可疑人员识别系统解决方案第 一 章 背景及需求1 1 应用背景十三五智慧城市建设提出要加快云计算、物联网、大数据等一些公共支撑型应用平台建设。近两年来云计算、物联网、大数据等领域技术逐渐成熟,在各行业 |
可疑人员识别系统解决方案
第 一 章 背景及需求
1.1 应用背景
十三五智慧城市建设提出要加快云计算、物联网、大数据等一些公共支撑型应用平台建设。近两年来云计算、物联网、大数据等领域技术逐渐成熟,在各行业中应用越来越广,技术应用的社会认可度和接受度越来越高,经济和社会效益日渐凸显。
在金融行业,由于银行财富集中的特点,很容易成为犯罪分子的目标。如果是一些分行级的银行大楼内,很多时候也会成为上访人员的目标,特别是发生一些理财不当的事件后,很多客户会选择分行大楼,该营业网点进行闹事,给安保工作提出了更高的要求。
同时依据相关政策法规及国家和行业标准,公安机关要求全市范围内涉及公共安全的社会视频资源进行有效整合,将其统一纳入公安机关管理,解决视频资源碎片化、孤岛化问题,从而盘活全市社会视频资源,构建起网络架构合理、基础数据共享、行业管理独立、公共平台统一、信息应用安全可信可控的开放式社会公共视频资源管理系统,为反恐维稳、治安防控、应急处突、服务群众提供强有力的可视化信息支撑。充分发挥社会视频资源的重要作用,实现信息资源共享和应用效益最大化。
在完成社会资源接入后,公安机关需要接收各个社会单位的视频信息,对视频信息的解析提出了较高的要求,那如果银行直接自行完成视频或者图片的解析,直接给出相应的结果,可以从很大程度上减轻公安机关的负担,同时也能够更好协助公安机关破案,提高银行在安全评估方面的等级。
1.2 需求分析
银行急需针对黑名单的客户进行准确的识别,以便安保人员能够采取相应的措施,例如对前期有上访,闹事的人员进行高度关注,针对公安机关通缉的人员,需要及时通知公安机关等等。
第 二 章 系统总体设计
2.1 总体目标
可疑人员识别系统,通过对经过营业网点门口或者办公大楼的人员进行人脸抓拍,经过人脸比对分析,智能识别在网点门口出现的黑名单人员,及时报警至监控中心,监控中心人员复核确认,同时消息可推送给现场的安保人员,进行重点关注,甚至如果确认是公安通缉人员的话,直接报警至公安系统,让公安机关及时出警。
2.2 总体架构
图1. 系统架构
2.3 系统组成
可疑人员识别系统包括:
n 前端摄像机:抓取网点门口进出人员的人脸。可采用高清的人脸抓拍机或者17年最新推出的深眸双目人脸识别设备。
n 脸谱服务器:脸谱服务器包括微视云存储系统,大数据服务器以及脸谱服务器。其中微视云存储系统可将前端抓拍到的人脸图片进行存储,建立人脸抓拍库。脸谱服务器可将人脸图片进行建模,大数据服务器可进行人脸图片的比对以及结构化数据的存储。对抓拍到的人脸图片与黑名单库进行比对,输出比对结果。
n 可疑人员识别系统平台:对人脸图片进行管理,建立人脸信息数据库,可按姓名、性别、相识度阈值等条件检索。在系统中建立黑名单库,黑名单库可以按照不同的类型进行分类,例如按照公安通缉人员,银行不良记录人员,上访事件的人员等。如果匹配,平台产生报警,提醒网点安保人员或者监控中心人员及时处理。
2.4 系统功能
2.4.1 人脸抓拍
在重点场所的出入口位置部署的人脸抓拍机对过往的人员进行人脸抓拍,支持按树形目标选择抓拍通道,并同时查看一路或多路实时人脸图片抓拍。
支持查看抓拍大图,鼠标滚轮操作可进行缩放展示人脸的结构化信息,并支持对背景图及小图的下载。
在系统中导入与金融犯罪相关的人员信息:人脸、姓名以及犯罪的类型等信息,建立金融犯罪人员黑名单。
并把人脸照片、抓拍地点、抓拍时间等信息上传到人脸管理平台进行统一存储,建立重点场所的人员信息数据库,以方便后期的检索与查询。
图2. 抓拍图片
图3. 抓拍大图
2.4.2 黑名单管理
对名单库及库内名单进行管理。支持用户新增、修改、删除名单库,也可以对库内名单进行新增、修改、删除等动作。
图4. 黑名单管理
2.4.3 人脸布控
支持添加、编辑、撤销布控任务。可添加一条含布控名称、布控对象、布控范围(可地图选点)、分时段阈值、布控原因的布控任务,并可通过输入关键字对人脸布控进行检索。
图5. 人脸布控
图6. 布控信息编辑
2.4.4 人脸预警
支持抓拍图片与黑名单库的实时比对。
支持预警接收的设置,在预警设置里,可选择预警接收的布控任务和布控范围。
在最小化模式下或者切换到其他标签,在右下角会有报警提示框显示,并且有报警声音。
图7. 黑名单比对
支持报警详细信息的查看,包括抓拍图片信息和黑名单图像信息。点击视频回放可弹出播放器回放该人脸经过抓拍机时的录像。
图8. 比对详情
2.4.5 人脸检索
