应用层下的人脸识别(四):人脸研判

2 评论 9410 浏览 31 收藏 14 分钟

作者根据多年人脸识别项目经验,总结了人脸识别技术在安防、商业领域应用及产品设计细节,汇总成应用层下的人脸识别系列文章。本文为系列文章的第四篇,从什么是人脸研判及人脸研判类型和应用两方面介绍相关内容。

一、什么是人脸研判

应用层下的人脸识别(四):人脸研判

系统在人脸识别中会留下了大量优质的人脸数据,可分为人脸抓拍数据和人脸比对数据两种类型。

目前,单纯的人脸比对功能已经不能满足项目的需求了,于是对人脸数据深层次的分析就孕育而生出人脸研判。

人脸研判就是对人脸数据的深层次分析运用,那么这些数据可做哪些运用呢?

例如:人脸轨迹分析、出行规律分析、同行人报警、落脚点分析、人脸碰撞、超时报警、区域管控等。

下面将详细介绍这些应用:

二、人脸研判类型及应用

1. 人脸轨迹分析

人脸轨迹分析:是从海量路人库数据中,通过人脸识别技术,寻找到目标人的数据,利用数据中的时间、地点等信息在地图上绘制出目标人的运动轨迹,了解目标人员在一段时间内,从什么地方出发,经过了那些地方,最终在什么地方停下来,实现目标人员历史动向的还原展示。

为什么要使用人脸识别做轨迹分析?

随着公安加大对平安城市的建设力度,各种类型的监控摄像头布满了大街小巷,于是利用监控视频寻找目标人便成为了一种有效的手段。

从视频中识别目标人可以使用人体识别人脸识别还有步态识别三种方法,其中人脸识别的准确率最高,人脸算法发展的最为成熟,人脸数据也是最容易获取的。

应用场景:

获取目标人运动轨迹可用于寻找目标人目标人运动特点分析,于是就产生了以下四种应用场景:

  1. 人员通行管理:基于历史通行记录,值班人员或者监控人员按照时间地点查看通行人员情况,发现可疑人员信息。
  2. 嫌疑人员行动追踪:根据人员通信历史轨迹,了解重点嫌疑目标人员都去了哪、经过了什么地方、最后出现的地方等,为刑侦及治安管理人员提供线索依据。
  3. 走失老人小孩查找:治安管理人员根据家人提供的走失人员照片,检索比对历史通行记录,寻找人员走失轨迹,为找到走失人员提供线索。
  4. 商场超市顾客行为分析:根据顾客运动轨迹分析顾客对什么类型的商品感兴趣,以及什么类型的商品最受青睐,以此制定销售策略。

实现方式:

实现条件:目标人员人脸照片、人脸抓拍库、相机位置信息(经纬度)

实现流程:

应用层下的人脸识别(四):人脸研判

实现要点:

  1. 需要设置输入条件:目标人脸图片,时间段,发生区域。
  2. 目标人脸会与设定范围内的抓拍照片进行比对,筛选出大于比对阈值的人脸照片。再将照片按照抓拍时间顺序排列,在地图上按此顺序依次连接抓拍地点,即可生成运动轨迹。
  3. 抓拍库中会存在一个人在短时间内被重复抓拍的现象——即短时间内包含同一个人的多张照片。所以,需要制定人脸去重规则,在间隔时间X内选取比分最高的那张图片,如果比分相同,则选择图片质量分数较高的。
  4. 间隔时间X需要考虑摄像头间距和行人速度。

应用层下的人脸识别(四):人脸研判

2. 同行人分析

同行人分析是指:通过人脸识别的方法,寻找到目标人的同行或尾随人员,并在地图中绘制尾随或同行人员的行走轨迹,实现一人锁定全体,掌握所有关联人员的目的。

同行人分析常用于公安侦查团伙作案或尾随作案,是基于人脸轨迹的更深层次数据应用。

应用场景:

刑侦人员或办案人员,查询一段时间内,其他人员与目标人员行走距离有一定间隔、通过地点多次重合、历史轨迹相似的人员行为分析。从而找到与案事件或目标人员有关联的同伙、蓄意尾随的人员等,协助警方采集证据侦破案件。

实现方式:

实现条件:目标人员人脸照片、人脸抓拍库、相机位置信息(经纬度)、时间间隔和尾随次数。

实现流程:

应用层下的人脸识别(四):人脸研判

  1. 绘制目标人员在设定时间段内的人脸轨迹;
  2. 从时间上第一个摄像头开始,统计目标人员经过该摄像头时间节点前后“时间间隔”内经过的所有人员人脸一直到最后一个摄像头;
  3. 对这些人脸进行聚类分析,同一个人的人脸照片归在一类里;
  4. 挑选出现在不同摄像头下次数≥2的类型,并绘制这类人脸轨迹。

实现要点:

  1. 制定判定是否为同行人员的规则:这里引用了两个参数X、M,设定同行人与目标人出现在同一个相机画面中的时间间隔为X秒,及同行人和目标人出现在同一个相机下的频次为M,M≥2。
  2. X的设置需根据应用场景来,如果是做尾随分析,在人流量较大的环境下,建议X设置在60秒内;如果是做同行人分析,人流量不大,可适当延长X。

