CN114387648A - 异常图像检测方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明公开了一种异常图像检测方法、装置、计算机设备及存储介质，应用于图像处理技术领域，用于提高检测到异常拍摄图像的准确性。本发明提供的方法包括：通过获取采集设备所拍摄的人脸拍摄图像以及采集设备的设备信息，设备信息包括采集设备的摄像参数和位置信息，并对人脸拍摄图像中的拍摄对象进行人员属性特征识别，得到拍摄对象的人员属性，基于人员属性与采集设备的设备信息中的摄像参数，计算得到拍摄对象与采集设备之间的拍摄距离，根据采集设备的位置信息与拍摄距离，确认人脸拍摄图像是否是异常拍摄图像。

Description

异常图像检测方法、装置、计算机设备及存储介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种异常图像检测方法、装置、计算机设备及存储介质。

背景技术

在安防行业中，通过对人脸进行抓拍，并对拍摄到的数据进行智能分析，对社会治安带来安定的作用。通过安装拍摄设备采集人脸图片，其中，有些抓拍设备会拍摄到周边的电子广告屏中的人脸图片，这些非真实场景的人脸图片对于安防管理作业来说是无效数据，从而导致大量垃圾数据冗余，增加存储压力。

现有技术中通过计算同一人员的抓拍数据数量与预设阈值的比例，来判断人脸抓拍数据是否异常，从而对异常的人脸抓拍数据进行筛除。

但是，这种方法对于不同场景的适用性较低，不能根据拍摄场景进行针对性识别并筛除异常的人脸抓拍数据，对于异常的人脸抓拍数据的处理效果差。

发明内容

本发明提供一种异常图像检测方法、装置、计算机设备及存储介质，以提高检测到异常拍摄挑图像的准确度。

一种异常图像检测方法，包括：

获取采集设备所拍摄的人脸拍摄图像和所述采集设备的设备信息，其中，所述设备信息包括位置信息和摄像参数；

对人脸拍摄图像所包含的拍摄对象进行人员属性特征识别，得到所述拍摄对象的人员属性；

基于所述摄像参数与所述拍摄对象的人员属性，计算所述拍摄对象与所述采集设备之间的拍摄距离；

通过所述位置信息与所述拍摄距离，确定所述采集设备所拍摄的人脸拍摄图像是否是异常拍摄图像。

一种异常图像检测装置，包括：

拍摄图像获取模块，用于获取采集设备所拍摄的人脸拍摄图像和所述采集设备的设备信息，其中，所述设备信息包括位置信息和摄像参数；

特征识别模块，用于对人脸拍摄图像所包含的拍摄对象进行人员属性特征识别，得到所述拍摄对象的人员属性；

距离计算模块，用于基于所述摄像参数与所述拍摄对象的人员属性，计算所述拍摄对象与所述采集设备之间的拍摄距离；

异常检测模块，用于通过所述位置信息与所述拍摄距离，确定所述采集设备所拍摄的人脸拍摄图像是否是异常拍摄图像。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述异常图像检测方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述异常图像检测方法的步骤。

本发明提供的异常图像检测方法、装置、计算机设备及存储介质，通过获取采集设备所拍摄的人脸拍摄图像以及采集设备的设备信息，设备信息包括采集设备的摄像参数和位置信息，并对人脸拍摄图像中的拍摄对象进行人员属性特征识别，得到拍摄对象的人员属性，基于人员属性与采集设备的设备信息中的摄像参数，计算得到拍摄对象与采集设备之间的拍摄距离，根据采集设备的位置信息与拍摄距离，确认人脸拍摄图像是否是异常拍摄图像，提高了检测到异常拍摄图像的效率与准确度，提高了筛除无效数据的效果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中异常图像检测方法的一应用环境示意图；

图2是本发明一实施例中异常图像检测方法的一流程图；

图3是本发明另一实施例中异常图像检测方法的一流程图；

图4是本发明另一实施例中异常图像检测方法的一流程图；

图5是本发明另一实施例中异常图像检测方法的一流程图；

图6是本发明另一实施例中异常图像检测方法的一流程图；

图7是本发明另一实施例中异常图像检测方法的一流程图；

图8是本发明另一实施例中异常图像检测方法的一流程图；

图9是本发明另一实施例中异常图像检测装置的结构示意图；

图10是本发明一实施例中计算机设备的一示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供的异常图像检测方法，可应用在如图1的应用环境中，其中，终端设备通过网络与服务器进行通信。其中，终端设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

系统框架100可以包括终端设备、网络和服务器。网络用以在终端设备和服务器之间提供通信链路的介质。网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备通过网络与服务器交互，以接收或者发送消息等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture EpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureEperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本发明实施例所提供的异常图像检测方法由服务器执行，相应地，异常图像检测装置设置于服务器中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的，根据实现需要，可以具有任意数目的终端设备、网络和服务器，本发明实施例中的终端设备具体可以对应的是实际生产中的应用系统。

