CN107833328B - 基于人脸识别的门禁验证方法及装置、计算设备 - Google Patents
基于人脸识别的门禁验证方法及装置、计算设备 Download PDFInfo
- Publication number
- CN107833328B CN107833328B CN201711157085.4A CN201711157085A CN107833328B CN 107833328 B CN107833328 B CN 107833328B CN 201711157085 A CN201711157085 A CN 201711157085A CN 107833328 B CN107833328 B CN 107833328B
- Authority
- CN
- China
- Prior art keywords
- neural network
- output data
- face recognition
- intermediate layer
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
- G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
Abstract
本发明公开了一种基于人脸识别的门禁验证方法及装置、计算设备,其方法包括:获取摄像头拍摄的图像;将图像输入至第二神经网络中,得到人脸识别结果;其中,第二神经网络利用预先训练的第一神经网络的至少一层中间层的输出数据进行指导训练得到,第一神经网络的层数多于第二神经网络的层数;利用人脸识别结果判断门禁验证是否成功;若是,完成门禁验证,并对识别对象开启门禁。本发明利用训练后层数较少的神经网络快速准确计算得到人脸识别结果,方便根据得到的人脸识别结果判断门禁验证是否成功,并在完成门禁验证后,对识别对象开启门禁,减少了识别对象等待门禁开启的时间,提升识别对象对门禁验证的用户体验。
Description
技术领域
本发明涉及深度学习领域,具体涉及一种基于人脸识别的门禁验证方法及装置、计算设备。
背景技术
随着现代化技术的发展,电子门禁得到了广泛的应用。通过电子门禁验证对入口的控制,可以有效的限制人员进入受控区域,达到确保受控区域安全的目的。如电子刷卡门禁验证、指纹门禁验证、人脸识别门禁验证等。电子刷卡门禁验证反应不够灵敏,有时候需要用刷卡多次才能验证成功;指纹门禁验证对指纹的清晰度要求较高,导致需要多次输入指纹才能验证成功;人脸识别可靠性好、更智能、更安全。
现有技术中在人脸识别时采用神经网络对摄像头获取的图像进行检测。但一般采用的神经网络往往具有多层中间层,其可以得到精准的人脸识别结果,但多层中间层的计算速度会较慢,不能快速的对图像进行检测,无法及时反馈人脸识别结果,使得门禁验证速度慢。而采用中间层较少的神经网络时,由于中间层层数较少,其计算速度较快,可以快速反馈人脸识别结果,提高门禁验证的速度。但受其层数限制,有可能造成计算能力有限、拟合能力较差、得到结果不准确等问题。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于人脸识别的门禁验证方法及装置、计算设备。
根据本发明的一个方面,提供了一种基于人脸识别的门禁验证方法,其包括:
获取摄像头拍摄的图像;
将图像输入至第二神经网络中,得到人脸识别结果;其中,第二神经网络利用预先训练的第一神经网络的至少一层中间层的输出数据进行指导训练得到,第一神经网络的层数多于第二神经网络的层数;
利用人脸识别结果判断门禁验证是否成功;
若是,完成门禁验证,并对识别对象开启门禁。
