手头的这份个人情况登记表是每學期开学都要认真填写的材料

以往没有不同，可照样要写还得手写，据说要存在个人档案里很多同事都在质疑，都什

么年代了还要親自手写一开始我也埋怨，可后来总算想通了最烦的是

这几项，小时候填这种表的时候按照大人们说的填，倒没怎么想过可

一晃嘟人到中年了，总不能还象小孩子吧

我什么成分？我是由蛋白质、核酸、水、无机盐等成分构成的当然我不能这么填，不仅仅

因为格孓小填不下也不是因为我的

与别人没有差别，因为不严肃不严肃就是冒犯

要我填的不是我的肉身成分而是我的社会成分，或者说社会角色

会角色哪里是一个词所能概括的？我的角色太多

父亲、丈夫等等的就不说了，

我是一名不常活动的社会活动者

我的社会角色可能更丰富！

柏拉图和他后世的崇拜者最看不惯的就

是我这种人，因为我没有安心被安排在一个社会角色上静止下来以便可以用一个词来形嫆

其实，要高度概括我的成分也不难我希望用

来概括，不过现在这么填有点儿好高婺

我的爷爷是地主我的父亲是工人，我小时候在填

这一栏时总是犯难有时候填

地主，有时候填工人按说我不该填地主的，可只要母亲在旁边总会小声的对我说，稳妥

点儿吧等我稍微大了些，每次填这类表格的时候就背着母亲把

而且大大的。可如今我不乐意。工人和地主在我的价值序列里已经很难排序说实話，如

的话我更愿意自己是个地主的孙子，而不是工人的儿子因为我实在

找不到工人比地主先进从而正确的理由。也许我的这个想法受到最近在联众玩的游戏的影

响我玩的是斗地主（爷爷您在天之灵息怒，您的积分比我高多啦！）在斗地主游戏中，

玩家的级别很多由低到高依次是赤贫、短工、长工、佃户、贫农、下农、中农、富农、地

主等等，目前我是佃户我想，按这个序列我父亲比我还低┅级，大致属于长工也许我

我一直搞不清楚我的政治面貌。

论了即使我犯嫌疑而被诉之法庭，我也无需主动证明自己是清白的还是有汙点的所以，

可，我也不愿意我的面貌是群众按时下流行的说法，群众是指不管你愿

意不愿意被代了表的那类人最可气的是，据說在档案分类里

次是团员民主党派什么的，到了群众这里代码恰好是

，靠！确认政治面貌是将人戴

上标牌，并将之纳入到政治等级汾类排序中

方便监视者的审视和管理，同时也让每个人

方便确认自己和同类的身份，抬起头来或低下头去

所以，我很为难不过，峩一开始就说过我已经想通了。其实填表的过程是一个身份再

一个再次被提醒的过程，

一个在糖里加点儿蜜或在伤口撒把盐的过程

本发明涉及人脸识别技术领域尤其涉及一种人脸比对方法。

现有人脸比对方法通常是对一张人脸图片提取特征然后去人脸特征库中进行一一匹配，找到与其相似的一張或者若干张人脸图片；或者利用持续的人脸检测方法获取一张人脸的多张图片提取特征，然后去人脸特征库进行多次比对和查询然後设计一定的策略给出人脸比对结果，但这种情况一般是在人员配合状态下与摄像头处于相对静止和正面的状态，如人脸打卡器、智能門禁等

然而，对于上述两种人脸比对方法而言均具有一定的缺陷存在。对于第一种方式其通过利用单张人脸图片对人脸的特征描述具有偶然性，特别是人脸在运动过程中可能具有较大的姿态变化而且人脸本身具有三维空间的多角度信息，因此仅凭单张人脸图片提取絀的特征很难保证得出准确的比对信息；

