一种基于人脸识别的预警方法、装置、设备及计算机可读介质与流程

本发明涉及机器学习领域，尤其涉及一种基于人脸识别的预警方法、装置、设备及计算机可读介质。

背景技术：

目前，随着机器学习技术，特别是人脸识别相关技术的不断发展，基于人脸这一常见且容易获取和进行识别的生物特征的识别的门禁和安放系统已经广泛应用在了各大私有场所和机构中。

然而，在将人脸识别应用到如24小时超市、自助银行、加油站等这类公共场所的安防与门禁系统时，一方面，无法如现有技术中采取对所有请求进入者采取预存人脸信息，在接收请求时进行一对一的人脸信息匹配验证的门禁方式，另一方面，也无法在识别出异常的情况下及时发出预警信息以防止人身财产的损失。

因而，需要新的判断与预警方法来对此类场所的人员与财产的安全进行保障和与及时的危险预警。

技术实现要素：

基于此，有必要针对上述问题，提出了一种基于人脸识别的预警方法、装置、设备及计算机可读介质。

一种基于人脸识别的预警方法，所述方法包括：

基于获取到的实时视频流，提取出目标人脸图像；

将目标人脸图像输入预设犯罪特征检测模型，通过所述犯罪特征检测模型检测所述目标人脸图像是否具有预设犯罪特征；

基于犯罪特征检测模型的输出，判断犯罪是否可能发生；

在判定犯罪可能发生的情况下，执行预设预警动作。

一种基于人脸识别的预警装置，所述装置包括：

提取单元，用于基于获取到的实时视频流，提取出目标人脸图像；

检测单元，将目标人脸图像输入预设犯罪特征检测模型，通过所述犯罪特征检测模型检测目标人脸图像是否具有预设犯罪特征；

判断单元，基于犯罪特征检测模型的输出，判断犯罪是否可能发生；

预警单元，用于在判定犯罪可能发生的情况下，执行预设预警动作。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：

基于获取到的实时视频流，提取出目标人脸图像；

将目标人脸图像输入预设犯罪特征检测模型，通过所述犯罪特征检测模型检测所述目标人脸图像是否具有预设犯罪特征；

基于犯罪特征检测模型的输出，判断犯罪是否可能发生；

在判定犯罪可能发生的情况下，执行预设预警动作。

一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：

基于获取到的实时视频流，提取出目标人脸图像；

将目标人脸图像输入预设犯罪特征检测模型，通过所述犯罪特征检测模型检测所述目标人脸图像是否具有预设犯罪特征；

基于犯罪特征检测模型的输出，判断犯罪是否可能发生；

在判定犯罪可能发生的情况下，执行预设预警动作。

本发明实施例不同于现有的人脸识别的应用方法中基于预存的人脸信息进行匹配搜索的流程，提出了一种基于人脸识别的预警方法，可以对实时监控的视频流进行人脸的识别以及犯罪特征的检测，在根据检测结果判断出可能发生犯罪后，执行预设的预警动作以达到及时避险的目的，可以提高安防效率并大幅度降低人身与财产损失的概率。

本发明实施例先从获取到的实时视频流中提取出需要进行安全验证的目标人脸图像，再将目标人脸图像输入预设的犯罪特征检测模型，基于所述模型的检测结果，判断犯罪是否可能发生，并在判定犯罪可能发生的情况下，执行预设预警动作。本发明实施例的技术方案基于人脸识别实现了对实时视频流中出现的人脸进行识别，犯罪特征检测，从而进行犯罪发生可能的判断，并基于判断结果进行预警并执行预设的避险动作，在降低安保成本的同时提升了犯罪事件预先制止的成功率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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。

其中：

图1为一个实施例中基于人脸识别的预警方法的应用环境图；

图2为一个实施例中基于人脸识别的预警方法的流程图；

图3为一个实施例中基于人脸识别的预警方法中从所述视频流中提取目标人脸图像的流程图；

图4为一个实施例中基于人脸识别的预警方法中从所述视频流中获取的一个静态图像；

图5为另一个实施例中基于人脸识别的预警方法的对目标人脸图像进行活体检测的流程图；

图6为另一个实施例中基于人脸识别的预警方法中通过所述犯罪特征检测模型进行犯罪特征检测的流程图；

图7为另一个实施例中基于人脸识别的预警方法中在在判定犯罪可能发生的情况下，执行预设预警动作的流程图；

图8为另一个实施例中基于人脸识别的预警方法的流程图；

图9为一个实施例中基于人脸识别的预警方法在“便利店预防抢劫犯”的应用场景下的具体流程图；

图10为一个实施例中基于人脸识别的预警装置的结构框图；

图11为一个实施例中计算机设备的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作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。

