“人员结构化”多特征分析 助力人像识别应用

• 2020/03/27

近几年来，作为公安视频侦查的重要手段，人像识别在公安实战过程中的应用需求正在加速释放。公安部门需要比对大量的视频、图像，从海量视频监控数据中、快速地找到目标人物。智能人脸系统的部署将警务人力极大地解放出来，带来了警务实战效能与效率质的提升。随着人工智能、大数据、云计算等技术的融合应用，人像识别在公安视频侦查中的辅助作用也越来越关键。

M:N模式人脸识别应用仍存技术难点

当前，公安视频侦查中人脸识别的应用一般分为两种场景：一种是静态人脸识别比对，从监控录像中采集人脸的截图，然后和目标库(如犯罪分子库、黑名单库、失踪人员库等)做静态比对，缩小目标范围到几人、十几人内，提高身份确认的效率;另一种则是直接在监控视频中做动态比对，实时检测、比对分析、跟踪人脸。

在1:1、1:N静态人脸比对场景中，因为人脸比对的数据量较小，且环境干扰因素较少，人脸识别的准确率普遍能够达到99.5%以上甚至100%。但在复杂的M:N模式下的动态人脸布控过程中，要做到超高精度人脸识别和追踪仍然不太容易。这里涉及到很多因素，包括抓拍距离、光线环境、人脸角度等等，干扰性较大，应用到实战场景中仍然有一些技术难题需要攻破。

智能抓拍引擎，提升动态人脸识别准确率

要提升动态人脸识别的准确率，首先要保障的是人脸图像的抓拍率，这一点在很多技术类文章中鲜少提及，但其实是很关键的因素。在动态人脸抓拍场景下，大量移动目标的重叠、分离、移出区域等都是导致漏拍的关键因素。智能抓拍引擎，可以有效解决目标跟踪遗漏、目标重复的问题，可将抓拍有效率提升到96%以上，将重复率控制在8%以下。同时，内建的图像评价筛选算法可自动选择优抓拍，剔除重复图片，一方面减少传输图片的数量，降低网络传输和后端计算压力;另一方面筛选出高质量人脸抓拍图片，提升识别的准确率。

多特征算法叠加，获取更的识别率

在保障高质量人脸图像抓拍的基础之上，再从算法角度强化人脸特征的检测提取，以获取更的识别率。

人脸是一种非常重要的生物特征，具有结构复杂、细节变化多等特点，同时也蕴含了大量的信息，比如性别、年龄、表情等。在动态识别场景中，算法主要是基于面部进行特征点检测分析，单一在人的面部区域做特征提取，仍然会受光线、环境以及非配合条件等因素，影响到终的识别准确率。

针对这个问题，智能摄像机一方面采用多特征人像识别技术，可实现“人脸&人体”多特征检测、提取、分析以及辅助跟踪，支持人脸、人体、头肩等部位同时抓拍，特征提取点更丰富多维，包含人物性别、年龄、是否带口罩、人物服饰等10余种属性特征，实现优人脸&人体相关联。从人脸到人体，从单一特征到多特征，随着目标人物细节特征的丰富，基于深度学习的算法，可以在训练过程中让深度神经网络“自动”从训练的数据中学习适合的特征撷取方法，自主筛选更的信息，多样性人像特征的算法叠加，达到更的识别效果。另一方面，智能摄像机还可通过多摄像机间的协同、端云间的协同进行联合判断，单机比对处理后再多机配合计算确认，从而降低人脸误检率。

AI场景自适应，成像更好满足实战应用

最后，值得一提的是，在安防应用中，摄像机安装的环境千差万别，同一个安装场景会有不同的环境变化，这也给人脸识别带来了较大的挑战。为了解决这个问题，智能摄像机内置实时图像质量检测与评估特性，具备自我感知和场景适应性学习能力，可通过AI算法自动识别场景环境，比如雾天、雨天、低照场景、宽动态场景等等，而后自动调整参数，使图像在不同的场景下呈现优状态，更好地满足实战应用。