【技術實現步驟摘要】
本專利技術涉及深度學習領域，尤其涉及一種面向低質量視頻流的實時追蹤人臉識別方法及系統。
技術介紹
1、隨著深度學習技術的發展，尤其是卷積神經網絡的普及，人臉識別的精度已經得到大幅提升。然而，目前因設備限制，仍然存在很多實際低質量視頻。低質量視頻指的是分辨率低、亮度變化頻繁、背景干擾多的圖像數據。這種視頻常見于低端攝像設備拍攝的監控視頻中，存在人臉特征不清晰、運動模糊、光線不足等問題。關于低質量視頻的定義：
2、設v為視頻序列，包含k幀，vt為第t幀。定義以下質量指標：
3、分辨率r：r＝w×h，其中w和h分別為幀的寬度和高度；
4、亮度變化δl：δlt＝|l(vt)-l(vt+1)|，平均亮度變化：
5、噪聲水平n：其中pi為視頻幀中的像素，為全幀的平均像素值，m為總像素數；
6、運動模糊度b：其中blur(vt)是衡量第t幀模糊程度的函數，如拉普拉斯變換的結果。
7、設q為視頻質量指標，定義如下：
8、q＝α·r+β·δ-l+γ·n+δ·b
9、其中α，β，γ，δ是權重系數，用于調整各個指標對整體質量的貢獻。一個視頻可以被認為是低質量的條件可以表示為：
10、q>qth
11、其中qth是一個預設的閾值，用于區分低質量和高質量視頻。
12、在現有場景的監控方案中，對實時視頻流進行人臉檢測的方案往往基于單幀圖像，較少考慮視頻幀間的連續性和關聯性。通過深度學習模型預測來獲得人臉檢測框，隨后在將檢
13、首先，目前已有的深度學習模型仍然難以處理失真明顯的圖像上的人臉識別或者人臉匹配任務。特別是在距離攝像頭位置較遠的情況下，人臉的特征會比較模糊，嚴重影響模型識別的準確度、精確度和召回率。
14、其次，基于單幀圖像的識別和匹配沒有充分挖掘和利用視頻流中前后幀圖像關聯，孤立地處理每一幀圖像會導致模型之前的檢測結果未被充分利用，甚至很容易出現對于同一個人物的識別事件被誤認為是多個不同人物出現的異常情況。
15、最后，大多數依賴深度學習的方案總是不可避免地會在應用到實際特殊場景如工地、倉庫等中時出現泛化性不足的問題，需要一種機制來自適應地調整算法檢測結果，提高方法的魯棒性。
16、在視頻質量較低的情況下，利用已有的人臉識別模型進行遷移時往往無可避免地出現大量誤識別、漏識別的問題，影響用戶體驗。單純通過現有模型來進行人臉識別和追蹤的效果仍然有待進一步的提升。因此，需要一種能降低方法誤報漏報率的技術來提升低質量視頻流的實時追蹤人臉識別的準確度。
技術實現思路
1、本專利技術提供了一種面向低質量視頻流的實時追蹤人臉識別方法及系統，用于解決現有技術中面對低質量視頻時出現漏報、誤報率高的問題而影響用戶體驗的問題。
2、一種面向低質量視頻流的實時追蹤人臉識別方法，所述方法包括：
3、獲取初步檢測事件以及檢測框；所述檢測框用于定位人臉信息，所述初步檢測事件表征已識別到人臉；
4、計算外觀相似度與交并比的重疊程度；其中，所述外觀相似度基于所述人臉信息的特征向量之間的距離計算；所述交并比用于評估兩個所述檢測框的重疊程度；
5、基于所述外觀相似度與交并比的重疊程度生成相似度矩陣；
6、基于所述相似度矩陣確定與所述檢測框匹配的追蹤目標。
7、可選的，獲取初步檢測事件以及檢測框前，所述方法包括：
8、初始化人臉檢測算法模型以及記錄器；所述記錄器用于記錄并維護視頻圖像中所出現的人臉信息；所述人臉檢測算法模型包括：人臉檢測模型以及人臉匹配模型；
9、加載所述人臉檢測模型的模型參數及人臉特征數據庫；所述人臉特征數據庫中記錄已知人臉信息；
10、獲取所述視頻圖像并通過所述人臉檢測模型定位所述視頻圖像中的人臉信息以及人臉的關鍵點位置；其中，定位所述視頻圖像中的人臉信息包括：輸入所述視頻圖像并對所述視頻圖像進行預處理；
11、從預處理后的所述視頻圖像中提取特征圖，并通過特征金字塔網絡生成和融合第一多尺度特征圖；
12、在第一多尺度特征圖上通過卷積生成每個錨點的分類分數和邊框回歸偏移量，并利用錨點框和所述邊框回歸偏移量生成候選邊框；
13、通過非極大值抑制從所述候選邊框中篩選出所述檢測框，并在所述檢測框中定位人臉信息以生成初步檢測事件。
14、可選的，基于所述相似度矩陣確定與所述檢測框匹配的追蹤目標后所述方法還包括：