本实施例提出了一种基于人脸识别的预警方法，可以实现对24小时超市、自助银行等公共场所的出入人员进行检测和危险预警，实现了一种快速而安全的“刷脸进门”的安保效果，弥补了现有人脸识别在安保领域的应用方式的空缺与不足，既提高了安全保障的效率，也能够有效防止人身财产的损失。

该方法的执行可以是基于一计算机设备，该计算机设备可以是安装于商场超市、加油站或自助银行的自动门上或者火车站或海关的自助安检通道的闸机装置上，且在该计算机设备上嵌入式安装有一摄像单元，用于采集实时视频流数据，然后由该计算机设备包含的处理器单元或控制单元对该实时视频流数据进行处理，以确定当前请求通过的对象是否具有预设的非法权限对应的应有特征，从而及时对所述对象的通行进行阻拦和通知相关安全管理人员以进行预警。

或者，在另一个实施例中，该方法的执行还可以是参考图1所示的基于人脸识别的预警系统，该系统包括终端110和服务器120。其中，在一个具体的实施例中，终端110可以是部署在24小时便利店的进出口自动门上的监控摄像设备。服务器120可以是与所述终端110连接的采用了本发明所述基于人脸识别的预警方法的独立的服务器或者是多个服务器组成的服务器集群。在终端110通过摄像设备采集到视频流数据之后，将该视频流数据通过终端110与服务器120之间的通讯连接发送给服务器120，由服务器120中对所述视频流数据进行人脸识别，以从该视频流中提取出需要进行安全性检测和判断的目标人脸图像，再进一步通过预设的犯罪特征检测模型对所述目标人脸图像进行犯罪特征的检测，最后根据检测结果判定出当前出现在终端110前的目标人脸是否具有犯罪可能，并根据该判定结果执行必要的预设的避险和预警操作。

图2为一个实施例中基于人脸识别的预警方法的流程图。

参考图2，在一个实施例中，本发明实施例提供了一种基于人脸识别的预警方法。该基于人脸识别的预警方法至少包括步骤201至步骤204，详细介绍如下：

在步骤201中，基于获取到的实时视频流，提取出目标人脸图像。

所述实时视频流是指与欲对其进行安全保卫的场所相关的实时监控与记录视频数据，具体地，所述视频流可以通过设置在该场所的某些预设位置的具有摄影能力的装置所获取。例如，在一个实施例中，所述视频流数据可以是通过安装在便利店进出口处的监控摄像头获取的，也可以是安装在便利店的自动门上的具有嵌入式摄像头的服务器通过嵌入式摄像头获取并进行进一步相关处理的。

图3为一个实施例中基于人脸识别的预警方法中从所述视频流中提取目标人脸图像的流程图。步骤201至少包括图3中示出的步骤301至步骤304，参考图3解释如下：

在步骤301中，基于预设摄像装置获取实时视频流。

所述预设摄像装置可以是摄像头等视频采集装置，该视频采集装置嵌入式安装在前述执行基于人脸识别的预警方法的计算及设备上，或者通过无线、有线等通信连接方式与图1中的服务器的通信单元相连接。

在一个实施例中，预设摄像装置还可以是红外摄像装置，这是因为采用红外线摄像头作为所述预设摄像装置，可以提高在夜间或监控环境光照条件不佳情况下本方案的预警能力。

在步骤302中，逐帧提取出实时视频流对应的静态图像。

所述提取静态图像可以按照如下方法：获取所述实时视频流的总帧数与帧率等与提取过程相关的属性信息，设置所述提取过程的开始帧与结束帧，按照所述帧率对所述实时视频流逐帧提取出所述静态图像。

在步骤303中，将所述静态图像输入预设人脸检测模型，获取所述人脸检测模型输出的静态图像中所包含的人脸位置和与该人脸位置对应的人脸置信度。

其中，所述人脸位置指静态图像中疑似出现人脸的图像区域或者与该图像区域对应的像素点的位置信息，所述人脸置信度指人脸检测模型确定的该静态图像中该人脸位置对应的图像区域中含有人脸的可能度。