1) 人脸库检索
在系统中输入待查询的人脸照片,系统自动检测出照片中的人脸信息并截取人脸,设置姓名、性别、相似度阈值和时间段等参数后在对应的人员信息库内开始检索,可得到按照相似度从高到低排列的黑名单图片,并在系统界面上显示出来,供使用者对人员信息进行快速确认。
若有多个人脸需要比对,则可灵活选择需要比对的人脸,按照上述姓名、相似度等条件进行检索。
2) 抓拍库检索
检索查询抓拍库中的抓拍图片信息,便于查找与黑名单库中的黑名单相似度高的抓拍图片。
支持对动态抓拍库、静态名单库的人脸查询。
支持按属性检索,如按时段、结构化信息(年龄段、性别、戴眼镜、微笑、高危人群)、抓拍范围等条件,在抓拍库中快速检索出相似的人脸图片。。
支持地图选点查询。
查询照片支持原图查看,详细信息查看,前后视频预览。人脸图像及相关结构化信息可导出成excel文件。
图9. 人脸库检索
2.4.6 以脸搜脸
用户可以选择某张人像图片,在抓拍库或者静态名单库中寻找相似度高的人像图片。系统根据相似度高低来排序。
待比对的图片可以本地上传,也可以是抓拍图片或者是静态图片。
支持同时采用同一人员的多张照片作为检索条件,在以图搜图的结果中还可以一键快捷选择检索结果中的图片作为以脸搜脸的检索条件。
图10. 以脸搜脸
2.4.1 1V1比对
用户可以选取两张本地图片做对比,系统返回相似度。
图11. 1V1比对
2.4.2 人脸查重
软件平台可支持针对单个人员库或两个人员库(人脸库,非抓拍库)之间的重复人员查询,并返回查重结果。在查重任务进行过程中,可查看任务状态、相关信息等,并对已完成的查重任务进行查看、删除等操作。
注:需要软件平台支持,目前金融行业平台还未支持。
图12. 新建查重
图13. 查重比对
第 三 章 系统特点
3.1 关键技术说明
3.1.1 深度学习技术
深度学习是指机器通过模拟人脑建立的深度神经网络,模仿人脑机制来进行学习、判断、决策的技术,目前已被广泛应用于人脸识别、语音识别、笔记识别等领域。深度学习的原理如下图所示:
图14. 深度学习原理示意图
通过深层神经网络训练出来的人脸识别算法能极大地提高识别精度。简而言之,就是让已经在网络结构中预设了人脸识别先验知识的神经网络,大量“阅读”很多人在各种环境(例如光照,视角,表情)下被拍摄到的不同人脸图片,自动学习并提取人脸各个部位和尺度的低、中、高层特征,在大量学习之后,机器便能根据所提供的样板信息区分不同的人员。
3.1.2 人脸识别技术
人脸识别技术是基于生物特征的识别方式,所谓生物特征识别,就是利用人类自身拥有的、并且能够唯一标识其身份的生理特征或者行为特征进行身份验证的技术,一般包含人脸图像采集、人脸图像检测、人脸图像预处理、人脸图像特征提取、人脸图像匹配识别五部分:
1) 人脸图像采集:基于人员的脸部特征,通过前端摄像机采集含有人脸的视频或图像;
2) 人脸图像检测:人脸图像包含的模式特征十分丰富,如直方图特征、颜色特征、模板特征、结构特征及Haar特征等,人脸图像检测就是利用这些特征信息,对输入的视频或图像中的人脸进行检测,准确标定出人脸的位置和大小;
3) 人脸图像预处理:基于人脸检测结果,通过智能算法,对选出的人脸图像进行灰度校正、噪声过滤等优化,形成最优的人脸图像并服务于特征提取的过程。人脸图像预处理过程主要包括光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波等;
4) 人脸图像特征提取:人脸识别可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸图像特征提取就是针对人脸的某些特征进行的,一般采用基于知识的表征方法实现。基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据,其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成,对这些局部和它们之间结构关系的几何描述,可作为识别人脸的重要特征;
5) 人脸图像匹配识别:人脸图像匹配是指提取的人脸图像特征数据与数据库中存储的特征模板进行搜索匹配,通过设定一个阈值,当相似度超过这一阈值,则把匹配得到的结果输出;人脸图像识别就是将待识别的人脸特征与得到的人脸特征模板进行比较,根据相似度对人脸的身份信息进行判断。这一过程又分为两类:一类是确认,是一对一进行图像比较的过程,另一类是辨认,是一对多进行图像匹配对比的过程。
人脸识别技术如下图所示:
图15. 人脸识别技术示意图
