一种基于深度学习的自然监控下的人脸识别方法及系统与流程

1.本发明涉及通用视频监控技术领域，具体涉及一种基于深度学习的自然监控下的人脸识别方法及系统。

背景技术：

2.人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。目前通用的人脸识别系统主要包括四个组成部分，分别是人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。
3.人脸识别准确性受到很多因素影响，比如光照、人脸角度和分辨率等。为了改善这些问题，提高人脸识别的准确性以适应对人脸识别精度要求非常高的场景，比如手机解锁、人脸身份证匹配、人脸门禁等，引入了三维人脸识别、热成像人脸识别和基于红外相机的多光源的人脸识别技术等。非可见光相机对人脸识别的辅助功能受到距离限制，光照过强会使相机红外功能失效，因此以上三种技术并不适用于普通监控视频下的人脸识别。普通自然监控下的人脸识别方法主要还是依靠有效的人脸检测、人脸特征提取和匹配算法。
4.传统的人脸检测方法比如基于积分图、级联检测器的adaboost人脸检测方法，可以快读检测出正面的人脸，但在复杂场景中，检测结果不稳定，容易将类似人脸的区域误检为人脸，误检率高；比如基于人脸器官的边缘形状、纹理和颜特征的人脸检测方法，该方法实质是利用人脸的先验知识导出的规则进行人脸检测，也存在复杂场景误检率高的问题；比如基于模板匹配的方法，通过人脸模板和待测图像之间的相关性来实现人脸检测功能，该方法原理上简单，容易实现，但模板的尺寸、大小、形状不能进行自适应的改变，从而导致了这种方法的适用范围比较窄。

技术实现要素：

5.为解决现有人脸识别过程中存在的检测结果不稳定、误检率高以及适用范围比较窄等问题，本发明提供了一种基于深度学习的自然监控下的人脸识别方法，基于自然场景下的监控视频流，采用人脸检测算法识别自然监控视频流中多个人员的人脸图片，并提取出每张人脸图片的关键特征点，并依次采用svm支持向量机算法和人脸识别模型arcface进行人脸图片处理及人脸图片特征提取，匹配出相应人员的身份，能够得到较为准确的匹配结果。本发明还涉及一种基于深度学习的自然监控下的人脸识别系统。
6.本发明的技术方案如下：
7.一种基于深度学习的自然监控下的人脸识别方法，其特征在于，包括以下步骤：
8.数据采集步骤：获取待检测自然监控视频流，根据人脸检测算法识别自然监控视频流中多个人员的多张人脸图片，并从每张人脸图片中提取出关键特征点；
9.图片处理步骤：基于关键特征点，采用svm支持向量机算法区分出人脸图片中的正
脸图片和歪斜人脸图片，将歪斜人脸图片中的人脸歪斜角度与预设的歪斜角度阈值进行对比，若人脸歪斜角度大于等于预设的歪斜角度阈值，则将大于等于预设的歪斜角度阈值的歪斜人脸图片剔除，若人脸歪斜角度小于预设的歪斜角度阈值，则根据标准人脸设置的参考特征点对小于预设的歪斜程度阈值的歪斜人脸图片和正脸图片进行校正，得到矫正后的人脸图片，并对矫正后的人脸图片进行预处理；
10.人脸特征提取匹配步骤：对预处理后的人脸图片，采用人脸识别模型arcface提取各个人脸图片中每个人脸的多维特征向量，得到多个人脸的多维特征向量，并根据多维特征向量分别计算自然监控视频流中每个人员在每张人脸图片中的多维特征向量与人脸信息库中所有人脸图片中的多维特征向量的最小欧式距离，将计算出的最小欧式距离与预设的距离阈值进行对比，若最小欧式距离小于等于预设距离阈值，则根据最小欧式距离所对应的人脸信息库中人脸图片识别出自然监控视频流中各个人员的身份。
11.优选地，所述数据采集步骤中，所述关键特征点包括左眼、右眼、鼻尖、左嘴角和右嘴角。
12.优选地，所述图片处理步骤中，在采用svm支持向量机算法区分出人脸图片中的正脸图片和歪斜人脸图片之后，还分别将采集的每个人员的正脸图片和歪斜人脸图片依次标记为正样本和负样本，并将同一个人的人脸图片归纳到同一个文件夹下。
