门禁控制方法、装置及系统
技术领域
本申请涉及门禁技术领域,尤其涉及一种门禁控制方法、装置及系统。
背景技术
目前,常住人口统计方式为线下人工走访记录的形式,不仅效率低下且存在数据延迟导致准确性较低等问题。
门禁系统的实现方案通常为门禁卡、身份证、指纹识别、虹膜识别、人脸识别等,这些门禁实现方案存在如下缺点:
1)门禁卡被冒领、借用频繁,安全等级低,无法确认门禁卡身份是否为使用者本人;
2)身份证存在隐私问题,不能在小区等安全等级要求不高的地方推行,且未成年人没有身份证;
3)所有门禁方式都需要将园区所有常住人口统一入库管理,维护成本高且需要不断更新,对于暂住人口无法实现高效、低成本的管理;
4)现有的人脸识别等方式误识别严重,经常出现无法开门的情况。
发明内容
本申请实施例提出了一种门禁控制方法、装置及系统,以解决现有技术中出现的上述技术问题。
第一个方面,本申请实施例提供了一种门禁控制方法,包括:
获取摄像头拍摄的目标的图像;
根据所述目标的图像识别所述目标的特征信息;
根据所述特征信息与预先计算得到的聚类中心确定所述目标的类别;
根据所述目标的类别以及所述目标在预设时间范围内的出入信息,确定门禁控制指令。
第二个方面,本申请实施例提供了一种门禁控制装置,包括:
图像确定模块,用于获取摄像头拍摄的目标的图像;
特征识别模块,用于根据所述目标的图像识别所述目标的特征信息;
类别匹配模块,用于根据所述特征信息与预先计算得到的聚类中心确定所述目标的类别;
指令控制模块,用于根据所述目标的类别以及所述目标在预设时间范围内的出入信息,确定门禁控制指令。
第三个方面,本申请实施例提供了一种门禁控制系统,包括上述门禁控制装置和门禁,所述门禁接收所述门禁控制装置发送的控制指令并根据所述控制指令执行打开或关闭操作。
有益效果如下:
本申请实施例所提供的技术方案通过识别摄像头获取的目标图像来统计常住人口和非常住人口,无需人工干预,且由于本申请实施例通过聚类实现人员的特征分类,将识别出的目标的特征信息与聚类中心进行计算确定目标的类别,再结合目标的出入信息可以控制门禁的开关,常住人口无需刷卡即可进入小区,且本申请实施例采用聚类方式识别目标,相比现有人脸识别方式更加准确。
附图说明
下面将参照附图描述本申请的具体实施例,其中:
图1示出了本申请实施例中门禁控制方法实施的流程示意图;
图2示出了本申请实施例中门禁控制装置的结构示意图;
图3示出了本申请实施例的应用场景示意图;
图4示出了本申请实施例中人脸特征识别的流程示意图。
具体实施方式
为了使本申请的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。并且在不冲突的情况下,本说明中的实施例及实施例中的特征可以互相结合。
针对现有技术的不足,本申请实施例提出了一种门禁控制方法、装置及系统,下面进行说明。
实施例一、
图1示出了本申请实施例中门禁控制方法实施的流程示意图,如图所示,所述门禁控制方法可以包括如下步骤:
步骤101、获取摄像头拍摄的目标的图像;
步骤102、根据所述目标的图像识别所述目标的特征信息;
步骤103、根据所述特征信息与预先计算得到的聚类中心确定所述目标的类别;
步骤104、根据所述目标的类别以及所述目标在预设时间范围内的出入信息,确定门禁控制指令。
具体实施时,可以在需要安保的区域(例如:小区、公司等)设置门禁以及摄像头,其中,门禁可以在大门处设置一个,摄像头则可以在大门处、小区内各个位置等设置多个。
