[发明专利]一种基于深度学习的大型安保活动人脸搜索方法

权利要求书

1.一种基于深度学习的大型安保活动人脸搜索方法，其特征在于：该大型安保活动人脸搜索方法具体包括：

步骤一：通过图像采集单元对每一位进入活动现场的人员的人脸图像进行采集并将其传输至数据存储单元进行存储，数据存储单元中人脸训练数据，所述人脸训练数据包括公开人脸数据集和私有人脸数据集；

步骤二：模型训练单元从数据存储单元中提取人脸训练数据，并对其进行模型训练，得到人脸识别模型后将其发送至数据存储单元进行存储，图像采集单元对每一位进入活动现场的人员进行人脸图像进行采集并将其传输至数据存储单元进行存储；

步骤三：搜索匹配单元进行人脸底库特征库的构建和人脸搜索匹配，得到人脸轨迹，并将人脸轨迹传输至显示单元，显示单元将人脸轨迹按照抓拍摄像机编号和图像抓拍时间的顺序进行展示。

2.根据权利要求1所述的一种基于深度学习的大型安保活动人脸搜索方法，其特征在于，所述模型训练单元对人脸训练数据进行模型训练的具体步骤如下：

S21：获取到人脸训练数据，并对人脸训练数据进行备份，对其中一份人脸训练数据进行预处理，预处理方式包括对训练图像增加高斯模糊、运动模糊、图像尺度变化、图像水平翻转、增加随机噪声、图像区域随机擦除和亮度调节，将进行预处理后的人脸训练数据标记为增广人脸数据；

S22：对人脸训练数据和增广人脸数据中人脸图像进行检测，检测出人脸位置，并在人脸图像进行人脸位置标记，利用关键点算法提取人脸两眼中心、鼻尖、两嘴角这五个关键点，然后使用图像相似变换校准人脸图像并将其归一化到预设规格的彩色图像上；

S23：搭建分布式深度学习训练框架Horovod，采用SE-resnet101深度卷积神经网络作为特征提取网络，使用课程学习损失函数进行训练；将步骤S22中彩色图像导入到训练框架Horovod中，训练时先以公开人脸数据集作为训练数据训练卷积神经网络，获取经过公开人脸数据集训练的卷积神经网络，并对其内的权值进行初始化，再用私有人脸数据集训练人脸识别模型，并将训练好的人脸识别模型发送至数据存储单元。

3.根据权利要求2所述的一种基于深度学习的大型安保活动人脸搜索方法，其特征在于，所述人脸底库特征库的构建和人脸搜索匹配的具体步骤如下：

S31：提取数据存储单元中由图像采集单元获取的人脸图像，对每一张人脸图像进行质量评价，当质量评价内的每一项指标均合格时，对合格的人脸图像执行步骤S22中同样的操作，使用数据存储单元中的人脸识别模型对执行过步骤S22的图像进行人脸特征的提取，构建出人脸底库特征库；

S32：从图像采集单元输入待识别人脸图像、抓拍摄像机编号和图像抓拍时间，并对待识别人脸图像执行步骤S22中同样的操作，再利用人脸识别模型对其提取待识别人脸特征，将待识别人脸特征与人脸底库特征库进行一一比对，并计算出最大余弦相似度值，如果最大余弦相似度值超过设定阈值，则将待识别人脸图像加到被识别人的搜索结果中，抓拍摄像机编号及图像抓拍时间，存储到人脸轨迹数据库中，形成人脸轨迹。

4.根据权利要求3所述的一种基于深度学习的大型安保活动人脸搜索方法，其特征在于，所述质量评价包括人脸分辨率、人脸亮度、人脸清晰度和人脸姿态，搜索匹配单元中预设有人脸区域长宽限值、人脸亮度限定范围、梯度信息损失限定值；

对于人脸分辨率，当人脸图像中的人脸区域长宽不小于人脸区域长度限值时，判定人脸分辨率合格，否则为不合格；

对于人脸亮度，对人脸图像进行灰度化处理，获取人脸所在区域内的各像素点的灰度值，根据各像素点的灰度值计算出平均灰度值，并将其作为人脸亮度估计值，当人脸亮度估计值处于人脸亮度限定范围区间内时，判定人脸亮度合格，否则为不合格；

对于人脸清晰度，将人脸图像进行梯度模糊处理，并检测每一级梯度信息损失程度，当每一级的梯度信息损失程度不大于梯度信息损失限定值时，则判定人脸清晰度合格；

对于人脸姿态，使用人脸检测与关键点检测算法在人脸图像中标记两眼中心、鼻尖、两嘴角这五个关键点的位置，测量对两眼中心连线与水平方向的夹角并将其标定为旋转角度，通过鼻尖所在点向人脸中心线作垂线，测量该垂线与水平方向的夹角并将其标定为偏转角度，将眉心与嘴中心进行连线，将该连线与水平纵线方向的夹角标定为俯仰角度，当旋转角度、偏转角度和俯仰角度均在预设范围内时，判定人脸姿态合格，否则判定为不合格。