本發(fā)明涉及人臉圖像采集，具體為一種人臉圖像采集系統(tǒng)。

背景技術(shù)：

1、隨著人工智能技術(shù)的發(fā)展和人臉識別技術(shù)的日益成熟，人臉圖像采集系統(tǒng)已廣泛應(yīng)用于多個領(lǐng)域，如安防監(jiān)控、身份驗證、考勤系統(tǒng)以及移動支付等。這些系統(tǒng)通過攝像頭采集人臉圖像，并利用圖像處理和分析算法，進行身份識別、行為監(jiān)控和數(shù)據(jù)存儲。在當(dāng)今社會，越來越多的場景依賴于人臉圖像采集系統(tǒng)來提升安全性和便捷性。

2、目前監(jiān)控模式中，鑒定人員需要對監(jiān)控視頻中的人物面部和動作情況進行快速分析，從而達到審判的效果。然而在高密集人群的場景下，現(xiàn)有的人臉識別和行為分析技術(shù)往往無法準確識別目標。這導(dǎo)致在金店、銀行以及其他高安全性場所，相關(guān)鑒定人員難以快速、精準地從大量視頻數(shù)據(jù)中提取有效證據(jù)，從而難以準確地鎖定非法人員或異常行為。

3、為此，提出一種人臉圖像采集系統(tǒng)。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種人臉圖像采集系統(tǒng)。本發(fā)明涉及人臉圖像采集技術(shù)領(lǐng)域，具體為一種人臉圖像采集系統(tǒng)，包括圖像采集模塊、個體異常分析模塊、群體異常分析模塊和綜合異常分析模塊；首先，獲取金店的各個視頻圖像幀；其次，將各個視頻圖像幀輸入個體異常分析模型，依次通過模型的預(yù)處理層、特征提取層、特征融合層和特征處理層進行分析處理，并在輸出層得到第一異常系數(shù)；然后通過聚類算法對各個檢測視頻圖像幀分析，得到綜合群體密度和綜合群體移動一致性，并通過綜合群體密度和綜合群體移動一致性，得到第二異常系數(shù)；最后，對第一異常系數(shù)和第二異常系數(shù)進行分析，得到綜合異常系數(shù)，并與預(yù)設(shè)異常閾值比較，得到各個檢測視頻圖像幀的異常類別。本發(fā)明應(yīng)用于金店場所，可以實現(xiàn)對圖像采集數(shù)據(jù)中異常人員的高效鑒別判定。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種人臉圖像采集系統(tǒng)，其特征在于，包括：

4、圖像采集模塊，用于通過攝像頭對金店內(nèi)部及周邊進行拍攝，得到金店的第一視頻，并對所述第一視頻根據(jù)預(yù)設(shè)時間間隔分幀，得到各個視頻圖像幀；

5、個體異常分析模塊，用于將所述各個視頻圖像幀輸入個體異常分析模型，依次經(jīng)過所述模型的預(yù)處理層、特征提取層、特征融合層、特征處理層和輸出層；所述預(yù)處理層對所述各個視頻圖像幀預(yù)處理，得到各個檢測視頻圖像幀；所述特征提取層對所述各個檢測視頻圖像幀進行特征提取，得到第一人臉特征和第二行為特征；并通過所述特征融合層，得到第一綜合特征；所述特征處理層通過融入注意力機制的lstm網(wǎng)絡(luò)結(jié)構(gòu)，對所述第一綜合特征分析，得到第一綜合時序特征；并對所述第一綜合時序特征分析，得到第二綜合特征；所述輸出層對所述第二綜合特征分析，得到第一異常系數(shù)；

6、群體異常分析模塊，用于通過聚類算法對所述各個檢測視頻圖像幀分析，得到綜合群體密度和綜合群體移動一致性，并通過所述綜合群體密度和綜合群體移動一致性，得到第二異常系數(shù)；