利用摄像头抓拍每一个出现在安保区域门口、进出安保区域的目标的照片(或称图像),可以获取到目标图像;实施时,摄像头可以抓拍目标的行动轨迹、拍摄多张照片,从中挑选一张或多张最清晰、角度最正的人脸照片传给后台。
本申请实施例在获取到摄像头拍摄到的目标图像后,可以根据所述图像识别所述目标的特征信息,再根据所述特征信息以及预先聚类得到的类中心(所述聚类中心为预先根据大量的样本数据的特征信息聚类得到,代表一类目标,例如:代表一个人等)确定所述目标的类别,即确定所述目标与哪个人接近,最终再结合目标在预设时间范围内的出入信息确定门禁控制指令。
本申请实施例提供了一种常住人口和非常住人口的自动统计方式,通过识别摄像头获取的目标图像来统计常住人口和非常住人口,无需人工干预,且由于本申请实施例通过聚类实现人员的特征分类,将识别出的目标的特征信息与聚类中心进行计算确定目标的类别,再结合目标的出入信息可以控制门禁的开关,常住人口无需刷卡即可进入小区,提高了常住人口的统计效率、增加了门禁的安全性能、减少了门禁的维护成本,且本申请实施例采用聚类方式识别目标,相比现有人脸识别方式更加准确。
实施中,所述特征信息可以包括面部特征和结构化特征,所述结构化特征可以包括以下至少一种:性别、年龄、民族、有无遮挡面部等。
具体实施时,所述目标的特征信息可以包括面部特征和结构化特征,所述面部特征可以为面部的特征向量,具体可以采用现有技术实现,所述结构化特征可以为目标的一些属性信息,例如:性别、年龄、民族、有无遮挡面部、有无携带异物等,可以采用现有的神经网络利用大量的样本数据对不同的属性进行训练。
在实施中采用性别、年龄、民族、有无遮挡面部等是由于这些方式比较常用、主流,易于本领域技术人员使用/理解,所以这里以性别、年龄、民族、有无遮挡面部等为例;但是,从理论上来说,用其他的属性也是可以的,本领域技术人员在实施过程中可以结合实践需要来确定相应的属性。
实施中,所述根据所述目标的图像识别所述目标的特征信息,可以包括:
利用预先训练得到的第一深度神经网络模型识别并去除所述图像中的眼镜;
利用预先训练得到的第二深度神经网络模型识别所述图像中的口罩位置,输出整张面部图像和除口罩外的面部图像;
分别对整张面部图像和除口罩外的面部图像利用预先训练得到的民族分类器、性别分类器、年龄回归器以及人脸识别特征抽取器识别民族、性别、年龄和抽取面部特征。
具体实施时,可以预先针对不同的属性训练相应的深度神经网络模型,例如:预先获取大量的戴眼镜照片和去除眼镜后的照片,将这些样本进行训练,具体训练过程可以采用现有的深度神经网络训练方式,最终得到眼镜模型(第一深度神经网络模型),在具体实施时,可以将人脸图像输入所述模型即可识别并去除眼镜,得到去除眼镜后的人脸图像。
类似的,本申请实施例可以对人脸的口罩进行识别,以及对民族、性别、年龄等特征进行分类识别,再结合人脸识别特征抽取,从而获得该人脸的全部特征。
本申请实施例所提供的人脸结构化聚类方式,相比传统的聚类算法,利用了更多的有用信息,可以产生出更鲁棒的结果。
实施中,所述根据所述特征信息与预先计算得到的聚类中心确定所述目标的类别,可以包括:
根据所述结构化特征确定所述目标的粗类别;所述粗类别包括N个聚类中心,每个聚类中心以代表面部的特征表示;
计算所述目标的面部特征与所述聚类中心之间的二范数距离;
当最小距离小于预设距离阈值时确定所述目标的类别为距离最小的聚类中心所在类别,当最小距离大于预设距离阈值时新建聚类中心作为所述目标的类别。