在一实施例中，如图2所示，提供一种异常图像检测方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：

S10，获取采集设备所拍摄的人脸拍摄图像和采集设备的设备信息，其中，设备信息包括位置信息和摄像参数。

其中，采集设备在进行拍摄时未能有效过滤电子广告、视频中的无效数据，造成了大量垃圾数据冗余，导致内存压力增大，因此，需要定期处理采集设备所拍摄的拍摄图像。

例如，一些安装在特定的安装场景的采集设备会拍摄到电子广告屏幕中的广告，广告中一般会有演员出演，则会将演员的人脸部分作为人脸拍摄图像，这些演员的人脸拍摄图像对于安全管理等应用场景是异常拍摄数据，造成存储器压力。则可以将拍摄到电子广告屏的采集设备作为清除对象，电子广告屏常见的场景包括但不限于：电梯轿厢、商场、超市、写字楼以及公共交通工具等。需要识别出异常的人脸拍摄图像，将异常拍摄图像去除，降低存储的压力。

作为一种可选方式，当服务器接收到异常拍摄图像检测请求，对采集设备拍摄的人脸拍摄图像进行异常检测处理。

进一步的，预先获取需要进行异常拍摄图像检测的采集设备标识，采集设备标识用于唯一识别对应的采集设备。

其中，需要进行异常拍摄图像检测的采集设备可根据预设的选择方式选定，其中，作为一种可选的实现方式，根据采集设备的安装场景选定，或者按照服务器资源合理规则需要进行数据清楚的采集设备，进行分批清除。

进一步的，从异常拍摄图像的检测请求中获取采集设备标识，其中，采集设备标识是指用以区分采集设备的唯一标识，具体区分采集设备的安装地点、型号等，其组成方式可以是字母、数字、文字中的一种或多种组合形成的符号。

根据采集设备标识确定对应的采集设备，并获取该采集设备所拍摄的人脸拍摄图像和对应的设备信息，设备信息是指该采集设备的位置信息和摄像参数，位置信息是指采集设备的安装位置，例如某条街道等第几个安装位置等，摄像参数是指采集设备的成像特征，具体包括焦距、尺寸、分辨率以及靶面尺寸等。

在本实施例中，采集设备拍摄了多个人脸拍摄图像，包括了多个拍摄对象。

S20，对人脸拍摄图像所包含的拍摄对象进行人员属性特征识别，得到拍摄对象的人员属性。

具体的，人员属性特征识别是指人脸识别技术，通过人脸识别技术识别出人脸拍摄图像中的拍摄对象，识别出同一个拍摄对象，得到人脸拍摄图像中的拍摄对象信息。其中，拍摄对象信息包括每个拍摄对象的ID以及每个拍摄对象的人脸拍摄图像的数量。

可以理解的，对每个拍摄对象的单张人脸拍摄图像进行人员特征属性识别，得到拍摄对象的人员属性。具体是，采集设备针对每个拍摄对象拍摄了多张人脸拍摄图像，首先对拍摄对象进行对象识别，确定属于该拍摄对象的人脸拍摄图像集合，从人脸拍摄图像集合中选取出能够拍摄到拍摄对象全脸的人脸拍摄图像，并对其进行人员属性特征识别，得到拍摄对象的人员属性。

进一步的，当采集设备对拍摄对象进行拍摄时，拍摄到了多张人脸拍摄图像，

进一步，拍摄对象的ID是指用以区分人脸拍摄图像中的拍摄对象的符号，具体可以是数字标号等，此处不做具体限定。

进一步，针对同一个拍摄对象进行人员属性特征识别，得到拍摄对象的人员属性，其中，人员属性用于表征每个拍摄对象的人员特征，得到每个拍摄对象的性别特征和年龄特征等。

进一步，人脸识别技术(FaceRecognition)是指能够识别或验证初始人脸拍摄图像中的拍摄对象的技术。其中人脸识别算法包括主成分分析法、基于卷积神经网络的深度学习方法等。

深度学习方法具体是通过构建神经网络并通过大量人脸数据进行训练，从而学习到训练数据那个的人脸表征。

其中，针对拍摄对象信息中的拍摄对象标识，对同一个拍摄对象的人脸拍摄图像进行人员属性特征识别，得到该拍摄对象的年龄特征和性别特征，将年龄特征和性别特征作为抓拍对象的人员属性。

