(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211143361.2 (22)申请日 2022.09.20 (71)申请人 中远海运科技股份有限公司 地址 200135 上海市浦东 新区民生路6 00号 (72)发明人 徐玲杰　 (74)专利代理 机构 北京海虹嘉诚知识产权代理 有限公司 1 1129 专利代理师 高丽萍 (51)Int.Cl. G06V 40/16(2022.01) G06V 10/20(2022.01) G06V 10/24(2022.01) G06V 10/46(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06V 20/40(2022.01) (54)发明名称 一种基于深度学习的自然监控下的人脸识 别方法及系统 (57)摘要 本发明提供了一种基于深度学习的自然监 控下的人脸识别方法及系统， 基于待检测自然监 控视频流， 采用人脸检测算法识别出自然监控视 频流中多个人员的人脸图片并提取出关键特征 点， 基于关键特征点并采用SVM支持向量机算法 区分出正脸图片和歪斜人脸图片， 筛除人脸歪斜 角度大于等于预设阈值的歪斜人脸图片， 并对正 脸图片和人脸歪斜角度小于预设阈值的歪斜人 脸图片进行校正及预处理， 然后采用人脸识别模 型Arcfac e提取各个 人脸图片中每个 人脸的多维 特征向量并计算自然监控视频流中每张人脸的 多维特征向量与人脸信息库中所有人脸的多维 特征向量的最小欧式距离， 将计算出的距离与预 设的距离阈值进行对比匹配出相应人员的身份， 能够得到 较为准确的匹配结果。 权利要求书2页 说明书7页 附图2页 CN 115512408 A 2022.12.23 CN 115512408 A 1.一种基于深度学习的自然监控下的人脸识别方法， 其特 征在于， 包括以下步骤： 数据采集步骤： 获取待检测自然监控视频流， 根据人脸检测算法识别自然监控视频流 中多个人员的多张人脸图片， 并从每张人脸图片中提取 出关键特 征点； 图片处理步骤： 基于关键特征点， 采用SVM支持向量机算法区分出人脸图片中的正脸图 片和歪斜人脸图片， 将歪斜人脸图片 中的人脸歪斜角度与预设的歪斜角度阈值进行对比， 若人脸歪斜角度大于等于预设的歪斜角度阈值， 则将大于等于预设的歪斜角度阈值的歪斜 人脸图片剔除， 若人脸歪斜角度小于预设的歪斜角度阈值， 则根据标准人脸设置的参考特 征点对小于预设的歪斜程度阈值的歪斜人脸图片和正脸图片进行校正， 得到矫正后的人脸 图片， 并对矫 正后的人脸图片进行 预处理； 人脸特征提取匹配步骤： 对预处理后的人脸图片， 采用人脸识别 模型Arcface提取各个 人脸图片 中每个人脸的多维特征向量， 得到多个人脸的多维特征向量， 并根据多维特征向 量分别计算自然监控视频流中每个人员在每张人脸图片中的多维特征向量与人脸信息库 中所有人脸图片中的多维特征向量的最小欧式距离， 将 计算出的最小欧式距离与预设的距 离阈值进行对比， 若最小欧式距离小于等于预设距离阈值， 则根据最小 欧式距离所对应的 人脸信息库中人脸图片识别出自然监控视频流中各个人员的身份。 2.根据权利要求1所述的基于深度学习的自然监控下的人脸识别方法， 其特征在于， 所 述数据采集 步骤中， 所述关键特 征点包括左眼、 右眼、 鼻尖、 左嘴角和右嘴角。 3.根据权利要求1所述的基于深度学习的自然监控下的人脸识别方法， 其特征在于， 所 述图片处理步骤中， 在采用SVM支持向量机算法区分出人脸图片 中的正脸图片和歪斜人脸 图片之后， 还分别将采集的每个人员的正脸图片和歪斜人脸图片依次标记为正样本和负样 本， 并将同一个人的人脸图片归纳到同一个文件夹下。 4.根据权利要求1所述的基于深度学习的自然监控下的人脸识别方法， 其特征在于， 所 述图片处理步骤中， 所述预处理包括对各人脸图片进行翻转及归一化处理， 得到各人脸图 片对应的归一 化图片。 5.根据权利要求1所述的基于深度学习的自然监控下的人脸识别方法， 其特征在于， 所 述人脸特 征提取匹配步骤中， 所述人脸信息库包括人员身份信息和人员的人脸图片库。 6.一种基于深度学习的自然监控下的人脸识别系统， 其特征在于， 包括依次连接的数 据采集模块、 图片处 理模块和人脸特 征提取匹配模块， 数据采集模块， 获取待检测自然监控视频流， 根据人脸检测算法识别自然监控视频流 中多个人员的多张人脸图片， 并从每张人脸图片中提取 出关键特 征点； 图片处理模块， 基于关键特征点， 采用SVM支持向量机算法区分出人脸图片中的正脸图 片和歪斜人脸图片， 将歪斜人脸图片 中的人脸歪斜角度与预设的歪斜角度阈值进行对比， 若人脸歪斜角度大于等于预设的歪斜角度阈值， 则将大于等于预设的歪斜角度阈值的歪斜 人脸图片剔除， 若人脸歪斜角度小于预设的歪斜角度阈值， 则根据标准人脸设置的参考特 征点对小于预设的歪斜程度阈值的歪斜人脸图片和正脸图片进行校正， 得到矫正后的人脸 图片， 并对矫 正后的人脸图片进行 预处理； 人脸特征提取匹配模块， 对预处理后的人脸图片， 采用人脸识别 模型Arcface提取各个 人脸图片 中每个人脸的多维特征向量， 得到多个人脸的多维特征向量， 并根据多维特征向 量分别计算自然监控视频流中每个人员在每张人脸图片中的多维特征向量与人脸信息库权　利　要　求　书 1/2 页 2 CN 115512408 A 2中所有人脸图片中的多维特征向量的最小欧式距离， 将 计算出的最小欧式距离与预设的距 离阈值进行对比， 若最小欧式距离小于等于预设距离阈值， 则根据最小 欧式距离所对应的 人脸信息库中人脸图片识别出自然监控视频流中各个人员的身份。 7.根据权利要求6所述的基于深度学习的自然监控下的人脸识别系统， 其特征在于， 所 述关键特 征点包括左眼、 右眼、 鼻尖、 左嘴角和右嘴角。 8.根据权利要求6所述的基于深度学习的自然监控下的人脸识别系统， 其特征在于， 所 述图片处理模块中， 在采用SVM支持向量机算法区分出人脸图片 中的正脸图片和歪斜人脸 图片之前， 还分别将采集的每个人员的正脸图片和歪斜人脸图片依次标记为正样本和负样 本， 并将同一个人的人脸图片归纳到同一个文件夹下。 9.根据权利要求6所述的基于深度学习的自然监控下的人脸识别系统， 其特征在于， 所 述预处理包括对各 人脸图片进行翻转及归一 化处理， 得到各 人脸图片对应的归一 化图片。 10.根据权利要求6所述的基于深度学习的自然监控下的人脸识别系统， 其特征在于， 所述人脸信息库包括人员身份信息和人员的人脸图片库。权　利　要　求　书 2/2 页 3 CN 115512408 A 3