80和前端输出90。 所述视频输入单元10,主要对多路网络摄像头采集的视频流进行解码，分析处理， 并将处理后的视频帧传送给分发服务器20。 在一个优选的实施例中，所述视频输入单元10进一步包括图像采集单元11，视频 解码单元12和图像预处理单元13。 其中，图像采集单元11，从多路网络摄像头采集已编码视频流信号，并将该信号输 入至视频解码单元12。 视频解码单元12,对接收到的视频流信号进行解码，并将解码后的信息输入至图 像预处理单元13。视频解码单元12将接收到视频流信号解码为视频帧，并将视频帧输入至 图像预处理单元13。图像预处理单元13,对解码后的视频帧进行预处理，如画定热区，图像去噪，图像 去模糊等操作，最后将预处理后的视频帧作为结果传送至分发服务器20。所述分发服务器20,将从视频输入单元10获取的视频帧分发给特定的人脸识别服 务器进行分析。分发服务器20管理着所有的人脸识别服务器，每当有新的视频帧需要接入 到人脸识别服务器进行分析时，都会先向分发服务器20请求一个可用的人脸识别服务器。 该请求过程可由管理员在Web前端添加频道时实现，并把该频道的配置参数都发到请求到 的对应的人脸识别服务器上。 所述人脸识别服务器集群30,包含多个人脸识别服务器。每个人脸识别服务器都 支持多路视频接入。每个人脸识别服务器对接入的视频帧调用基于深度学习的人脸识别算 法进行分析处理，并将处理的结果发送到相关的服务器上，如流媒体服务器40，分布式文件 服务器50,消息中心服务器60。处理的结果可以为事件，图片或视频等。发送的方式可以为 通过网络模块。 在一个具体的实施例中，人脸识别服务器对分发服务器20输入的视频帧图像，检 测人脸，并进行质量判断，挑选满足要求的若干帧作为关键帧，并提取每一帧的人脸特征。 所述人脸特征使用多维特征向量表示，在一个实施例中，使用约180维特征向量来表示人脸 特征。在对图像进行检测时，提取图像中的人脸位置、人脸关键点信息，所述人脸关键点信 息可包括眼角、眉毛的末端、嘴角、鼻尖等位置信息。当所述若干帧为单帧时，该图像本身为 关键帧;所述若干帧为多帧时，从该序列中挑选质量好的N帧作为关键帧。其中，质量的判断 可以通过对后述指标进行打分后，选取得分高的前N帧作为关键帧。所述指标包括人脸图片 清晰度、大小、真实人脸、遮挡、光照等等。对已检测到人脸，在后续帧中进行跟踪。 在一个优选的实施例中，所述质量判断的方法，包括下述步骤： S11、对每个检测到的人脸图像，首先判断两眼间距是否满足设定要求，若满足要 求则执行步骤S12;否则，舍弃该检测到的人脸图像； S12、计算检测到的人脸图像的人脸置信度得分是否满足设定要求，若满足要求则 执行步骤S13;否则，舍弃该检测到的人脸图像； S13、计算正脸得分是否满足设定要求，如满足则判断该帧能够用于识别人脸；否 贝1J，舍弃该检测到的人脸图像。在这个实施例中，对单个跟踪抓拍的人脸，根据两眼间距>25,人脸置信度得分〉 0.95，正脸得分的标准，判本文档来自技高网...
【技术保护点】
一种基于深度学习和大规模集群的智能人脸追逃系统，包括：视频输入单元，分发服务器，人脸识别服务器集群，输出服务器，所述视频输入单元，主要对多路网络摄像头采集的视频流进行解码，分析处理，并将处理后的视频帧传送给分发服务器，所述分发服务器，将从所述视频输入单元获取的视频帧分发给所述人脸识别服务器集群中的人脸识别服务器进行分析，所述人脸识别服务器集群，包含多个人脸识别服务器，每个人脸识别服务器对接收的视频帧调用基于深度学习的人脸识别算法进行分析处理，并将处理的结果发送到输出服务器上。
【技术特征摘要】
【专利技术属性】
技术研发人员：张伟，陈朝军，李庆林，梁伯均，苏哲昆，张帅，王晶，黄展鹏，刘祖希，鲁洋，吕亦琛，张广程，
申请(专利权)人：深圳市商汤科技有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。