图4为一个实施例中基于人脸识别的预警方法中从所述视频流中获取的一个静态图像，根据所述人脸检测模型输出的人脸位置的坐标点，在所述静态图像中确定出区域a、区域b、区域c分别作为人脸位置a、人脸位置b、人脸位置c。

其中所述人脸检测模型输出的预测出的各人脸位置出现人脸的可能度(即所述人脸置信度)分别为人脸位置a:90％、人脸位置b:30％、人脸位置c:20％。

在步骤304中，获取人脸置信度高于预设置信度阈值的静态图像中的人脸位置对应的图像作为目标人脸图像。

继续结合图4进行说明，在得到图4中各人脸位置与其对应的人脸置信度：人脸位置a:90％、人脸位置b:30％、人脸位置c:20％后，若预设的置信度阈值为75％，则将所述静态图像中区域a(唯一一个对应的人脸置信度90％大于置信度阈值75％的人脸位置)的图像提取出来作为所述目标人脸图像。

进一步的，在本实施例中，还需要对识别到的人脸进行活体检测，避免相关人员通过图像遮挡等方式来进行冒充，从而提高本实施例中基于人脸识别的预警方法的准确性。

具体的，如图5所示，在步骤304提取出目标人脸图像后，对提取出的目标人脸图像可以进一步进行图像是否来自于活体的检测，所述活体检测的过程至少包括如图5所示的步骤501至步骤502。

值得注意的是，对前述步骤提取出的目标人脸图像进一步进行活体检测的原因和技术效果在于：在步骤304根据人脸检测模型的输出结果确定出目标人脸图像后，即初步确定在视频流中较大可能地出现了在安全保卫方面有研究价值的人脸，但所述人脸可能是在有犯罪企图者用其他人脸照片或含有人脸的视频播放设备等遮挡面部的情况下获取的，而一般情况下，动机正常的顾客或乘客是不会在进入便利店或通过安检闸机时选择用预先获取的他人的人脸图像来取代自己的人脸信息的，从而可以认定采取照片或视频遮挡以逃避摄像头等监控设备对自己的人脸信息的采集，意欲进行活体攻击的入侵者极大可能上也是有犯罪企图会造成公众安全事件的高危人群，因此也需要对这样的高危人群进行预警和阻拦其通过。

在步骤501中，将目标人脸图像输入预设活体检测模型，获取所述活体检测模型输出的目标人脸图像对应的活体置信度。

可选的，所述活体检测模型可以通过如下过程预先进行训练：

确定一个样本集合，所述集合包含多个视频流样本以及与该视频流样本对应的用于表征所述目标人脸图像是否来自于活体的样本参考结果；

基于视频流样本提取出目标人脸图像；

将视频流样本对应的目标人脸图像和活体置信度输入所述活体检测模型，以对所述活体检测模型进行训练。

在步骤502中，将对应的活体置信度高于预设置信度阈值的人脸图像作为目标人脸图像。

需要说明的是，如果检测到的目标人脸图像对应的活体置信度低于预设置信度阈值，则说明检测到的目标人脸图像为非活体图像，在此种情况下，也存在一定的风险，因此，在检测到的目标人脸图像对应的活体置信度低于预设置信度阈值的情况下，还需要执行预设的预警提示的操作。

可选的，所述活体检测的过程还可以通过近红外相机获取目标人脸图像来完成，基于所述近红外相机产生的近红外图中的光照纹理特征和远程人脸心率特征与预设活体特征阈值进行匹配，根据特征匹配结果判断所述目标人脸图像是非来自活体。

