陌生人异常识别方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及物流领域，公开了陌生人异常识别方法、装置、设备及存储介质，用于提高分拨中心的监测区域中陌生人检测识别的准确性，以及提高分拨中心监控物流配送的安全性。该方法包括：制作第一训练集和第二训练集；构建retinaface优化模型和insightface优化模型；将第一训练集和第二训练集分别输入retinaface优化模型和insightface优化模型进行训练，得到人脸信息提取模型和人脸特征向量提取模型；获取分拨中心人脸数据库样本，经人脸信息提取模型和人脸特征向量提取模型提取得到分拨中心人脸特征向量库；获取分拨中心实时图像数据，经人脸信息提取模型和人脸特征向量提取模型提取得到待识别人脸特征向量，并将待识别人脸特征向量与分拨中心人脸特征向量库进行比对，得到对比结果。得到对比结果。得到对比结果。

【技术实现步骤摘要】
陌生人异常识别方法、装置、设备及存储介质


[0001]本专利技术涉及物流
，尤其涉及一种陌生人异常识别方法、装置、设备及存储介质。

技术介绍

[0002]人脸识别技术利用人的面部特征进行身份辨识，是目前所有生物识别技术中对使用者影响最小的技术。较之于其它的生物识别技术，人的面部特征是非常稳定可靠的，而且“携带”便利，人脸也是用于区分人的首要特征。
[0003]基于机器学习、深度学习模型的人脸识别技术开发的人脸布控系统，可以提供人证比对、人脸注册、人脸布控、人数抓拍统计、人脸库管理、检索历史比对记录等核心业务功能，可应用于人流密集或有针对性的重点场所进行人员身份认证和人脸实时布控，提供快速、高效、准确的实时告警，后续可通过大规模人脸库检索，进一步实现人员轨迹搜索、数据挖掘等智能应用。
[0004]分拨中心是物流行业运作的经济活动组织，也就是集加工、理货、送货等多种职能于一体的物流据点。分拨中心管理目前虽然具有全方位和全时段的摄像监控，但缺乏对异常闯入的陌生人进行检测识别和及时报警，导致分拨中心存在陌生人检测识别的准确性低和物流配送安全性差的问题。