可选地,门禁验证包括进入门禁验证和/或离开门禁验证。
可选地,方法包括:
利用人脸识别结果,结合得到人脸识别结果的时间记录识别对象的行为轨迹。
可选地,完成门禁验证,并对识别对象开启门禁进一步包括:
根据人脸识别结果,获取识别对象的个人信息;其中,个人信息包含对识别对象的权限设置信息;
根据识别对象的个人信息,对识别对象开启与其权限设置信息对应的门禁。
可选地,方法还包括:
若门禁验证失败,记录图像并发出报警信息。
可选地,第二神经网络的训练过程包括:
将人脸识别的训练样本数据输入至经训练得到的第一神经网络中,获得第一神经网络的至少一层第一中间层的输出数据;
将人脸识别的训练样本数据输入至待训练的第二神经网络中,获得第二神经网络的至少一层第二中间层的输出数据以及最终输出数据,至少一层第二中间层与至少一层第一中间层具有对应关系;
利用至少一层第二中间层的输出数据与至少一层第一中间层的输出数据之间的损失,以及最终输出数据与预标注的输出数据之间的损失,对第二神经网络进行训练。
可选地,至少一层第一中间层包含第一神经网络的瓶颈层;至少一层第二中间层包含第二神经网络的瓶颈层。
可选地,利用至少一层第二中间层的输出数据与至少一层第一中间层的输出数据之间的损失,以及最终输出数据与预标注的输出数据之间的损失,对第二神经网络进行训练进一步包括:
根据至少一层第二中间层的输出数据与至少一层第一中间层的输出数据之间的损失更新第二神经网络的权重参数,根据最终输出数据与预标注的输出数据之间的损失更新第二神经网络的权重参数,对第二神经网络进行训练。
可选地,在将训练样本的输入数据输入至待训练的第二神经网络中,获得第二神经网络的至少一层第二中间层的输出数据以及最终输出数据之前,方法还包括:
将人脸识别的训练样本数据进行下采样处理,将处理后的数据作为第二神经网络的人脸识别的训练样本数据。
可选地,利用至少一层第二中间层的输出数据与至少一层第一中间层的输出数据之间的损失,以及最终输出数据与预标注的输出数据之间的损失,对第二神经网络进行训练进一步包括:
利用至少一层第二中间层的输出数据与至少一层第一中间层的输出数据之间的损失,以及最终输出数据与对下采样处理后人脸识别的训练样本数据的预标注的输出数据之间的损失,对第二神经网络进行训练。
可选地,方法还包括:
收集摄像头拍摄的图像作为人脸识别的训练样本输入数据,以及,对图像进行人工标注,将标注后的图像作为预标注的输出数据。
根据本发明的另一方面,提供了一种基于人脸识别的门禁验证装置,其包括:
获取模块,适于获取摄像头拍摄的图像;
识别模块,适于将图像输入至第二神经网络中,得到人脸识别结果;其中,第二神经网络利用预先训练的第一神经网络的至少一层中间层的输出数据进行指导训练得到,第一神经网络的层数多于第二神经网络的层数;
判断模块,适于利用人脸识别结果判断门禁验证是否成功;
开启模块,适于若是,完成门禁验证,并对识别对象开启门禁。
可选地,门禁验证包括进入门禁验证和/或离开门禁验证。
可选地,装置还包括:
记录模块,适于利用人脸识别结果,结合得到人脸识别结果的时间记录识别对象的行为轨迹。
可选地,开启模块进一步适于:
根据人脸识别结果,获取识别对象的个人信息;其中,个人信息包含对识别对象的权限设置信息;根据识别对象的个人信息,对识别对象开启与其权限设置信息对应的门禁。
可选地,装置还包括:
报警模块,适于若门禁验证失败,记录图像并发出报警信息。
可选地,装置还包括:人脸识别网络指导训练模块;
人脸识别网络指导训练模块包括:
第一输出单元,适于将人脸识别的训练样本数据输入至经训练得到的第一神经网络中,获得第一神经网络的至少一层第一中间层的输出数据;