具体的，人员属性特征识别是指对人脸进行人脸识别，得到人脸特征值，再通过性别分类器和年龄分类器，输出抓拍对象的年龄特征和年龄特征。

作为一种实现方式，通过卷积神经网络对海量的人脸图片进行学习，抽象出人脸的面部特征，作为判断年龄和性别的依据。

性别分类是一个复杂的大规模二次模式分类问题，分类器通过输入的面部特征划分男性和女性。现有的性别识别方法主要有基于特征量的性别识别算法、基于Fisher准则的性别识别方法和基于Adaboost+SVM(迭代算法+支持向量机)的人脸性别分类算法。

人类的年龄特征通常表现在皮肤纹理、皮肤颜色、光亮程度和皱纹纹理等方面，在估计人脸年龄需要对大量的人脸样本进行分析。识别抓拍对象的年龄特征一般分为人脸检测预定位、年龄特征提取、年龄估计、系统性能评估等几个部分，根据特征提取方式的不同又分为传统方法和深度学习方法。

S30，基于摄像参数与拍摄对象的人员属性，计算拍摄对象与采集设备之间的拍摄距离。

具体的，根据每个采集设备的摄像参数和抓拍对象的人员属性，可以计算出待处理人脸抓拍数据集合中的抓拍对象与采集设备的距离，得到距离数据，距离数据用于反映抓拍对象与采集设备的空间距离，根据计算出的空间距离与采集设备的安装地点的真实空间情况比较。

具体的，靶面宽度：距离＝宽度像素：实际宽度，根据这一比例关系可以计算出抓拍对象和采集设备的距离。

其中，靶面宽度：靶面尺寸＝宽度像素：抓拍图像尺寸，靶面尺寸是摄像机中CCD(Charge-coupledDevice，电荷耦合元件)，也称为图像传感器的尺寸，即图像传感器的感光部分的大小。人员属性作为计算抓拍图像尺寸的依据。

拍摄距离是指采集设备在对拍摄对象进行拍摄并且得到人脸拍摄图像时，该拍摄对象与采集设备的距离，根据采集设备的安装地点以及拍摄动作时，拍摄对象的动作以及位置，拍摄距离会有所不同。

S40，通过位置信息与拍摄距离，确定采集设备所拍摄的人脸拍摄图像是否是异常拍摄图像。

具体的，通过设备信息中的位置信息，确定采集设备的安装地点，从而确定采集设备的周边环境的场景空间大小，得出拍摄距离之后，则通过场景空间，判断拍摄对象的拍摄距离与场景是否符合，例如，计算得到的拍摄距离为3.8m，而对应的采集设备的安装地点为某街道，则拍摄距离与场景符合，若采集设备的安装地点为电梯，则拍摄距离与场景不符合，则判断该拍摄对象的人脸拍摄图像是异常拍摄图像。

可以理解的，拍摄距离的最大值不应当超过采集设备所在的空间的限制，即若采集设备安装在较为狭小的空间，则得到的拍摄距离的数据应该与该狭小的空间对应，根据拍摄距离与拍摄场景的关系，可以确认人脸拍摄数据是否是异常拍摄数据。

作为一种可选的实现方式，通过判断同一个拍摄对象的拍摄距离变化情况，判断该拍摄对象的行动轨迹是否符合采集设备的拍摄场景。

具体是，分别人脸拍摄图像的时间轴，分别计算拍摄对象在每一张人脸拍摄图像上的拍摄距离，根据拍摄距离的变化情况、拍摄对象的行动轨迹，共同确定人脸拍摄图像是否是异常拍摄图像。

本发明实施例提供的异常图像检测方法，通过接获取采集设备所拍摄的人脸拍摄图像以及采集设备的设备信息，从而确定采集设备的摄像参数和位置信息，通过对人脸拍摄图像中的拍摄对象进行人员属性特征识别，得到拍摄对象的人员属性，基于采集设备的摄像参数与拍摄对象的人员属性，计算出拍摄对象和采集设备之间的拍摄距离，根据采集设备的位置信息与拍摄距离之间的对应关系，检测出人脸拍摄图像的异常拍摄数据，根据拍摄距离进行检测，针对安装在不同地点的采集设备都具有较好的异常判断结果，进一步提高了检测到异常拍摄数据的准确性。

在本实施例中，作为一种可选的实现方式，如图3所示，在步骤S10中，获取采集设备所拍摄的人脸拍摄图像和采集设备的设备信息，其中，设备信息包括位置信息和摄像参数，包括：