技术实现思路

[0005]本专利技术提供了一种陌生人异常识别方法、装置、设备及存储介质，用于提高分拨中心的监测区域中陌生人检测识别的准确性，以及提高分拨中心监控物流配送的安全性。
[0006]本专利技术第一方面提供了一种陌生人异常识别方法，包括：获取多张人脸图像数据，得到人脸样本图像数据集，并根据所述人脸样本图像数据集制作第一训练集和第二训练集；构建基于Distance
‑
IoU损失函数的retinaface优化模型；构建基于Arcface损失函数的insightface优化模型；将所述第一训练集输入所述retinaface优化模型进行训练，得到人脸信息提取模型；将所述第二训练集输入所述insightface优化模型进行训练，得到人脸特征向量提取模型；获取分拨中心人脸数据库样本，将获取的分拨中心人脸数据库样本输入所述人脸信息提取模型进行人脸信息提取，得到分拨中心人脸信息，并将所述分拨中心人脸信息输入到所述人脸特征向量提取模型进行人脸特征向量提取，得到分拨中心人脸特征向量库；获取分拨中心实时图像数据，将包含人脸的图像数据输入所述人脸信息提取模型进行人脸信息提取，得到待识别人脸信息，并将所述待识别人脸信息输入到所述人脸特征向量提取模型进行人脸特征向量提取，得到待识别人脸特征向量，并将所述待识别人脸特征向量与所述分拨中心人脸特征向量库进行比对，得到对比结果，所述对比结果用于指示分拨中心的监测区域中是否存在异常陌生人。
[0007]可选的，在本专利技术第一方面的第一种实现方式中，所述获取多张人脸图像数据，得到人脸样本图像数据集，并根据所述人脸样本图像数据集制作第一训练集和第二训练集，
包括：调取分拨中心摄像头，采集多张人员图像；对所述多张人员图像进行筛选处理，若人员图像中存在人脸则输出该图像作为人脸图像数据，多张所述人脸图像数据组成所述人脸样本图像数据集；从所述人脸样本图像数据集选取至少部分人脸图像数据，得到第一图像数据集；对所述第一图像数据集的人脸进行标注，得到所述第一训练集；从所述人脸样本图像数据集选取至少部分人脸图像数据，得到第二图像数据集；将所述第二图像数据集中的人脸图像数据以个人为单位进行划分，并创建多个以个人为单位的文件夹，并将划分好的人脸图像数据放入对应的文件夹，得到所述第二训练集。
[0008]可选的，在本专利技术第一方面的第二种实现方式中，所述构建基于Distance
‑
IoU损失函数的retinaface优化模型包括：基于retinaface模型构建基础架构，所述基础架构包括主干网络、FPN模块和检测模块；选择mobilenet作为所述主干网络，选择SSH模块作为所述检测模块，得到retinaface初始模型；将所述retinaface初始模型的损失函数替换为Distance
‑
IoU损失函数，得到所述retinaface优化模型，所述retinaface优化模型的预测结果包括分类结果、人脸框的回归结果、人脸关键点的回归预测结果。
[0009]可选的，在本专利技术第一方面的第三种实现方式中，所述构建基于Arcface损失函数的insightface优化模型包括：构建Resnet网络；将所述Resnet网络的第一个7x7卷积层替换为3x3的卷积层，并将其步幅调整为1；使用BN
‑
Conv
‑
BN
‑
PReLu
‑
Conv
‑
BN结构作为残差单元，得到insightface模型初始模型；将所述insightface初始模型的损失函数替换为Arcface损失函数，得到insightface优化模型。
[0010]可选的，在本专利技术第一方面的第四种实现方式中，所述将所述第一训练集输入所述retinaface优化模型进行训练，得到人脸信息提取模型，包括：将所述第一训练集进行扩增和缩放处理，得到训练图像集；将所述训练图像集输入retinaface优化模型进行训练，得到模型输出结果；根据所述模型输出结果，利用所述Distance
‑
IoU损失函数计算所述retinaface优化模型的损失；根据所述retinaface优化模型的损失调整所述retinaface优化模型的参数，直到模型收敛时，得到所述人脸信息提取模型。
[0011]可选的，在本专利技术第一方面的第五种实现方式中，所述将所述第一训练集进行扩增和缩放处理，得到训练图像集，包括：从所述第一训练集任意选取多张人脸图像数据，并从每张选取的人脸图像数据中随机选取一个方块，若方块中没有人脸，则重新选取新的方块，若选取方块的次数超过预设选取次数，则使用原图，得到初始图像数据集；将所述初始图像数据集进行几何变换，得到第一扩增图像数据；将所述第一扩增图像数据进行颜色变换，得到第二扩增图像数据；将所述第二扩增图像数据的大小调整为300*300，得到所述训练图像集。
