陈春海
北京中加集成智能系统工程有限公司 北京100010
摘要：本文将详细介绍ARM智能视频监控人脸识别系统的主要功能，通过专业的研究与调查，掌握该视频监控平台的设计方式，如开展适宜的算法设计、管理视频监控系统等，适时优化人脸识别与人脸检测的多种功能，保障良好的人脸识别效果。
关键词：ARM智能视频监控人脸识别系统；算法设计；人脸检测
引言：传统视频监控中存有诸多不足，设计人员应借助ARM智能技术来搭建一个智能视频监控平台，通过合理的访问控制、智能支持与视频监控来增加系统运行的适宜性，保障人脸识别的精准度，促进视频监控区域的安全。
1ARM智能视频监控人脸识别系统的主要功能
为确保传统视频监控中的不足得以妥善解决，研究人员需要不断升级识别技术，借助ARM实现人脸识别系统的普及化。在使用ARM智能视频监控人脸识别系统期间，研究人员应该明确该系统内部的多项功能，由于该系统带有操作简单、性能稳定、经济实用等多项优势，利用该系统来进行身份识别可切实实现智能监控。
具体来看，ARM智能视频监控人脸识别系统带有四项功能，其一，人脸对比功能，在使用该类系统的过程中摄像头会将人脸信息发送到系统服务器内，通过初步预警来给身份识别作出适宜准备；其二，人脸识别功能，该项功能为系统的主要功能，若该人员的身份未知，则系统难以对该人脸进行识别并适时告知系统用户；其三，报警功能，当监控区域内存有非法闯入情况后，该系统会自动记录并立即开启报警功能，借助上述多项功能可看出智能视频监控系统的科学性。
2ARM智能视频监控人脸识别系统的优化设计
2.1算法设计
为掌握ARM智能视频监控人脸识别系统的运用与设计效果，研究人员以某集成智能有限公司为例，全面阐述该系统的设计过程。
2.1.1人脸检测
在开展ARM智能视频监控人脸识别系统的整体设计前，相关人员需开展算法设计。工作人员需对智能视频监控系统开展人脸检测，在实行该项检测前要计算出人脸图像的具体空间，针对其灰度化的图像进行一定的校正。在人脸灰度图像中存有若干cell单元，研究人员可根据该单元的实际情况来计算图像梯度，将整体的cell单元设置成采样窗口，通过没有重叠的形式来布满整个人脸。在测算cell单元内的梯度幅值与方向时，可运用中心梯度算法，其数值范围为[-1,0,1]，梯度幅值与方向的计算公式分别为θ（x，y）=tan-1[Gy（x，y）/Gx（x，y）]；Gy（x，y）=[Gx（x，y）2+Gy（x，y）2]1/2，在两组公式中Gx（x，y）代表着（x，y）像素点中的水平梯度方向、而Gy（x，y）则会显示出（x，y）像素点中的垂直方向梯度，该类数值的计算方式为Gy（x，y）=H（x，y+1）-H（x，y-1）；Gx（x，y）=H（x+1，y）-H（x-1，y），在两组算式中H（x，y）为（x，y）内的具体像素值。
2.1.2人脸对齐
在完成人脸检测工作后，试验人员进行人脸对齐，在ARM智能视频监控人脸识别系统中可使用以回归树为主的ERT算法来完成测试。具体来看，相关人员应依照训练数据集来设置数学模型，在人脸识别的图片中找出人脸关键点的具体位置，其回归训练的设计要历经两层，在进行首层回归训练时可精准算出其数据组织形式，找到第n层的预测关键点，在完成回归训练后可利用该项数据设计回归模型；在开展二层回归训练期间，由于相关数据已经历过数据回归，此次回归可采用梯度提升树法来完成回归测试。一般来讲，每个回归树内的任意叶子节点中都会带有一定的残差回归量，若将输入放置到某一节点中可将其生成的对应性残差添加到输入中，从而达成回归目标，借助多项残差的叠加可真正获取人脸关键点[1]。
2.1.3人脸识别