具体实施时,聚类过程可以如下:首先可以根据上述结构化特征进行粗分类,例如:年龄在20-30岁之间、性别为男、民族为汉族这一大类;假设这个类别里有N个聚类中心,每个聚类中心代表了具有一定面部特征的人,将目标的面部特征与聚类中心进行计算,如果二范数距离小于预设的阈值,那么说明这个目标与该聚类中心所代表的人相近似;如果计算得到的最小二范数距离依然大于预设的阈值,那么说明数据库中没有该类人,此时可以新建聚类中心作为该目标的类别。
实施中,所述根据目标的类别以及所述目标在预设时间范围内的出入信息,确定门禁控制指令,可以包括:
在所述特征信息与预先计算得到的聚类中心之间的距离小于预设距离阈值,且所述目标在预设时间范围内出入频率大于预设出入阈值时,控制门禁打开;
在所述特征信息与预先计算得到的聚类中心之间的距离大于预设距离阈值,或者,所述目标在预设时间范围内出入频率小于预设出入阈值时,发送预警。
具体实施时,当某个聚类中心的人在一段时间范围内(例如:每天的早晨5点至晚上11点之间)进出安保区域的次数/频率大于阈值,那么可以认为这个人是常住人口,否则为非常住人口。
实施中,所述方法可以进一步包括:
当所述目标在摄像机监控范围内的停留时间超过预设停留阈值和/或出现频率超过预设频率阈值,或者同一个目标出现在多个安保区域的摄像机监控范围内时,发送预警。
具体实施时,当所述目标在摄像机监控范围内的停留时间超过预设停留阈值和/或出现频率超过预设频率阈值时,则说明这个目标长时间或者频繁的出现在安保区域的门口,属于高危人群;当同一个目标出现在多个安保区域的摄像机监控范围内时,则说明该目标可能是散发传单、推销业务的人员,或者是为入室盗窃踩点,同样属于高危人群,本申请实施例可以在检测到这些高危人群之后立即发送预警,提醒保安排查盘问。
实施例二、
基于同一发明构思,本申请实施例中还提供了一种门禁控制装置,由于这些设备解决问题的原理与一种门禁控制方法相似,因此这些设备的实施可以参见方法的实施,重复之处不再赘述。
图2示出了本申请实施例所提供的门禁控制装置的结构示意图,如图所示,所述门禁控制装置可以包括:
图像确定模块201,用于获取摄像头拍摄的目标的图像;
特征识别模块202,用于根据所述目标的图像识别所述目标的特征信息;
类别匹配模块203,用于根据所述特征信息与预先计算得到的聚类中心确定所述目标的类别;
指令控制模块204,用于根据所述目标的类别以及所述目标在预设时间范围内的出入信息,确定门禁控制指令。
本申请实施例所提供的门禁控制装置,特征识别模块对图像确定模块所获取到的目标图像进行特征识别,然后发送给类别匹配模块确定所述目标的类别,最终由指令控制模块根据所述目标的类别以及所述目标在预设时间范围内的出入信息,确定门禁控制指令,无需用户携带门禁卡,且相比传统的人脸识别更加准确,除此之外,还可以在云端服务器汇聚大量的数据以挖掘出更多的有用信息。
实施中,所述特征信息可以包括面部特征和结构化特征,所述结构化特征可以包括以下至少一种:性别、年龄、民族、有无遮挡面部等。
实施中,所述特征识别模块可以包括:
第一识别单元,用于利用预先训练得到的第一深度神经网络模型识别并去除所述图像中的眼镜;
第二识别单元,用于利用预先训练得到的第二深度神经网络模型识别所述图像中的口罩位置,输出整张面部图像和除口罩外的面部图像;
第三识别单元,用于分别对整张面部图像和除口罩外的面部图像利用预先训练得到的民族分类器、性别分类器、年龄回归器以及人脸识别特征抽取器识别民族、性别、年龄和抽取面部特征。
实施中,所述类别匹配模块可以包括:
