本发明涉及图像检测领域，具体涉及一种活体识别模型训练方法、活体检测方法及装置。
背景技术：
目前，各种规模的视频监控系统已广泛应用于各行各业，除了治安、金融、银行、交通、军队和口岸等领域外，还包括社区、写字楼、酒店、公共场所、工厂、商场、小区、甚至家庭等场合。
通过对视频图像进行检测和判断，可以对图像的内容进行识别从而实现自动识别某种目标或行为的目的。目前已有很多人体检测方法，例如有基于传统运动检测的方法如基于前景检测及图像分块等，还有基于机械学习的方法，例如基于“adaboost+haar”的行人检测和“方向梯度直方图(hog)+支持向量机(svm)”等方法。但是这些方法都存在不同程度的问题，如基于运动检测的方法，前景检测很容易受到光照等环境的影响，导致不稳定，出现鬼影、分块、漏检等问题；而这些机械学习的方法，由于人群比较密集的地方如地铁站、汽车站、火车站等，很容易出现，个体被遮挡的情况。而当个体出现遮挡的情况下，“adaboost+haar”和“hog+svm”等方法都会存在不同程度的漏检问题，同时，人员出现量大的场景，计算度成量级上升的情况下，需要保证实时性的问题。
技术实现要素：
因此，本发明要解决的是现有的人体检测方案漏检率较高的问题。
有鉴于此，本发明提供了一种活体识别模型训练方法，包括：
获取包含人体头肩特征的多个图像作为正样本，以及不包含人体头肩特征的多个图像作为负样本；
利用所述正样本和负样本对神经网络模型进行训练，直至所述神经网络模型对人体头肩特征的识别正确率大于预设阈值。
优选地，在所述利用所述正样本和负样本对神经网络模型进行训练的步骤中，采用聚合通道特征算法对所述神经网络模型进行训练。
优选地，所述正样本包括不同性别、不同年龄段、不同姿态、以及身着不同服装的人体图像。
优选地，所述正样本的数量大于所述负样本的数量。
本发明还提供了一种活体检测方法，包括：
获取由门禁系统采集到的待识别视频图像；
利用上述方法训练的神经网络模型对所述待识别视频图像中的每一帧图像进行识别；
标记识别到的人体头肩特征。
相应地，本发明还提供了一种活体识别模型训练装置，包括：
获取单元，用于获取包含人体头肩特征的多个图像作为正样本，以及不包含人体头肩特征的多个图像作为负样本；
训练单元，用于利用所述正样本和负样本对神经网络模型进行训练，直至所述神经网络模型对人体头肩特征的识别正确率大于预设阈值。
优选地，所述训练单元采用聚合通道特征算法对所述神经网络模型进行训练。
优选地，所述正样本包括不同性别、不同年龄段、不同姿态、以及身着不同服装的人体图像。
优选地，所述正样本的数量大于所述负样本的数量。
相应地，本发明还提供了一种活体检测装置，包括：
获取单元，用于获取由门禁系统采集到的待识别视频图像；
识别单元，用于利用上述方法训练的神经网络模型对所述待识别视频图像中的每一帧图像进行识别；
标记单元，用于标记识别到的人体头肩特征。
本发明提供的活体识别模型训练方法和装置，通过正样本和负样本以及头肩特征对神经网络模型进行训练，使训练出的模型能够从图像中准确地识别出是否包含头肩特征，该模型可以通过识别头肩特征来确定图像中是否存在活体，相比于全身检测，由于门禁系统中的摄像机通常是安放在头顶上方45度的位置，因此头肩完全遮挡的情况相对来讲比较少出现，因此该模型可以很好的解决传统行人检测在人群密集出现遮挡时，容易漏检的问题。
本发明提供的活体检测方法及装置，利用头肩识别模型检测图像中的头肩特征，将头肩特征进行标记，并视其为人体，后续可以对识别到的人体进行跟踪等处理。相比于全身检测，因为门禁系统中的摄像机通常是安放在头顶上方45度的位置，因此头肩完全遮挡的情况相对来讲比较少出现，因此可以很好的解决传统行人检测在人群密集出现遮挡时，容易漏检的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中的活体识别模型训练方法的流程图；
图2为本发明实施例中的活体检测方法的流程图；
图3为本发明实施例中的人流量统计方法的流程图；
图4为本发明实施例中的活体识别模型训练装置的结构示意图；
图5为本发明实施例中的活体检测装置的结构示意图；