15、更新匹配目標為與所述檢測框匹配的追蹤目標；
16、更新目標狀態；
17、將未匹配到檢測框的追蹤目標作為新目標并添加至跟蹤列表中。
18、可選的，更新匹配目標為與所述檢測框匹配的追蹤目標后，所述方法還包括：
19、重置所述記錄器的計數器；
20、當跟蹤結束時，所述記錄器的計數器加一；若所述計數器超過計數閾值，則刪除所述人臉信息的跟蹤記錄。
21、可選的，所述方法還包括：
22、基于bc＝ωc·c+ωp·p+ωkp·kp計算信任度指標bc；
23、其中，c是人臉匹配模型輸出的置信度，p是所述檢測框的質量指標，ωc，ωp，ωkp是三個權重系數，用于表示三個因素對信任度指標bc的貢獻程度，kp是關鍵點數量的標準化值；
24、在每幀人臉特征的檢測過程中，計算每個檢測結果的信任度指標bc，對完整過程選擇具有最大信任度指標bc的檢測結果作為該追蹤目標的身份idtrack：
25、idtrack＝argmaxid(bcid)。
26、可選的，所述方法還包括：
27、基于關鍵點檢測的卷積層參數以及第一多尺度的特征圖輸出人臉的關鍵點位置的偏移量以獲取人臉的關鍵點以及關鍵點位置；
28、基于所述人臉的關鍵點以及關鍵點位置確定所述關鍵點數量的標準化值。
29、可選的，所述方法還包括：
30、對所述檢測框中定位的人臉信息的個數進行判斷；
31、若人臉個數為0，繼續識別下一幀所述視頻圖像。
32、可選的，所述方法還包括：
33、使用多尺度特征提取模塊提取所述視頻圖像的第二多尺度特征圖；
34、對所述第二多尺度特征圖進行特征融合與增強，得到增強特征；
35、將所述增強特征通過上采樣與重建模塊，生成增強后的輸出圖像以對提取的所述人臉信息進行圖像增強。
36、本專利技術還提供一種面向低質量視頻流的實時追蹤人臉識別系統，所述系統包括：
37、獲取單元，用于獲取初步檢測事件以及檢測框；所述檢測框用于定位人臉信息，所述初步檢測事件表征已識別到人臉；...
【技術保護點】
1.一種面向低質量視頻流的實時追蹤人臉識別方法，其特征在于，所述方法包括：
2.根據權利要求1所述的面向低質量視頻流的實時追蹤人臉識別方法，其特征在于，獲取初步檢測事件以及檢測框前，所述方法包括：
3.根據權利要求2所述的面向低質量視頻流的實時追蹤人臉識別方法，其特征在于，基于所述相似度矩陣確定與所述檢測框匹配的追蹤目標后所述方法還包括：
4.根據權利要求3所述的面向低質量視頻流的實時追蹤人臉識別方法，其特征在于，更新匹配目標為與所述檢測框匹配的追蹤目標后，所述方法還包括：
5.根據權利要求3所述的面向低質量視頻流的實時追蹤人臉識別方法，其特征在于，所述方法還包括：
6.根據權利要求5所述的面向低質量視頻流的實時追蹤人臉識別方法，其特征在于，所述方法還包括：
7.根據權利要求3所述的面向低質量視頻流的實時追蹤人臉識別方法，其特征在于，所述方法還包括：
8.根據權利要求2所述的面向低質量視頻流的實時追蹤人臉識別方法，其特征在于，所述方法還包括：
9.一種面向低質量視頻流的實時追蹤人臉識別
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有一個或者多個程序，所述一個或者多個程序可被一個或者多個處理器執行，以實現權利要求1至8任意一項所述方法的步驟。
...【技術特征摘要】
1.一種面向低質量視頻流的實時追蹤人臉識別方法，其特征在于，所述方法包括：
2.根據權利要求1所述的面向低質量視頻流的實時追蹤人臉識別方法，其特征在于，獲取初步檢測事件以及檢測框前，所述方法包括：
3.根據權利要求2所述的面向低質量視頻流的實時追蹤人臉識別方法，其特征在于，基于所述相似度矩陣確定與所述檢測框匹配的追蹤目標后所述方法還包括：
4.根據權利要求3所述的面向低質量視頻流的實時追蹤人臉識別方法，其特征在于，更新匹配目標為與所述檢測框匹配的追蹤目標后，所述方法還包括：
5.根據權利要求3所述的面向低質量視頻流的實時追蹤人臉識別方法，其特征在于，所述方...
【專利技術屬性】
技術研發人員：王俊杰，劉哲強，邱楓，唐昊，董旭，孔春慧，
申請(專利權)人：蘭箋蘇州科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。