[发明专利]基于MTCNN的多摄像头动态人脸识别系统与方法

权利要求书

1.基于MTCNN的多摄像头动态人脸识别系统，适用场景为包括安装在管理区域的多个摄像头监控摄像头，其特征是，多个监控系统通过摄像头从不同角度采集行人的视频，所有监控系统均通过网络连接到同一服务器并共享服务器的内网；此人脸识别系统包括视频采集模块、特征提取模块和特征分类模块，

其中，视频采集模块，所有监控系统基于各自的摄像头从不同角度实时采集行人视频流；并将所有视频流发送至服务器；

特征提取模块，服务器中逐帧从视频流中裁剪出脸部帧，采用MTCNN算法来对脸部帧提取人脸特征；

特征分类模块，用来对提取到的人脸特征进行分类，以实现人脸识别。

2.根据权利要求1所述的基于MTCNN的多摄像头动态人脸识别系统，其特征是，服务器中将训练好的MTCNN模型共享至服务器连接的所有监控系统。

3.基于MTCNN的多摄像头动态人脸识别方法，其特征是，包括以下步骤：

步骤S1，从不同角度采集行人的视频，并逐帧从视频流中裁剪出脸部帧；

步骤S2，采用MTCNN方法来对所有脸部帧提取人脸特征；

步骤S3，对提取到的特征进行分类，以实现人脸识别。

4.根据权利要求3所述的基于MTCNN的多摄像头动态人脸识别方法，其特征是，MTCNN特征描述符主要包括三部分：人脸/非人脸人脸分类器，边界框回归和地标位置；

人脸/非人脸判定采用交叉熵损失函数

其中p_i是人脸的概率，而是背景的真实标记；

人脸框回归采用欧式距离损失函数

其中，是通过网络预测的，是实际的实际背景坐标；是一个四元组；

特征点定位也采用欧式距离损失函数

与边界回归一样，计算预测的地标位置与实际实际地标之间的欧几里得距离，并将距离最小化，其中，是通过网络预测的，是实际的地标坐标。

5.根据权利要求3所述的基于MTCNN的多摄像头动态人脸识别方法，其特征是，步骤S2中，MTCNN训练过程中，一次只有前70％样本的梯度向后传输。

6.根据权利要求3所述的基于MTCNN的多摄像头动态人脸识别方法，其特征是，步骤S3中，采用KNN方法进行分类。