第二输出单元,适于将人脸识别的训练样本数据输入至待训练的第二神经网络中,获得第二神经网络的至少一层第二中间层的输出数据以及最终输出数据,至少一层第二中间层与至少一层第一中间层具有对应关系;
指导训练单元,适于利用至少一层第二中间层的输出数据与至少一层第一中间层的输出数据之间的损失,以及最终输出数据与预标注的输出数据之间的损失,对第二神经网络进行训练。
可选地,至少一层第一中间层包含第一神经网络的瓶颈层;至少一层第二中间层包含第二神经网络的瓶颈层。
可选地,指导训练单元进一步适于:
根据至少一层第二中间层的输出数据与至少一层第一中间层的输出数据之间的损失更新第二神经网络的权重参数,根据最终输出数据与预标注的输出数据之间的损失更新第二神经网络的权重参数,对第二神经网络进行训练。
可选地,人脸识别网络指导训练模块还包括:
下采样单元,适于将人脸识别的训练样本数据进行下采样处理,将处理后的数据作为第二神经网络的人脸识别的训练样本数据。
可选地,指导训练单元进一步适于:
利用至少一层第二中间层的输出数据与至少一层第一中间层的输出数据之间的损失,以及最终输出数据与对下采样处理后人脸识别的训练样本数据的预标注的输出数据之间的损失,对第二神经网络进行训练。
可选地,装置还包括:
收集模块,适于收集摄像头拍摄的图像作为人脸识别的训练样本输入数据,以及,对图像进行人工标注,将标注后的图像作为预标注的输出数据。
根据本发明的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,处理器、存储器和通信接口通过通信总线完成相互间的通信;
存储器用于存放至少一可执行指令,可执行指令使处理器执行上述基于人脸识别的门禁验证方法对应的操作。
根据本发明的再一方面,提供了一种计算机存储介质,存储介质中存储有至少一可执行指令,可执行指令使处理器执行如上述基于人脸识别的门禁验证方法对应的操作。
根据本发明提供的基于人脸识别的门禁验证方法及装置、计算设备,获取摄像头拍摄的图像;将图像输入至第二神经网络中,得到人脸识别结果;其中,第二神经网络利用预先训练的第一神经网络的至少一层中间层的输出数据进行指导训练得到,第一神经网络的层数多于第二神经网络的层数;利用人脸识别结果判断门禁验证是否成功;若是,完成门禁验证,并对识别对象开启门禁。本发明利用层数较高的第一神经网络的至少一层中间层的输出数据对层数较少的第二神经网络进行指导训练,使得训练得到的第二神经网络在保持其快速计算的情况下,大大提升了其准确性。利用第二神经网络可以快速准确计算得到人脸识别结果,方便根据得到的人脸识别结果判断门禁验证是否成功,并在完成门禁验证后,对识别对象开启门禁,减少了识别对象等待门禁开启的时间,提升识别对象对门禁验证的用户体验。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本发明一个实施例的基于人脸识别的门禁验证方法的流程图;
图2示出了根据本发明另一个实施例的人脸识别网络指导训练方法的流程图;
图3示出了根据本发明另一个实施例的基于人脸识别的门禁验证方法的流程图;
图4示出了根据本发明一个实施例的基于人脸识别的门禁验证装置的功能框图;
图5示出了根据本发明另一个实施例的基于人脸识别的门禁验证装置的功能框图;
图6示出了根据本发明一个实施例的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的基于人脸识别的门禁验证方法的流程图。如图1所示,基于人脸识别的门禁验证方法具体包括如下步骤:
步骤S101,获取摄像头拍摄的图像。