13.优选地，所述图片处理步骤中，所述预处理包括对各人脸图片进行翻转及归一化处理，得到各人脸图片对应的归一化图片。
14.优选地，所述人脸特征提取匹配步骤中，所述人脸信息库包括人员身份信息和人员的人脸图片库。
15.一种基于深度学习的自然监控下的人脸识别系统，其特征在于，包括依次连接的数据采集模块、图片处理模块和人脸特征提取匹配模块，
16.数据采集模块，获取待检测自然监控视频流，根据人脸检测算法识别自然监控视频流中多个人员的多张人脸图片，并从每张人脸图片中提取出关键特征点；
17.图片处理模块，基于关键特征点，采用svm支持向量机算法区分出人脸图片中的正脸图片和歪斜人脸图片，将歪斜人脸图片中的人脸歪斜角度与预设的歪斜角度阈值进行对比，若人脸歪斜角度大于等于预设的歪斜角度阈值，则将大于等于预设的歪斜角度阈值的歪斜人脸图片剔除，若人脸歪斜角度小于预设的歪斜角度阈值，则根据标准人脸设置的参考特征点对小于预设的歪斜程度阈值的歪斜人脸图片和正脸图片进行校正，得到矫正后的人脸图片，并对矫正后的人脸图片进行预处理；
18.人脸特征提取匹配模块，对预处理后的人脸图片，采用人脸识别模型arcface提取各个人脸图片中每个人脸的多维特征向量，得到多个人脸的多维特征向量，并根据多维特征向量分别计算自然监控视频流中每个人员在每张人脸图片中的多维特征向量与人脸信息库中所有人脸图片中的多维特征向量的最小欧式距离，将计算出的最小欧式距离与预设的距离阈值进行对比，若最小欧式距离小于等于预设距离阈值，则根据最小欧式距离所对应的人脸信息库中人脸图片识别出自然监控视频流中各个人员的身份。
19.优选地，所述关键特征点包括左眼、右眼、鼻尖、左嘴角和右嘴角。
20.优选地，所述图片处理模块中，在采用svm支持向量机算法区分出人脸图片中的正脸图片和歪斜人脸图片之前，还分别将采集的每个人员的正脸图片和歪斜人脸图片依次标
记为正样本和负样本，并将同一个人的人脸图片归纳到同一个文件夹下。
21.优选地，所述预处理包括对各人脸图片进行翻转及归一化处理，得到各人脸图片对应的归一化图片。
22.优选地，所述人脸信息库包括人员身份信息和人员的人脸图片库。
23.本发明的有益效果为：
24.本发明提供的一种基于深度学习的自然监控下的人脸识别方法，能够快速多人同时识别，基于待检测自然监控视频流，采用人脸检测算法识别出自然监控视频流中多个人员的多张人脸图片，可对自然监控摄像头画面下的多个人脸进行同时且快速的识别；并从每张人脸图片中提取出关键特征点，设计精细的人脸筛选机制提高人脸识别准确性，自然场景下的监控摄像头采集的人脸角度是随机的，存在较多歪斜人脸和侧脸，采用基于人脸关键特征点的svm支持向量机算法区分出人脸图片中的正脸图片和歪斜人脸图片，并筛选掉歪斜角度较大人脸、模糊人脸和侧脸的情况，有效提高了人脸准确度，保证了后续人脸特征提取的人脸的特征显著，并保障了人脸匹配的准确性。最后采用人脸识别模型arcface提取人脸图片的多维特征向量，并根据多维特征向量计算自然监控视频流中具有多维特征向量的每个人员的每张人脸图片与人脸信息库中人脸图片间的最小欧式距离，将计算出的欧式距离与预设的距离阈值进行对比，匹配出对应人员的身份。本发明可复现性高，能够应用在不同场景中，只需要采集某个场景下的人脸图片对人脸识别模型arcface进行接力训练，即可实现有效移植，并能够得到较为准确的匹配结果，具有应用灵活，可移植性高的优点。
25.本发明还涉及一种基于深度学习的自然监控下的人脸识别系统，该系统与上述的基于深度学习的自然监控下的人脸识别方法相对应，可理解为是一种实现上述基于深度学习的自然监控下的人脸识别方法的系统，包括依次连接的数据采集模块、图片处理模块和人脸特征提取匹配模块，各模块相互协同工作，基于自然场景下的监控视频流，采用人脸检测算法识别自然监控视频流中多个人员的人脸图片，并提取出每张人脸图片的关键特征点，并依次采用svm支持向量机算法和人脸识别模型arcface进行人脸图片处理及人脸图片特征提取，结合特定判断方法匹配出相应人员的身份。本发明能够对自然场景下监控摄像头(普通高清摄像头)画面中的多个人脸进行同时且快速地识别，并能够得到较为准确的匹配结果。