S101，获取采集设备标识，根据采集设备标识确定与采集设备具有对应关系的采集设备。

S102，获取与采集设备具有对应关系的采集设备所拍摄的人脸拍摄图像和该采集设备的设备信息。

其中，采集设备标识是指用于区分采集设备的符号，即区分采集设备的型号、品牌以及安装地点等，具体是由数字、字母、文字等一种或者多种组合形成的符号。

采集设备标识与采集设备具有一一对应关系，根据采集设备标识确定对应的采集设备，并获取采集设备所拍摄的人脸拍摄图像。

作为一种可选的实现方式，每个采集设备取TOPN个拍摄对象的人脸拍摄图像形成初始人脸拍摄图像。

首先获取到采集设备所拍摄的初始人脸拍摄图像之后，根据采集设备的位置信息确定其安装地点，并根据安装地点设置不同的筛选阈值，对初始人脸拍摄图像进行筛选，得到人脸拍摄图像，筛选阈值具体可根据实际需求进行设置。

进一步的，每个采集设备取TOPN个拍摄对象的人脸拍摄图像形成初始人脸拍摄图像。

在本实施例中，对初始人脸拍摄图像进行人脸识别，确定相同的拍摄对象的人脸拍摄图像的数量，按照数量从多到少的顺序进行排序，选取数量为TOPN的拍摄对象的人脸拍摄图像作为人脸拍摄图像。

其中，N可根据采集设备的安装地点的人流量设置，例如，商场或者大型写字楼可设置为50，小型写字楼或者小区可设置为20。

进一步的，在获取每个采集设备的初始人脸拍摄图像时，可获取采集设备在预设时间间隔内的所有人俩拍摄图像作为初始人脸拍摄图像，当该采集设备已进行过拍摄数据清除的处理操作，则认为该采集设备在此处理时段之前的人脸拍摄图像中的异常拍摄图像已经被清除，则获取此前的人脸拍摄图像意义不大，并且占用服务器的处理进程，造成资源浪费。

在本实施例中，通过采集设备标识与采集设备之间的对应关系，快速确定需要进行异常拍摄图像检测的采集设备，并且减少了后续需要获取的人脸拍摄图像的数量，有利于提高服务器的处理效率，另外通过对人脸拍摄图像进行针对性的初步筛除，一般情况下，若采集设备会将电子广告屏的画面采集形成人脸拍摄图像，按照广告投放的频次，采集设备采集到电子广告屏中的人脸的数量会非常多，根据人脸拍摄图像的数量进行初步筛除，有效地缩减人脸拍摄图像的数量，提高服务器进行处理的效率，同时能更有效地定位到异常拍摄图像，保证对异常拍摄图像进行筛除的准确性。

在本实施例中，作为一种可选的实现方式，如图4所示，步骤S20中，若采集设备所拍摄的人脸拍摄图像为多个，人脸拍摄图像所包含的拍摄对象为多个，对人脸拍摄图像所包含的拍摄对象进行人员属性特征识别，得到拍摄对象的人员属性，包括：

S201，对多个人脸拍摄图像进行对象识别，确定多个人脸拍摄图像所包含的多个拍摄对象。

S202，针对每个拍摄对象，分别确定包含拍摄对象的人脸拍摄图像数量。

具体的，对象识别是指检测到人脸拍摄图像中的相同的拍摄对象。

进一步，识别出人脸拍摄图像中相同的拍摄对象个数，根据拍摄对象标识区分每个拍摄对象，并分别确定每个拍摄对象的人脸拍摄图像的数量。

S203，按照人脸拍摄图像数量从大到小的顺序，对包含拍摄对象的人脸拍摄图像数量进行排序，得到排序结果。

S204,比较排序结果中相邻两个人脸拍摄图像数量的差值，若差值大于预设阈值，选择人脸拍摄图像数量较大的拍摄对象，作为目标对象。

具体的，在S203-S204中，按照拍摄对象标识，按照同一个拍摄对象的人脸拍摄图像数量进行排序，根据两个拍摄对象的人脸拍摄图像数量的差值，进行二次筛除。

例如，排序结果为A，B，C，D，E，其中，A，B，C，D，E为不同的拍摄对象，比较两两相邻的拍摄对象的人脸拍摄图像数量差值，若差值超过预设阈值，则将数量较小的拍摄对象的人脸拍摄图像清除，选择人脸拍摄图像数量较大的拍摄对象，作为目标对象。例如，D与E的拍摄图像数量差值超过阈值，则将E的人脸拍摄拍图像清除，将D作为目标对象。

具体的，预设阈值可设置为100，则D与E的人脸拍摄图像数量差值超过100，则将E的人脸拍摄图像去除，剩下的A，B，C，D作为目标对象。

具体的，在对人脸拍摄图像中的拍摄对象进行对象识别，得到拍摄对象信息后，根据拍摄对象标识和人脸拍摄图像的数量进行排序，形成一个人脸拍摄图像的数量集合，例如A＝{A₁，A₂，，，A_n}，其中，A₁＝{P₁，，P_m}是第一个拍摄对象的人脸拍摄图像，则A₁中共有m张人脸拍摄图像。