图6为本发明实施例中的人流量统计装置的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明第一实施例提供了一种活体识别模型训练方法，如图1所示包括如下步骤：
s11，获取包含人体头肩特征的多个图像作为正样本，以及不包含人体头肩特征的多个图像作为负样本，例如可以选取20000张正样本和10000张负样本。为了使训练出的模型性能更加良好，正样本的种类可以更加全面，例如从人物属性上包含男女，老人，小孩等，从姿态上包含正面、侧面和背面等，从环境的角度上包含了各个季度的样本，而负样本包含各个类别中的不含行人的大图片10000张。
s12，利用所述正样本和负样本对神经网络模型进行训练，直至所述神经网络模型对人体头肩特征的识别正确率大于预设阈值。具体可以选取图像中的某些特征属性作为神经网络模型的输入层，将人体头肩在图像中的位置作为输出层对神经网络模型进行训练。训练算法包括多种，本实施例优选采用聚合通道特征(acf，aggregatechannelfeatures)算法对所述神经网络模型进行训练，提取图像的10个通道的特征作为神经网络模型的输入层数据。原因主要是综合考虑算法对硬件内存、鲁棒性、实时性的要求，acf算法在满足实时性要求的同时能够有较好的鲁棒性，对各种环境的检测结果比较稳定。
本发明提供的活体识别模型训练方法，通过正样本和负样本以及头肩特征对神经网络模型进行训练，使训练出的模型能够从图像中准确地识别出是否包含头肩特征，该模型可以通过识别头肩特征来确定图像中是否存在活体，相比于全身检测，由于门禁系统中的摄像机通常是安放在头顶上方45度的位置，因此头肩完全遮挡的情况相对来讲比较少出现，因此该模型可以很好的解决传统行人检测在人群密集出现遮挡时，容易漏检的问题。
本发明第二实施例提供了一种活体检测方法，如图2所示，该方法包括：
s21，获取由门禁系统采集到的待识别视频图像；
s22，利用上述第一实施例提供的方法所训练的神经网络模型，对所述待识别视频图像中的每一帧图像进行识别；
s23，标记识别到的人体头肩特征。
本发明实施例利用头肩识别模型检测图像中的头肩特征，将头肩特征进行标记，并视其为人体，后续可以对识别到的人体进行跟踪等处理。相比于全身检测，因为门禁系统中的摄像机通常是安放在头顶上方45度的位置，因此头肩完全遮挡的情况相对来讲比较少出现，因此可以很好的解决传统行人检测在人群密集出现遮挡时，容易漏检的问题。
本发明第三实施例提供了一种人流量统计方法，如图3所示，该方法包括：
s31，获取由门禁系统采集到的待识别视频图像；
s32，对所述待识别视频图像中的每一帧图像进行识别，以得到人体头肩特征。在此步骤中可以采用上述第一实施例提供的方法训练的模型以及第二实施例提供的检测方法对图像进行识别。
s33，根据所述人体头肩特征确定跟踪目标，也即提取出每帧图像的所有目标；
s34，分别对所述跟踪目标进行跟踪，以确定所述跟踪目标是否穿越预定位置，以及所述跟踪目标穿越预定位置时的移动方向，预定位置例如是图像中的卡口，其方向为进入方向和离开方向；
s35，根据穿越所述预定位置的目标数量以及所述移动方向统计进出所述预定位置的人数。针对每一目标从进入视频监控范围开始跟踪，一直到目标离开监控区域为止，由此可以统计在一段时间内，进入和/或离开的人数。
根据本发明提供的人流量统计方法，该方法包含目标检测、目标跟踪和行为分析三个步骤；所述目标检测步骤对获取的视频帧序列进行头肩检测；所述目标跟踪是对目标检测的结果，进行跟踪记录目标在画面中的轨迹；所述行为分析是对目标的轨迹进行分析，判断目标的运动方向，实现人流进出卡口的判断和记录。通过上述步骤本发明实现了实时、高精度、抗遮挡的效果，具有很高的实用价值。
作为一个优选的实施方式，在上述步骤s34中，本实施例采用基于核化相关滤波器(kcf，kernelizedcorrelationfilter)算法进行跟踪，采用kcf跟踪算法的原因，kcf的运行速度非常的快，同时对光照和目标的形变具有一定的鲁棒性。同时为了进行步的加快kcf的运行速度，目标可以采用固定尺度搜索，这是因为人流统计的应用场景目标与摄像头有一定距离，目标的尺度变化较小。
