【技术实现步骤摘要】
一种提升社区人口人脸识别性能的方法
本专利技术属于深度神经网络训练网络结构的深度学习领域,涉及到神经网络、模式识别等技术,尤其涉及到提升社区人口人脸识别性能的训练方法。
技术介绍
目前,监控视频占据社区大数据的半壁江山,虽然采用一些先进的人工智能技术对监控视频数据进行理解,但是在真实开放环境下监控视频数据的深度理解是非常的困难,且多为事后取证而非提前预警,因此本项目为了更好对未来社区中人员进行管理,需要对重点管理人员进行画像,防范于未然。而人员画像,需要进行人脸识别。解决上述问题的关键就是要提升社区人口人脸识别性能,在管理社区人口的过程中,既要管理重点关注人员,又要服务重点关爱人员(老人、小孩等)以及社区大众,人脸识别的准确率影响着社区的管理。为了更好的管理社区人口,提升社区人口识别性能至关重要。
技术实现思路
本专利技术克服了现有技术的不足之处,提出了一种提升社区人口人脸识别性能的方法,意在利用社区人口的登记信息、出行规律、打扮着装偏好、交互对象及监控系统采集的大量人脸与行人图像提升社区人口人脸识别与行人重识别性能,提高人脸识别的准确率。本专利技术为达上述专利技术目的,采用如下技术方案:一种提升社区人口人脸识别性能的方法,包括如下步骤:步骤(1)利用社区人口登记档案中身份证图像A,采用仿射变换及生成对抗学习方法进行数据增强得到A’,将增强后的身份证数据集B与公开人脸数据集C(CASIA-Webface)联合训练得到人脸识别模型Ⅰ,数据集B包含A与A’;步骤 ...
【技术保护点】
1.一种提升社区人口人脸识别性能的方法,其特征在于包括如下步骤:/n步骤(1)利用社区人口登记档案中身份证图像A,采用仿射变换及生成对抗学习方法进行数据增强得到A’,将增强后的身份证数据集B与公开人脸数据集C(CASIA-Webface)联合训练得到人脸识别模型Ⅰ,数据集B包含A与A’;/n步骤(2)将多个摄像头的数据输入到人脸检测和人脸跟踪模块,得到人脸图像的弱标记数据D,将该数据放入弱标记抓拍人脸图像库E,经过一段时间后,将社区人口档案库里的身份证图像集与弱标记抓拍人脸图像集输入到人脸识别模型Ⅰ提取特征,进行自动标注,得到抓拍人脸分类库F,再经过人工清洗去除自动标注错误的人脸图像,得到清洗后的抓拍人脸分类库G。使用增强后的社区档案身份证库B、公开人脸数据集C(CASIA-Webface)及清洗过后的抓拍人脸分类库G,训练出人脸识别模型Ⅱ;/n步骤(3)由人脸检测、行人检测和同一摄像头下的同行人检测得到人脸图像、行人图像以及同行人图像数据库H,对数据库H进行人脸识别以及行人重识别,得到同行人数据J和轨迹K。将社区人口档案库里的身份证图像集与摄像头采集的人脸数据集输入到人脸识别模型Ⅱ中 ...
【技术特征摘要】
1.一种提升社区人口人脸识别性能的方法,其特征在于包括如下步骤:
步骤(1)利用社区人口登记档案中身份证图像A,采用仿射变换及生成对抗学习方法进行数据增强得到A’,将增强后的身份证数据集B与公开人脸数据集C(CASIA-Webface)联合训练得到人脸识别模型Ⅰ,数据集B包含A与A’;
步骤(2)将多个摄像头的数据输入到人脸检测和人脸跟踪模块,得到人脸图像的弱标记数据D,将该数据放入弱标记抓拍人脸图像库E,经过一段时间后,将社区人口档案库里的身份证图像集与弱标记抓拍人脸图像集输入到人脸识别模型Ⅰ提取特征,进行自动标注,得到抓拍人脸分类库F,再经过人工清洗去除自动标注错误的人脸图像,得到清洗后的抓拍人脸分类库G。使用增强后的社区档案身份证库B、公开人脸数据集C(CASIA-Webface)及清洗过后的抓拍人脸分类库G,训练出人脸识别模型Ⅱ;
步骤(3)由人脸检测、行人检测和同一摄像头下的同行人检测得到人脸图像、行人图像以及同行人图像数据库H,对数据库H进行人脸识别以及行人重识别,得到同行人数据J和轨迹K。将社区人口档案库里的身份证图像集与摄像头采集的人脸数据集输入到人脸识别模型Ⅱ中提取特征,计算相似度,利用行人轨迹信息和同行人数据对人脸相似度加权,然后进行人脸自动标注,得到更新后的抓拍人脸分类库F,再经过人工清洗去除自动标注错误的人脸图像,得到清洗过后的新的抓拍人脸分类库G。使用增强后的社区档案身份证库B、公开人脸数据集C(CASIA-Webface)及新的抓拍人脸分类库G,训练出人脸识别模型Ⅲ;每隔一段时间,使用新的抓拍数据训练一个新的人脸识别模型,直到生成满足应用需求的人脸识别模型n。
2.如权利要求1所述的一种提升社区人脸识别性能的方法,其特征在于:步骤(1)中人脸识别模型Ⅰ的网络为:
网络包括数据输入层、主干网络层、全连接层FC、输出层;数据输入包含身份证图像及其增强图像,即A1及其增强图像A′1,A2及其增强图像A′2,…,An及其增强图像A′n,其中Ai、A′i分别表示登记档案中第i个人的身份证图像,及CASIA图像及其增强图像,即C1及其增强图像,C2及其增强图像,…,Cn及其增强图像,其中Ci表示CASIA数据集中的第i个人的图像;数据输出是上述输入数据的标签;
其中,主干网络层可以由残差网络构成,或由其他卷积神经网络构成;其中主干卷积神经网络结构为卷积层C1—池化层P1—卷积层C2—池化层P2—卷积层C3—池化层P3—卷积层C4—池化层P4,卷积层采用深度可分离卷积;深度可分离卷积将标准卷积分解为深度卷积和点卷积的1×1卷积;标准的卷积是在一个步骤中将滤波器和输入组合成一组新的输出;深度可分离卷积将其分成两层,一层用于滤波,另一层用于组合;深度卷积只过滤输入通道,点卷积是负责计算深度卷积输出的线性组合;
模型的损失函数如下:
3.如权利要求1所述的一种提升社区人脸识别性能的方法,其特征在于:步骤(2)中弱标记数据为:
在一个摄像头下,对某个人的人脸进行检测和跟踪得到一组相同...
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。