前端上传图片到服务器-前端图片裁剪上传
第一章概述
近年来,随着高清视频监控系统在地铁中的广泛应用,如何充分利用现有的高清视频资源,为地铁公安工作提供更加高效快捷的破案手段,为地铁运营和关键人员管理提供更高效的解决方案。 直观有效的数据参考是现阶段高清视频应用领域需要完成的任务。 人脸识别系统作为最直观、最准确的人脸特征识别技术应运而生,是一种基于人脸特征信息进行身份识别的生物识别技术。
近年来,公安部门通过地铁人工抽查,抓获了大量逃犯。 同时,在地铁运营方面,一再禁止逃票、乞讨、散发传单等影响地铁正常运营的行为。 地铁作为人们日常使用较多的公共交通工具,其硬件设施完备、环境相对封闭、适宜的影像采集环境、客流量巨大。 非常适合作为人脸识别系统进行数据采集的地方。
1.1 现状与需求分析
人脸识别是一种生物识别技术。 所谓生物识别技术前端上传图片到服务器,就是利用人类固有的生物特征进行身份验证的技术。 人的生物学特征按先天特征和后天特征可分为生理特征和行为特征两大类。 生理特征包括常见的指纹、手印、面孔、掌纹、视网膜、虹膜、DNA等,这些都是人类与生俱来的。 获取行为特征,包括签名、步态、语调和速度。 与密码认证、证书认证等其他身份认证方式相比,生物特征以其唯一性、不易伪造等优点得到了广泛的应用。
人脸识别是利用人体生物特征进行身份识别的典型方式。 与其他生物特征识别方式相比,人脸识别具有以下优势:
(1)容易被用户接受,侵入性低:虹膜识别、指纹识别等其他识别方式需要用户一定程度的配合。 虹膜识别需要非常靠近识别机才能提取虹膜信息,而指纹识别需要用户将手指放在指纹识别机上。 由于人脸识别需要获取人脸图像,拍照和识别的过程不需要与识别机近距离接触,用户接受度高,侵入性低。
(2)易于扩展:其他识别方式往往需要专业设备,而基本的人脸识别功能只需要使用摄像头,依靠相关识别软件即可实现,无需增加其他设备。 它具有成本效益,易于扩展和使用。
(3)直观性:人脸识别利用人的面部特征进行识别,符合人类在实际情况下自身识别他人身份的认知规律,具有良好的直觉性。
随着互联网特别是移动互联网的发展,一个以信息爆炸为特征的大数据时代正在到来。 现阶段,我国二代证件的普及,使中国超过13亿人的身份信息都拥有了数码照片数据,平安城市联网的数百万监控摄像头也产生了海量数据每天都有信息。 进入大数据应用时代。 公安系统现有的人脸识别应用面临以下挑战:
(1) 人脸识别的比对能力和准确率要求较大
目前,公安中的户籍管理、出入境、犯罪嫌疑人身份识别等多种应用都需要基于全国人脸数据进行身份识别。 处理的数据库容量为亿级、亿级,处理的比对请求数量大,模式不统一。 如何从如此大规模的数据库中快速准确地识别身份是当前面临的挑战。
(2) 系统输入从纯静态图片扩展到动态视频
近年来,全国公安机关大力开展视频监控系统建设。 将视频监控与人脸识别相结合,实现对犯罪嫌疑人的快速识别和实时布控,是提高视频监控效率的重要途径。但是,在视频监控环境下,人脸识别受到一系列因素的影响,如光线、角度、姿势和遮挡。 如何保证复杂监控场景下人脸识别的准确性是当前面临的挑战。
(3)重点人员实时预警
传统的人事管控方式需要人为判断关键人事信息,再根据信息线索进行主观判断。 会有一定的偏差,不能根据关键人员信息及时发布动态预警,预警的时效性比较差。
基于人脸识别的布控系统,首先可以帮助公安侦查人员快速识别和区分特定人员的真实身份,实现以往千万级海量照片库难以想象的比对需求,从而有效地为公众提供安防视频 为侦查、治安管理、刑侦立案等实战提供有效帮助和解决方案。 二是可以帮助公安办案人员在办案时追查抓捕,真正做到由打变防,可以大大减少警力资源的浪费和事故发生的概率。
1.2 建设目标
(一)重点人员实时排查管控