以同一拍摄对象作为单位，将人脸拍摄图像的数量由高到低对人脸拍摄图像的数量进行排序，得到排序结果。

作为一种优选的实现方式，在排序结果中，将相邻的两个拍摄对象的人脸拍摄图像数量相减，若差值超过预设阈值，则将数量较大的拍摄对象之后所有的拍摄对象的人脸拍摄图像排除，得到目标对象的人脸拍摄图像。

S205,对包含目标对象的人脸拍摄图像进行人员属性特征识别，得到目标对象的人员属性。

具体的，人员属性特征识别是指通过人脸识别技术，对目标对象的人脸拍摄图像进行面部识别，得到目标对象的人员属性。

作为一种优选的实现方式，与相关部门的数据库接口，得到目标对象的人员信息，从而得到更精确的人员属性。

在本实施例中，通过比较每个拍摄对象的人脸拍摄图像数量的差值，对人脸拍摄图像进行二次筛除，精确缩小并锁定异常拍摄图像的范围，提高识别出异常拍摄图像的效率，并且能够保证进行异常拍摄图像筛除的效果。

在本实施例中，作为一种优选的实现方式，如图5所示，在步骤S205中，对包含目标对象的人脸拍摄图像进行人员属性特征识别，得到目标对象的人员属性，包括：

S21，对包含目标对象的人脸拍摄图像进行图像质量评估，得到包含目标对象的每一张人脸拍摄图像的图像清晰度评分。

S22，选择图像清晰度评分最高的人脸拍摄图像进行人员属性特征识别，得到目标对象的人员属性。

具体的，图像质量评估是指对人脸拍摄图像进行图像质量评价(ImageQualityAssessment，IQA)，IQA是图像处理中的基本技术之一，主要通过对图像进行特性分析研究，然后评估出图像优劣，得到图像清晰度评分(图像失真程度)。

其中，可根据实际需求设置图像评分规则，根据图像评分规则对人脸拍摄图像进行图像质量评估，得到图像清晰度评分。图像评分规则可包括多个评分维度，包括但不限于：图像清晰度维度、分辨率维度等，对人脸拍摄图像从各个评分维度进行评分，得到人脸拍摄图像的图像清晰度评分。

将图像清晰度评分作为评价人脸拍摄图像的质量的指标，即图像清晰度评分越高，人脸拍摄图像质量越好。

进一步，当同个拍摄对象具有多个人脸拍摄图像时，则对该拍摄对象的多张人脸拍摄图像进行图像质量评估，选出图像质量最高的一张人脸拍摄图像。

具体的，选择出图像清晰度评分最高的人脸拍摄图像，并对该人脸拍摄图像进行人员属性特征识别，得到拍摄对象的人员属性，具体的，人员属性是指该拍摄对象的年龄属性和性别属性。

在本实施例中，通过图像质量评估，选择出图像质量最优的人脸拍摄图像进行面部特征，可有效提升识别出该拍摄拍对象的人员属性的准确度，进一步提升后续根据人员属性计算得到的拍摄距离的准确性。

在本实施例中，作为一种可选的实现方式，如图6所示，步骤S30中，基于摄像参数与拍摄对象的人员属性，计算拍摄对象与采集设备之间的拍摄距离，包括：

S301，根据年龄属性和性别属性，计算拍摄对象的双顶径数据。

S302，获取摄像参数中的靶面宽度，根据靶面宽度和双顶径数据，计算拍摄对象与采集设备之间的拍摄距离。

其中，双顶径数据是衡量胎儿头部左右两侧之间最宽部位的长度。在本实施例中，双顶径数据是指拍摄对象左右两侧之间最宽部位的长度。而双顶径数据根据拍摄对象的年龄特征和性别特征而有所不同。

拍摄距离是指当采集设备对拍摄对象进行拍摄，得到该拍摄对象的人脸拍摄图像时，采集设备与拍摄对象的直线距离。拍摄距离根据采集设备的安装位置、拍摄时拍摄对象所处的位置而有所不同。

据统计，婴幼儿(0～3岁)头围约为34cm-46cm，未成年人(3～16岁)头围约为46cm-55cm，成年男性(16岁+)头围约为55cm-62cm，成年女性(16岁+)头围约为55cm-60cm，取中位数分别是：婴幼儿40cm、未成年人50cm、成年男性58cm、成年女性57cm，计算可得双顶径数据：婴幼儿12.74cm，未成年人15.92cm，成年男性18.47cm，成年女性18.15cm。

从上述内容可知，根据拍摄对象的年龄特征和性别特征，可判断出拍摄对象的头围，进而根据头围与双顶径数据之间的映射关系，计算得到双顶径数据。

具体的，靶面宽度与拍摄距离的映射关系可通过公式(1)表示：

其中，X是靶面宽度，Y是拍摄距离，M是宽度像素，N是实际宽度，H是靶面高度，L是实际高度。在本实施例中，采集设备只采集人脸部位的数据，所以高度暂不使用，则靶面宽度与拍摄距离的映射关系可通过公式(2)表示：