附图说明
26.图1是本发明基于深度学习的自然监控下的人脸识别方法的流程图。
27.图2是本发明基于深度学习的自然监控下的人脸识别方法的优选流程图。
具体实施方式
28.下面结合附图对本发明进行说明。
29.本发明涉及一种基于深度学习的自然监控下的人脸识别方法，该方法的流程图如图1所示，依次包括以下步骤：
30.数据采集步骤：获取待检测自然监控视频流，根据人脸检测算法识别自然监控视频流中多个人员的人脸图片，并从每张人脸图片中提取出关键特征点；具体地，如图2所示的优选流程图，获取待检测自然场景下的监控视频流，由部署在服务端的人脸检测算法
retinaface实时检测，保存检测到的多个人员的人脸图片(jpg格式)，并从每张人脸图片中提取出人脸的五个关键特征点(json格式)。其中，retinaface检测出监控画面中所有人脸框位置坐标点，以及左眼、右眼、鼻尖、左嘴角和右嘴角五个关键特征点坐标，根据人脸框的长宽比例和面积信息，筛选掉比例不和谐和面积较小的人脸框。
31.需要说明的是，自然场景下采集的人脸图片与指定场景，例如手机人脸解锁和人脸门禁等不同，会存在人脸歪斜、模糊、光线不均匀等情况。目前已有的实验室场景下的人脸识别数据集样本不足以覆盖自然场景下复杂的人脸识别要求。因此，需要采集真实场景下的人脸图片，以充实样本集，为尽量接近真实场景，采集过程应尽量无感化，即在不通知画面人员的情况下直接采集，帧率为1帧/秒。
32.图片处理步骤：基于关键特征点，采用svm支持向量机算法区分出人脸图片中的正脸图片和歪斜人脸图片，将歪斜人脸图片中的人脸歪斜角度与预设的歪斜角度阈值进行对比，若人脸歪斜角度大于等于预设的歪斜角度阈值，则将大于等于预设的歪斜角度阈值的歪斜人脸图片剔除，若人脸歪斜角度小于预设的歪斜角度阈值，则根据标准人脸设置的参考特征点对小于预设的歪斜程度阈值的歪斜人脸图片和正脸图片进行校正，得到矫正后的人脸图片，并对矫正后的人脸图片进行预处理；也就是说，采用人脸歪斜分类svm算子，判断是否正脸，如果是正脸则进行opencv人脸矫正，如果不是正脸则放弃识别人脸并重新返回数据采集步骤通过自然监视视频流获取图片。
33.具体地，基于五个关键特征点的坐标值，采用svm支持向量机算法区分出人脸图片中的正脸图片和歪斜人脸图片，在区分出人脸图片中的正脸图片和歪斜人脸图片后，通过人工将正脸图片(正样本)和歪斜人脸图片(负样本)区分开，将人脸关键特征点(json格式)文件依次进行正负样本的标记，并将同一个人的人脸图片归纳到同一个文件夹下。每一个人脸样本对应着一个json文件，文件中记录着这个人脸的五个关键点在图片中的x和y坐标(即图片坐标系)。人工根据肉眼判断人脸歪斜，将人脸图片和其对应的json文件分成正负两个样本组，并存放在两个文件夹中，用于svm的训练。其中，每张人脸图片应当五官清晰，每个人最好有不同角度和光线条件下的人脸图片，数量在5-10张即可。
34.其中，根据svm支持向量机算法原理，可将上述问题建模为最值优化问题，按照下式进行表示：
[0035][0036]
上式中，w、b为要优化的svm建模函数中的权重和偏执参数，xi是每张图片五个人脸关键特征点的坐标值，yi为真实歪斜的结果(1表示正脸，-1表示歪斜脸)，t为矩阵转置符号(不是一个变量)。由此，根据svm支持向量机算法优化方式，可将标记的正负样本输入以上公式得出svm分类模型。
[0037]
然后将歪斜人脸图片中的人脸歪斜角度与预设的歪斜角度阈值进行对比，若人脸歪斜角度大于等于预设的歪斜角度阈值(如45
°
)，即人脸歪斜角度大于等于45
°
，则将人脸歪斜角度大于等于45
°
的歪斜人脸图片剔除，若人脸歪斜角度小于45
°
，则根据标准人脸设置的5个参考特征点对小于45
°