[0012]可选的，在本专利技术第一方面的第六种实现方式中，所述获取分拨中心实时图像数据，将包含人脸的图像数据输入所述人脸信息提取模型进行人脸信息提取，得到待识别人脸信息，并将所述待识别人脸信息输入到所述人脸特征向量提取模型进行人脸特征向量提取，得到待识别人脸特征向量，并将所述待识别人脸特征向量与所述分拨中心人脸特征向量库进行比对，得到对比结果，所述对比结果用于指示分拨中心的监测区域中是否存在异常陌生人，包括：获取分拨中心实时图像数据，将所述分拨中心实时图像数据分为有人脸的实时图像和无人脸的实时图像；将所述有人脸的实时图像输入所述人脸信息提取模型进行人脸信息提取，得到待识别人脸信息；将所述待识别人脸信息输入到所述人脸特征向量提
取模型进行人脸特征向量提取，得到待识别人脸特征向量；将所述待识别人脸特征向量与所述分拨中心人脸特征向量库进行比对；若所述待识别人脸特征向量属于所述分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种陌生人异常识别方法，其特征在于，所述陌生人异常识别方法包括：获取多张人脸图像数据，得到人脸样本图像数据集，并根据所述人脸样本图像数据集制作第一训练集和第二训练集；构建基于Distance
‑
IoU损失函数的retinaface优化模型；构建基于Arcface损失函数的insightface优化模型；将所述第一训练集输入所述retinaface优化模型进行训练，得到人脸信息提取模型；将所述第二训练集输入所述insightface优化模型进行训练，得到人脸特征向量提取模型；获取分拨中心人脸数据库样本，将获取的分拨中心人脸数据库样本输入所述人脸信息提取模型进行人脸信息提取，得到分拨中心人脸信息，并将所述分拨中心人脸信息输入到所述人脸特征向量提取模型进行人脸特征向量提取，得到分拨中心人脸特征向量库；获取分拨中心实时图像数据，将包含人脸的图像数据输入所述人脸信息提取模型进行人脸信息提取，得到待识别人脸信息，并将所述待识别人脸信息输入到所述人脸特征向量提取模型进行人脸特征向量提取，得到待识别人脸特征向量，并将所述待识别人脸特征向量与所述分拨中心人脸特征向量库进行比对，得到对比结果，所述对比结果用于指示分拨中心的监测区域中是否存在异常陌生人。2.根据权利要求1所述的陌生人异常识别方法，其特征在于，所述获取多张人脸图像数据，得到人脸样本图像数据集，并根据所述人脸样本图像数据集制作第一训练集和第二训练集，包括：调取分拨中心摄像头，采集多张人员图像；对所述多张人员图像进行筛选处理，若人员图像中存在人脸则输出该图像作为人脸图像数据，多张所述人脸图像数据组成所述人脸样本图像数据集；从所述人脸样本图像数据集选取至少部分人脸图像数据，得到第一图像数据集；对所述第一图像数据集的人脸进行标注，得到所述第一训练集；从所述人脸样本图像数据集选取至少部分人脸图像数据，得到第二图像数据集；将所述第二图像数据集中的人脸图像数据以个人为单位进行划分，并创建多个以个人为单位的文件夹，并将划分好的人脸图像数据放入对应的文件夹，得到所述第二训练集。3.根据权利要求1所述的陌生人异常识别方法，其特征在于，所述构建基于Distance
‑
IoU损失函数的retinaface优化模型包括：基于retinaface模型构建基础架构，所述基础架构包括主干网络、FPN模块和检测模块；选择mobilenet作为所述主干网络，选择SSH模块作为所述检测模块，得到retinaface初始模型；将所述retinaface初始模型的损失函数替换为Distance
‑
IoU损失函数，得到所述retinaface优化模型，所述retinaface优化模型的预测结果包括分类结果、人脸框的回归结果、人脸关键点的回归预测结果。4.根据权利要求1所述的陌生人异常识别方法，其特征在于，所述构建基于Arcface损失函数的insightface优化模型包括：构建Resnet网络；
将所述Resnet网络的第一个7x7卷积层替换为3x3的卷积层，并将其步幅调整为1；使用BN
‑
Conv
‑
BN
‑
PReLu
‑
Conv
‑
BN结构作为残差单元，得到insightface模型初始模型；将所述insightface初始模型的损失函数替换为Arcface损失函数，得到insightface优化模型。5.根据权利要求1所述的陌生人异常识别方法，其特征在于，所述将所述第一训练集输入所述retinaface优化模型进行训练，得到人脸信息提取模型，包括：将所述第一训练集进行扩增和缩放处理，得到训练图像集；将所述训练图像集输入retinaface优化模型进行训练，得到模型输出结果；根据所述模型输出结果，利用所述Distance
‑
IoU损失函数计算所述ret...

【专利技术属性】
技术研发人员：曾月，李斯，杨周龙，
申请(专利权)人：上海东普信息科技有限公司，
类型：发明
国别省市：