3. 落脚点分析

某人在经过某些区域时,停留的时间较长,则认定该区域即为此人的落脚点。

在地图上绘制某人的落脚点,可分析出某人经常活动的区域、住所、工作地点等。

应用场景:

针对涉案的人员,通过落脚点分析,可以了解涉案人员经常去哪,在哪停留较长,从而为人员抓捕、蹲点堵控提供信息支撑。

实现方式:

实现条件:目标人员人脸照片、落脚时间、人脸抓拍库、相机位置信息(经纬度)

实现流程:

应用层下的人脸识别(四):人脸研判

  1. 绘制在设置的某段时间某片区域内的人脸轨迹;
  2. 计算轨迹内两两摄像头之间人脸出现时间差(停留时间):后一个摄 像头抓拍时间减去前一个摄像头抓拍时间,该时间差可认为是目标人在这两个摄像头间的停留时间;
  3. 绘制的轨迹中会有重复的线段,重复次数即为目标人在该区域的出现频次;
  4. 筛选出停留时间大于X且出现频次大于M的线段,并过滤距离较长的线段(线段两端相机为非邻近摄像头);
  5. 以筛选出的线段中心为圆心,线段长度为直径在地图上画圆,该圆形区域即为落脚点 。

实现要点:

  1. 统计目标人员在“时间段”内的人脸轨迹,目标人员按照时间顺序经过的摄像头及时间点为A、B、C……Z。
  2. 如果目标人员5次经过A、B时间,3次时间大于“间隔时间”(1小时),AB摄像头计“区域1” 3次;如果目标人员10次经过B、C时间,6次时间大于“间隔时间”(1小时),BC摄像头计“区域2” 6次;一直到最后摄像头XZ计“区域Y” N次。
  3. 摄像头无法抓拍每个经过的行人人脸,为防止AB摄像头过远,需要在查询之前计算出所有摄像头邻近的摄像头,首先获知所有摄像头的经纬度,计算A和B、C等所有摄像头的距离,找出它最近的几个摄像头(暂定8个)。
  4. 计算B和A、C、D等所有摄像头的距离,找出它最近的几个摄像头,一直找到最后一个摄像头Z最近的几个摄像头。在查询时将行人轨迹中时间相近的两个摄像头和以前存储的表相比,如果属于摄像头邻近探头,则统计,不属于邻近探头则不统计。

4. 人脸碰撞

多个地点不同时间抓拍到人脸进行比对,找到共同出现的人脸。

例如:地区A在h1段时间内抓拍到M张人脸,地区B在h2段时间内抓拍到N张人脸,地区C在h3段时间内抓拍到P张人脸,将地区A中M张人脸依次与地区B中N张人脸进行比对,找出其中相似的人脸,再将上述人脸与地区C中的P张人脸进行比对,得到A、B、C地区中共同相似的人脸。

应用场景:

针对案件中犯罪份子多次作案和在一起案件中确认嫌疑人多个出现的地点的情况,可采用碰撞分析锁定嫌疑人员。

也可用于惯犯排查,办案人员在处理类似三抢一盗的案件中,80%的案件是惯犯所为,找到经过线索地点所有人员和惯犯库进行比对碰撞,可以快速排查,找出侦查方向。

实现方式:

实现条件:时间范围、人脸抓拍库、相机位置信息(经纬度)

实现流程:

应用层下的人脸识别(四):人脸研判

  1. 选择要碰撞的区域(即摄像头),输入每个区域要碰撞的时间;
  2. 以区域为单位区域汇总输入条件的人脸照片;
  3. 进行区域间的人脸比对;
  4. 输出大于比对阈值的人脸照片。

5. 出行规律分析

分析一段时间内指定人员的活动规律,统计该人员出现在各个地点(摄像头)的次数。

应用场景:

办案人员找到一个嫌疑人线索后,需要知道:嫌疑人经常在那些地方活动?在这些地点经常什么时间出现?

为嫌疑人抓捕、掌握嫌疑人更多的作案地点提供信息支持。

实现方式:

实现条件:目标人员人脸照片、人脸抓拍库、相机位置信息(经纬度)

实现流程:

应用层下的人脸识别(四):人脸研判

  1. 输入目标人脸照片及要统计的区域和时间;
  2. 筛选出输入条件下的人脸抓拍照片,与目标人脸进行比对;
  3. 得到大于阈值的人脸抓拍照片;
  4. 统计上述照片出现在摄像头下的频次;
  5. 按照频次高低排序并输出目标人出现的摄像头及出现次数。

以上就是系列文章的第四篇相关内容。

相关阅读

应用层下的人脸识别(一):图像获取

应用层下的人脸识别(二):人脸库

应用层下的人脸识别(三):人脸比对

 

本文由@阳春柏樰 原创发布于人人都是产品经理。未经许可,禁止转载

题图来自Unsplash,基于CC0协议

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 除了国家的安防系统,正常的商业场景付不起成本的。

    回复
    1. 安防场景有常住人员库可以坐,商业场景没有此类权限和资金投入,就会曲线救国,借助人脸属性和人脸聚类进行应用。

      来自北京 回复