[发明专利]基于运动场景及深度学习的车载人脸识别系统及方法

权利要求书

1.基于运动场景及深度学习的车载人脸识别实时监控方法，其特征是，包括：

收集系统的人脸库人脸图像并处理；

对卷积神经网络模型进行深度学习训练，具体包括：网络进行权值的初始化；输入数据经过卷积层、池化层、全局池化层的向前传播得到输出值；求出网络的输出值与目标值之间的误差；当误差大于期望值时，将误差传回网络中，依次求得全局池化层，池化层，卷积层的误差，各层的误差可以理解为对于网络的总误差，网络应承担多少；当误差等于或小于期望值时，结束训练；根据求得误差进行权值更新；

建立训练好的卷积神经网络模型：对于卷积神经网络的卷积层，获得卷积过程数学表达公式；卷积后的输出通过激活函数；把全连接层改为全局平均池化层，实现了参数量的大幅度减小；得到特征图，要分类的图像种类有多少，最后一层的类别就设为多少，然后得到一个图像分类结果；卷积后的输出通过激活函数，将输出的张量中小于0的位置对应的元素值都变成0，再经过池化，得到特征图，并且建立好卷积神经网络模型；

用训练好的卷积神经网络模型把采集的运动场景的人脸和人脸库中的人脸特征进行对比，得到的人脸身份信息；

将检测到的人脸身份传送到终端。

2.如权利要求1所述的基于运动场景及深度学习的车载人脸识别实时监控方法，其特征是，系统的人脸库人脸图像进行处理，包括：

进行人脸对齐并截取人脸图片，调整图像的大小并灰度化，获得预处理完成的图像库，如果人脸库中的信息不足可扩充人脸库中每个人的人脸图片数量，以适应运动场景下人脸姿态及光照模糊等的影响；

并对相同身份的图片设定同一标签，以区分不同人脸身份；

将所有标签图像分成训练集和测试集。

3.如权利要求1所述的基于运动场景及深度学习的车载人脸识别实时监控方法，其特征是，训练集图像数据输入卷积神经网络前，需对输入数据进行归一化处理，即将分布于[0,255]的原始数据归一化至[0,1]区间。

4.如权利要求1所述的基于运动场景及深度学习的车载人脸识别实时监控方法，其特征是，用训练好的卷积神经网络模型把采集的人脸和人脸库中的人脸特征进行对比，得到的人脸身份信息；具体为：

车载摄像头中采集包含人脸的视频，并对视频中的人脸进行截取；

通过网络传输给后台服务器；

用训练好的卷积神经网络模型，在服务器上提取人脸信息，并与人脸库进行1：n的人脸特征比对；

输出与人脸库中最接近的人脸身份。

5.基于运动场景及深度学习的车载人脸识别实时监控系统，用于实现权利要求1-4任一项权利要求所述的基于运动场景及深度学习的车载人脸识别实时监控方法，其特征是，包括:

设置于警用车车顶板的摄像装置、服务器和终端；

所述摄像装置实时采集数据，对采集的视频进行处理后传输至服务器；

所述服务器包括人脸识别模块和系统人脸数据库，人脸识别模块为训练好的模型，采用深度学习方法进行人脸特征提取，进而比对摄像装置视频中的人脸和系统人脸数据库中的人脸，若一致，则将信息发送至终端。

6.如权利要求5所述的基于运动场景及深度学习的车载人脸识别实时监控系统，其特征是，所述终端包括蓝牙端、中心服务器和报警系统，所述服务器通过网络与所述终端相连接，通过蓝牙与蓝牙端相连接，所述蓝牙端佩戴在出警人员耳朵上，所述蓝牙端和所述报警系统均与所述中心服务器相连接。

7.如权利要求5所述的基于运动场景及深度学习的车载人脸识别实时监控系统，其特征是，所述摄像装置包括中央处理器和均与所述中央处理器电性连接的采集摄像模块、抓拍摄像模块及通讯模块；

采集摄像模块包括采集摄像电荷藕合器件图像CCD传感器和与所述采集摄像电荷藕合器件图像CCD传感器电性连接的采集摄像视频编码单元。