的歪斜人脸图片进行校正，得到矫正后的人脸图片，并对正脸图片和矫正后的人脸图片进行翻转及归一化处理，得到各人脸图片对应的归一化图片。
[0038]
人脸特征提取匹配步骤：对预处理后的人脸图片，采用人脸识别模型arcface提取
各个人脸图片中每个人脸的多维特征向量，得到多个人脸的多维特征向量，并根据多维特征向量分别计算自然监控视频流中每个出现在镜头下的人员在每张人脸图片中的多维特征向量与人脸信息库中所有人脸图片中的多维特征向量的最小欧式距离，将计算出的最小欧式距离与预设的距离阈值进行对比，若最小欧式距离小于等于预设距离阈值，则根据最小欧式距离所对应的人脸信息库中人脸图片识别出自然监控视频流中各个人员的身份。
[0039]
具体地，对归一化处理后的图片，采用人脸识别模型arcface提取各个人脸图片中每个人脸的128维特征向量(1x128向量)，得到具有128维特征向量的人脸图片，其中，128维特征向量主要包含了人脸的轮廓、皮肤纹理、皮肤颜、五官棱角等具有区分性的人脸图像特征。
[0040]
然后根据多维特征向量分别计算自然监控视频流中每个出现在镜头下的人员在每张人脸图片中的多维特征向量与人脸信息库中所有人脸图片中的多维特征向量的最小欧式距离，其中，欧式距离按照下式进行计算：
[0041][0042]
上式中，x1和x2是两组由arcface提取的人脸特征向量。
[0043]
进一步地，特征向量x1＝{x
1,1
,x
1,2
,...,x
1,128
}、x2＝{x
2,1
,x
2,2
,...,x
2,128
}的欧氏距离为其中，x为特征向量的值。
[0044]
arcface训练的目标是将同一个人的不同人脸图片之间的距离缩小，反之，将不同人的人脸之间的距离增大，将标记的自然场景下的人脸图片放入上述模型训练即可得到优化的arcface模型。
[0045]
在计算出最小欧式距离后，将计算出的最小欧式距离与预设的距离阈值进行对比，若最小欧式距离小于预设距离阈值，即自然监控视频流中某个未知人员的人脸图片与已知人脸信息库中所有人脸图片的最小距离小于距离阈值时，最小距离对应的已知人脸信息库中的人脸身份被确认为是这个未知人脸所对应人员的身份。
[0046]
需要说明的是，距离阈值的设定一般通过对验证集分组后，采用不同的距离阈值，比较不同阈值下的人脸识别准确度来确定取值大小。距离阈值的取值范围为0《∈≤2。
[0047]
假定验证集合包含m个人，每个人有5张人脸图片，从每个人的图片中抽取一张人脸，组成包含m个待确定身份的人脸图片库，剩余n(n＝4*m)张图片是用于比对的已知身份人脸。两组人脸图片样本，可由arcface得到n个特征向量和m个待确认身份人脸特征向量根据公式(3)，将dm中的每个特征向量与dn中的所有特征向量分别求欧式距离，保留每次比对的最小欧式距离。
[0048]
mini＝min{dis
i,1
,dis
i,2
,...,dis
i,n
}
ꢀꢀꢀ
(3)
[0049]
其中，i∈{1,2,...,m}
[0050]
当mini≤∈时，对应的取到mini的一对人脸确为同一个人，则表示识别正确。准确率可以表示为：
[0051]
p
acc
＝100％
×mt
/m
ꢀꢀꢀ
(4)
[0052]
其中，m
t
为识别正确人脸身份的数量。通过对∈的不同取值，发现当取0.8时，p
acc
取得最大值99.2％。因此在自然场景下，取人脸距离阈值0.8在不同的应用场景中，可以用
上述方法确定距离阈值，得到漏检率和准确率之间的最佳平衡。
[0053]
需要说明的是，在本发明所述方法运行之前，需预先建立好人脸信息库，人脸信息库包括人员身份信息和对应人员的人脸图片库(每人5-10张)。该人脸图片库在系统运行之初，即经由arcface网络提取每张图片的人脸的128维特征向量保存在计算机的内存中，以便在匹配时快速得出结果。
[0054]
本发明还涉及了一种基于深度学习的自然监控下的人脸识别系统，该系统与上述基于深度学习的自然监控下的人脸识别方法相对应，可理解为是实现上述方法的系统，该系统包括依次连接的数据采集模块、图片处理模块和人脸特征提取匹配模块，具体地，
