[0042] 下面将结合本文实施例中的附图,对本文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文一部分实施例,而不是全部的实施例。基于本文中的实施例,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,都属于本文保护的范围。
[0043] 参见图1,在一个实施例中,基于云计算和图像识别的智慧城市管理系统包括:安防终端和安防图像处理平台,安防终端和安防图像处理平台具有通信连接;
[0044] 安防图像处理平台包括面部分析模块、图像匹配模块、模拟修复模块和数据库,各模块间具有通信连接;
[0045] 安防终端发送安防图像处理请求到安防图像处理平台;所述安防图像处理请求包括原始面部三维模型、面部修复图像集和面部修复部位;
[0046] 面部分析模块根据原始面部三维模型和面部修复部位生成待修复面部三维模型,并提取待修复面部三维模型的待修复面特征;
[0047] 图像匹配模块根据待修复面部三维模型的待修复面特征获取待修复面的所有修复点,并根据所有修复点间的位置关系进行多阶重构得到多阶重构图,然后对多阶重构图的结构进行分析以构造多阶重构图的重构图生成树;
[0048] 图像匹配模块根据重构图生成树的最大损失值和最小损失值生成第一修复约束函数并将面部修复图像集中符合第一修复约束函数的面部修复图像作为第一修复匹配图像;
[0049] 图像匹配模块根据第一修复匹配图像和待修复面特征生成第二修复约束函数,并根据第二修复约束函数获取每个第一修复匹配图像的修复匹配度,然后将修复匹配度最大的第一修复匹配图像作为第二修复匹配图像;
[0050] 模拟修复模块确定修复匹配图像和待修复面部三维模型的拟合位置和拟合方向,并根据拟合位置和拟合方向将待修复面部三维模型和修复匹配图像进行拟合以得到标准面部三维模型,然后将其发送到相应的安防终端。
[0051] 为了便于理解,下面对本发明的工作方法和原理进行具体说明。
[0052] 具体的,在一个实施例中,基于云计算和图像识别的智慧城市管理方法可以包括:
[0053] S1、安防终端发送安防图像处理请求到安防图像处理平台。
[0054] 安防终端为安防人员所使用的终端设备,其包括:智能手机、平板电脑、台式电脑和智能手表。安防图像处理请求包括原始面部三维模型、面部修复图像集和面部修复部位,其用于指示安防图像处理平台对原始面部三维模型进行修复。
[0055] 原始面部三维模型为将人员面部图像融合处理所得。人员面部图像为监测设备经多维度拍摄得到不同角度人员图像。面部修复部位为安防人员需要对人员的原始面部三维模型进行修复的面部部位,所述面部部位可按照人脸五官进行划分,例如,按照人脸五官划分的面部部位为:眼部、鼻部、唇部、眉部和耳部。所述面部部位还可为根据人脸五官划分的结果进行细分得到的部位。
[0056] S2、面部分析模块根据原始面部三维模型和面部修复部位生成待修复面部三维模型并提取待修复面部三维模型的待修复面特征。
[0057] 在一个实施例中,待修复面部三维模型为面部分析模块根据安防图像处理请求中的面部修复部位从原始面部三维模型查找到用户的面部修复部位进行移除以生成待修复面部三维模型,即,面部分析模块根据面部修复部位指示的部位信息从原始面部三维模型中查找到对应面部部位,面部分析模块根据所述面部部位对原始面部三维模型中面部修复部位进行标记,面部分析模块根据标记移除原始面部三维模型中面部修复部位以得到待修复面部三维模型。例如,可用不同颜色的网格标记出原始面部三维模型中的面部修复部位,将所述面部修复部位的颜色更改为透明以达到移除的效果。
[0058] 在一个实施例中,面部分析模块提取待修复面部三维模型的待修复面特征包括:
[0059] 面部分析模块获取待修复面部三维模型的每个特征点的特征值,并将特征值大于特征阈值的特征点作为修复点,然后将所有修复点的特征值进行加权平均以得到平均特征值;
[0060] 面部分析模块将每个修复点的特征值与平均特征值进行比较,将特征值大于或等于平均特征值的修复点作为第一类修复点,将特征值小于平均特征值的修复点作为第二类修复点;