7、綜合異常分析模塊，對所述第一異常系數(shù)和所述第二異常系數(shù)進行分析，得到綜合異常系數(shù)，并與預(yù)設(shè)異常閾值比較，得到所述各個檢測視頻圖像幀的異常類別。

8、優(yōu)選的，所述第一人臉特征包括表情特征、面部姿態(tài)和目光方向；所述第二行為特征包括步態(tài)特征、手勢特征和身體姿態(tài)；

9、所述第一人臉特征為：

10、fface(i,j)＝{fface,i,fface,2,...fface,m}；

11、其中，fface(i,j)表示第i個檢測視頻圖像幀第j個個體的第一人臉特征；m是第一人臉特征數(shù)目；

12、所述第二行為特征為：

13、fbehavior(i,j)＝{fbehavior,i,fbehavior,2,...fbehavior,n}；

14、其中，fbehavior(i,j)表示第i個檢測視頻圖像幀第j個個體的第二行為特征；n是第二行為特征數(shù)目。

15、優(yōu)選的，所述第一綜合特征為：

16、fcombined(i,j)＝concat(fface(i,j),fbehavior(i,j))；

17、其中，fcombined(i,j)表示第i個檢測視頻圖像幀第j個個體的第一綜合特征；concat()表示向量拼接操作。

18、優(yōu)選的，所述第二綜合特征為：

19、

20、foptimized(i,j)＝relu(w*lstm(fcombined(i-1,j),fcombined(i,j))+b)；

21、其中，fattention(i,j)表示第i個檢測視頻圖像幀第j個個體的第二綜合特征；γk(i,j)表示注意力機制計算出的權(quán)重，反映了每個特征的重要性；k表示綜合特征索引；fkoptimized(i,j)表示所述第一綜合時序特征；relu()表示激活函數(shù)；w表示權(quán)重矩陣；lstm()表示時序特征關(guān)系函數(shù)，用于提取所述第一綜合特征在前后幀的時間依賴關(guān)系；b表示偏置項。

22、優(yōu)選的，所述第一異常系數(shù)為：

23、

24、其中，rfirst(i,j)表示第i個檢測視頻圖像幀第j個個體的第一異常系數(shù)；k表示綜合特征索引；m是第一人臉特征數(shù)目；n是第二行為特征數(shù)目；ωk表示第k個分量的異常權(quán)重；fattention(i,j)表示第i個檢測視頻圖像幀第j個個體的第二綜合特征。

25、優(yōu)選的，所述綜合群體密度為：

26、dover_density＝max(d1density(i),d2density(i),d3density(i),...dkdensity(i))；

27、

28、其中，dover_density(i)為第i個檢測視頻圖像幀的綜合群體密度；dkdensity(i)表示第i個視頻圖像幀的第k個群體的群體密度；rk表示第i個檢測視頻圖像幀第k個群體的個體總數(shù)；(xj(i),yj(i))表示第i個檢測視頻圖像幀中第k個群體的第j個個體的二維坐標；(xu(i),yu(i))表示第i個檢測視頻圖像幀中第k個群體的第u個個體的二維坐標；dist()表示歐式距離函數(shù)。

29、優(yōu)選的，所述綜合群體移動一致性計算公式為：

30、vover_sync(i)＝min(v1sync(i),v2sync(i),v3sync(i),...,vksync(i))；

31、

32、其中，vover_sync(i)表示第i個檢測視頻圖像幀的綜合群體移動一致性；vksync(i)表示第i個檢測視頻圖像幀中第k個群體的移動一致性；θkj(i)表示第k個群體的第j個個體的移動速度向量與第k個群體的平均移動速度向量之間的夾角；velkj(i)表示第i個檢測視頻圖像幀中第k個群體第j個個體的移動速度向量；velkavg(i)表示第i個檢測視頻圖像幀第k個群體的平均移動速度向量；rk表示第k個群體的個體總數(shù)；xkj(i)表示第i個檢測視頻圖像幀中第k個群體第j個個體的橫坐標；ykj(i)表示第i個檢測視頻圖像幀中第k個群體第j個個體的縱坐標；δt表示第i個檢測視頻圖像幀和第i-1個檢測視頻圖像幀之間的時間間隔。