公安重点关注人员包括:高危人员、特殊人员等。高危人员包括各地逃犯、各地犯罪分子等; 特殊人员包括诈骗犯、涉恐人员、涉毒人员、重大犯罪前科人员、引发事故灾害的精神病人等。 所有进出地铁的人员都通过人脸识别进行筛查。 当重点监视人员出现时,及时识别并传唤,提醒公安人员予以逮捕或采取相应措施。
地铁运营的重点人员包括:逃票人员、发放传单人员、乞讨人员、盗取免费卡打折卡人员等。当相关人员出现时,及时识别报警,提醒工作人员采取相应措施
(2) 快速人员搜索
人脸识别系统记录所有进出地铁人员的人脸,并可根据时间、摄像头、人脸属性(年龄段、性别、是否戴眼镜、民族、是否微笑)快速查询数据库中的快照以及其他条件需要的人脸数据。 支持导入人脸图片,在指定时间和指定摄像头形成的过往数据库中查找满足一定相似度条件的过往数据,可以确认此人是否在指定时间段内从指定摄像头前经过。
(3) 行驶轨迹分析
系统可支持导入人脸图片,根据时间段和相似度阈值,在所有经过的数据库中检索目标人物的历史抓拍记录,并结合目标人物的位置信息,按照时间顺序在地图上绘制目标人物。 camera 通过轨迹,可以准确获取人的活动范围、落脚点等有用线索
第二章人脸识别系统组成
2.1 总体介绍
动态人脸分析布控系统是对动态移动人员进行人脸抓拍、识别、黑名单比对和报警的监控管理系统。 它利用视频监控技术和人脸识别技术在多个摄像头中检测人脸。 实时检测、跟踪和比较。 提供人脸抓拍、识别、黑名单报警等功能。 通过网络将信息实时反馈到中心进行数据处理和存储。 指挥中心人员可以进行动态监管,及时掌握监控人员的移动轨迹,大大提高了视频监控的智能化程度。
为保证系统部署中的数据安全,通常需要在公信信息网上部署与黑名单人员相关的数据库(如七类重点人员数据库),即实现黑名单人员比对业务在公安信息网。 人脸抓拍摄像机一般需要部署在视频专网上,因此整个系统的部署和应用由视频专网上和公安信息网上的相关应用组件组成。
在视频网络中存储人脸图像并提取结构化、半结构化信息,通过接口服务器上传到公安信息网,与公安信息网黑名单数据库进行比对。 如果有人相似,立即报警,并检索人脸轨迹。 公安信息网和公安视频专网之间需要部署安全接入边界。
2.2 逻辑结构
系统的逻辑结构自下而上分为采集层、处理存储层、应用层。
采集层:根据不同的应用场景,采用不同的前端采集设备(如人脸卡口摄像头、手机验证APP等)完成人脸图片的采集和上传。
处理存储层:由人脸结构、人脸大数据、存储三部分组成。对采集层上传的数据进行实时结构化分析、比对和存储
应用层:为系统提供黑名单布控、人员轨迹描绘、统计分析、异常搜索、设备管理、人像库管理、报警记录等功能,并通过统一的可视化界面呈现
第三章地铁动态人脸识别系统总体架构设计
网络架构
这种建设模式是在派出所警务网络上进行人脸集中建设,在每个派出所建设人脸采集终端,终端采集到的人脸图片通过专用视频网络推送到公安分局,用于写入存储设备中的人脸小图和大图的URL链接进行人脸分析,分局中心人脸识别平台从小人脸图片中提取人脸特征数据,写入到库,同时将人脸特征数据和URL链接推送到公安内网,并通过接口服务器部署到图书馆人员信息库中进行比对,一旦出现黑名单人员,在内网产生告警分公司的客户。
此外,根据地铁运营需要,当地铁公司需要对其他人员进行监控时,可以将公安网中的人脸特征数据和图片URL链接推送至OCC控制中心进行人脸监控。
第4章地铁动态人脸识别系统详细设计
4.1 前端采集设计 4.1.1 前端应用场景
地铁人脸识别系统设计中的应用场景选择通常选择在地铁出入口通道、换乘通道、进/出/双向闸机、安检门等关键部位。
不同安装位置的优缺点分析如下:
4.1.2 安装环境要求
一、一般要求
安装位置:通道或入口正前方。
安装高度:推荐2.5m~3m。