可选的，所述活体检测的过程还可以基于光场相机(lightfieldcamera)实现，所述方法具体包括：设置两个相对位置经过校准的摄像头镜头；获得所述摄像头拍摄到的图像，对确定出的所述图像中人脸区域对应的人脸图像进行人脸特征值匹配；根据匹配的特征值情况获得人脸的深度信息，根据所述深度信息判断是否为活体人脸。所述光场相机可以由镜头、微透镜阵列和图像传感器组成，其中微透镜阵列是多个微透镜单元所组成的二维阵列。镜头的光瞳面(uv面)和图像传感器的光敏面(xy面)关于微透镜阵列(st)成共轭关系，即镜头经过每个微透镜单元都会投影到图像传感器上形成一个小的微透镜子图像。每个微透镜子图像包含了若干个像素，此时各像素所记录的光线强度就来自于一个微透镜和镜头的一个子孔径区域之间所限制的细光束，这里的细光束也就是光场的离散采样形式，通过微透镜单元的坐标st和镜头子孔径的坐标uv即能够确定每个细光束的位置和方向，获得l(u,v,s,t)的分布，即所述的人脸特征值的基础与组成。

在步骤202中，将目标人脸图像输入预设犯罪特征检测模型，通过所述犯罪特征检测模型检测所述目标人脸图像是否具有预设犯罪特征。

预设犯罪特征检测模型可以为一机器学习模型或神经网络模型，通过将相应的人脸图像输入到该预设犯罪特征检测模型的情况下，可以输出对应的该目标人脸图像是否具有预设犯罪特征。

图6为一个实施例中基于人脸识别的预警方法中通过所述犯罪特征检测模型进行犯罪特征检测的过程流程图。所述检测过程至少包括步骤601至步骤603，以下参考图6做详细解释：

在步骤601中，按照预设特征提取算法提取出所述目标人脸图像对应的目标人脸特征信息。

可选的，所述特征提取过程可以通过对目标人脸图像进行灰度化，二值化，傅里叶变化等相关图像处理。下面对灰度化处理的过程进行介绍：对目标人脸图像进行灰度化处理，获取灰度化人脸图像；获取灰度化人脸图像在预设的特征区域的灰度变化梯度值；将所述灰度变化梯度值与预设阈值比较的结果确定为所述目标人脸特征信息之一。

在步骤602中，将目标人脸特征信息输入预设犯罪特征检测模型。

在步骤603中，获取所述犯罪特征检测模型输出的目标人脸图像对应的犯罪可能度，以作为所述目标人脸图像具有预设犯罪特征的可能概率。

在一个具体的实施例中，在执行前述方法之前，还需要对犯罪特征检测模型进行模型训练，具体的，可以通过以下方式预先训练：

确定一个样本集合，所述集合包含多个视频流样本以及与该视频流样本对应的用于表征犯罪是否可能发生的样本参考结果；

基于所述视频流样本提取出人脸特征信息；

将所述视频流样本对应的人脸特征信息和样本参考结果输入所述犯罪特征检测模型，以对所述犯罪特征检测模型进行训练。

可选的，还可以对所述犯罪特征模型进行验证和测试，以使所述犯罪特征模型的预测正确率到达预设正确率阈值。

需要说明的是，所述犯罪特征模型旨在针对目标人脸是否具有如因佩戴了口罩、面罩、头套等导致的大面积面部不清楚的特征进行判断。因为按照常理推断，具有正常行为动机的顾客在进入便利店、加油站或者自助银行购物和办理事务时不会佩戴口罩、面罩、头套等能够大面积遮盖自己面部的配饰，同理，在通过火车站或地铁等公共交通的安检通道时，动机正常的乘客也不会以上述方式来遮住自己的面部，从而可以认定当人脸图像有高于一定阈值的不清楚(很可能是被人为遮挡)的面积时，所述人脸图像对应的对象极大可能上是想逃避正常的人脸获取和人脸信息安检流程，从而推断出所述对象也很大可能是有犯罪企图和将会造成公众安全事件的高危人群，因此也需要对这样的高危人群进行预警和阻拦其通过。

在步骤203中，基于犯罪特征检测模型的输出，判断犯罪是否可能发生。

在一个实施例中，所述犯罪特征检测模型输出目标人脸图像是否具有预设犯罪特征的判定结果，在犯罪特征检测模型判定目标人脸图像具有预设犯罪特征的情况下，即判定为犯罪可能发生。

在另一个可选的实施例中，上述判断犯罪是否可能发生的过程包括：将犯罪特征模型输出的所述目标人脸图像对应的犯罪可能度与预设可能度阈值进行比较，在所述犯罪可能度高于预设可能度阈值的情况下，判定为犯罪可能发生。