[0055]
数据采集模块，获取待检测自然监控视频流，根据人脸检测算法识别自然监控视频流中多个人员的多张人脸图片，并从每张人脸图片中提取出关键特征点；
[0056]
图片处理模块，基于关键特征点，采用svm支持向量机算法区分出人脸图片中的正脸图片和歪斜人脸图片，将歪斜人脸图片中的人脸歪斜角度与预设的歪斜角度阈值进行对比，若人脸歪斜角度大于等于预设的歪斜角度阈值，则将大于等于预设的歪斜角度阈值的歪斜人脸图片剔除，若人脸歪斜角度小于预设的歪斜角度阈值，则根据标准人脸设置的参考特征点对小于预设的歪斜程度阈值的歪斜人脸图片进行校正，得到矫正后的人脸图片，并对正脸图片和矫正后的人脸图片进行预处理；
[0057]
人脸特征提取匹配模块，对预处理后的人脸图片，采用人脸识别模型arcface提取各个人脸图片中每个人脸的多维特征向量，得到多个人脸的多维特征向量，并根据多维特征向量分别计算自然监控视频流中每个人员在每张人脸图片中的多维特征向量与人脸信息库中所有人脸图片中的多维特征向量的最小欧式距离，将计算出的最小欧式距离与预设的距离阈值进行对比，若最小欧式距离小于等于预设距离阈值，则根据最小欧式距离所对应的人脸信息库中人脸图片识别出自然监控视频流中各个人员的身份。
[0058]
优选地，关键特征点包括左眼、右眼、鼻尖、左嘴角和右嘴角。
[0059]
优选地，图片处理模块中，在采用svm支持向量机算法区分出人脸图片中的正脸图片和歪斜人脸图片之后，还分别将采集的每个人员的正脸图片和歪斜人脸图片依次标记为正样本和负样本，并将同一个人的人脸图片归纳到同一个文件夹下。
[0060]
优选地，预处理包括对各人脸图片进行翻转及归一化处理，得到各人脸图片对应的归一化图片。
[0061]
优选地，人脸信息库包括人员身份信息和人员的人脸图片库。
[0062]
本发明提供了客观、科学的基于深度学习的自然监控下的人脸识别方法及系统，主要是针对自然监控下人脸识别技术的数据准备、深度学习模型训练和人脸识别技术流程的三个方面进行创新，基于自然场景下的监控视频流，采用人脸检测算法识别自然监控视频流中多个人员的人脸图片，并提取出每张人脸图片的关键特征点，并依次采用svm支持向量机算法和人脸识别模型arcface进行人脸图片处理及人脸图片特征提取，匹配出相应人员的身份，能够对自然场景下监控摄像头画面中的多个人脸进行同时且快速的识别，并能够得到较为准确的匹配结果。
[0063]
应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改
或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。

技术特征：

1.一种基于深度学习的自然监控下的人脸识别方法，其特征在于，包括以下步骤：数据采集步骤：获取待检测自然监控视频流，根据人脸检测算法识别自然监控视频流中多个人员的多张人脸图片，并从每张人脸图片中提取出关键特征点；图片处理步骤：基于关键特征点，采用svm支持向量机算法区分出人脸图片中的正脸图片和歪斜人脸图片，将歪斜人脸图片中的人脸歪斜角度与预设的歪斜角度阈值进行对比，若人脸歪斜角度大于等于预设的歪斜角度阈值，则将大于等于预设的歪斜角度阈值的歪斜人脸图片剔除，若人脸歪斜角度小于预设的歪斜角度阈值，则根据标准人脸设置的参考特征点对小于预设的歪斜程度阈值的歪斜人脸图片和正脸图片进行校正，得到矫正后的人脸图片，并对矫正后的人脸图片进行预处理；人脸特征提取匹配步骤：对预处理后的人脸图片，采用人脸识别模型arcface提取各个人脸图片中每个人脸的多维特征向量，得到多个人脸的多维特征向量，并根据多维特征向量分别计算自然监控视频流中每个人员在每张人脸图片中的多维特征向量与人脸信息库中所有人脸图片中的多维特征向量的最小欧式距离，将计算出的最小欧式距离与预设的距离阈值进行对比，若最小欧式距离小于等于预设距离阈值，则根据最小欧式距离所对应的人脸信息库中人脸图片识别出自然监控视频流中各个人员的身份。