作为一个优选的实施方式，上述步骤s35具体可以包括如下步骤：
s351，当所述跟踪目标穿越所述预定位置时，根据所述跟踪目标穿越所述预定位置时的前后两帧图像判断所述跟踪目标的位移方向是否为预定方向。当所述跟踪目标的位移方向为预定方向时，执行步骤s352，否则执行步骤s53，当需要输出结果时执行步骤s354；
s352，使预设的第一计数器数值加1；
s353，使预设的第二计数器数值加1；
s354，根据所述第一计数器数值和所述第二计数器数值分别确定按照所述预定方向穿越所述预定位置的行人的数量以及按照所述预定方向的相反方向穿越所述预定位置的行人的数量。
本发明第四实施例提供了一种活体识别模型训练装置，如图4所示，包括：
获取单元41，用于获取包含人体头肩特征的多个图像作为正样本，以及不包含人体头肩特征的多个图像作为负样本；
训练单元42，用于利用所述正样本和负样本对神经网络模型进行训练，直至所述神经网络模型对人体头肩特征的识别正确率大于预设阈值。
根据本发明提供的活体识别模型训练装置，通过正样本和负样本以及头肩特征对神经网络模型进行训练，使训练出的模型能够从图像中准确地识别出是否包含头肩特征，该模型可以通过识别头肩特征来确定图像中是否存在活体，相比于全身检测，由于门禁系统中的摄像机通常是安放在头顶上方45度的位置，因此头肩完全遮挡的情况相对来讲比较少出现，因此该模型可以很好的解决传统行人检测在人群密集出现遮挡时，容易漏检的问题。
优选地，所述训练单元采用聚合通道特征算法对所述神经网络模型进行训练。
优选地，所述正样本包括不同性别、不同年龄段、不同姿态、以及身着不同服装的人体图像。
优选地，所述正样本的数量大于所述负样本的数量。
本发明第五实施例提供了一种活体检测装置，如图5所示，包括：
获取单元51，用于获取由门禁系统采集到的待识别视频图像；
识别单元52，用于利用上述第一实施例提供的方法训练的神经网络模型对所述待识别视频图像中的每一帧图像进行识别；
标记单元53，用于标记识别到的人体头肩特征。
本发明实施例利用头肩识别模型检测图像中的头肩装置，将头肩特征进行标记，并视其为人体，后续可以对识别到的人体进行跟踪等处理。相比于全身检测，因为门禁系统中的摄像机通常是安放在头顶上方45度的位置，因此头肩完全遮挡的情况相对来讲比较少出现，因此可以很好的解决传统行人检测在人群密集出现遮挡时，容易漏检的问题。
本发明第六实施例提供了一种人流量统计装置，如图6所示，包括：
获取单元61，用于获取由门禁系统采集到的待识别视频图像；
识别单元62，用于对所述待识别视频图像中的每一帧图像进行识别，以得到人体头肩特征；
确定单元63，用于根据所述人体头肩特征确定跟踪目标；
跟踪单元64，用于分别对所述跟踪目标进行跟踪，以确定所述跟踪目标是否穿越预定位置，以及所述跟踪目标穿越预定位置时的移动方向；
统计单元65，用于根据穿越所述预定位置的目标数量以及所述移动方向统计进出所述预定位置的人数。
根据本发明提供的人流量统计装置，通过对获取的视频帧序列进行头肩检测，并对检测到的目标进行跟踪，记录目标在画面中的轨迹，然后对目标的轨迹进行分析，判断目标的运动方向，实现人流进出卡口的判断和记录。通过上述处理，本发明实现了实时、高精度、抗遮挡的效果，具有很高的实用价值。
优选地，所述跟踪单元采用基于核化相关滤波器算法进行跟踪。
优选地，所述统计单元包括：
方向判断单元，用于当所述跟踪目标穿越所述预定位置时，根据所述跟踪目标穿越所述预定位置时的前后两帧图像判断所述跟踪目标的位移方向是否为预定方向；
第一方向计数单元，用于当所述跟踪目标的位移方向为预定方向时，使预设的第一计数器数值加1；
第二方向计数单元，用于当所述跟踪目标的位移方向不是预定方向时，使预设的第二计数器数值加1；
双方向统计单元，用于根据所述第一计数器数值和所述第二计数器数值分别确定按照所述预定方向穿越所述预定位置的行人的数量以及按照所述预定方向的相反方向穿越所述预定位置的行人的数量。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。