一种快速分级分类方法及装置与流程

本发明涉及安检技术领域，具体涉及一种快速分级分类方法及装置。

背景技术：

安检门在人们的日常生活中应用的场合越来越多，例如应用于地铁、民航、车站、码头、官方机构、博物馆、体育场等大型公共活动场所，近年来在公司企业中的应用也越来越普及。

以地铁安检为例，地铁安检乘客安检主要是靠“安检门+手检”的方式进行安检，但是随着地铁建设不断推进，越来越多的人坐地铁，客流量持续增长。大客流量已经成为地铁的常态，给地铁安检查危工作带来了巨大挑战。

经测算，目前地铁安检平均“检人”速度约为15秒/人，一机一门(单视角x光机+金属安检门)的安检能力约为300人/小时，高峰期乘客平均候检时间约为22.5分钟。在现有技术中采用安检员对进站的每个人都要进行手检，在乘客多的情况下，这种安检速度就很慢，效率很低，乘客进站需要等候很长时间。近距离触摸式安检不仅侵犯了乘客尊严和引起乘客不满，也严重影响了实时通过率，造成站内的人员拥堵，形成新的安全隐患，同时加重了安检人员的工作负担。如何快速安检，加强大客流情况下的安检查危工作，已成为地铁安检亟待改进和解决的课题。

因此，如何提出一种方法，能够在客流量大的情况下，还能快速安全地进行安检，成为亟待解决的问题。

技术实现要素：

针对现有技术中的缺陷，本发明实施例提供了一种快速分级分类方法及装置。

一方面，本发明实施例提供一种快速分级分类方法，应用于安检系统，包括：

获取采集设备上传的至少一图像；

对所述至少一图像进行人脸检测，确定出所述图像中的目标人脸图像；

将对所述目标人脸图像的人脸识别结果与预先建立好的人脸识别深度学习模型进行对比，并且将获得的对比结果进行分类，根据分类结果，控制显示设备的显示。

另一方面，本发明实施例提供一种快速分级分类装置，应用于安检系统，包括：

获取单元，用于获取采集设备上传的至少一图像；

确定单元，用于对所述至少一图像进行人脸检测，确定出所述图像中的目标人脸图像；

判断单元，用于将对所述目标人脸图像的人脸识别结果与预先建立好的人脸识别深度学习模型进行对比，并且将获得的对比结果进行分类，根据分类结果，控制显示设备的显示。

本发明实施例提供的快速分级分类方法和装置，应用于安检系统，并且将人脸识别技术引入到安检领域，通过对所述目标人脸图像的人脸识别结果与预先建立好的人脸识别深度学习模型进行对比，并且将获得的对比结果进行分类，根据分类结果，控制显示设备的显示，从而提醒安检人员适合采用哪种安检方式，提高安检效率、降低安检劳动强度、提升安检管理的精度和效率。

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一简单地介绍，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。

图1为本发明实施例提供的快速分级分类方法的流程示意图；

图2为本发明实施例提供的快速分级分类装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

图1为本发明实施例提供的快速安检方法的流程示意图，如图1所示，所述方法包括：

s101、获取采集设备上传的至少一图像；

当有人员要通过安检门时，安装在安检门的不同位置的采集设备会采集通过人员的至少一图像，并且采集设备会通过传输网络将采集到的至少一图像上传到服务器。其中，采集设备可以是摄像机等，采集设备每秒可抓拍十几帧，具体的采集帧数可根据用户的需求自行设定。

s102、对所述至少一图像进行人脸检测，确定出所述图像中的目标人脸图像；

服务器接收到所述采集设备上传的至少一图像后，可对至少一图像中的人脸进行检测，每个图像中可能有一个人脸图像，也可能有多个人脸图像，从多个人脸图像中确定出目标人脸图像。

s103、将对所述目标人脸图像的人脸识别结果与预先建立好的人脸识别深度学习模型进行对比，并且将获得的对比结果进行分类，根据分类结果，控制显示设备的显示。

在服务器确定了所述图像中的目标人脸图像，对所述目标人脸图像进行人脸识别，获得所述目标人脸图像的人脸识别数据，服务器将得到的人脸识别数据与预先建立好的人脸识别学习模型进行对比，获得不同的对比结果，将得到的对比结果进行分类，根据不同的分类结果来控制显示设备的显示。

例如，得到的人脸识别模型与预先建立好的人脸识别学习模型进行对比时，可能符合人脸识别学习模型中的某一类，也可能不符合人脸学习模型，这样就会得到不同的对比结果，而不同的对比结果就会对应显示设备的不同颜色的灯显示，同时表示不同的安检等级。

