多级联动的人像比对应用平台研究与设计

开篇：润墨网以专业的文秘视角，为您筛选了一篇多级联动的人像比对应用平台研究与设计范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：本文主要研究了多级联动人像比对应用平台研究与设计。涉及人像识别系统、总体框架设计、系统架构等内容。本文的研究对相关从业人员具有一定借鉴意义。

关键词： 多级联动；人像比对；总体框架；系统架构；特征训练

中图分类号：TP391.41 文献标识码：A 文章编号：1009-3044（2016）30-0177-02

当今世界发展迅速，社会环境复杂多样，为了保障经济稳步持续发展，拥有良好社会治安环境，极少的犯罪案件发生率是重要条件。社会安全部门、公安机关都致力于降低案件发生率，维护良好社会治安环境。对于犯罪嫌疑人人脸的比对识别技术逐步发展起来。随着人脸识别算法精确程度的不断提高，云计算、大数据技术的不断完善，使得人脸精确识别成为可能。本文研究多级机关管理构架下，人像识别系统设计、总体框架设计、系统架构、存在问题分析等内容。通过这些内容的探讨，拟对如何设计人像比对平台切实能够发挥其实战作用提供参考意见。

1 人像识别系统设计

前期调研发现，人像识别算法主要有几何结构法、子空间法、局部特征法及现在流行的深度学习法。在设计系统时，我们使用深度学习方法作为核心算法。整个系统设计如图1所示。

如图1所示，由前端摄像头回传的静态图像及动态视频流通过预处理后检测人脸。将人脸图片集进行结构化，结构化后数据与注册数据库中的图片进行比对，最后输出相似度结果。

2 人脸比对平台总体设计

2.1 总体框架设计

总体框架设计如图2所示。

如图2所示，考虑各级部门职能不同，将其分为省、市、区三级架构。省级节点主要实现与其他系统数据库人像信息的对接、清洗、筛选等功能；实现库内人脸结构化过程，并且完成身份比对工作。市级节点主要实现上传下达的功能，以及对区级节点动态管控，实时考核等作用。

2.2 人像比对平台架构设计

人像比对平台架构设计如图3所示。

如图3所示，可将人像比对平台分为三层。最下层为数据层，包括碜阅谕的基本人脸库、机动车驾驶员信息库等内部数据，以及对接的专网、互联网等社会资源信息数据库里的数据。服务层为中间层，主要提供动态布控比对、静态身份确认比对功能。最上层为应用层。主要提供图片大库检索比对、动态布控、信息研判以及其他功能等。

3 实战应用中存在问题分析

实战应用中存在系列问题。第一，图片底库数据更新问题。显而易见，十年前的照片可能和现在照片差别较大，不容易比对成功。建议以身份证为检索条件，对图片底库内信息进行定期更新。第二，图片识别算法精确度问题。随着技术的发展，人脸识别成为可能。但是，现阶段识别精度有一定局限性。比对结果以相似度进行排列，靠人工甄别做最后判断。这是本阶段进行图片比对的瓶颈所在。第三，传输能力和计算能力问题。随着云计算、大数据的发展，计算能力得到质的飞跃。但是，对于图像，特别是动态视频流，需要非常大的存储空间。视频流的获取、传输、存储、处理分析等各个环节都是大数据处理的过程。庞大的数据量需要强大的计算能力支撑。如何合理设计实施方案，使得考虑经费、成本的前提下，实现人脸快速识别，动态布控是值得关注的问题。

4 总结

本文主要对多级联动的人像比对应用平台研究与设计进行探讨和分析。文中提到人像识别系统设计、总体框架设计、系统架构、实战应用中存在问题分析等内容。本文的研究内容期望对相关领域研究、技术人员及工作人员以借鉴作用。

参考文献：

[1] Ranzato M， Susskind J， Mnih V， et al. On deep generative models with applications to recognition[C]//Computer Vision and Pattern Recognition（CVPR）， 2011 IEEE Conference on. IEEE， 2011：2857-2864.

[2] Osadchy M， Cun Y L， Miller M L. Synergistic face detection and pose estimation with energy-based models[J]. The Journal of Machine Learning Research， 2011， 8：1197-1215.

[3] Sun Y， Wang X， Tang X. Deep convolutional network cascade fo facial point detection[C]//Computer Vision and Pattern Recognition（CVPR）， 2013 IEEE Conference on. IEEE， 2013：3476-3483.

[4] Huang G B， Lee H， Learned-Miller E. Learning hierarchical representations for face verification with convolutional deep belief networks[C]//Computer Vision and Pattern Recognition（CVPR）， 2012 IEEE Conference on. IEEE， 2012：2518-2525.

[5] 李卫. 深度学习在图像识别中的研究与应用[D]. 武汉理工大学， 2014.

[6] 池燕玲. 基于深度学习的人脸识别方法的研究[D]. 福建师范大学， 2015.