[发明专利]一种基于实时视频检测表情的公共安全视频监测算法

说明书

技术领域

本发明为基于实时视频检测表情的公共安全视频监测算法，具体地说涉及一种基于视频实时检测人脸表情来达到对公共区域进行公共安全监测的算法。

背景技术

目前在公共安全监控领域，采用视频监控是比较通行和有效的方案，但是目前的方案绝大多数只涉及视频的采集和记录，主要目的是用于监控现场的视频回溯，而无法针对现场的情况，特别是重大公共安全事件进行预警和告警。

人的情绪不是突变的，是随着时间进行变化的，比如上海外滩的踩踏事件，或者是其他的事件中，群体情绪的变化不是一瞬间进行的，基本上都要经历从普通的兴奋、开心等正向的情绪，到焦虑、彷徨等情绪，而不是一下子就到了悲伤、痛苦等。这种表情的监测的统计结果，如果标记在热力图的地图上，就可以进行一些公共安全的走向性预测。

而目前的相关技术水平,已经可以针对视频流中的人脸信息进行捕捉和识别，但是在整体处理的过程中，需要大量的资源和比较久的计算时间。

发明内容

为解决上述技术问题，本发明提供了一种基于实时视频检测表情的公共安全视频监测算法，以达到对视频流中的人脸信息进行标示和表情识别，并进行高速的分类和统计，以达到对公共安全事件进行预警和告警的目的。

为达到上述目的，本发明的技术方案如下：

一种基于实时视频检测表情的公共安全视频监测算法，包括实时视频流的人脸标示和人脸表情识别，所述人脸表情识别包括如下步骤：

(1)初始化训练数据的权值分布，每一个训练样本最开始时都被赋予相同的权值：1/N，按照人脸表情的同比例像素情况作为初始设定标本.

(2)进行多轮贪心迭代m表示迭代的轮次得到基本分类器:

G_m(x)：χ→{-1，+1)

，使用具有权值分布Dm的训练数据集学习，m表示要进行的轮次；

(3)组合多个分类器,得到最终的分类器：

，然后通过G(x)分类器,进行匹配,快速匹配目标人脸的表情分类。

上述方案中，所述实时视频流的人脸标示包括以下三步：

(1)人脸数据库的准备；

(2)人脸识别算法编写；

(3)人脸标示。

进一步的技术方案中，所述人脸识别算法为Fisherface算法。

进一步的技术方案中，所述人脸表情识别方法为adaboost算法，该算法为一个多轮次的贪心算法，每一轮根据当前样本的概率分布参数选取使样本总数m的分块集合最大化的分类器,找到最优分类器以后，动态调整概率分布，然后通过学习过程，确定分类器的阈值，然后再进行分类计算，划分人脸表情分类：愤怒、延误、恐惧、喜悦、中性、悲哀或惊讶。

通过上述技术方案，本发明提供的算法是一种改进的adaboost算法，它可以对视频流中的人脸信息进行标示和表情识别，并进行高速的分类和统计,如果将这些结果标记在热力图的地图上，就可以进行一些公共安全的走向性预测，以达到对公共安全事件进行预警和告警的目的。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述。

本发明提供了一种基于实时视频检测表情的公共安全视频监测算法，具体如下：

一、实时视频流的人脸标示：

(1)人脸数据库的准备；

Yale人脸库(美国)：耶鲁大学，15人，每人11张照片，主要包括光照条件的变化，表情的变化等；

ORL人脸库(英国)：剑桥大学，40人，每人10张照片，包括表情变化，微小姿态变化，20％以内的尺度变化；

FERET人脸库(美国)；

(2)人脸识别算法编写，采用Fisherface算法；

(3)人脸标示。

二、人脸表情识别

(1)初始化训练数据的权值分布，每一个训练样本最开始时都被赋予相同的权值：1/N，按照人脸表情的同比例像素情况作为初始设定标本.

(2)进行多轮贪心迭代m表示迭代的轮次得到基本分类器:

G_m(x)：χ→{-1，+1}

，使用具有权值分布Dm的训练数据集学习，m表示要进行的轮次；

(3)组合多个分类器,得到最终的分类器：

，然后通过G(x)分类器,进行匹配,快速匹配目标人脸的表情分类。