(国网渭南供电公司陕西渭南714000)
摘要:安保系统同人脸检测和定位相结合,形成视频安保系统,其有着更强安全保护作用,更加直接和友好,能更加方便使用在各个安防设施中。本文中以人脸快速检测激素为切入点,详细分析在视频安保系统中的应用,推进安保行业快速发展。
关键词:视频安保;人脸快速检测;技术要点
信息化时代的到来,人们更加重视使用一些智能化的设备,其中视频安保系统就是其中之一,这种新型监控手段得到了人们广泛地关注,其核心为视频处理技术,将光电传感器、计算机、计算机网络、自动控制、人工智能等科学技术综合在一起,研究形成视频安保系统,被广泛应用在各个安防工作领域中。
1、人脸识别的三个关键技术
1.1基于特征的人脸检测技术
通过采用颜色、轮廓、纹理、结构或者直方图特征等进行人脸检测。
1.2基于模板匹配人脸检测技术
从数据库当中提取人脸模板,然后采取模板匹配策略,使抓取人脸图像与从模板库提取图片相匹配,由相关性的高低和所匹配的模板大小确定人脸大小以及位置信息。
1.3基于统计的人脸检测技术
通过对“人脸”和“非人脸”的图像大量搜集构成的人脸正、负样本库,采用统计方法强化训练该系统,从而实现对人脸和非人脸的模式进行检测和分类。
目前,人脸识别产品已广泛应用于金融、司法、军队、公安、边检、政府、航天、电力、工厂、教育、医疗及众多企事业单位等领域。其丰富的应用场景给人脸识别带来巨大的市场潜力。随着应用场景逐渐增多,布局人脸识别的生态也更加丰富,从消费电子到安防、金融等。
2、安防领域的人脸识别应用
对安防领域的人脸识别应用来讲,人脸深度特征提取的深度神经网络算法或者说深度学习算法虽然是重点,但不是全部。
人脸还可能需要在千万级的常住人口的人脸库中进行检索服务。还有可能对相机采集的每个过人人脸图片在千万级的常住人口的人脸库中进行检索。十万级的动态数据库,千万级的人脸静态数据库,千万级的过人数据库,同时深度学习特征不同于一般的结构化信息,需要使用新型的比对和大数据存储和处理技术。
公安行业最近颁布的《公安视频图像信息应用系统》标准(GA/T1400-2017),其中包括了公安行业的人脸识别典型应用。如图9所示,对于公安行业的人脸采集、人脸比对与识别、监控名单人脸库动态布控,常住静态人脸库检索服务,都必须符合《公安视频图像信息应用系统》标准的上下级的级联以及公安专网和公安内网的级联要求。
通过以上分析可见,就仅仅针对公安行业的人脸比对和识别业务应用,是一个整体的解决方案,人脸检测和人脸识别,尤其是人脸深度特征学习算法,虽然由于自身应用的技术正在经历着突飞猛进的变革,但不是全部。对公安人员来讲,最根本的是为他们提供高价值的整体服务。对传统安防厂商,面临着机遇和挑战。对算法初创公司来讲,也同样面临着挑战和机遇。其最根本的问题是能够为公安客户创造有价值的服务,只是两者出发的角度不同。尤其是对传统的安防厂商而言,经历了近20年的发展,其实已经经历过一波波的IT技术革新,心态更稳。而对于顶级算法的初创公司来讲,乘着技术浪潮之风,充满激情的踏入安防行业。对于未来的格局如何,还在于给客户何种有价值的服务。
3、视频安保系统中人脸的快速检测
视频安保系统中的人脸快速检测和定位技术,应该在质量较高的人脸检测技术之上才能实现人脸的快速定位,如果没能将人脸信息正确地检测到计算机中,那么使用何种识别技术也不能将想要得到的人脸信息迅速检测出来进而进行定位。为此,必须要重视检测的重要性。当前条件下,人脸检测系统中重要模块分别是图像采集、存储、运动信息的提取、色彩信息的提取、人脸验证、特征定位。
3.1图像采集、视频存储