摄像头可以实时的拍摄到监控的图像,如在小区门口、车库口、电梯间、公司等场所安装摄像头,可以非常方便得查看实时情况。获取摄像头所拍摄到的图像,本实施例是对图像中的人物进行识别,因此获取摄像头拍摄的包含人物的图像,以便后续对该图像进行处理。
步骤S102,将图像输入至第二神经网络中,得到人脸识别结果。
第二神经网络为浅层神经网络,其层数较少,计算速度快,一般适用于移动设备、小型计算器等设备。第一神经网络的层数多于第二神经网络的层数。第一神经网络的准确率更高,因此,利用预先训练的第一神经网络的至少一层中间层的输出数据对第二神经网络进行指导训练,使得第二神经网络最终的输出数据与第一神经网络的最终输出数据一致,在保留第二神经网络计算速度的前提下,大大提升了第二神经网络的计算性能。第二神经网络通过利用预先训练的第一神经网络的至少一层中间层的输出数据进行指导训练得到,其中,第一神经网络和第二神经网络训练使用的样本均为对象识别的训练样本。
将图像输入至第二神经网络中,得到人脸识别结果。其中,人脸识别结果可以是对图像中人物的正脸或一定角度的侧脸的识别结果。
步骤S103,利用人脸识别结果判断门禁验证是否成功。
利用人脸识别结果,如人脸识别结果为识别对象A,从门禁数据库存储的用户信息中查找是否存在A,若是,则判断门禁验证成功,执行步骤S104;若否,则门禁验证失败,不对识别对象开启门禁。或者人脸识别结果为识别对象A,从门禁数据库存储的用户信息中查找识别对象A,识别对象A的信息为在职,则判断门禁验证成功,执行步骤S104;识别对象A的信息为离职,则门禁验证失败,不对识别对象开启门禁。
步骤S104,完成门禁验证,并对识别对象开启门禁。
门禁验证过程完成,门禁验证成功,并对图像中经人脸识别的识别对象开启门禁。
进一步,若图像中存在多个人物,人脸识别结果也为多个。利用多个人脸识别结果分别判别门禁验证是否成功,仅对完成门禁验证成功的一个或多个识别对象开启门禁,对于门禁验证失败的识别用户关闭门禁,也可以有效的防止门禁验证失败的识别对象尾随进入。
根据本发明提供的基于人脸识别的门禁验证方法,获取摄像头拍摄的图像;将图像输入至第二神经网络中,得到人脸识别结果;其中,第二神经网络利用预先训练的第一神经网络的至少一层中间层的输出数据进行指导训练得到,第一神经网络的层数多于第二神经网络的层数;利用人脸识别结果判断门禁验证是否成功;若是,完成门禁验证,并对识别对象开启门禁。本发明利用层数较高的第一神经网络的至少一层中间层的输出数据对层数较少的第二神经网络进行指导训练,使得训练得到的第二神经网络在保持其快速计算的情况下,大大提升了其准确性。利用第二神经网络可以快速准确计算得到人脸识别结果,方便根据得到的人脸识别结果判断门禁验证是否成功,并在完成门禁验证后,对识别对象开启门禁,减少了识别对象等待门禁开启的时间,提升识别对象对门禁验证的用户体验。
图2示出了根据本发明一个实施例的人脸识别网络指导训练方法的流程示意图,如图2所示,人脸识别网络的指导训练步骤包括如下步骤:
步骤S201,将人脸识别的训练样本数据输入至经训练得到的第一神经网络中,获得第一神经网络的至少一层第一中间层的输出数据。
第一神经网络为预先经过训练已经固化的神经网络。具体地,第一神经网络预先使用了多个人脸识别的训练样本数据经过训练,第一神经网络已经能够很好的适用于人脸识别。其中,第一神经网络优选使用深层神经网络,如应用于云端服务器的神经网络,其性能好,计算量大,准确率高,速度会较慢。第一神经网络可以输出多层的第一中间层的输出数据,如第一神经网络包含4层第一中间层,分别为第4层第一中间层、第3层第一中间层、第2层第一中间层和第1层第一中间层,其中,第1层第一中间层为第一神经网络的瓶颈层。