监控区域宽度:推荐0.8m~3m
摄像头俯视角度:建议15度以内
相机到拍摄点的水平距离:与所选不同镜头的焦距有关。 重点在通道出入口,人脸像素建议不低于120*120。
为保证人脸识别,行车距离不小于2m,行车时间不小于1s,行人速度不小于2.7m/s
环境光要求:照度均匀,面部左右两侧补光均匀(不能太暗也不能太亮)。 避免顺光强、逆光、动态范围广、玻璃门反光等场景,影响人脸识别。
2. 接入和传输通道的部署要求
Ø 人脸检测器直接部署在通道上方,水平偏角越小越好;
Ø 人脸检测器吊装,向下倾斜,垂直视角α=10±3°;
Ø 覆盖宽度≤3米,人脸像素≥120*120像素;
Ø 人脸检测器与行人之间无遮挡;
3.大门和安全门
Ø 人脸检测器直接部署在闸机通道上方,水平偏角越小越好;
Ø 人脸检测器吊装,向下倾斜前端上传图片到服务器,垂直视角α=10±3°;
Ø 每个人脸检测器覆盖2个门通道,人脸像素点≥120*120像素点;
Ø 人脸检测器与行人之间无遮挡;
4.1.3 前端技术要求
人脸检测器采用高清逐帧检测/跟踪技术,自动扫描(检测)监控区域内的人员,采用高效的人脸检测算法,配合先进的目标融合和决策策略,定位包含人员实时区域人脸信息,实现智能实时人脸检测、抓拍、筛选。
Ø 实现人脸识别抓拍,通过人脸评价算法选出最佳人脸图片传输至后台平台
Ø 摄像头分辨率不低于1080P,先进的H.265编码算法,压缩效率更高
Ø 采用状态识别机制,减少复杂背景的干扰。
Ø 可检测左右旋转≤30°、上下旋转≤15°的人脸;
Ø 要求人脸瞳距为60-80,人脸像素不小于120*120
Ø 可检测宽度大于60像素的人脸;
4.2 人脸结构分析模块设计 4.2.1 技术原理
动态人脸分析部署控制系统的核心之一是人脸结构分析模块,它基于安防视频监控多媒体数据计算的特点,结合高性能GPU+CPU集群计算技术,采用分布式集群架构,并充分考虑系统功能、质量和性能等因素,构建经济实用、功能强大、质量上乘、易于操作、界面丰富的人脸结构化分析系统。
人脸结构分析模块可通过人脸数百个关键点,准确定位各种表情、姿势、角度的人脸关键点。 该子模块采用最新的算法,结合深度学习的人脸特征标定进行初始化,整合多个不同标准的多点数据集的知识,使得同一个模型可以应用于不同数量的关键点检测,以达到确保更低的错误和更好的适应性。 从而在人脸局部遮挡、化妆、大角度偏转、局部模糊、年龄偏差大、胖瘦变化、面部表情变化等情况下,保证准确的数字描述。 对人脸抓拍相机/移动端上传的人脸图片进行结构化建模,将人脸图片转化为结构化数字描述。
采用先进的深度学习技术,基于深度学习理论的多层卷积神经网络(CNN),采用感知器(Perceptrons)、BP(反向传播)网络、RBF(径向基函数)网络等人脸识别算法进行人脸识别训练算法改进技术。 持续改进神经元网络快速收敛,不断提高算法精度,确保在面部局部遮挡、化妆、大角度偏转、局部模糊、年龄偏差大、脂肪变化等情况下与瘦弱、面部表情变化等进行精准比对,比对命中后自动报警。 并将接收到的人脸建模结构化数据进行人脸特征比对,识别性别、年龄段、是否戴眼镜等人脸特征信息。
4.2.2 分析模式
图像流分析模式
图像流分析模式,前端摄像头抓拍人脸,后端服务器对图像进行分析。 后端服务器计算压力较低,单台服务器处理性能高,单通道建设成本低。 但由于大流量场景下前端处理性能有限,容易造成前端漏拍。 同时,前端传输除了视频外,还需要保证图像传输的带宽,因此对带宽的要求会很高。
4.2.3 部署方式
本方案设计采用分布式智能计算集群架构,采用“前端智能分析+后端识别”的模型。 前端智能分析主要针对前端人脸抓拍摄像头,采用高清逐帧检测+跟踪技术,自动扫描(检测)监控区域内的人员,采用高效的人脸检测算法,配合先进的目标融合、决策策略、实时定位提取包含人脸信息的区域,实现智能实时人脸检测、分析、抓拍、筛选,通过人脸评价选出最佳人脸图片算法并上传到后端人脸识别系统。