33、優(yōu)選的，所述第二異常系數(shù)為：

34、rsecond(i)＝ξdensity*dover_density(i)+ψsync*vover_sync(i)；

35、其中，rsecond(i)表示第i個檢測視頻圖像幀的所述第二異常系數(shù)；ξdensity表示綜合群體密度權(quán)重；ψsync表示綜合移動一致性權(quán)重。

36、優(yōu)選的，所述綜合異常系數(shù)為：

37、

38、其中，rcom(i)表示第i個檢測視頻圖像幀的綜合異常系數(shù)；rfirst(i,j)表示第i個檢測視頻圖像幀第j個個體的第一異常系數(shù)；r表示第i個檢測視頻圖像幀的個體數(shù)；φfir表示第一異常系數(shù)權(quán)重；δse表示第二異常系數(shù)權(quán)重；rsecond(i)表示第i個檢測視頻圖像幀的所述第二異常系數(shù)。

39、優(yōu)選的，將所述綜合異常系數(shù)與第一預(yù)設(shè)異常系數(shù)閾值進行比較，對所述檢測視頻圖像幀進行異常類別分類，所述異常類別包括異常視頻圖像幀和正常視頻圖像幀。

40、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

41、1、本發(fā)明通過獲取金店的第一視頻，并對所述第一視頻根據(jù)預(yù)設(shè)時間間隔分幀，得到各個視頻圖像幀，并構(gòu)建個體異常分析模型，將所述各個視頻圖像幀輸入所述模型，依次經(jīng)過模型的預(yù)處理層、特征提取層、特征融合層、特征處理層和輸出層；通過預(yù)處理層對第一視頻圖像幀預(yù)處理，得到各個檢測視頻圖像幀；并通過特征提取層對各個檢測視頻圖像幀進行特征提取，得到第一人臉特征和第二行為特征；并利用特征融合層，融合第一人臉特征和第二行為特征，得到第一綜合特征；特征處理層根據(jù)融入注意力機制的lstm網(wǎng)絡(luò)結(jié)構(gòu)，對第一綜合特征分析，得到第一綜合時序特征；并對第一綜合時序特征分析，得到第二綜合特征；最后通過輸出層對第二綜合特征分析，得到第一異常系數(shù)；通過構(gòu)建個體異常分析模型，能夠有效分析圖像采集數(shù)據(jù)中各個視頻圖像幀的個體異常情況，從而有利于提升鑒定和判斷非法人員的效率。

42、2、本發(fā)明通過yolo算法和聚類算法對各個檢測視頻圖像幀分析，得到各個檢測視頻圖像幀的綜合群體密度和綜合群體移動一致性，通過綜合群體密度能夠有效識別異常的人群聚集情況，根據(jù)綜合群體移動一致性則可以有效識別群體異常行為。通過這兩個綜合因素的引入，得到第二異常系數(shù)，能夠合理捕捉到群體異常特征，并能夠有效分析圖像采集數(shù)據(jù)中各個視頻圖像幀的群體異常情況，從而利于提升鑒定和判斷非法人員的效率。

43、3、本發(fā)明通過綜合考慮第一異常系數(shù)和第二異常系數(shù)，得到綜合異常系數(shù)，通過綜合異常系數(shù)能夠全面評估當(dāng)發(fā)生非法行為時，識別圖像采集數(shù)據(jù)中各個視頻圖像幀的個體異常情況，從而可以實現(xiàn)對圖像采集數(shù)據(jù)進行異常分類，能夠高效識別異常視頻圖像幀和非異常視頻圖像幀，從而有利于提升鑒定和判斷非法人員的效率。