视频监控作为一种普遍的安防手段,在打击犯罪和维护社会稳定方面起到了巨大的作用。随着科技文明的进步,智能化的视频监控越来越受到人们的重视。加入人脸识别技术的视频监控能自动识别场景中的目标人物,完成特定事件的处理,具有广阔的应用前景。本文针对大空间中,单一视频监控人脸获取及识别效率低的问题,设计并实现了一个基于多摄像头的视频监控人脸识别系统,系统包含人脸检测、跟踪、优选以及识别等功能。经测试,系统在实验室场景下取得了较好的识别效果,通过多摄像头进行人脸检测也有效地提高了适于识别的人脸的检测效率,具有较高的应用价值。本文的主要工作如下:1.提出了基于多摄像头人脸识别系统的架构和总体方案。构建了一个由多个连接摄像头的监控计算机和一个用于人脸识别计算的后台计算机组成的分布式人脸识别系统。每个监控计算机都对摄像头所获取的视频中的人脸进行检测与跟踪,并将姿态相对最佳的人脸通过网络传送给后台计算机,后台计算机则负责集中进行人脸识别。2.实现了人脸检测功能。采用加入肤色预选的Adaboost人脸检测方法进行多人脸检测。该方法首先采用HSV色彩空间下的阈值模型分割肤色,然后对筛选出的感兴趣区域使用Adaboost进行人脸检测,有效地解决了复杂背景下人脸误检率较高的问题。3.实现了人脸跟踪功能。采用改进的CamShift算法进行监控区域的多人脸跟踪,并通过图像边缘背景差分的方法实时监测人员进出情况。4.实现了人脸姿态优选功能。由于监控下的人脸姿态是随时变化的,为了减小姿态变化对后续人脸识别的影响,采用一种简单的不严格姿态估计方法来优选人脸。通过判断人脸旋转程度,为每个人优选出一张姿态相对最佳的人脸图像。5.将改进的卷积神经网络用于人脸识别。为解决实际场景下,受光照和表情等不确定性因素影响导致的人脸识别率不高的问题,本文充分利用深度学习自动提取鲁棒性特征的优点,提出了一个简单又高效的卷积神经网络用于人脸识别。该网络第一个卷积层中的卷积核用一系列模拟视觉皮层特性的二维Gabor滤波器替代,同时部分池化层与卷积层之间采用随机部分连接方式。在ORL、Yale、AR以及自制人脸库上的实验表明,本文改进的卷积神经网络在人脸识别任务上取得了比较理想的效果,要优于其他经典人脸识别算法。