在进行人脸识别的过程中，研究人员可采用卷积神经网络法，该方式的主要理念为将人脸放置到多维空间中，通过多个图像的对比来查看不同图像的相似度，由于相同的人脸图像存有较小的空间距离，若人脸图像不同，其空间距离则会有所增大，利用人脸图像内的空间映射可有效完成人脸识别行为。在使用卷积神经网络法的过程中，相关人员要设置人脸样本图像的学习框架，借用深度学习的主要特征来设计深度网络，在完成主体模型内部网络的设计后还要将人脸图像投映到相同的超球面内，有效规避因样本不同而给成像环境带去的差异，还要利用空间特征向量的嵌入来优化损失函数的模型，更新人脸识别系统，从而完成ARM智能视频监控人脸识别系统的算法设计。
2.2科学设计视频监控系统
在进行ARM智能视频监控人脸识别系统的整体设计前，研究人员应确认该系统内部的硬件构成，包含底部舵机、顶部舵机、扬声器、开发板、拓展板、通信模块、摄像头与电源等。
2.2.1硬件系统的整体设计
在ARM智能视频监控人脸识别系统中的硬件平台内，研究人员可借助摄像头来完成图像数据的采集，在实际监控中与正脸识别相比，侧脸人像的识别难度更大，只有应用监控摄像头才能调取更多角度，得到更多的可观察区域。在硬件平台中研究人员可采用两个舵机，也就是说能为摄像头带去更多的自由度，利用系统内部的扬声器还能达成报警功能，并在WIFI模块内实现指令控制、图像识别与视频流的传输工作。在该硬件系统内包括语音报警、微信报警、人脸追踪、人脸识别与人脸检测等多项功能，而最为重要的功能属人脸识别功能[2]。
2.2.2人脸识别的流程设计
在研究ARM智能视频监控人脸识别系统的过程中，技术人员可精准优化其内部的人脸识别功能。一般来讲，在智能视频监控系统中的初始阶段可进行人脸注册，并透过该项注册来提取人脸表面的128个特征点，将其生成的各项数值放置到与人脸特征值相关的数据库内。技术人员借用人脸特征数据库来进行人脸对齐，通过该类步骤来精准查出不同人脸图像的特征数据，再提取出人脸图像的特征，将其放置到SVM分类器内，在检测人脸的过程中透过高效的网络传输来完成人脸特征点的提取。技术人员还需开启摄像头，利用摄像头内的硬件驱动来进行视频采集，完成图像灰度化与相关特征值的校正，通过数据特征的比对来了解不同人脸图像，在截取图片后掌握该图片内部的人脸信息，若该人脸与数据库内的相关特征相符，可视为正常情况；当该人脸与数据库内的数据特征不符时系统会自动发出警报，如微信警报等，将该情况发送到系统总部中，增强该区域的安全性。
2.3系统测试结果
在完成系统设计后，试验人员可切实掌握试验结果，比如，在本次测试中其利用人脸库的混合来设定一套数值为100的小型人脸库，在该数据库内只有100个人脸照片。由于传统监控平台的人脸录入信息较缓慢，数据图像保存的数量也受到较大限制，而在ARM智能视频监控人脸识别系统中可在每个人脸上提取128个特征，不仅适时提升了匹配速度，还改善了匹配工作的准确率，在本次试验中，精准率达到了99%，可批量化应用于日常生产、生活中。
总结：综上所述，ARM智能视频监控人脸识别系统在开展人脸识别的过程中其能精准提升识别效果，在进行内部系统的设计时相关人员应科学把控各项设计环节步骤，利用算法与硬件的合理性来规范系统操作，切实提升设计效果。
参考文献：
[1]吴松伟.基于人脸识别技术的智能视频监控系统设计与实现[J].计算机时代,2019(11):62-66.
[2]闫飞.智能视频监控系统中的人脸识别技术[J].设备管理与维修,2019(14):189-191.
作者简介：姓名：陈春海（1982.06--）；性别：男，民族：汉，籍贯：河北省承德市，学历：本科；现有职称：无；研究方向：工程管理。