[0061] 面部分析模块根据所有的第一类修复点生成第一类修复点集,并根据所有的第二类修复点生成第二类修复点集。
[0062] 在一个实施例中,面部分析模块提取待修复面部三维模型的待修复面特征包括:
[0063] 面部分析模块获取每个第一类修复点与第一类修复点集中其他第一类修复点的距离,并将每个第一类修复点与其距离最近的其他第一类修复点进行连接;
[0064] 面部分析模块获取每个第二类修复点与第二类修复点集中其他第二类修复点的距离,并将每个第二类修复点与其距离最近的其他第二类修复点进行连接;
[0065] 面部分析模块根据待修复面部三维模型的所有修复点间的连接关系得到待修复面部三维模型的待修复面特征。待修复面特征可供图像匹配模块进行特征重构以筛选出与待修复面最匹配的面部修复图像。
[0066] S3、图像匹配模块根据待修复面部三维模型的待修复面特征获取待修复面的所有修复点,并根据所有修复点间的位置关系进行多阶重构以得到多阶重构图,然后对所述多阶重构图的结构进行分析以构造多阶重构图的重构图生成树。
[0067] S4、图像匹配模块根据重构图生成树的最大损失值和最小损失值生成第一修复约束函数并将面部修复图像集中符合第一修复约束函数的面部修复图像作为第一修复匹配图像。
[0068] 在另一个实施例中,图像匹配模块从面部修复图像集中选择符合第一修复约束函数的面部修复图像可以包括:
[0069] 图像匹配模块从面部修复图像集中的选择一个面部修复图像作为目标面部修复图像;
[0070] 图像匹配模块判断目标面部修复图像是否符合第一修复约束函数;
[0071] 在目标面部修复图像符合第一修复约束函数时,图像匹配模块将目标面部修复图像添加至第一修复匹配图像集,并将目标面部修复图像从面部修复图像集中删除;
[0072] 在目标面部修复图像不符合第一修复约束函数时,图像匹配模块将目标面部修复图像从面部修复图像集中删除;
[0073] 图像匹配模块重复以上步骤直到分析完面部修复图像集中所有面部修复图像以得到第一修复匹配图像集。
[0074] 具体地,第一修复约束函数用于对面部修复图像集中的面部修复进行初筛,以得到满足第一修复约束函数的面部修复图像,并根据所有满足第一修复约束函数的面部修复图像得到第一修复匹配图像集。第一修复匹配图像集为所有满足第一修复约束函数的面部修复图像的集合,以供安防图像处理平台根据第二修复约束函数从所述第一修复匹配图像集中选取第二修复匹配图像拟合至待修复面部三维模型以得到标准面部三维模型。
[0075] 在一个实施例中,第一修复约束函数为:
[0076] |MinP‑MinQi|2≤θ1and|MaxP‑MaxQi|2≤θ2
[0077] 其中,θ1为第一约束阈值,θ2为第二约束阈值,MinP为待修复面的最小损失值,MaxP待修复面的最大损失值,MinQi为面部修复图像集中第i张面部修复图像的最小损失值,MaxQi为面部修复图像集中第i张面部修复图像的最大损失值。
[0078] 第一约束阈值可以为系统根据实际情况预先设置的阈值,第二约束阈值可以为系统根据实际情况预先设置的阈值。
[0079] 在任何有关物体特征提取的方法中,在目标物体的特征转化为相应的参数,即将目标物体的特征转化为可用于数值计算的数据时,目标物体的特征将被点集化,以根据相应选取规则从点集中选择目标物体的不同特征点,减少特征转化的数据量和计算量,因此,在特征提取的过程中目标物体的特征会出现损失。
[0080] 最大损失值为图像匹配模块根据待修复面特征构造多阶重构图和重构图生成树的过程中待修复面的特征的最大损失值。最小损失值为图像匹配模块根据待修复面特征构造多阶重构图和重构图生成树的过程中待修复面的特征的最小损失值。
[0081] S5、图像匹配模块根据第一修复匹配图像和待修复面特征生成第二修复约束函数,并根据第二修复约束函数获取每个第一修复匹配图像的修复匹配度,然后将修复匹配度最大的第一修复匹配图像作为第二修复匹配图像。