本发明实施例提供的快速分级分类方法，应用于安检系统，并且将人脸识别技术引入到安检领域，通过对所述目标人脸图像的人脸识别结果与预先建立好的人脸识别深度学习模型进行对比，并且将获得的对比结果进行分类，根据分类结果，控制显示设备的显示，从而提醒安检人员适合采用哪种安检方式，提高安检效率、降低安检劳动强度、提升安检管理的精度和效率。

可选地，所述人脸识别深度学习模型采用如下的步骤建立：

采集用于训练的不同类型的人脸图片；

对所述人脸图片利用多级卷积神经网络算法进行多层特征提取得到训练数据；

利用深度学习方法对所述训练数据训练得到所述人脸识别深度学习模型。

在上述实施例的基础上，首先需要建立人脸识别深度学习模型，具体的建立步骤如下所述：

采集用于训练的不用类型的人脸图片，例如，采集a公司的员工的人脸照片，采集b公司的员工的人脸照片，也可以是某个小区的居民照片，也可以是党政机关企事业工作人员的照片，也可以是经过统计计算，计算出在某一时间段内，在同一个地方经常出现的人脸图像等，并且将这些照片按照各自的类别分类存储；对采集到的用于训练的不同分类的每一张照片进行处理，利用多级卷积神经网络算法进行多层特征提取得到每一张照片相对应的训练数据；利用深度学习方法将所计算出来的所述训练数据进行训练，从而得到所述人脸识别深度学习模型。

本发明实施例提供的快速分级分类方法，应用于安检系统，并且将人脸识别技术引入到安检领域，通过对所述目标人脸图像的人脸识别结果与预先建立好的人脸识别深度学习模型进行对比，并且将获得的对比结果进行分类，根据分类结果，控制显示设备的显示，从而提醒安检人员适合采用哪种安检方式，提高安检效率、降低安检劳动强度、提升安检管理的精度和效率。

可选地，所述对所述至少一图像进行人脸检测，确定出所述图像中的目标人脸图像具体为：对所述至少一图像进行人脸检测，将满足一定预设规则的人脸图像，确定为所述图像中的目标人脸图像。

在上述实施例的基础上，服务器在接收到至少一图像后，对图像中的人脸进行检测，一种可能的情况是，在某一时刻，对通过安检门的人员进行拍照时，可能还拍到正通过人员旁边的人，所以这种情况下的照片里就不止一张人脸图像；另一种可能的情况是，由于安检门上的不同位置安装着采集设备，所以对于一个正要通过的人员来说，是从不同的角度拍摄的，每个角度拍摄的照片中人脸的显示就不同。

在上述可能的情况下，服务器对图像中不同的人脸都要进行人脸检测，根据一个预设的规则，服务器对所述的人脸进行判断，如果满足这个预设的规则，就判定这个人脸为目标人脸图像，可多方位的对人脸进行拍摄、检测，从而提高准确性。

可选地，所述一定预设规则为所述人脸图像的权重值最大的人脸图像。

在上述实施例的基础上，服务器根据一定的预设规则对图像中的人脸进行检测，若满足一定预设规则，则确定为目标人脸图像，其中所述的一定预设规则为所述人脸图像的权重值最大的人脸图像。

举例来说，所述人脸图像的权重，可以是指人脸的占据的面积的大小，或者是人脸的清晰度等。如果在有多个人脸的图像中有至少两个人脸的权重值相同，则服务器可以随机确定一个为目标人脸图像。

本发明实施例提供的快速分级分类方法，应用于安检系统，并且将人脸识别技术引入到安检领域，通过对所述目标人脸图像的人脸识别结果与预先建立好的人脸识别深度学习模型进行对比，并且将获得的对比结果进行分类，根据分类结果，控制显示设备的显示，从而提醒安检人员适合采用哪种安检方式，提高安检效率、降低安检劳动强度、提升安检管理的精度和效率。

可选地，预先建立好的人脸识别深度学习模型为：用户采集的人脸图片建立的模型、与公安系统联网后的犯罪嫌疑人的模型或可疑人员的模型。

在上述实施例的基础上，需要预先建立好人脸识别深度学习模型，而这个学习模型是建立在不同样本集的基础上，例如采集的样本可以是某个公司、某个小区的人员的模型，也可以是与公安系统进行联网后的某些犯罪嫌疑人的照片样本，也可以是曾经携带过危险物品的某一些可疑人员的照片等。