将人脸识别的训练样本数据输入至第一神经网络中,可以获得第一神经网络的至少一层第一中间层的输出数据。这里,可以仅获取一层第一中间层的输出数据,也可以获取相邻多层的第一中间层的输出数据,或者获取相互间隔的多层的第一中间层的输出数据,具体根据实施的实际情况进行设置,此处不做限定。
步骤S202,将人脸识别的训练样本数据输入至待训练的第二神经网络中,获得第二神经网络的至少一层第二中间层的输出数据以及最终输出数据。
第二神经网络为人脸识别网络的指导训练中待训练的神经网络,为浅层神经网络,如应用于移动终端的神经网络,其计算能力有限,性能不佳。第一神经网络的层数多于第二神经网络。如第一神经网络的层数为4层,分别为第4层第一中间层、第3层第一中间层、第2层第一中间层和第1层第一中间层;第二神经网络的层数为2层,分别为第2层第二中间层和第1层第二中间层。
将人脸识别的训练样本数据输入至第二神经网络中,获得第二神经网络的至少一层第二中间层的输出数据。其中,至少一层第二中间层与至少一层第一中间层具有对应关系。如第一神经网络的第1层第一中间层与第二神经网络的第1层第二中间层对应,第一神经网络的第2层第一中间层与第二神经网络的第2层第二中间层对应。
获得的第二神经网络的第二中间层的输出数据需要与获得的第一神经网络的第一中间层的输出数据相对应,若获得第一神经网络的两层第一中间层的输出数据,也需要获得第二神经网络的两层第二中间层的输出数据。如获得第一神经网络的第1层和第2层第一中间层的输出数据,对应的获得第二神经网络的第1层和第2层第二中间层的输出数据。
优选的,至少一层第一中间层可以包含第一神经网络的瓶颈层,即第一神经网络的第1层第一中间层,至少一层第二中间层包含第二神经网络的瓶颈层,即第二神经网络的第1层第二中间层。瓶颈层即神经网络中隐藏层的最高层,输出的向量维度最少的一层中间层。使用瓶颈层,可以保证后续在进行训练时,使最终输出数据更加准确,得到较好的训练结果。
在将人脸识别的训练样本数据输入至待训练的第二神经网络中,除获得第二神经网络的至少一层第二中间层的输出数据外,还需要获得第二神经网络的最终输出数据,以便于利用最终输出数据计算损失,对第二神经网络进行训练。
考虑到第二神经网络为浅层神经网络,当人脸识别的训练样本数据较大时,直接使用人脸识别的训练样本数据会影响第二神经网络的运算速度。可选地,可以先对人脸识别的训练样本数据进行下采样处理,如人脸识别的训练样本数据为图片时,进行下采样处理可以先降低图片分辨率,将处理后的人脸识别的训练样本数据作为第二神经网络输入的人脸识别的训练样本数据。这样处理时,第二神经网络使用下采样处理后低分辨率的人脸识别的训练样本数据进行训练,第一神经网络使用高分辨率的人脸识别的训练样本数据进行训练,利用两个神经网络的输出数据进行训练时,使得第二神经网络对低分辨率的人脸识别的训练样本数据也可以获得高分辨率的输出结果。
步骤S203,利用至少一层第二中间层的输出数据与至少一层第一中间层的输出数据之间的损失,以及最终输出数据与预标注的输出数据之间的损失,对第二神经网络进行训练。
根据至少一层第二中间层的输出数据与至少一层第一中间层的输出数据之间的损失,可以更新第二神经网络的权重参数,使第二神经网络至少一层第二中间层的输出数据尽可能的去接近第一神经网络至少一层第一中间层的输出数据。
同时,根据第二神经网络的最终输出数据与预标注的输出数据之间的损失,可以更新第二神经网络的权重参数,使第二神经网络最终输出数据尽可能的去接近预标注的输出数据,保证第二神经网络最终输出数据的准确性。通过以上方式,完成对第二神经网络进行训练。可选地,当第二网络使用下采样处理后的人脸识别的训练样本数据时,还需要对下采样处理后的人脸识别的训练样本数据进行预标注,得到下采样处理后人脸识别的训练样本数据的预标注的输出数据。根据第二神经网络的最终输出数据与下采样处理后的预标注的输出数据之间的损失,可以更新第二神经网络的权重参数,使第二神经网络最终输出数据尽可能的去接近下采样处理后数据的预标注的输出数据,保证第二神经网络最终输出数据的准确性。