而靶面宽度与靶面尺寸的映射公式根据公式(3)表示：

X：B＝Q：S (3)

其中，B是靶面尺寸，Q是像素宽度，S是人脸拍摄图像尺寸，即靶面宽度：靶面尺寸＝像素宽度：人脸拍摄图像尺寸。

具体的，人脸拍摄图像宽度(高度)尺寸＝像素宽度(高度)/分辨率，人脸拍摄图像尺寸＝人像拍摄图像宽度尺寸*人脸拍摄图像高度尺寸，由于像素点是正方形，所以像素宽度等于像素高度。

例如，拍摄对象为成年男性，人脸拍摄图像的像素宽度是86px，分辨率为96dpi，靶面尺寸为1英寸(16mm)，拍摄对象的面部实际宽度是18.47cm，人脸拍摄图像尺寸为2560*1440像素，可得，人脸拍摄图像实际宽度尺寸为2560/96≈26.67英寸，人脸拍摄图像实际高度尺寸为1440/96≈15英寸，人脸拍摄图像尺寸＝宽*高＝26.67*15＝400.05英寸＝2580.96平方厘米，像素个数＝2560*1440＝3686400px，则一个像素点尺寸＝人脸拍摄图像尺寸/像素个数≈0.07平方毫米，经过开平方根得出像素宽度约为0.26mm。

根据人脸拍摄图像尺寸的宽度和高度，计算得到人脸拍摄图像的对角线为30.6英寸约等于777.24mm，根据公式(3)计算得出靶面宽度为0.46mm。

将上述数据代入公式(1)，计算得到距离为3.8m，距离数据则是3.8m。

在本实施例中，通过人员属性中的性别属性与年龄属性，计算得到拍摄对象的双顶径数据，根据双顶径数据与人脸拍摄图像宽度、摄像参数与拍摄距离之间的函数关系，求解出拍摄对象与采集设备之间的拍摄距离，与真实距离的结果相差不大，拍摄距离作为检测异常拍摄图像的决定性因素，能够提高检测出异常拍摄图像的准确性。

在本实施例中，作为一种可选的实现方式，如图7所示，步骤S40中，通过位置信息与拍摄距离，确定采集设备所拍摄的人脸拍摄图像是否是异常拍摄图像，包括：

S401，基于采集设备的位置信息，确定采集设备的拍摄场景的空间信息，基于空间信息，对拍摄距离进行判断，得到判断结果。

S402，基于判断结果，确定采集设备所拍摄的人脸拍摄图像是否是异常拍摄图像。

具体的，基于采集设备的位置信息，获取该采集设备的安装地点，并获取采集设备周边的空间大小，安装地点是某街道的采集设备与安装地点是电梯轿厢的采集设备对应的空间大小是不一样的，判断拍摄对象与采集设备的拍摄距离与采集设备所在位置的空间是否符合，从而得到该拍摄对象的人脸拍摄图像是否异常。

具体的，例如，某一拍摄对象与采集设备之间的拍摄对象是3.8m，若该采集设备的安装地点是某街道，拍摄对象与安装地点的空间大小相符合，则该拍摄对象不是异常拍摄对象，拍摄对象的人脸拍摄图像不是异常拍摄图像。若采集设备的安装地点是电梯轿厢，则拍摄对象与安装地点的空间大小不符合，则判断该拍摄对象是异常拍摄对象，拍摄对象的人脸拍摄图像是异常拍摄图像。

在本实施例中，异常拍摄对象是指不可自由活动的人员，例如，在电子广告里的演员等。

在本实施例中，通过判断拍摄对象的空间是否与真实场景符合得出拍摄对象以及其人脸拍摄图像是否异常，对安装在不同的采集设备都具有较好的识别结果，进而提高到识别异常拍摄图像的准确性，进而提高检测出异常拍摄图像的准确率。

进一步的，作为一种可选的实现方式，在步骤S402中，基于判断结果，确定采集设备所拍摄的人脸拍摄图像是否是异常拍摄图像，包括：

S41，获取采集设备所拍摄的其他人脸拍摄图像作为验证拍摄图像。

S42，计算验证拍摄图像与采集设备之间的距离，作为验证距离。

S43，基于验证距离和拍摄距离，确定采集设备所拍摄的人脸拍摄图像是否是异常拍摄图像。

在本实施例中，针对某一采集设备进行识别时，在得出某一拍摄对象的拍摄对象后，获取相同的采集设备所采集的其他拍摄对象的人脸拍摄图像，将其他拍摄对象的人脸拍摄图像作为验证拍摄图像，计算得到其他拍摄对象的距离，作为验证距离，判断拍摄距离与验证距离之间的差值是否满足预设差值范围，根据差值判断出其中的异常拍摄图像。

