大规模人脸库识别方法、系统、计算机设备及存储介质技术方案

本发明专利技术涉及一种大规模人脸库识别方法、系统、计算机设备及存储介质，方法包括：获取采集到的目标区域的视频流；对视频流进行预处理，以得到预处理后的人脸图片；提取人脸图片的全局或局部的人脸特征值作为待识别人脸特征值；获取待识别人脸特征值在所有主特征维度上的取值；根据待识别人脸特征值在的主特征维度上的取值，通过注意力级联框架对人脸库的人脸表征向量进行筛选，筛选出最相近的人脸表征向量用于比较；将待识别人脸特征值与筛选出用于比较的人脸表征向量进行比较，得到匹配度最高的人脸，并确定人脸身份。本方案可将待识别人脸库的大小迅速缩小，在保障识别的准确性的同时，能极大的提升人脸识别效率，降低对识别服务器的性能要求。

【技术实现步骤摘要】
大规模人脸库识别方法、系统、计算机设备及存储介质
本专利技术涉及人脸识别领域，更具体地说是指一种大规模人脸库识别方法、系统、计算机设备及存储介质。
技术介绍
随着人工智能技术的普及，在社区、园区、公共交通中通过人脸识别对身份进行验证的落地应用越来越普及。通过闸机上前置摄像头进行人脸识别的主要步骤包含一下步骤：通过摄像头进行视频采集、视频流取帧、基于静帧进行人脸检测、人脸图片预处理、人脸特征提取以及人脸库检索。为满足业务上对识别结果实时性要求，规避网络异常的影响，当前人脸识别的全过程通常都在本地人脸识别智能终端上实现。当前智能终端通常能支持万人级别的人脸库检索。现有在大型园区、产城或经开区应用场景中，管理区域人口可达十万甚至百万级，单智能终端难以支撑如此大规模的人脸库检索需求。因此常见的解决方案是在园区、产城边缘侧部署大型本地识别服务器，人脸库检索任务由识别服务器承担。针对普通园区十万人以内的人脸识别需求，利用本地识别服务器在人脸库中直接寻找最近邻的方案可以满足业务需求。但在产城、经开区、公共交通场站这类项目中，人脸库可达百万级甚至千万级，随着数据集增大，再加上人脸的特征向量通常是一个高维向量(例如160维)，在库中进行一次比对的计算量将异常大。虽然可以通过增加计算资源，并结合GPU以并行计算的方式来尝试解决，但在实际应用中通常无法承担这样的开销。因此针对产城、经开区、公交场站这类需要在大规模人脸库中进行检索的场景，当前亟待解决的问题是如何在有限计算资源的情况下，同时能保障人脸识别的实时性和准确性。公开于该
技术介绍
部分的信息仅仅旨在加深对本专利技术的总体
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
技术实现思路
本专利技术的目的在于克服现有技术的缺陷，提供一种大规模人脸库识别方法、系统、计算机设备及存储介质。为实现上述目的，本专利技术采用以下技术方案：第一方面，本专利技术提出一种大规模人脸库识别方法，包括以下步骤：获取采集到的目标区域的视频流；对视频流进行预处理，以得到预处理后的人脸图片；提取人脸图片的全局或局部的人脸特征值作为待识别人脸特征值，所述待识别人脸特征值为高维特征向量；获取待识别人脸特征值在所有主特征维度上的取值，所述主特征维度由大批人员的不同人脸图片作为样本集在经过卷积神经网络进行特征提取后，并对各特征维度上的样本分布离散度进行分析所确定的；根据待识别人脸特征值在的主特征维度上的取值，通过注意力级联框架对人脸库的人脸表征向量进行筛选，筛选出最相近的人脸表征向量用于比较；将待识别人脸特征值与筛选出用于比较的人脸表征向量进行比较，得到匹配度最高的人脸，并确定人脸身份。第二方面，本专利技术提出一种大规模人脸库识别系统，包括：视频采集单元，用于获取采集到的目标区域的视频流；预处理单元，用于对视频流进行预处理，以得到预处理后的人脸图片；特征提取单元，用于提取人脸图片的全局或局部的人脸特征值作为待识别人脸特征值，所述待识别人脸特征值为高维特征向量；主特征提取单元，获取待识别人脸特征值在所有主特征维度上的取值，所述主特征维度由大批人员的不同人脸图片作为样本集在经过卷积神经网络进行特征提取后，并对各特征维度上的样本分布离散度进行分析所确定的；人脸库筛选单元，用于根据待识别人脸特征值在的主特征维度上的取值，通过注意力级联框架对人脸库的人脸表征向量进行筛选，筛选出最相近的人脸表征向量用于比较；特征比较单元，用于将待识别人脸特征值与筛选出用于比较的人脸表征向量进行比较，得到匹配度最高的人脸，并确定人脸身份。第三方面，本专利技术提出一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如上项所述的大规模人脸库识别方法。第四方面，本专利技术提出一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现如上所述的大规模人脸库识别方法。本专利技术与现有技术相比的有益效果是：本专利技术通过改进了训练算法的卷积神经网络特征提取模型有效提取处理后的人脸图片的人脸特征值，使得提取的人脸特征值可直接与人脸库中的人脸表征向量进行比较，判定相似度，并确定人脸图片相对应的人员身份；另外，将待识别人脸特征值与人脸库中的人脸表征向量进行比较之前，基于待识别人脸特征值在主特征维度上的取值，结合注意力级联框架，可将可用于比较的人脸库的大小迅速缩小，在保障识别的准确性的同时，能极大的提升人脸识别效率，降低对识别服务器的性能要求。下面结合附图和具体实施例对本专利技术作进一步描述。附图说明为了更清楚地说明本专利技术实施例技术方案，下面将对实施例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，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的大规模人脸库识别方法的应用场景示意图；图2为本专利技术实施例提供的大规模人脸库识别方法的流程示意图；图3为本专利技术实施例提供的大规模人脸库识别方法的子流程示意图；图4为本专利技术实施例提供的大规模人脸库识别方法的子流程示意图；图5为本专利技术另一实施例提供的大规模人脸库识别方法的流程示意图；图6为本专利技术特征提取模型和人脸识别模型的训练架构图；图7为本专利技术注意力级联框的进行人脸库筛选流程示意图；图8为本专利技术实施例提供的大规模人脸库识别系统的示意性框图；图9为本专利技术实施例提供的大规模人脸库识别系统的预处理单元的示意性框图；图10为本专利技术实施例提供的大规模人脸库识别系统的向量筛选单元的示意性框图；图11为本专利技术实施例提供的大规模人脸库识别系统的具体应用框架图；图12为本专利技术实施例提供的计算机设备的示意性框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且本文档来自技高网...