在步骤204中，在判定犯罪可能发生的情况下，执行预设预警动作。

图7为一个实施例中基于人脸识别的预警方法中在判定犯罪可能发生的情况下，执行预设预警动作的流程图。

所述执行预设预警动作的过程至少包括步骤701至步骤702，参考图7介绍如下：

在步骤701中，在判定犯罪可能发生的情况下，将预设预警信息发送给预设第一装置并接收所述第一装置返回的预警确认信息。

在一个实施例中，所述第一装置可以是与服务器通信的由人工或机器控制、监听和返信的装置，如超市的工作人员控制的门禁装置或者银行安保人员携带的通信设备等。

所述第一装置在收到服务器发送的如短信或警报铃的预设预警信息后，对预警情况进行情势判断，如判断出目标人脸对应的对象是否存在利用遮挡面部(属于预设的犯罪特征)或者伪造人脸信息蒙混进入(如前述步骤501至步骤502示出的活体检测过程所旨在防卫的活体攻击方法)的方式进行可能与犯罪实施关联的行为，并根据所述判断结果，向预先连接的服务器发送是否存在危险的预警确认信息。例如，在另一个实施例中，在一个戴着面罩的犯罪分子在凌晨两点出现在安装了基于本方法提出的基于人脸识别的预警装置的24小时便利店的入口附近的场景中，当所述犯罪分子在向自动门靠近的时候，一旦进入了预设的监控摄像头的图像捕捉范围时，摄像头会将捕捉到含有该犯罪分子的人脸图像信息的实时视频流，并将所述视频流传输给一体式预警装置的后台进行分析，或者发送给与所述监控摄像头相通信的预警服务器进行分析。

可选的，在预设时长的时间阈值内，服务器接收来自所述第一装置的预警确认信息并执行对应的预设动作，若在预设时长的时间阈值内，服务器未收到来自第一装置的预警确认信息，则服务器默认存在犯罪事件发生的可能，自动通知第二装置执行预设的避险动作。

在一个实施例中，所述第一装置可以是与服务器通信的门禁装置或预设的自动拨打预设紧急电话或可以发出预设紧急警报声音的报警装置。从而，在接收到服务器执行避险动作的指令后，所述第二装置可以采取紧急关闭自动门，拨打预设紧急电话或发出预设紧急警报声音等方式进行避险，对人身与财产及时进行保护。例如，当前述场景中通过服务器的所述两个机器模型检测到有一存在预设的犯罪特征(即此场景中的佩戴面罩)的犯罪分子靠近便利店(保卫区域)时，即紧急关闭自动门并通过收银系统向便利店店员发送所述预警确认信息，同时通过启动预设的响铃装置和led装置来向周围公众发送警报信息，并起到威慑和驱赶可能有犯罪企图的对象的作用。

在步骤702中，在所述预警确认信息为是的情况下，向预设第二装置发送预设避险动作消息，以使所述第二装置执行预设避险动作。

在一个实施例中，所述第二装置可以是与服务器通信的门禁装置或预设的自动拨打预设紧急电话或可以发出预设紧急警报声音的报警装置。从而，在接收到服务器执行避险动作的指令后，所述第二装置可以拨打预设紧急电话或者启动预设的生物武器驱赶流程(如启动部署在便利店门口的喷水装置或升起自助银行自动门外的防弹保护玻璃等)等方式进行危险的消除，以对涉及到的生命与财产进行及时保护。

图8为另一个实施例中基于人脸识别的预警方法的流程图。

值得说明的是，在图7所示出的基于人脸识别的预警流程中，其与前述方法的区别在于：对获取到的目标人脸图像同时进行所述的活体检测和犯罪特征检测，以达到对异常人脸的出现进行提前预警。

所述流程至少包括步骤801至步骤803，参考图8解释如下：

在801步骤中，通过人脸检测模型从获取的视频流中提取出目标人脸图像。

可选的，在提取出目标人脸图像后，可以基于预设的特征提取算法对所述目标人脸图像进行人脸特征信息的提取，并在下一步中将人脸特征信息代替目标人脸图像进行相关处理。在一个实施例中，所述的特征提取过程可以是将已扣取出的人脸图像进行灰度化处理和二值化处理，从而使得所述目标人脸信息与后续所需要的安全性检测的特征更为明显，以提高后续检测步骤的速率。