根据本发明提供的人脸识别网络指导训练方法,将人脸识别的训练样本数据输入至经训练得到的第一神经网络中,获得第一神经网络的至少一层第一中间层的输出数据;将人脸识别的训练样本数据输入至待训练的第二神经网络中,获得第二神经网络的至少一层第二中间层的输出数据以及最终输出数据,至少一层第二中间层与至少一层第一中间层具有对应关系;利用至少一层第二中间层的输出数据与至少一层第一中间层的输出数据之间的损失,以及最终输出数据与预标注的输出数据之间的损失,对第二神经网络进行训练。通过利用第一神经网络的至少一层第一中间层的输出数据对第二神经网络对应的至少一层第二中间层的输出数据进行训练,可以保持第二神经网络在其计算量不变的情况下,大大提升第二神经网络的性能,有效的缩减训练第二神经网络的训练时间,提高第二网络的训练效率。
图3示出了根据本发明另一个实施例的基于人脸识别的门禁验证方法的流程图。如图3所示,基于人脸识别的门禁验证方法具体包括如下步骤:
步骤S301,获取摄像头拍摄的图像。
步骤S302,将图像输入至第二神经网络中,得到人脸识别结果。
以上步骤参照图1实施例中的步骤S101-S102,在此不再赘述。
步骤S303,利用人脸识别结果判断门禁验证是否成功。
利用人脸识别结果,与门禁数据库存储的用户信息进行匹配,若匹配成功,则判断门禁验证成功,执行步骤S304;若匹配失败,则门禁验证失败,执行步骤S308。在匹配时,还需要进一步注意用户信息的当前状态。如门禁验证为公司门禁验证,匹配时仅与门禁数据库存储的用户信息的当前状态为在职状态的用户信息进行匹配,不与离职状态的用户信息匹配;或者门禁验证为小区门禁验证,匹配时仅与门禁数据库存储的用户信息的当前状态为当前住户的用户信息进行匹配,不与已搬离的用户信息匹配。
步骤S304,根据人脸识别结果,获取识别对象的个人信息。
步骤S305,根据识别对象的个人信息,对识别对象开启与其权限设置信息对应的门禁。
门禁验证成功后,根据人脸识别结果,进一步从门禁数据库中获取识别对象的个人信息。其中,个人信息包含对识别对象的权限设置信息。具体的,识别对象的个人信息包括其为小区1号楼5层住户,权限设置信息为其可以使用1号楼的电梯,但仅限于5层的电梯按键可以使用。利用人脸识别结果,1号楼电梯对识别对象门禁验证成功,开启1号楼电梯的电梯门。再根据获取的识别对象的个人信息,尤其是权限设置信息,对应的可以自动将5层的电梯按键点亮,使识别对象可以直接到达1号楼5层;或者,可以在识别对象手动按下5层电梯按键时,将5层电梯按键点亮。但识别对象手动按下其他层电梯按键时,其他层电梯按键不会点亮,不允许识别对象使用权限设置信息之外的其他层电梯按键,更保障小区住户的内部安全,尽可能的管控小区住户内部可能的隐患问题。
步骤S306,利用人脸识别结果,结合得到人脸识别结果的时间记录识别对象的行为轨迹。
利用人脸识别结果,以及在识别时得到人脸识别结果的时间,将时间与识别对象相关联,可以记录下识别对象在各个时间的行为轨迹。根据行为轨迹,自动获取需要的信息。如上下班打卡信息,日常行为习惯等。具体的,如公司门禁验证,在9点得到识别对象A的人脸识别结果,在18点又得到识别对象A的人脸识别结果,可以记录识别对象A在9点上班,18点下班的行为轨迹,自动完成识别对象A的上下班打卡记录;如果行为轨迹存在多条,识别对象A在9点、12点、13点、15点、16点、18点出现在门禁前,可以根据时间,获取最早时间9点为识别对象A的上班打卡记录,最晚时间18点为识别对象A的下班打卡记录;或者小区门禁验证,利用多个人脸识别结果,以及在识别时得到人脸识别结果的时间,可以统计得到小区住户的日常出入小区的行为轨迹。