2.根据权利要求1所述的基于深度学习的自然监控下的人脸识别方法，其特征在于，所述数据采集步骤中，所述关键特征点包括左眼、右眼、鼻尖、左嘴角和右嘴角。3.根据权利要求1所述的基于深度学习的自然监控下的人脸识别方法，其特征在于，所述图片处理步骤中，在采用svm支持向量机算法区分出人脸图片中的正脸图片和歪斜人脸图片之后，还分别将采集的每个人员的正脸图片和歪斜人脸图片依次标记为正样本和负样本，并将同一个人的人脸图片归纳到同一个文件夹下。4.根据权利要求1所述的基于深度学习的自然监控下的人脸识别方法，其特征在于，所述图片处理步骤中，所述预处理包括对各人脸图片进行翻转及归一化处理，得到各人脸图片对应的归一化图片。5.根据权利要求1所述的基于深度学习的自然监控下的人脸识别方法，其特征在于，所述人脸特征提取匹配步骤中，所述人脸信息库包括人员身份信息和人员的人脸图片库。6.一种基于深度学习的自然监控下的人脸识别系统，其特征在于，包括依次连接的数据采集模块、图片处理模块和人脸特征提取匹配模块，数据采集模块，获取待检测自然监控视频流，根据人脸检测算法识别自然监控视频流中多个人员的多张人脸图片，并从每张人脸图片中提取出关键特征点；图片处理模块，基于关键特征点，采用svm支持向量机算法区分出人脸图片中的正脸图片和歪斜人脸图片，将歪斜人脸图片中的人脸歪斜角度与预设的歪斜角度阈值进行对比，若人脸歪斜角度大于等于预设的歪斜角度阈值，则将大于等于预设的歪斜角度阈值的歪斜人脸图片剔除，若人脸歪斜角度小于预设的歪斜角度阈值，则根据标准人脸设置的参考特征点对小于预设的歪斜程度阈值的歪斜人脸图片和正脸图片进行校正，得到矫正后的人脸图片，并对矫正后的人脸图片进行预处理；人脸特征提取匹配模块，对预处理后的人脸图片，采用人脸识别模型arcface提取各个人脸图片中每个人脸的多维特征向量，得到多个人脸的多维特征向量，并根据多维特征向量分别计算自然监控视频流中每个人员在每张人脸图片中的多维特征向量与人脸信息库
中所有人脸图片中的多维特征向量的最小欧式距离，将计算出的最小欧式距离与预设的距离阈值进行对比，若最小欧式距离小于等于预设距离阈值，则根据最小欧式距离所对应的人脸信息库中人脸图片识别出自然监控视频流中各个人员的身份。7.根据权利要求6所述的基于深度学习的自然监控下的人脸识别系统，其特征在于，所述关键特征点包括左眼、右眼、鼻尖、左嘴角和右嘴角。8.根据权利要求6所述的基于深度学习的自然监控下的人脸识别系统，其特征在于，所述图片处理模块中，在采用svm支持向量机算法区分出人脸图片中的正脸图片和歪斜人脸图片之前，还分别将采集的每个人员的正脸图片和歪斜人脸图片依次标记为正样本和负样本，并将同一个人的人脸图片归纳到同一个文件夹下。9.根据权利要求6所述的基于深度学习的自然监控下的人脸识别系统，其特征在于，所述预处理包括对各人脸图片进行翻转及归一化处理，得到各人脸图片对应的归一化图片。10.根据权利要求6所述的基于深度学习的自然监控下的人脸识别系统，其特征在于，所述人脸信息库包括人员身份信息和人员的人脸图片库。

技术总结

本发明提供了一种基于深度学习的自然监控下的人脸识别方法及系统，基于待检测自然监控视频流，采用人脸检测算法识别出自然监控视频流中多个人员的人脸图片并提取出关键特征点，基于关键特征点并采用SVM支持向量机算法区分出正脸图片和歪斜人脸图片，筛除人脸歪斜角度大于等于预设阈值的歪斜人脸图片，并对正脸图片和人脸歪斜角度小于预设阈值的歪斜人脸图片进行校正及预处理，然后采用人脸识别模型Arcface提取各个人脸图片中每个人脸的多维特征向量并计算自然监控视频流中每张人脸的多维特征向量与人脸信息库中所有人脸的多维特征向量的最小欧式距离，将计算出的距离与预设的距离阈值进行对比匹配出相应人员的身份，能够得到较为准确的匹配结果。能够得到较为准确的匹配结果。能够得到较为准确的匹配结果。