本发明实施例提供的快速分级分类方法，应用于安检系统，并且将人脸识别技术引入到安检领域，通过对所述目标人脸图像的人脸识别结果与预先建立好的人脸识别深度学习模型进行对比，并且将获得的对比结果进行分类，根据分类结果，控制显示设备的显示，从而提醒安检人员适合采用哪种安检方式，提高安检效率、降低安检劳动强度、提升安检管理的精度和效率。

可选地，所述根据所述分类结果，控制显示设备的显示，具体为：

若所述目标人脸图像的人脸识别结果符合预先建立好的人脸识别深度学习模型中的与公安系统联网后的犯罪嫌疑人的模型，则所述显示设备以第一状态进行显示；

若所述目标人脸图像的人脸识别结果符合预先建立好的人脸识别深度学习模型中的可疑人员的模型，则所述显示设备以第一状态进行显示；

若所述目标人脸图像的人脸识别结果符合预先建立好的人脸识别深度学习模型中的用户采集的人脸图片建立的模型，则所述显示设备以第二状态进行显示；

若所述目标人脸图像的人脸识别结果不符合预先建立好的人脸识别深度学习模型，则所述显示设备以第三状态进行显示。

在上述实施例的基础上，服务器根据将对所述目标人脸图像的人脸识别结果与预先建立好的人脸识别深度学习模型进行对比，并且将获得的对比结果进行分类，根据分类结果，控制显示设备的显示。

本发明实施例中的显示设备可以是显示灯，也可以是显示屏，或者是其他可以用来显示的设备。

若所述目标人脸图像的人脸识别结果符合预先建立好的人脸识别深度学习模型中的与公安系统联网后的犯罪嫌疑人的模型，则所述显示设备以第一状态进行显示，提醒安检员安检的级别为最高级，安检员可根据显示的状态来执行相应的安检，可以手检，也可以采用太赫兹人体安检仪来对通过的人员进行安检，一般安检的时间为20s左右；

若所述目标人脸图像的人脸识别结果符合预先建立好的人脸识别深度学习模型中的可疑人员的模型，则所述显示设备以第一状态进行显示，提醒安检员安检的级别为最高级，安检员可根据显示的状态来执行相应的安检，可以手检，也可以采用太赫兹人体安检仪来对通过的人员进行安检，一般安检的时间为20s左右；

若所述目标人脸图像的人脸识别结果符合预先建立好的人脸识别深度学习模型中的用户采集的人脸图片建立的模型，则所述显示设备以第二状态进行显示，提醒安检员安检的级别为快速级，安检员可根据显示的状态来执行相应的安检，可以手检，也可以采用太赫兹人体安检仪来对通过的人员进行安检，一般安检的时间为7s左右，其中这里采集的人脸照片可以是某些公司、某个小区的居民、党政机关企事业工作人员的照片或者是经过算法算出，在某一时间段内，在同一个地点经常出现的人脸图像；

若所述目标人脸图像的人脸识别结果不符合预先建立好的人脸识别深度学习模型，则所述显示设备以第三状态进行显示，提醒安检员安检的级别为普通级，安检员可根据显示的状态来执行相应的安检，可以手检，也可以采用太赫兹人体安检仪来对通过的人员进行安检，一般安检的时间为15s左右。在这种情况下，这种不符合人脸识别深度学习模型的目标人脸可能就是一些旅游的人员等。

本发明实施例提供的快速分级分类方法，应用于安检系统，并且将人脸识别技术引入到安检领域，通过对所述目标人脸图像的人脸识别结果与预先建立好的人脸识别深度学习模型进行对比，并且将获得的对比结果进行分类，根据分类结果，控制显示设备的显示，从而提醒安检人员适合采用哪种安检方式，提高安检效率、降低安检劳动强度、提升安检管理的精度和效率。

图2为本发明实施例提供的快速分级分类装置的结构示意图，如图2所示，所述装置包括获取单元10、确定单元11和判断单元12，其中：

获取单元10用于获取采集设备上传的至少一图像；确定单元11用于对所述至少一图像进行人脸检测，确定出所述图像中的目标人脸图像；判断单元12用于将对所述目标人脸图像的人脸识别结果与预先建立好的人脸识别深度学习模型进行对比，并且将获得的对比结果进行分类，根据分类结果，控制显示设备的显示。

