基于人脸检测算法在视频监控系统中的应用优势

随着经济全球化的影响日益深入，改革开放的进一步推进和城市化建设的步伐日益加快，导致城市人口密集、流动人口增加，引发了城市建设中的交通、社会治安、重点区域防范等城市管理问题。当前治安形势多样性、复杂性、犯罪作案手段隐蔽性以及刑事案件高发，尤其是近年来年对城市反恐的新要求，为公安管理工作特别是预防犯罪和执法工作提出了新的挑战。但是由于目前公安警力增加远不能满足实际需求的发展速度，于是随着人工智能技术和监控摄像技术的发展，能将科技手段转化为直接战斗力的城市治安图像监控成为了解决该问题的重要手段，为直接为破获案件提供了便利。

传统安防识别方法缺陷及解决

传统监控识别方法带来的问题，首先无法避免人类自身不可靠的弱点，不能始终保持警惕，察觉安全威胁，注意力难以持久，容易错过重要画面信息。其次摄像机数量大于监视器数量，并非采用1:1方式，轮巡显示、多画面小图像的方式，很可能错过异常现象，听任事态发展。另外监视与录像分开，不能留住瞬间画面或者快速抽调录像，辅助分析。最后，目前录像内容，仅供事后参考，对于异常情况或者突发事故如果发生，损失和影响将无法挽回，属于被动监控。

微模式动态人脸识别布控系统，智能视频监控在原有的视频监控基础上增加智能视频分析功能，系统能够根据设置的布控方案自动判断每一路监控场景是否存在异常情况，当产生异常情况后系统将自动产生告警。

1、人脸检测

“人脸检测（FaceDetecTIon）”是检测出图像中人脸所在位置的一项技术。

人脸检测算法的输入是一张图片，输出是人脸框坐标序列（0个人脸框或1个人脸框或多个人脸框）。一般情况下，输出的人脸坐标框为一个正朝上的正方形，但也有一些人脸检测技术输出的是正朝上的矩形，或者是带旋转方向的矩形。

常见的人脸检测算法基本是一个“扫描”加“判别”的过程，即算法在图像范围内扫描，再逐个判定候选区域是否是人脸的过程。因此人脸检测算法的计算速度会跟图像尺寸、图像内容相关。开发过程中，我们可以通过设置“输入图像尺寸”、或“最小脸尺寸限制”、或“人脸数量上限”的方式来加速算法。

一、人脸识别技术

2、人脸配准

“人脸配准（FaceAlignment）”是定位出人脸上五官关键点坐标的一项技术。

人脸配准算法的输入是“一张人脸图片”加“人脸坐标框”，输出五官关键点的坐标序列。五官关键点的数量是预先设定好的一个固定数值，可以根据不同的语义来定义（常见的有5点、68点、90点等等）。

当前效果的较好的一些人脸配准技术，基本通过深度学习框架实现，这些方法都是基于人脸检测的坐标框，按某种事先设定规则将人脸区域扣取出来，缩放的固定尺寸，然后进行关键点位置的计算。因此，若不计入图像缩放过程的耗时，人脸配准算法是可以计算量固定的过程。另外，相对于人脸检测，或者是后面将提到的人脸提特征过程，人脸配准算法的计算耗时都要少很多。

3、人脸属性识别

“人脸属性识别（FaceAttribute）”是识别出人脸的性别、年龄、姿态、表情等属性值的一项技术。

一般的人脸属性识别算法的输入是“一张人脸图”和“人脸五官关键点坐标”，输出是人脸相应的属性值。人脸属性识别算法一般会根据人脸五官关键点坐标将人脸对齐（旋转、缩放、扣取等操作后，将人脸调整到预定的大小和形态），然后进行属性分析。

常规的人脸属性识别算法识别每一个人脸属性时都是一个独立的过程，即人脸属性识别只是对一类算法的统称，性别识别、年龄估计、姿态估计、表情识别都是相互独立的算法。但的一些基于深度学习的人脸属性识别也具有一个算法同时输入性别、年龄、姿态等属性值的能力。

4、以在基本保证算法效果的前提下，将模型大小和运算速度优化到移动端可用的状态。

5、人脸比对（人脸验证、人脸识别、人脸检索、人脸聚类）

“人脸比对（FaceCompare）”是衡量两个人脸之间相似度的算法

人脸比对算法的输入是两个人脸特征（注：人脸特征由前面的人脸提特征算法获得），输出是两个特征之间的相似度。人脸验证、人脸识别、人脸检索都是在人脸比对的基础上加一些策略来实现。相对人脸提特征过程，单次的人脸比对耗时极短，几乎可以忽略。

基于人脸比对可衍生出人脸验证（FaceVerificaTIon）、人脸识别（FaceRecogniTIon）、人脸检索（FaceRetrieval）、人脸聚类（FaceCluster）等算法。

6、人脸验证

“人脸验证（FaceVerificaTIon）”是判定两个人脸图是否为同一人的算法。

它的输入是两个人脸特征，通过人脸比对获得两个人脸特征的相似度，通过与预设的阈值比较来验证这两个人脸特征是否属于同一人（即相似度大于阈值，为同一人；小于阈值为不同）。

7、人脸识别

“人脸识别（FaceRecognition）”是识别出输入人脸图对应身份的算法。

它的输入一个人脸特征，通过和注册在库中N个身份对应的特征进行逐个比对，找出“一个”与输入特征相似度较高的特征。将这个较高相似度值和预设的阈值相比较，如果大于阈值，则返回该特征对应的身份，否则返回“不在库中”。

8、人脸检索

“人脸检索”是查找和输入人脸相似的人脸序列的算法。

人脸检索通过将输入的人脸和一个集合中的说有人脸进行比对，根据比对后的相似度对集合中的人脸进行排序。根据相似度从高到低排序的人脸序列即使人脸检索的结果。

9、人脸聚类

“人脸聚类（FaceCluster）”是将一个集合内的人脸根据身份进行分组的算法。

人脸聚类也通过将集合内所有的人脸两两之间做人脸比对，再根据这些相似度值进行分析，将属于同一个身份的人划分到一个组里。

在没有进行人工身份标注前，只知道分到一个组的人脸是属于同一个身份，但不知道确切身份。另外假设集合中有N个人脸，那么人脸聚类的算法复杂度为O（N2）

10、人脸活体

“人脸活体（FaceLiveness）”是判断人脸图像是来自真人还是来自攻击假体（照片、视频等）的方法。

和前面所提到的人脸技术相比，人脸活体不是一个单纯算法，而是一个问题的解法。这个解法将用户交互和算法紧密结合，不同的交互方式对应于完全不同的算法。鉴于方法的种类过于繁多，这里只介绍“人脸活体”的概念，不再展开。

二、设备系统组成

微模式动态人脸布控系统是基于人脸识别核心算法的智能系统，通过在人员密集及重点人员管控等场所的进口通道，布置人脸图像采集摄像头，系统将搜索采集到的人脸图像与人脸图像库进行比对，比对成功后迅速锁定嫌疑人员，并辅以人工研判，并将预警信息发送至管控责任单位或责任人终端，由相关人员开展处置工作。该系统能快速准确无误识别重点管控人员，是安防的重要手段，应用广泛。