第一类别匹配单元,用于根据所述结构化特征确定所述目标的粗类别;所述粗类别包括N个聚类中心,每个聚类中心以代表面部的特征表示;
计算单元,用于计算所述目标的面部特征与所述聚类中心之间的二范数距离;
第二类别匹配单元,用于当最小距离小于预设距离阈值时确定所述目标的类别为距离最小的聚类中心所在类别,当最小距离大于预设距离阈值时新建聚类中心作为所述目标的类别。
实施中,所述指令控制模块具体可以用于在所述特征信息与预先计算得到的聚类中心之间的距离小于预设距离阈值,且所述目标在预设时间范围内出入频率大于预设出入阈值时,控制门禁打开;在所述特征信息与预先计算得到的聚类中心之间的距离大于预设距离阈值,或者,所述目标在预设时间范围内出入频率小于预设出入阈值时,控制门禁关闭并发送预警。
实施中,所述指令控制模块可以进一步用于当所述目标在摄像机监控范围内的停留时间超过预设停留阈值和/或出现频率超过预设频率阈值,或者同一个目标出现在多个安保区域的摄像机监控范围内时,发送预警。
为了描述的方便,以上所述装置的各部分以功能分为各种模块或单元分别描述。当然,在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
实施例三、
基于同一发明构思,本申请实施例还提供了一种门禁控制系统,包括上述门禁控制装置和门禁,所述门禁接收所述门禁控制装置发送的控制指令并根据所述控制指令执行打开或关闭操作。
本申请实施例提供的门禁控制系统,可以将门禁控制装置与门禁建立关联,提高常住人口的统计效率,增加门禁的安全性、减少门禁的维护成本。
进一步地,通过云端的数据汇总和数据挖掘可以找出潜在的高危人群;通过与公安联网可以定位前科人员的位置,找到嫌犯的出没地;同时,本申请实施例所提供的系统可以记录每一个出入小区人员的面部和身体照片,形成人员照片瀑布流,并给每一个人设定安全隐患等级,当案件发生时,可以对人员进行排查,从高危到低危,更有针对性;同样的,可以挖掘出带口罩等故意遮挡面部的人员,将其关联到人员的安全等级上,提醒安保人员上前筛查。
实施例四、
图3示出了本申请实施例的应用场景示意图,以一个小区为例,具体实施时可以包括设置在小区门口和小区内不同位置的多个摄像头、设置在小区门口的门禁设备和保安室,保安室可以控制门禁的开关、以及与云端服务器(后台)进行通信。
下面对具体过程进行介绍:
前端摄像头抓拍并记录每一个进出小区的人的行动轨迹,从中挑选出一张或多张最清晰、角度最正的人脸图像传给后台服务器;
后台服务器抽取每一个传来的人脸图像的特征(一般为128维向量),同时生成一些人脸的结构化特征,比如:性别、年龄、有无口罩、有无刻意遮挡面部等;然后可以使用动态的人脸结构化特征聚类算法确保同一个类别中人脸结构化特征与聚类中心的二范数距离小于一个阈值,经过一段时间的数据收集后,可以动态的建立每一个人的抓拍图像库,每一个聚类中心代表一个人,每一个聚类中心的样本可以是一张照片的结构化特征。通过比较当前抓拍的人脸与聚类中每一个聚类中心的二范数距离,如果距离小于预设的阈值,则可以认为该人脸为这个聚类中心所代表的人。
本申请实施例可以将某一个聚类中心的人在特定时间范围内进出小区的次数/频率大于预设的一个阈值时认为这个人是该小区的常住人口,否则认为这个人不是该小区的常住人口(也可以称为非常住人口)。当非常住人口进入小区时,保安室的警铃或计算机以弹出窗口的形式产生预警,提醒保安对这个人进行盘问;当这个人的结构化信息提示当前这个人有刻意遮挡面部或戴口罩时也可以产生提醒,保安可以选择性的进行盘问。