根据不同的场景可以设置对应的误差，例如在5米的空间内，误差为±0.2米；10米的空间内，误差为0.5米。

具体的，预设差值范围根据采集设备所在安装地点的空间大小确定，若该采集设备安装在某街道，则预设差值范围可设置为该街道的采集设备安装距离等。

在本实施例中，基于控制变量法，通过比较同一采集设备不同拍摄对象的拍摄对象，判断该采集设备中的异常拍摄对象和异常拍摄图像，进一步保证识别到异常拍摄图像的准确性，提高检测到异常拍摄图像的准确性。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种异常图像检测装置，该异常图像检测装置与上述实施例中异常图像检测方法一一对应。如图9所示，该异常图像检测装置包括拍摄图像获取模块91、特征识别模块92、距离计算模块93、异常检测模块94。各功能模块详细说明如下：

拍摄图像获取模块91，用于获取采集设备所拍摄的人脸拍摄图像和采集设备的设备信息，其中，设备信息包括位置信息和摄像参数。

特征识别模块92，用于对人脸拍摄图像所包含的拍摄对象进行人员属性特征识别，得到拍摄对象的人员属性。

距离计算模块93，用于基于摄像参数与拍摄对象的人员属性，计算拍摄对象与采集设备之间的拍摄距离。

异常检测模块94，用于通过位置信息与拍摄距离，确定采集设备所拍摄的人脸拍摄图像是否是异常拍摄图像。

进一步的，拍摄图像获取模块91包括：

获取采集设备标识，根据采集设备标识确定与采集设备具有对应关系的采集设备。

获取与采集设备具有对应关系的采集设备所拍摄的人脸拍摄图像和该采集设备的设备信息。

进一步的，特征识别模块92包括：

对象识别单元，用于对多个人脸拍摄图像进行对象识别，确定多个人脸拍摄图像所包含的多个拍摄对象。

数量确定单元，用于针对每个拍摄对象，分别确定包含拍摄对象的人脸拍摄图像数量。

排序单元，用于按照人脸拍摄图像数量从大到小的顺序，对包含拍摄对象的人脸拍摄图像数量进行排序，得到排序结果。

目标对象确定单元，用于比较排序结果中相邻两个人脸拍摄图像数量的差值，若差值大于预设阈值，选择人脸拍摄图像数量较大的拍摄对象，作为目标对象。

特征识别单元，用于对包含目标对象的人脸拍摄图像进行人员属性特征识别，得到目标对象的人员属性。

进一步的，特征识别单元中包括：

质量评估子单元，用于对包含目标对象的人脸拍摄图像进行图像质量评估，得到包含目标对象的每一张人脸拍摄图像的图像清晰度评分。

人员属性识别子单元，用于选择图像清晰度评分最高的人脸拍摄图像进行人员属性特征识别，得到目标对象的人员属性。

进一步的，距离计算模块93包括：

双顶径计算单元，用于根据年龄属性和性别属性，计算拍摄对象的双顶径数据。

距离计算单元，用于获取摄像参数中的靶面宽度，根据靶面宽度和双顶径数据，计算拍摄对象与采集设备之间的拍摄距离。

进一步的，异常检测模块94包括：

判断单元，用于基于采集设备的位置信息，确定采集设备的拍摄场景的空间信息，基于空间信息，对拍摄距离进行判断，得到判断结果。

异常检测单元，用于基于判断结果，确定采集设备所拍摄的人脸拍摄图像是否是异常拍摄图像。

进一步的，异常检测单元包括：

验证图像获取子单元，用于获取采集设备所拍摄的其他人脸拍摄图像作为验证拍摄图像。

验证距离计算子单元，用于计算验证拍摄图像与采集设备之间的距离，作为验证距离。

异常检测子单元，用于基于验证距离和拍摄距离，确定采集设备所拍摄的人脸拍摄图像是否是异常拍摄图像。

其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。

关于异常图像检测装置的具体限定可以参见上文中对于异常图像检测方法的限定，在此不再赘述。上述异常图像检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储异常图像检测方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种异常图像检测方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中异常图像检测方法的步骤，例如图2所示的步骤S10至步骤S40及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中异常图像检测装置的各模块/单元的功能，例如图9中91模块94的功能。为避免重复，这里不再赘述。

所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。

所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中异常图像检测方法的步骤，例如图2所示的步骤S10至步骤S40及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中异常图像检测装置的各模块/单元的功能，例如图9所示模块91模块94的功能。为避免重复，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种异常图像检测方法，其特征在于，包括：