[0082] 在一个实施例中,图像匹配模块根据第一修复匹配图像和待修复面特征生成第二修复约束函数包括:
[0083] 图像匹配模块根据待修复面部三维模型的待修复面特征获取待修复面的所有修复点并根据待修复面的所有修复点得到修复点集;
[0084] 图像匹配模块提取每个第一修复匹配图像的连接面特征,并根据每个第一修复匹配图像的连接面特征获取每个第一修复匹配图像的连接面的所有特征点,然后根据每个第一修复匹配图像的连接面的所有特征点得到每个第一修复匹配图像的连接面特征点集;
[0085] 图像匹配模块根据修复点集、每个第一修复匹配图像的连接面特征点集生成第二修复约束函数。
[0086] 在一个实施例中,图像匹配模块根据第二修复约束函数得到第二修复匹配图像包括:
[0087] 图像匹配模块根据第二修复约束函数计算待修复面特征与每个第一修复匹配图像的连接面特征的相似度以得到每个第一修复匹配图像的修复匹配度;
[0088] 图像匹配模块选取修复匹配度最大的第一修复匹配图像作为第二修复匹配图像。
[0089] 第二修复约束函数用于对第一修复匹配图像集中的第一修复匹配图像进行精确匹配,以找到待修复面部三维模型最终的第二修复匹配图像。
[0090] 在一个实施例中,第二修复约束函数为:
[0091]
[0092] 其中,d为修复匹配度,r为距离函数,T1为修复点集, 为第j个第一修复匹配图像的连接面特征点集。
[0093] 在一个实施例中,距离函数包括第一距离函数和第二距离函数。
[0094] 第一距离函数为:
[0095]
[0096] T1为修复点集, 为第j个第一修复匹配图像的连接面特征点集。
[0097] 第二距离函数为:
[0098]
[0099] T1为修复点集, 为第j个第一修复匹配图像的连接面特征点集。
[0100] 图像匹配模块根据第二修复约束函数从第一修复匹配图像集中选取第二修复匹配图像,并将其发送至模拟修复模块,以供模拟修复模块根据待修复面部三维模型和第二修复匹配图像进行拟合得到标准面部三维模型。
[0101] S6、模拟修复模块将第二修复匹配图像和待修复面部三维模型进行拟合以得到标准面部三维模型并将其发送到相应的安防终端。
[0102] 在一个实施例中,模拟修复模块将修复匹配图像和待修复面部三维模型进行拟合以得到标准面部三维模型包括:
[0103] 模拟修复模块确定修复匹配图像和待修复面部三维模型的拟合位置和拟合方向,然后根据拟合位置和拟合方向将待修复面部三维模型和修复匹配图像进行拟合以得到标准面部三维模型。
[0104] 待修复面部三维模型为移除原始面部三维模型中面部修复部位后的面部三维模型;所述面部修复图像集中包括各监测设备采集的与原始面部三维模型有关的面部图像。
[0105] 在一个实施例中,原始面部三维模型为根据监测设备采集的目标人员的面部图像进行图像建模得到的面部三维图像,面部修复部位为安防人员认为原始面部三维模型不能清晰展示目标人员的面部部位特征的面部部位,即,需要修复的面部部位。面部修复图像集为其他监测设备采集的目标人员的面部图像。
[0106] 模拟修复模块将第二修复匹配图像和待修复面部三维模型进行拟合以得到标准面部三维模型,并将其发送到相应的安防终端,安防终端通过UI 界面将接收到的标准面部三维模型进行人员识别。
[0107] 本发明提供的基于云计算和图像识别的智慧城市管理系统通过将云计算与图像识别相结合以对目标对象的原始面部三维图像进行修复从而达到清晰展示目标对象的面部特征的目的,在提高对象识别精度的同时减少人力物力资源的浪费。
[0108] 另外,在本文各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
[0109] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本文的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read‑Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。