在802步骤中，将目标人脸图像输入预设的活体检测模型与预设的犯罪特征检测模型，基于所述两个模型的输出判断目标人脸图像是否存在犯罪特征。

具体的，步骤802中包括：将活体检测模型输出的活体置信度与预设的置信度阈值进行比较，同时将犯罪特征预测模型输出的犯罪可能度与预设的可能度阈值进行比较。

需要说明的是，在一个实施例中，步骤802通过对所述活体检测模型一方面可以对目标人脸图像进行所述是否来自于活体的判断，若如并非活体可能是人脸检测模型的误判则可以在此过程进行筛除，另一方面也可以通过所述活体检测模型判定出目标人脸图像是否存在采用活体攻击这类与犯罪行为高度相关的特征。

在803步骤中，在判定犯罪可能发生的情况下，将预设预警信息发送给第一装置进行确认，在第一装置发送的预警确认信息为是的情况下，执行预设的避险动作。

在所述任一模型的目标输出值高于预设阈值的情况下，服务器即判断为犯罪可能发生，而此处需要特别注意的是，在所述对犯罪是否可能发生的判断时，对于活体检测模型，与预设阈值进行比较时采用的所述目标输出值是指活体攻击置信度，而所述活体攻击置信度是将所述步骤501中得到的活体置信度取相反数得到的。

图9为一个实施例中基于人脸识别的预警方法在“便利店预防抢劫事件”的应用场景下的具体流程图；

下面结合图9示出根据本发明一示例实施方式在为“便利店预防抢劫事件”的应用场景下的具体流程。

如图9所示，本发明一实施例的所述应用场景下的具体流程包括步骤a至步骤e,解释如下：

在步骤a中，接收由终端的通信单元发送的实时视频流。

所述实时视频流由终端的摄像单元获取，在此应用场景中具体指安装在便利店自动门的嵌入式预警装置中的摄像头。此应用场景中的自动门可以是感应到有人或其他活体接近到预定距离时即自动开放的门禁装置。

在步骤b中，对所述实时视频流进行人脸识别，提取出待判定的目标人脸图像。

在此应用场景中，所述识别过程包括：从实时视频流中逐帧获取待检测的静态图像，将所述静态图像输入预设的人脸检测模型，获取所述人脸检测模型输出的静态图像中所包含的人脸位置和与该人脸位置对应的人脸置信度，获取人脸置信度高于预设置信度阈值的静态图像中的人脸位置对应的图像作为目标人脸图像。

在步骤c中，通过预设的活体检测模型与犯罪特征检测模型对目标人脸检测进行是否具有犯罪特征的检测。

在此应用场景中，所述检测过程包括：分别将目标人脸图像输入预设的活体检测模型与犯罪特征检测模型，将获取到的活体检测模型输出的活体攻击置信度与预设的攻击置信度阈值进行比较，同时将获取到的犯罪特征预测模型输出的犯罪可能度与预设的可能度阈值进行比较。

在步骤d中，基于所述活体检测模型与犯罪特征检测模型的输出判断犯罪是否可能发生。

在此应用场景中，所述步骤包括：在步骤c的比较结果中，若存在所述任一模型的目标输出值高于预设阈值的情况下，服务器则判断为存在犯罪可能。

在步骤e中，在判定犯罪可能发生的情况下，向便利店店员发送警报信息。

可选的，在此应用场景中，在向便利店店员发送警报信息后，可以设置一定时长的等待时间内，在所述等待时间内，通信单元接收店员发送的预警确认信息，以确认是否存在抢劫事件发生危险，同时即刻紧急关闭自动门以在可能的犯罪危险事件发生前阻止一切可能有犯罪企图的对象的进入。与此同时，在等待便利店店员对警报和有犯罪企图的对象的身份进行确认的时间里，还可以进一步通过启动预设的响铃装置和led装置来向周围公众发送警报信息，威慑和驱赶可能有犯罪企图的分子。

在所述预警确认信息为是的情况下，预警单元向预设的第二装置即便利店的自动门发送紧急关门直至警报解除的指令，并自动拨打预设的报警电话。

若在等待时间内，通信单元未收到所述预警确认信息，则服务器默认存在犯罪事件发生的可能，自动执行上述的相关避险动作。

在此应用场景中，在接收到服务器执行避险动作的指令后，所述第二装置可以拨打预设紧急电话或者启动预设的生物武器驱赶流程(如启动部署在便利店门口的喷水装置或升起自助银行自动门外的防弹保护玻璃等)等方式进行危险的消除，以对生命与财产进行及时保护。