【技术保护点】
1.一种大规模人脸库识别方法，其特征在于，包括以下步骤：/n获取采集到的目标区域的视频流；/n对视频流进行预处理，以得到预处理后的人脸图片；/n提取人脸图片的全局或局部的人脸特征值作为待识别人脸特征值，所述待识别人脸特征值为高维特征向量；/n获取待识别人脸特征值在所有主特征维度上的取值，所述主特征维度由大批人员的不同人脸图片作为样本集在经过卷积神经网络进行特征提取后，并对各特征维度上的样本分布离散度进行分析所确定的；/n根据待识别人脸特征值在的主特征维度上的取值，通过注意力级联框架对人脸库的人脸表征向量进行筛选，筛选出最相近的人脸表征向量用于比较；/n将待识别人脸特征值与筛选出用于比较的人脸表征向量进行比较，得到匹配度最高的人脸，并确定人脸身份。/n

【技术特征摘要】
1.一种大规模人脸库识别方法，其特征在于，包括以下步骤：
获取采集到的目标区域的视频流；
对视频流进行预处理，以得到预处理后的人脸图片；
提取人脸图片的全局或局部的人脸特征值作为待识别人脸特征值，所述待识别人脸特征值为高维特征向量；
获取待识别人脸特征值在所有主特征维度上的取值，所述主特征维度由大批人员的不同人脸图片作为样本集在经过卷积神经网络进行特征提取后，并对各特征维度上的样本分布离散度进行分析所确定的；
根据待识别人脸特征值在的主特征维度上的取值，通过注意力级联框架对人脸库的人脸表征向量进行筛选，筛选出最相近的人脸表征向量用于比较；
将待识别人脸特征值与筛选出用于比较的人脸表征向量进行比较，得到匹配度最高的人脸，并确定人脸身份。


2.根据权利要求1所述的大规模人脸库识别方法，其特征在于，所述对视频流进行预处理，以得到预处理后的人脸图片的步骤，包括；
按设定时间间隔提取视频流的图像帧；
检测图像帧的人脸，并在图像帧中标定出人脸关键点坐标、人脸画面中的相对位置和大小，并对人脸框进行截取人脸图片；
根据每帧图像帧的光流信息提取像素点的运动信息，标注并跟踪连续帧中的同一人脸；
选取一段时间内同一标注的人脸图片中质量最佳的图片；
将质量最佳的人脸图片进行灰度变换，调整人脸图片的灰度分布；
识别灰度变换后的人脸图片上的人脸关键点，并基于人脸关键点调整人脸图片以使人脸位于人脸图片的中心，且人脸双眼处于水平位置；
调整人脸图片的大小到目标尺寸，得到预处理后的人脸图片。


3.根据权利要求1所述的大规模人脸库识别方法，其特征在于，所述根据待识别人脸特征值在的主特征维度上的取值，通过注意力级联框架对人脸库的人脸表征向量进行筛选，筛选出最相近的人脸表征向量用于比较的步骤，包括；
获取预设的主特征维度筛选顺序，根据主特征维度筛选顺序依次获取待识别人脸特征在对应主特征维度上取值的所在区间；
将人脸库中位于相应区间、以及相邻前后两个区间的人脸表征向量保留，同时将人脸库中其余人脸表征向量剔除，并将人脸库本次筛选后保留的人脸表征向量作为下一次筛选的基础，直到所有主特征维度的取值全部筛选完成。


4.根据权利要求3所述的大规模人脸库识别方法，其特征在于，所述根据主特征维度筛选顺序依次获取待识别人脸特征在对应主特征维度上取值的所在区间的步骤，包括；
根据判定区间分配表，查看待识别人脸特征值的主特征维度的取值所在区间。


5.根据权利要求4所述的大规模人脸库识别方法，其特征在于，所述主特征维度由大批人员的不同人脸图片作为样本集在经过卷积神经网络进行特征提取后，并对各特征维度上的样本分布离散度进行分析所确定的，包括以下步骤：
输入人脸样本集，获取所有人员的不同人...

【专利技术属性】
技术研发人员：梁秋霞，陈煦文，
申请(专利权)人：深圳市万睿智能科技有限公司，
类型：发明
国别省市：广东;44