基于深度学习的人脸大数据系统应用

文/张旭 谢鉴

1 研究背景

当前对静态人脸识别系统的应用研究日臻完善，在多个需要进行人脸一致性验证的场景下，人脸识别系统都表现很好。关于动态人脸识别的应用正在受到越来越多的关注，并逐步开始在公共安全的各个领域推广。

深度学习（Deep Learning）是含多隐层的多层感知器就是一种深度学习结构，概念来源于对人工神经网络的研究，深度学习可以通过组合低层特征形成更加抽象的高层表示属性类别或特征有多个隐层的多层感知器是深度学习模型的一个很好的范例。

人脸识别（Face recognition）的主要方法有基于主成分分析的基于几何结构分析的方法、基于主要成分分析的特征脸方法、弹性匹配的方法、和人工神经网络法等。基于几何结构方法是通过手工选取特征点提取人像结构的几何元素，然后使用基于距离进行相似度度量。这种方法忽略了局部细节，也会使得丢失部分信息，使得算法精度不高。基于主成分的分析方法是将线性子空间与人脸图像形成低维与高维的映射，在提取局部信息的前提下可以保留整体特征。是一种相对便捷的方法。但是这种方法局限在较大程度依赖测试集与训练集。ANN算法或基于支持向量机的判别分析方法是利用集学习特征来训练使用支持向量机或多层感知器，以此作为实际人脸分类的方法。该方法的优点是提取特征不需要手动，但是缺点是由于多层感知器有限的分类能力和支持向量机参数不好选取而造成的推广程度小，计算量太大。

基于深度学习（Deep Learning）的人脸识别方法是从海量数据集中自动学习人脸特征，基于深层次大规模卷积神经网络（CNN）模型，并泛化到实际识别场景中。深度学习是通过对不同层次特征的抽象，逐级形成特征映射，就像人的大脑皮层分层处理一样，这样可以使抽象化、简化特征提取的工作。比较传统的方法，这种方法更符合人脑的视觉机制。可以更快速，高效的学习到人像中的隐形规则和规律。

2 系统架构

2.1 系统组成

人脸应用系统由人脸识别专用摄像机、高清镜头、人脸识别预处理服务器、人脸比对服务器、存储服务器、报警显示端和系统管理平台构成。人脸识别预处理服务器：接入前端人脸识别摄像机，对实时视频中的人脸进行检测、跟踪、抓拍及质量判断。人脸比对服务器：对前端传回的人脸照片进行人脸特征提取，与后台人像特征数据库比对并返回结果。存储服务器：记录需要监控的人像信息；根据需要，记录人像抓拍和实时比对信息，方便事后查验；记录动态人脸监控系统中各模块的配置信息、布控配置信息，系统管理平台的配置信息等。报警显示终端：实时显示抓拍人像信息、报警信息。

2.2 业务流程

前端人脸识别专用摄像机采集实时高清人像视频，通过专网传输到预处理服务器，预处理服务器对实时视频中的人脸进行检测、跟踪、抓拍及质量判断，将人脸照片传输至后台人脸比对服务器进行特征提取与比对，输出比对结果供民警进行研判处理。采用GPU服务器，单台人脸比对服务器可同时支持多路高清摄像机。

2.2.1 静态人像比对

专网内的用户通过PC客户端、警务通终端登录海量静态人像比对系统，进行人像比对业务访问，实现1:1、1:N、M:N人像比对检索、应用。此外，海量静态人像比对系统作为人像比对引擎，可提供标准化的人像比对、数据访问接口，为各部门各业务系统提供人像比对计算与数据服务，有效整合多业务系统的综合应用，提升多系统的协同作战能力。

2.2.2 动态人像比对

基于不同场景的人员管理现状，选择在辖区范围内，将动态人脸识别技术与公共安全业务相结合，在重点小区、大型超市、车站等场景部署动态人脸识别系统，实现该类场景下的动态人脸监控和身份识别及布控报警。一方面有效利用现有的大量人像数据，另一方面通过人像比对协助系统应用者从监控视频中快速提取有效信息，实现对动态人脸监控和身份识别及布控报警。如图1所示。

图1：动态人像比对系统整体结构

3 结语

基于深度学习的人像应用系统由通过建成一套大规模人像应用的中心平台，满足人像静态、动态识别应用，将动态人脸识别技术与公共安全业务相结合，实现该类场景下的动态人脸监控和身份识别及布控报警，可以形成“以人为核心”的人像大数据分析、业务应用，有效丰富技战法，为公共安全各业务部门提供科技助力。