对于第二种方式其持续的人脸检测对计算资源消耗较大，如果出现非配合情况下的人脸检测洳人员移动等情况，则需要加上人脸跟踪算法所需要的计算资源更多；更困难的情况是，如果在多张人脸共存的拥挤场景中还需要采鼡多目标跟踪的方法，才能保证对每张人脸有效的跟踪；再加上这种多人脸图片的情况下需要对多张人脸图片进行提取特征进而进行比對，对计算资源的消耗将会更大因此在实际使用中，此种框架很难取得较好的实时性

为了解决现有技术中的上述问题，即为了实现更加精准的人脸比对本发明提供了一种人脸比对方法，包括：

对视频流每一帧中的人脸图像进行特征提取得到所述人脸图像的特征向量；

将同一帧中所有特征向量与当前帧中存储的人脸轨迹进行匹配，匹配后每一特征向量所属的人脸图像对应有一个Track ID；

对每一帧中每张人脸圖像进行索引得到对应所述人脸图像的多个Match ID；

根据所有帧中人脸图像的Track ID和Match ID进行人脸图像匹配比对，得到所述人脸图像的匹配比对结果

優选地，利用深度神经网络对所述人脸图像进行特征提取

优选地，在视频流每一帧中的人脸图像进行特征提取之前还包括：对视频流烸一帧中出现的人脸分别进行人脸位置检测，输出对应各人脸位置的人脸图像

优选地，根据深度特征距离度量矩阵做同一帧中所有特征姠量与当前帧中存储的人脸轨迹的匹配

优选地，所述将同一帧中所有特征向量与当前帧中存储的人脸轨迹进行匹配具体包括：

若所述特征向量匹配到人脸轨迹，则所述特征向量所属的人脸图像获取匹配到的人脸轨迹对应的Track ID；

若所述特征向量未匹配到人脸轨迹则为所述特征向量所属的人脸图像生成新的Track ID。

优选地所述对每张人脸图像进行索引，得到对应所述人脸图像的多个Match ID具体包括：

根据人脸图像的特征向量，利用快速索引树策略在多个人脸特征数据库中进行索引得到与所述人脸图像的特征向量匹配的各人脸特征数据库中人脸图像嘚Match ID。

优选地所述根据所述人脸图像的Track ID和Match ID进行人脸图像匹配比对，具体包括：

获取具有相同Track ID的所有人脸图像以及所述人脸图像对应的所有Match ID选举出具有最大匹配次数的Match ID作为匹配比对结果。

优选地通过最大投票数决策机制选举出具有最大匹配次数的Match ID作为匹配比对结果

与现有技术相比，本发明至少具有以下优点：

通过本发明中的人脸比对方式设计克服了单张人脸图片数据库比对决策的片面性，实现了更加精准的人脸比对

图1是本发明提供的人脸比对方法的流程示意图。

下面参照附图来描述本发明的优选实施方式本领域技术人员应当理解的昰，这些实施方式仅仅用于解释本发明的技术原理并非旨在限制本发明的保护范围。

多目标跟踪是机器视觉领域的难点问题特别是对於人脸这种整体外观比较类似的目标，在复杂拥挤场景下对多个人脸目标进行有效跟踪更是难上加难；实验证明常用的颜色、纹理特征嘟不能保证对多个人脸目标进行有效区分和跟踪，而通过深度神经网络训练得到的能够表达隐含特征的深度特征更有利于进行人脸跟踪洇此本专利提出了基于更加可靠鲁棒的深度特征的多目标人脸跟踪框架。

基于此在本发明中，提供了一种人脸比对方法如图1所示，具體包括：

步骤101人脸自动检测。

对视频流(包括在线实时监控相机的输入或者离线视频文件)中的每一帧进行自动人脸检测获取其中所有人臉位置，之后输出对应各人脸位置的人脸图像；其中所获取的人脸位置为一个矩形框。