除此之外,保安可以在保安室给每一个进出的人打标签,将其加入到黑名单或白名单中,对于白名单的人员则会被认为是常住人口,保安室的控制模块可以直接控制门禁将大门打开;而黑名单的人则为非常住人口,当黑名单的人出现在小区门口被摄像头捕捉到的时候就会产生预警。
所有人员的出入信息、常住人口/非常住人口数据均可以汇总到云端服务器,云端服务器还可以与公安系统建立连接,一方面根据公安提供的潜在危险人员名单进行重点布防,另一方面可以将挖掘出的潜在有价值数据提供给公安。例如:
本申请实施例可以统计一个人出现在摄像头范围的停留时间和出现频率等信息,对于长时间或者频繁出现在一个小区门口的人,可以向保安室发送预警;同时,云端汇集了多个小区的常住人口/非常住人口数据,这些非常住人口的交集也可能是潜在高危人群,比如:在一片区域的所有小区近期均出现同一个人,那么这个人可能是散发传单的人员或者是入室盗窃踩点,需要预警、重点盘问。
本申请实施例中前端摄像头可以在抓拍的同时记录抓拍人脸照片的瀑布流,可以将与犯罪事件同一时间段内出入的非常住人口作为嫌疑人提供给警方,当多个小区都发生类似案件时可以将多个小区该时间段内出入的非常住人口取交集作为嫌疑人,迅速缩小搜捕范围。
图4示出了本申请实施例中人脸特征识别的流程示意图,如图所示,本申请实施例所提供的方案可以对给定的一张人脸照片基于深度学习判断这个人是否戴有眼镜并给出眼镜的矩形框位置,然后再基于深度全卷积网络、通过预先学习数万个戴眼镜和无眼镜照片的图像特征,预测出该人脸去掉眼镜后的人脸照片;相类似的,本申请实施例可以同样基于深度学习检测出口罩的位置,生成两张照片(例如:整脸照片和上半脸照片)分别进行之后的处理。
预先基于深度学习分别针对整张脸和上半张脸训练模型,得到民族分类器、性别分类器、年龄回归器、人脸识别特征抽取器等,然后当上述的人没有带口罩时基于整脸照片来识别民族、性别、年龄和抽取特征,当人戴有口罩时可以基于上半脸照片来做相应的识别,将照片输入模型从而得到性别、年龄、民族等特征数据。
接下来进行人员聚类,具体可以为:首先依据性别、民族、年龄区间等将所有数据划分为粗类别,对于一张新加入的人脸,假设这张人脸加入的粗类别已经有N个聚类中心,每个聚类中心用一个代表人脸的特征来表示。本申请实施例可以首先计算新加入的人脸特征和所有中心代表的人脸特征之间的二范数距离,找出距离最近的中心。假设最小的距离比预设的阀值T小(代表可以认为新加入的人脸和选中的类别中人脸是同一个人),就记录该人脸的出现位置和时间。假设最小的距离比预设的阀值T大,则新建人脸的类别,同时记录人脸出现的位置和时间。
对于不戴口罩的人脸,可以直接按上述的方法更新。民族,性别,年龄和抽取的特征都可以基于整张脸产生,同时,也可以抽取上半张脸的特征,记录下来,这样每个聚类中心有两个代表的人脸特征(整张脸和上半张脸)。对于不戴口罩的人脸,可以用上半张人脸的代表特征进行类别中心更新。
本申请实施例所提供的技术方案,与现有技术中人工走访统计常住人口的方式相比,不需要人工参与、效率更高,而且所用到的人脸结构化聚类方式比传统的聚类算法利用了更多的有用信息,更具鲁棒性;除此之外,本申请实施例将常住人口和门禁建立联系,提高了小区门禁的安全性,常住人口无需刷卡即可直接进入小区,提高了便利性;最后,本申请实施例得到的非常住人口数据库以及云端的分析结果等信息可以提供给警方作为线索,提高警方办案效率。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。