当前在人脸检测系统中应用比较广泛的一种图像采集技术和视频存储技术,以及视频预览技术为DirectShow系统,其是一种多媒体开发包,特点是比其他方法更加灵活。其核心技术为过滤器插件式模块的系统,将其设置在过滤器图表上面,能够对过滤器内部或者之间需要处理的不同音频、视频数据流进行管理。其经过一定的程序实现对图像的采集,并且将采集到的数据进行存储,然后也可以实现视频的预览。
3.2运动信息的提取
3.2.1运动区域分割
在人脸检测系统中,运动区域分割的具体过程就是在序列图像里面,把变化的那部分区域,从背景图像中获取出来。这其中,有效地将运动区域分割出来非常重要,因为其在分类目标和跟踪,以及理解行为,这些后期处理技术上有着重要作用。正确分割了各个区域之后,检测识别功能仅需要对图像具体对应的运行区域进行像素的考虑。但是,背景图像不是静止不变的,其处于动态变化状态,会受到天气、光照、噪音的影响,加大了运动检测难度。通常使用运动检测方法有,背景减除法、时间差分法、光流法。
3.2.2提取运动信息的方法
在提取运动信息主要原理为,视频中的物体不断运动时,会体现出一种连续图像灰度的变化,为此,就可以运用图像的序列中,那段相邻时间存在一对图像差值变化,表现强度上变化,进而将其中信息提取出来;使用不同的滤波算法做去噪处理,研究人员在经过了一系列的实验后,得出使用中值滤波方法和形态学滤波两种方法去处理图像,得出图像的质量,均不如使用局部统计滤波方法得出的效果好。局部统计滤波方法在处理图像的时候,在去噪方面显示出更好评的效果,而且这一方法应用起来更加简单,有着更快的处理速度。
3.2.3提取运动信息的注意事项
在提取运动信息时需要注意到,实时录制的视频,产生了大量的视频信息,监控系统将所有视频全部记录的话,将会占用非常大的硬盘储存空间。研究者提出,视频压缩储存一图像攫取一同进行,那么也可以实现在攫取图像序列里面,将运动信息提取出来,对场景变化是否存在进行判断,场景变化,记录视频;没有变化,记录停止,实现动态化存储视频。然后运用时间差分方法将运行信息提取出来,然后在进行去噪处理,获得有效的人脸信息。
3.3肤色信息的提取
3.3.1肤色区域分割
人脸最基本的一个特征就是人脸表面颜色的不同。会因为不同个体、不同光源颜色、不同光照角度,形成一种高光或者阴影,人脸表面颜色会受到一定影响,为此,不存在一种模型将人脸上所有的肤色点精确检测出来,并且需要数量较大的前期试验知识,才能确定出脸部所在,也就形成了肤色的特点,经常使用才初次检验和辅助检测中,把面积较大的不是人脸区域剔除出去,以便减少后期的计算数量,让检测变得简单。
3.3.2建立和运用肤色模型
以肤色模型为基础的肤色检测通常包括两个部分,一个是建立模型,另一个是运用模型。建立模型时,通常需要先对肤色样本开展一些统计分析工作,将模型阐述确定出来;运用模型,对输入像素区域是否为肤色,通过肤色模型进行判断。建立肤色模型通常使用简单高斯模型、高斯混合模型、直方图模型。在提取肤色信息时还会使用到色彩偏移消除技术、高光区域肤色矫正技术、候选人脸区域合并技术,最终完成肤色信息的提取。
4、结语
综上所述,在视频安保系统中人脸快速检测和定位对于当前安防工作有着积极作用,人脸快速检测模块包括了图像采集、视频存储方法、运动信息提取方法、肤色信息提取方法。
参考文献:
[1]李德强,李千目,孙康,朱虹.基于二级级联支持向量机的人脸快速检测[J].计算机工程,2017,43(10):203-208.
[2]周薇娜,陈淑荣.高分辨率智能摄像头中人脸的快速检测[J].小型微型计算机系统,2015,36(03):605-609.
[3]陈史政.快速人脸检测技术在证件照中的应用与研究[J].泰山学院学报,2014,36(03):57-60.