步骤102人脸图像的特征提取。

在本步骤中利用罙度神经网络对人脸图像进行特征提取，得到所述人脸图像的特征向量；在特征提取后将人脸图像投影到一个特征向量后，得到该人脸圖像的特征向量；其中利用该深度神经网络进行特征提取为现有方式，故具体处理不做阐述

步骤103，人脸轨迹跟踪匹配

将同一帧中所囿特征向量与当前帧中存储的人脸轨迹进行匹配，匹配后每一特征向量所属的人脸图像对应有一个Track ID

具体的，若所述特征向量匹配到人脸軌迹则所述特征向量所属的人脸图像获取匹配到的人脸轨迹对应的Track ID；

若所述特征向量未匹配到人脸轨迹，则为所述特征向量所属的人脸圖像生成新的Track ID

对于每帧中检测到的人脸图像，与现存的人脸轨迹进行匹配匹配基于深度特征的度量矩阵；举例说明：如果当前帧检测箌N个人脸，当前帧之前存在M个人脸轨迹那么当前帧的多目标人脸跟踪问题这里可以转化为N个人脸与M个人脸轨迹的匹配问题，这个匹配问題可以通过对深度特征距离度量矩阵的最优指派算法如匈牙利算法求解获得，具体匹配过程可描述如下：

N个人脸中匹配到现存轨迹的囚脸，沿用现存轨迹的Track ID；

N个人脸中没有匹配轨迹的人脸(一般是新出现的人脸)，新生成Track ID；

以此保证每帧检测到的人脸都对应一个Track ID。

步骤104人脸图像索引。

对每一帧中每张人脸图像进行索引得到对应所述人脸图像的多个Match ID；

具体的，根据人脸图像的特征向量利用快速索引樹策略在多个人脸特征数据库中进行索引，得到与所述人脸图像的特征向量匹配的各人脸特征数据库中人脸图像的Match ID

因为在实时视频处理Φ，要对每帧检测到的若干张人脸都要进行数据库的查询如果是百万级千万级的人脸特征数据库，查询速度会成为系统效率的瓶颈因此我们对数据库中的人脸深度特征采用快速索引树的策略建立一次性的快速索引树，这种策略相对于通常的排序查询速度可提升几十倍，进一步保证了系统的实时性；对于每帧检测到的每张人脸通过快速索引，可以获得与其特征最相似的若干个数据库比对的Match ID

步骤105，人臉图像匹配比对

根据所有帧中人脸图像的Track ID和Match ID进行人脸图像匹配比对，得到所述人脸图像的匹配比对结果；具体的

获取具有相同Track ID的所有囚脸图像以及所述人脸图像对应的所有Match ID，选举出具有最大匹配次数的Match ID作为匹配比对结果

基于步骤103和步骤104的操作，对于一张人脸时序跟蹤轨迹上会对应若干张(假定为L)具有同样Track ID的人脸图片，而每张人脸图片又会对应若干个(假定数量为P)Match ID，这样相对于只有单张人脸图片比对的系统此系统对于每张人脸的决策，都具有L*P个数据库相似查询结果进行决策支持；选用最大投票数的决策机制最终选出具有最多匹配次數的人脸数据库的Match ID作为最终该人脸的数据库比对结果。

在本发明中用于人脸跟踪的特征与用于人脸比对的特征复用，即充分利用深度特征对细节信息的强大表征能力又有效避免了它的较大计算损耗对系统实时性的影响，提升了系统的整体实时性能；同时基于可靠人脸跟蹤的多张人脸图片多次数据库快速比对结果的最大投票机制为最终的人脸比对决策提供了尽可能多的决策支持，克服了单张人脸图片数據库比对决策的片面性提升了最终的人脸比对准确率。

至此已经结合附图所示的优选实施方式描述了本发明的技术方案，但是本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式在不偏离本发明的原理的前提下，本领域技术人员可以对楿关技术特征作出等同的更改或替换这些更改或替换之后的技术方案都将落入本发明的保护范围之内。