后端人脸识别系统采用智能计算集群调度方式,智能计算集群实现统一管理和智能调度。
4.3 大数据模块设计 4.3.1 技术原理
从广义上讲,大数据涵盖的范围很广。 海量数据和应用可以理解为大数据。 大数据涵盖的数据类型集中在安防相关领域,主要是视频、图像、物联网采集数据。 上述各种前端或通过数据对接采集的数据,在对原始数据进行结构化或半结构化处理后,存储在经过深度优化和安全适配的Hadoop+Spark架构大数据系统中,以满足企业的需求。行业。 基本应用。 整体结构如下图所示:
存储层面:在Hadoop中,基于HDFS引入Hbase,存储结构化/半结构化数据,更适合安防领域的图片、视频、文本等信息,使数据使用更高效,数据针对性强。存储表结构设计为更适合行业业务,提高数据的整体读写性能。 这是Hadoop在存储层面所做的优化改进。
计算层面:在Hadoop架构中,MapReduce长期以来一直扮演着重要的角色。 MapReduce 由两个词组成:Map 和 Reduce。 做一个块之间的映射关系,就像是为一个杂乱的文件做一个清晰的映射图,然后这些小块的文件再通过分布式计算资源进行缩减,最后给出计算结果。 这两步操作简单,其实比较复杂。 在此期间,他们的一些中间计算结果会存储在HDFS/Hbase中。 因此,对于一些需要反复迭代的计算,需要反复从HDFS/Hbase中读取中间结果,降低了效率。
Spark也是一个并行分布式计算框架,类似于MapReduce,但Spark的特点是将中间计算结果放在内存中,基于内存的数据读取速度远快于文件系统。 因此,Spark基于内存的计算比MapReduce的效率要高很多。同时,Spark还加入了流数据处理、图数据处理等更高级的数据处理能力。 这些特点非常适合安防行业,尤其是以视频图像为核心的安防业务。 替代MapReduce,并持续进行针对性优化,持续提升大数据整体处理性能
数据交互:Spark Streaming,顾名思义,是基于Spark的优秀血统。 Streaming代表流式数据,流水般的数据需要实时处理。 数据具有时效性。 大数据可以处理历史数据,更重要的是,它必须能够快速处理实时数据。 这就是 Spark Streaming 所擅长的。 Spark Streaming 基于单位时间处理数据。 为了避免数据流的不稳定,降低底层压力,采用Kafka配合Spark Streaming。 Kafka是业界主流的分布式消息框架。 接收到数据后,将它们排队形成消息,排队后交给Spark Streaming处理,存储在Hbase中。 实际上,它在上层起到了缓冲作用,使数据流动稳定有序,交给底层处理,减轻了底层的压力,提高了数据处理能力。 整体效率,数据来的时候先进入Kafka消息队列,然后Kafka调用API发送给Spark Streaming,由Spark Streaming处理后存储到Hbase中。
数据搜索:对于海量数据的搜索和阅读,我们自然会想到搜索引擎。 ElasticSearch(以下简称ES)是一个实时的分布式搜索和分析引擎,可用于全文搜索、结构化搜索和分析。 在Hadoop架构中使用ES是因为ES在索引和实时搜索方面比Solr有明显的优势。
第五章系统应用功能设计
5.1 人员控制
将前端抓拍到的人脸图像与黑名单人员图像进行实时自动比对,相似度达到阈值时触发告警。
用户在实时报警窗口,当有报警时,左侧报警列表会实时刷新,右侧地图界面的报警点会显示红点闪烁提示地图上的对应点。 当下一个点有实时报警时,会切换到下一个报警点,保证该点在地图画面的中心。
5.2 轨迹呈现