如上图所示,人脸识别过程的第一步是通过前端采集设备获取源图像,通过人脸检测方法得到有人脸的图像并对该图像进行一定的预处理,如归一化、小波分解等,滤去外界的部分干扰因素,如光照、饰物等,保留人脸最本质、对特征提取最有利的部分;然后选定一种特征提取算法对该预处理过的图像进行特征提取,最后根据与测试图像的比对来获得匹配的结果。
人脸与人体的其他生物特征(例如指纹、虹膜等)一样与生俱来,它的唯一性和不易被复制的良好特性能为身份鉴别提供必要的前提,与其它类型的生物识别技术比较,人脸识别技术具有如下特点:
1) 非强制性:采集对象不需要专门配合人脸采集设备,几乎可以在无意识的状态下就可获取人脸图像,这样的取样方式没有“强制性”;
2) 非接触性:采集对象不需要和设备直接接触就能获取人脸图像;
3) 并发性:在实际应用场景下可以进行多个人脸的分拣、判断及识别。
3.2 产品介绍
Ø 脸谱服务器
图16. 4U脸谱纯分析版
专业可靠
Ø 专业化:专业嵌入式硬件设计,基于深度学习的人脸分析算法;
Ø 智能化:支持人脸识别建模、特征提取等智能分析;
Ø 集群化:支持集群部署,满足负载均衡、动态扩容、故障转移;
超高性能
Ø 单台最大支持每秒200张人脸图片分析处理;
Ø 支持30万超大黑名单库;
Ø 单台最高支持80对图片同时进行1V1比对;
Ø 支持3000万张人脸图片存储,可扩展云存储、微视云;
Ø 支持5亿人脸数据;
智能功能
Ø 人脸建模:对图片中的人脸进行建模,可实现以脸搜脸功能;
Ø 人脸特征识别:支持性别、年龄段、是否戴眼镜等特征识别;
Ø 黑名单功能:支持黑名单人脸布控报警;
Ø 1V1比对功能:支持两张人脸图片快速精准比对;
Ø 高清人脸抓拍机
图17. 高清人脸抓拍机
l 200万像素 1/1.8" 逐行扫描CMOS
l 超低照度,彩色0.001Lux@(F1.2,AGC ON)黑白0.0001Lux @(F1.2,AGC ON)
l 采用H.264 High Profile编码,最大可输出Full HD 1920*1080@25fps实时图像,超低延时,超低码率
l 支持双码流,采用先进的视频压缩技术H.264编码,压缩比高,且处理非常灵活,同时支持MJPEG编码,抓拍图片采用JPEG编码,图片质量可设
l 采用ROI视频压缩技术,压缩比高,处理灵活
l 支持SD/SDHC本地图片存储、自动覆盖、自动上传
l 支持人脸抓拍及其相关功能
l 支持人脸抓拍功能,可对经过设定区域的行人进行人脸检测和人脸跟踪,当检测到人脸后,可抓拍人脸图片,抓拍图片数量可设。
l 支持人脸区域自动曝光功能,可根据外部场景和光照变化自动调节曝光参数。
l 支持人员特征显示功能,可在客户端软件中显示监视区域内人员性别,年龄段和是否带眼镜。
l 支持人员统计功能,可在web页面中,按照性别、年龄,时间段的查询,通过饼图、柱状图,折线图的方式展显人员统计类别结果。
l 视频和抓拍图片独立配置字符叠加功能
l 本地模拟输出,方便安装调节
l 支持宽动态功能
l 超强的网络功能,支持多种图片上传方式(云存储、FTP、海康SDK布防等)
l 支持硬件看门狗
l 支持配置文件导入导出
Ø 深眸双目
图18. 深眸双目
专业智能
l 深眸双目人脸摄像机由双目摄像机与高性能GPU模块组成,内嵌深度学习算法。
l 支持人脸抓拍功能,可同时对30张人脸进行检测、跟踪及抓拍。
l 支持人脸名单布控,输出实时比对结果。
l 支持对性别、年龄、是否戴眼镜等特征的识别。
Smart功能
l Smart侦测:音频陡升/陡降侦测、虚焦侦测
l Smart录像:支持断网续传功能保证录像不丢失,配合Smart NVR/SD卡实现事件录像的智能后检索、分析和浓缩播放
l Smart编码:支持低码率、低延时、ROI感兴趣区域增强编码、SVC自适应编码技术
图像相关
l 支持HD1080p@30fps实时帧率,图像更流畅
l 码流平滑设置,适应不同场景下对图像质量、流畅性的不同要求
l 支持H.265/H.264/MJPEG视频压缩算法,支持多级别视频质量配置、H.264编码复杂度Baseline/Main/High Profile
l 支持GBK字库,支持更多汉字及生僻字叠加,支持OSD颜色自选
系统功能
l 支持ONVIF(profile S/profile G)、CGI、PSIA、ISAPI、GB/T28181和E家协议接入
l 支持防雷、防浪涌、防静电
接口功能
l 支持标准的128G 及以下Micro SD/SDHC/SDXC卡存储
l 支持10M/100M自适应网口
安全服务
l 支持三级用户权限管理,支持授权的用户和密码,支持IP地址过滤,支持匿名访问
l 支持HTTPS,SSH等安全认证,支持创建证书
l 初始设备开机修改密码,保障密码安全