可选的，在另一个实施例中，还可以将检测出的具有犯罪可能的人脸以及其来自的视频流画面保存下来，并记录对应的人脸图像出现的时间戳，将所述信息上传到后台服务器并存储于数据库中，为后续可能需要的进一步核实与调查做记录与备份。

图10为一个实施例中基于人脸识别的预警装置的结构框图。

参考图10所示，根据本发明的一个实施例的基于人脸识别的预警系统的预警装置1000，包括：提取单元1001、检测单元1002、判断单元1003和预警单元1004。

其中，提取单元1001用于基于获取到的实时视频流，提取出目标人脸图像；检测单元1002将目标人脸图像输入预设犯罪特征检测模型，通过所述犯罪特征检测模型检测所述目标人脸图像是否具有预设犯罪特征；判断单元1003用于基于犯罪特征检测模型的输出，判断犯罪是否可能发生；预警单元1004用于在判定犯罪可能发生的情况下，执行预设预警动作。

可选的，在一个实施例中，提取单元1001还用于基于预设摄像装置获取实时视频流；逐帧提取出实时视频流对应的静态图像；将所述静态图像输入预设人脸检测模型，获取所述人脸检测模型输出的静态图像中所包含的人脸位置和与该人脸位置对应的人脸置信度；获取人脸置信度高于预设置信度阈值的静态图像中的人脸位置对应的图像作为目标人脸图像。

可选的，在一个实施例中，检测单元1002还用于将目标人脸图像输入预设的活体检测模型以对目标人脸图像进行是否来自于活体进行判断。具体实施过程如下：将目标人脸图像输入预设活体检测模型，获取所述活体检测模型输出的目标人脸图像对应的活体置信度；将对应的活体置信度高于预设置信度阈值的人脸图像作为目标人脸图像，并执行所述将目标人脸图像输入预设犯罪特征检测模型，通过所述犯罪特征检测模型检测所述目标人脸图像是否具有预设犯罪特征的步骤。

可选的，在一个实施例中，判断单元1003还用于按照预设特征提取算法提取出所述目标人脸图像对应的目标人脸特征信息；将目标人脸图像输入预设犯罪特征检测模型，通过所述犯罪特征检测模型确定所述人脸图像对应的犯罪可能度；获取所述犯罪特征检测模型输出的目标人脸图像对应的犯罪可能度。

可选的，在一个实施例中，判断单元1003还用于在所述目标人脸图像对应的犯罪可能度高于预设可能度阈值的情况下，判定犯罪可能发生。

可选的，在一个实施例中，判断单元1003还用于以如下方式对所述犯罪特征模型进行预先训练：确定一个样本集合，所述集合包含多个视频流样本以及与该视频流样本对应的用于表征犯罪是否可能发生的样本参考结果；基于所述视频流样本提取出人脸特征信息；将所述视频流样本对应的人脸特征信息和样本参考结果输入所述犯罪特征检测模型，以对所述犯罪特征检测模型进行训练。

可选的，在一个实施例中，预警单元1004还用于在判定犯罪可能发生的情况下，将预设预警信息发送给预设第一装置并接收所述预设第一装置返回的预警确认信息；在所述预警确认信息为是的情况下，向预设第二装置发送预设避险动作消息，以使所述预设第二装置执行预设避险动作。

图11为一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图11所示，该计算机设备包括通过系统总线连接的处理器、存储器、报警设备、摄像装置和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现年龄识别方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行年龄识别方法。本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：

基于获取到的实时视频流，提取出目标人脸图像；

将目标人脸图像输入预设犯罪特征检测模型，通过所述犯罪特征检测模型检测所述目标人脸图像是否具有预设犯罪特征；

基于犯罪特征检测模型的输出，判断犯罪是否可能发生；

在判定犯罪可能发生的情况下，执行预设预警动作。

在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：

基于获取到的实时视频流，提取出目标人脸图像；

将目标人脸图像输入预设犯罪特征检测模型，通过所述犯罪特征检测模型检测所述目标人脸图像是否具有预设犯罪特征；

基于犯罪特征检测模型的输出，判断犯罪是否可能发生；

在判定犯罪可能发生的情况下，执行预设预警动作。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。