在安检门的不同位置安装有至少一个采集设备，并且安检门上还安装有显示设备，当有人员通过安检门时，采集设备会采集通过人员的至少一图像，并且采集设备会通过传输网络将采集到的至少一图像上传到获取单元10；此时，获取单元10获取到采集设备上传的至少一图像，确定单元11可对至少一图像中的人脸进行检测，每个图像中可能有一个人脸图像，也可能有多个人脸图像，从多个人脸图像中确定出目标人脸图像；在确定了所述图像中的目标人脸图像，判断单元12对所述目标人脸图像进行人脸识别，获得所述目标人脸图像的人脸识别数据，服务器将得到的人脸识别数据与预先建立好的人脸识别学习模型进行对比，获得不同的对比结果，将得到的对比结果进行分类，根据不同的分类结果来控制显示设备的显示。

例如，得到的人脸识别模型与预先建立好的人脸识别学习模型进行对比时，可能符合人脸识别学习模型中的某一类，也可能不符合人脸学习模型，这样就会得到不同的对比结果，而不同的对比结果就会对应显示设备的不同颜色的灯显示，同时表示不同的安检等级。

本发明实施例提供的快速分级分类装置，应用于安检系统，并且将人脸识别技术引入到安检领域，通过对所述目标人脸图像的人脸识别结果与预先建立好的人脸识别深度学习模型进行对比，并且将获得的对比结果进行分类，根据分类结果，控制显示设备的显示，从而提醒安检人员适合采用哪种安检方式，提高安检效率、降低安检劳动强度、提升安检管理的精度和效率。

可选地，在上述实施例的基础上，所述装置包括获取单元10、确定单元11、判断单元12和人脸识别深度学习模型建立单元，其中所述人脸识别深度学习模型建立单元具体为：

采集模块，用于采集用于训练的不同类型的人脸图片；

提取模块，用于对所述人脸图片利用多级卷积神经网络算法进行多层特征提取得到训练数据；

训练模块，用于利用深度学习方法对所述训练数据训练得到所述人脸识别深度学习模型。

在上述实施例的基础上，本实施例中的获取单元10、确定单元11、判断单元12与上个实施例中的各个单元的性能及结构相同，在此不再赘述。

其中，所述装置还包括人脸识别深度学习模型建立单元，具体地，采集模型采集用于训练的不同类型的人脸图片，提取模型利用多级卷积神经网络算法通过对这些人脸图片进行多层特征提取得到训练数据，训练模型利用深度学习方法对提取模型提取得到的训练数据进行训练，得到所述人脸识别深度学习模型。

本发明实施例提供的快速分级分类装置，应用于安检系统，并且将人脸识别技术引入到安检领域，通过对所述目标人脸图像的人脸识别结果与预先建立好的人脸识别深度学习模型进行对比，并且将获得的对比结果进行分类，根据分类结果，控制显示设备的显示，从而提醒安检人员适合采用哪种安检方式，提高安检效率、降低安检劳动强度、提升安检管理的精度和效率。

可选地，所述确定单元11具体为：对所述至少一图像进行人脸检测，将满足一定预设规则的人脸图像，确定为所述图像中的目标人脸图像。

在上述实施例的基础上，确定单元11在接收到至少一图像后，对图像中的人脸进行检测，一种可能的情况是，在某一时刻，对通过安检门的人员进行拍照时，可能还拍到正通过人员旁边的人，所以这种情况下的照片里就不止一张人脸图像；另一种可能的情况是，由于安检门上的不同位置安装着采集设备，所以对于一个正要通过的人员来说，是从不同的角度拍摄的，每个角度拍摄的照片中人脸的显示就不同。

在上述可能的情况下，确定单元11对图像中不同的人脸都要进行人脸检测，根据一个预设的规则，确定单元11对所述的人脸进行判断，如果满足这个预设的规则，就判定这个人脸为目标人脸图像，可多方位的对人脸进行拍摄、检测，从而提高准确性。

可选地，所述一定预设规则为所述人脸图像的权重值最大的人脸图像。

在上述实施例的基础上，服务器根据一定的预设规则对图像中的人脸进行检测，若满足一定预设规则，则确定为目标人脸图像，其中所述的一定预设规则为所述人脸图像的权重值最大的人脸图像。

举例来说，所述人脸图像的权重，可以是指人脸的占据的面积的大小，或者是人脸图像的清晰度等。如果在有多个人脸的图像中有至少两个人脸的权重值相同，则服务器可以随机确定一个为目标人脸图像。

本发明实施例提供的快速分级分类装置，应用于安检系统，并且将人脸识别技术引入到安检领域，通过对所述目标人脸图像的人脸识别结果与预先建立好的人脸识别深度学习模型进行对比，并且将获得的对比结果进行分类，根据分类结果，控制显示设备的显示，从而提醒安检人员适合采用哪种安检方式，提高安检效率、降低安检劳动强度、提升安检管理的精度和效率。

以上所描述的装置以及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。