获取采集设备所拍摄的人脸拍摄图像和所述采集设备的设备信息，其中，所述设备信息包括位置信息和摄像参数；

对人脸拍摄图像所包含的拍摄对象进行人员属性特征识别，得到所述拍摄对象的人员属性；

基于所述摄像参数与所述拍摄对象的人员属性，计算所述拍摄对象与所述采集设备之间的拍摄距离；

通过所述位置信息与所述拍摄距离，确定所述采集设备所拍摄的人脸拍摄图像是否是异常拍摄图像。

2.根据权利要求1所述的异常图像检测方法，其特征在于，所述获取采集设备所拍摄的人脸拍摄图像和所述采集设备的设备信息，其中，所述设备信息包括位置信息和摄像参数，包括：

获取采集设备标识，根据所述采集设备标识确定与所述采集设备具有对应关系的采集设备；

获取与所述采集设备具有对应关系的采集设备所拍摄的人脸拍摄图像和该采集设备的设备信息。

3.根据权利要求1所述的拍摄数据处理方法，其特征在于，若采集设备所拍摄的人脸拍摄图像为多个，所述人脸拍摄图像所包含的拍摄对象为多个，所述对所述人脸拍摄图像所包含的拍摄对象进行人员属性特征识别，得到所述拍摄对象的人员属性，包括：

对多个所述人脸拍摄图像进行对象识别，确定多个所述人脸拍摄图像所包含的多个拍摄对象；

针对每个所述拍摄对象，分别确定包含所述拍摄对象的人脸拍摄图像数量；

按照人脸拍摄图像数量从大到小的顺序，对包含所述拍摄对象的人脸拍摄图像数量进行排序，得到排序结果；

比较所述排序结果中相邻两个人脸拍摄图像数量的差值，若差值大于预设阈值，选择人脸拍摄图像数量较大的拍摄对象，作为目标对象；

对包含所述目标对象的人脸拍摄图像进行人员属性特征识别，得到所述目标对象的人员属性。

4.根据权利要求3所述的拍摄数据处理方法，其特征在于，所述对包含所述目标对象的人脸拍摄图像进行人员属性特征识别，得到所述目标对象的人员属性，包括：

对包含所述目标对象的人脸拍摄图像进行图像质量评估，得到包含所述目标对象的每一张人脸拍摄图像的图像清晰度评分；

选择图像清晰度评分最高的人脸拍摄图像进行人员属性特征识别，得到所述目标对象的人员属性。

5.根据权利要求1所述的拍摄数据处理方法，其特征在于，所述基于所述摄像参数与所述拍摄对象的人员属性，计算所述拍摄对象与所述采集设备之间的拍摄距离，包括：

根据所述年龄属性和所述性别属性，计算所述拍摄对象的双顶径数据；

获取所述摄像参数中的靶面宽度，根据所述靶面宽度和所述双顶径数据，计算所述拍摄对象与所述采集设备之间的拍摄距离。

6.根据权利要求1所述的异常图像检测方法，其特征在于，所述通过所述位置信息与所述拍摄距离，确定所述采集设备所拍摄的人脸拍摄图像是否是异常拍摄图像，包括：

基于所述采集设备的位置信息，确定所述采集设备所述的拍摄场景的空间信息，基于所述空间信息，对所述拍摄距离进行判断，得到判断结果；

基于所述判断结果，确定所述采集设备所拍摄的人脸拍摄图像是否是异常拍摄图像。

7.根据权利要求6所述的异常图像检测方法，其特征在于，所述基于所述判断结果，确定所述采集设备所拍摄的人脸拍摄图像是否是异常拍摄图像，包括：

获取所述采集设备所拍摄的其他人脸拍摄图像作为验证拍摄图像；

计算所述验证拍摄图像与所述采集设备之间的距离，作为验证距离；

基于所述验证距离和所述拍摄距离，确定所述采集设备所拍摄的人脸拍摄图像是否是异常拍摄图像。

8.一种异常图像检测装置，其特征在于，包括：

拍摄图像获取模块，用于获取采集设备所拍摄的人脸拍摄图像和所述采集设备的设备信息，其中，所述设备信息包括位置信息和摄像参数；

特征识别模块，用于对人脸拍摄图像所包含的拍摄对象进行人员属性特征识别，得到所述拍摄对象的人员属性；

距离计算模块，用于基于所述摄像参数与所述拍摄对象的人员属性，计算所述拍摄对象与所述采集设备之间的拍摄距离；

异常检测模块，用于通过所述位置信息与所述拍摄距离，确定所述采集设备所拍摄的人脸拍摄图像是否是异常拍摄图像。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述异常图像检测方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述异常图像检测方法的步骤。

Images