[发明专利]基于神经网络的低网络带宽需求的监控方法及系统

说明书

一种基于神经网络的低网络带宽需求的监控方法及系统，通过在检测端部署用于人脸检测的神经网络、在服务器端部署用于人脸识别的神经网络，通过对原始图像进行人脸检测得到包含人脸信息的关键帧，在服务器端对关键帧进行人脸识别实现监控。本发明通过部署神经网络进行辅助处理并优化分配计算压力，使用较小带宽和存储空间即以快速使新目标加入检测目标的数据库。

技术领域

本发明涉及的是一种图像处理领域的技术，具体是一种基于神经网络的低网络带宽需求的监控方法及系统。

背景技术

智能监控系统是采用图像处理、模式识别和计算机视觉技术，通过在监控系统中增加智能视频分析模块，快速准确的定位事故现场，判断监控画面中的异常情况，并以最快和最佳的方式发出警报或触发其它动作，从而有效进行事前预警，事中处理，事后及时取证的全自动、全天候、实时监控的智能系统。

现有监控技术通过将视频流直接上传至终端管理系统，需要很大的带宽、性能较高的中央处理器以及大量存储空间，当需要监控的地点变多时，会导致中央处理器压力过大，并且会需要很大的网络带宽来传输这些视频信息。同时由于需要带宽导致不便于移动，不方便部署。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于神经网络的低网络带宽需求的监控方法及系统，通过部署神经网络进行辅助处理并优化分配计算压力，使用较小带宽和存储空间即以快速使新目标加入检测目标的数据库。

本发明是通过以下技术方案实现的：

本发明涉及一种基于神经网络的低网络带宽需求的监控方法，通过在检测端部署用于人脸检测的神经网络、在服务器端部署用于人脸识别的神经网络，通过对原始图像进行人脸检测得到包含人脸信息的关键帧，在服务器端对关键帧进行人脸识别实现监控。

所述的用于人脸检测的神经网络采用多任务级联卷积神经网络(MTCNN)，该神经网络包括：P-NET、R-NET、O-NET；当采用外接神经网络模块，如Movidius神经棒进行加速计算时，可将每个部分单独放在一个神经棒中级联，从而方便网络的部署。

所述的用于人脸识别的神经网络采用FaceNet深度学习模型实现，该深度学习模型使用基于三联子(triplets)的最大边界近邻分类(LMNN)的损失函数训练神经网络，网络直接输出为 128维度的向量空间；该triplets包括两个匹配脸部缩略图和一个非匹配的脸部缩略图，损失函数目标是通过距离边界区分正负类。

技术效果

与现有技术相比，本发明通过神经网络的方式来做人脸检测和识别显著提高了检测的准确度；通过将人脸检测和人脸识别分配至检测端和服务器端，大幅度减小了服务器负担；本发明从检测端至服务器端只需要传输关键图片，而非整段视频流，减小了存储需求和网络带宽的需求，在某些场合下还可以通过网页端添加两张照片的方式使人脸识别网络快速训练新的目标 (在线训练)，即可以快速添加新成员进入数据库。

附图说明

图1为本发明系统示意图；

图2a为实施例人脸检测结果图；

图2b为实施例人脸识别结果图；

图3为服务器状态图；

图4为Web前端界面图；

图5为Web前端界面图；

图6为Web前端界面图；

图7、图8及图9为实施例中分步骤流程图。

具体实施方式