基于深度學習的人臉大數據系統應用

文/張旭 謝鑒

1 研究背景

當前對靜態人臉識別系統的應用研究日臻完善，在多個需要進行人臉一致性驗證的場景下，人臉識別系統都表現很好。關于動態人臉識別的應用正在受到越來越多的關注，并逐步開始在公共安全的各個領域推廣。

深度學習（Deep Learning）是含多隱層的多層感知器就是一種深度學習結構，概念來源于對人工神經網絡的研究，深度學習可以通過組合低層特征形成更加抽象的高層表示屬性類別或特征有多個隱層的多層感知器是深度學習模型的一個很好的范例。

人臉識別（Face recognition）的主要方法有基于主成分分析的基于幾何結構分析的方法、基于主要成分分析的特征臉方法、彈性匹配的方法、和人工神經網絡法等。基于幾何結構方法是通過手工選取特征點提取人像結構的幾何元素，然后使用基于距離進行相似度度量。這種方法忽略了局部細節，也會使得丟失部分信息，使得算法精度不高。基于主成分的分析方法是將線性子空間與人臉圖像形成低維與高維的映射，在提取局部信息的前提下可以保留整體特征。是一種相對便捷的方法。但是這種方法局限在較大程度依賴測試集與訓練集。ANN算法或基于支持向量機的判別分析方法是利用集學習特征來訓練使用支持向量機或多層感知器，以此作為實際人臉分類的方法。該方法的優點是提取特征不需要手動，但是缺點是由于多層感知器有限的分類能力和支持向量機參數不好選取而造成的推廣程度小，計算量太大。

基于深度學習（Deep Learning）的人臉識別方法是從海量數據集中自動學習人臉特征，基于深層次大規模卷積神經網絡（CNN）模型，并泛化到實際識別場景中。深度學習是通過對不同層次特征的抽象，逐級形成特征映射，就像人的大腦皮層分層處理一樣，這樣可以使抽象化、簡化特征提取的工作。比較傳統的方法，這種方法更符合人腦的視覺機制。可以更快速，高效的學習到人像中的隱形規則和規律。

2 系統架構

2.1 系統組成

人臉應用系統由人臉識別專用攝像機、高清鏡頭、人臉識別預處理服務器、人臉比對服務器、存儲服務器、報警顯示端和系統管理平臺構成。人臉識別預處理服務器：接入前端人臉識別攝像機，對實時視頻中的人臉進行檢測、跟蹤、抓拍及質量判斷。人臉比對服務器：對前端傳回的人臉照片進行人臉特征提取，與后臺人像特征數據庫比對并返回結果。存儲服務器：記錄需要監控的人像信息；根據需要，記錄人像抓拍和實時比對信息，方便事后查驗；記錄動態人臉監控系統中各模塊的配置信息、布控配置信息，系統管理平臺的配置信息等。報警顯示終端：實時顯示抓拍人像信息、報警信息。

2.2 業務流程

前端人臉識別專用攝像機采集實時高清人像視頻，通過專網傳輸到預處理服務器，預處理服務器對實時視頻中的人臉進行檢測、跟蹤、抓拍及質量判斷，將人臉照片傳輸至后臺人臉比對服務器進行特征提取與比對，輸出比對結果供民警進行研判處理。采用GPU服務器，單臺人臉比對服務器可同時支持多路高清攝像機。

2.2.1 靜態人像比對

專網內的用戶通過PC客戶端、警務通終端登錄海量靜態人像比對系統，進行人像比對業務訪問，實現1:1、1:N、M:N人像比對檢索、應用。此外，海量靜態人像比對系統作為人像比對引擎，可提供標準化的人像比對、數據訪問接口，為各部門各業務系統提供人像比對計算與數據服務，有效整合多業務系統的綜合應用，提升多系統的協同作戰能力。

2.2.2 動態人像比對

基于不同場景的人員管理現狀，選擇在轄區范圍內，將動態人臉識別技術與公共安全業務相結合，在重點小區、大型超市、車站等場景部署動態人臉識別系統，實現該類場景下的動態人臉監控和身份識別及布控報警。一方面有效利用現有的大量人像數據，另一方面通過人像比對協助系統應用者從監控視頻中快速提取有效信息，實現對動態人臉監控和身份識別及布控報警。如圖1所示。

圖1：動態人像比對系統整體結構

3 結語

基于深度學習的人像應用系統由通過建成一套大規模人像應用的中心平臺，滿足人像靜態、動態識別應用，將動態人臉識別技術與公共安全業務相結合，實現該類場景下的動態人臉監控和身份識別及布控報警，可以形成“以人為核心”的人像大數據分析、業務應用，有效豐富技戰法，為公共安全各業務部門提供科技助力。