前端摄像头在平台配置经纬度信息后,可以在地图上显示具体的摄像头位置信息。
导入人脸图片,设置搜索时间段和相似度值,根据时间段和相似度阈值在所有数据库中搜索目标人物的历史抓拍记录,结合摄像头的经纬度信息,按时间顺序排列在地图上绘制出目标的行走轨迹,通过轨迹可以获取此人的活动范围、落脚点等有用线索。
曲目支持动态显示,即小人图标按时间顺序沿曲目路线移动播放,曲目播放速度(1-100)可自由设置。 配置好地图服务器,导入路网数据后,可以根据路网绘制通行轨迹。 在没有配置路网信息的情况下,轨迹就是两个摄像头之间的连线。
5.3 非常搜索
数据库中抓拍到的人脸数据可以按时间、摄像头、人脸属性(年龄段、性别、是否戴眼镜、种族、是否微笑)等条件进行查询。 点击搜索结果详情可查看抓拍全景图,可链接播放目标抓拍前后10秒视频
还支持导入人脸图片(支持本地导入或从列表库导入),在指定时间和指定摄像头形成的过往人库中查找满足一定相似度条件的过往数据,并可以确认人在指定时间段内从指定摄像头前经过,返回的结果数据将按照相似度排序。 点击搜索结果详情可以查看抓拍到的全景图,还可以播放目标抓拍前后的10秒视频。
5.4 人脸搜索
人脸搜索功能是在平台客户端播放视频时,在画面中发现可疑人物。 当你需要判断此人是否为黑人或需要确认此人身份时,可以直接点击开启人脸搜索功能。 ,在播放视频的过程中,选择视频中需要确认的人的正面照片,点击搜索,会把截取的人脸图片与库中的照片进行比对,然后返回TOP 5人脸图片和人员信息。
5.5 手机人脸验证
通过人脸验证APP实现手机人脸识别验证功能,抓拍现场人员照片上传至后台服务中的黑名单数据库进行比对,反馈是否为黑名单人员。
可接受中心平台推送的黑名单报警信息,方便执勤民警开展相关侦查抓捕行动。
APP拍摄的人脸照片可以发送到人脸服务器的人脸库中。
5.6 优秀人员信息统计报表
用户可以根据业务需要统计一段时间内的抓拍人数和报警次数。
支持按时间段(月、周、日、小时等)、抓拍摄像机、报警类型等条件统计,支持以折线图、列表的形式直观展示统计结果,支持结果导出到excel。
5.7 部署任务管理
支持黑名单部署和白名单部署任务,支持设置部署时间、部署区域(摄像机部署)、告警阈值。 控制任务列表显示详细信息,支持修改任务控制时间、控制区域、阈值。
5.8 集群管理
面向结构的服务器采用机箱和业务板的工作方式。 通过集群管理,实现负载分担,提高业务性能。 支持看板业务动态扩展,分析性能随着智能名片数量的增加而线性提升。 It also supports resource cluster management and scheduling among multiple boards. The smallest scheduling can be supported to the GPU chip level to achieve business load balancing and dynamic backup functions.
The intelligent cloud management client can visually present the running status of each business node in the cluster, CPU and GPU usage, business performance consumption, etc., which is convenient for users to view and manage the running status of devices, and achieve real intelligent management and cluster scheduling.