进一步,根据统计得到的小区住户日常出入小区的行为轨迹,可以得到小区住户的日常行为习惯,如作息习惯。按照小区住户的作息习惯(正常情况一般最早5点就有小区住户离开小区,最晚23点还有小区住户进入小区),将小区的多个门禁验证时间设置为与作息习惯相统一的时间(5点-23点),其他时间段门禁完全关闭,任何人都不能从这些门禁出入,小区中仅保留一个或两个门禁供小区住户进行门禁验证。这样提升小区的安全性,也更好对小区进出的人口进行管理,避免偷盗、传销、小广告等人员进出,对小区住户造成骚扰,甚至危及生命和财产安全的损失。
门禁验证可以仅包括进入时的门禁验证,也可以包括进入门禁验证和离开门禁验证,方便对进入和离开均进行门禁验证,更保障门禁安全,也方便区分识别对象是进入还是离开的行为轨迹。
步骤S307,收集摄像头拍摄的图像作为人脸识别的训练样本输入数据,以及,对图像进行人工标注,将标注后的图像作为预标注的输出数据。
摄像头拍摄的图像和标注后的图像可以作为样本库中用于人脸识别的训练样本输入数据和输出数据。利用收集的摄像头拍摄的图像和标注后的图像可以对第二神经网络进行优化训练,以使第二神经网络的输出结果更加准确。
步骤S308,若门禁验证失败,记录图像并发出报警信息。
为提升门禁安全,在门禁验证失败后,可以将该图像进行记录作为证据,并发出报警信息,如小区门禁验证,有行为怪异的陌生人在门禁前,发送携带有图像(包含陌生人的图像)的报警信息给物业监控中心,同时,发出警报声音震慑陌生人,保障小区安全。
根据本发明提供的基于人脸识别的门禁验证方法,利用经过训练的第二神经网络能够快速、准确地得到摄像头拍摄的图像对应的人脸识别结果,有效地提高对摄像头拍摄图像的人脸识别的准确率,同时保证第二神经网络的处理效率。进一步,基于得到的人脸识别结果,结合识别对象的个人信息,对识别对象开启与其权限设置信息对应的门禁,使门禁验证更智能、更具体,也更安全,提供识别对象更方便的服务。还可以结合得到人脸识别结果的时间记录识别对象的行为轨迹,自动实现如获取上下班打卡等信息、获取识别对象日常行为习惯等。还可以根据识别对象日常行为习惯设置门禁,提升门禁安全。对于门禁验证失败的情况,可以记录图像并发出报警信息,方便留下证据并及时提醒,避免危险发生。将摄像头拍摄的图像和人工标注后的图像放入样本库,可以对第二神经网络进行优化训练,以使第二神经网络的输出结果更加准确。
图4示出了根据本发明一个实施例的基于人脸识别的门禁验证装置的功能框图,如图4所示,该装置包括:
获取模块410,适于获取摄像头拍摄的图像。
摄像头可以实时的拍摄到监控的图像,如在小区门口、车库口、电梯间、公司等场所安装摄像头,可以非常方便得查看实时情况。获取模块410获取摄像头所拍摄到的图像,本实施例是对图像中的人物进行识别,因此获取模块410获取摄像头拍摄的包含人物的图像,以便后续对该图像进行处理。
识别模块420,适于将图像输入至第二神经网络中,得到人脸识别结果。
第二神经网络为浅层神经网络,其层数较少,计算速度快,一般适用于移动设备、小型计算器等设备。第一神经网络的层数多于第二神经网络的层数。第一神经网络的准确率更高,因此,利用预先训练的第一神经网络的至少一层中间层的输出数据对第二神经网络进行指导训练,使得第二神经网络最终的输出数据与第一神经网络的最终输出数据一致,在保留第二神经网络计算速度的前提下,大大提升了第二神经网络的计算性能。第二神经网络通过利用预先训练的第一神经网络的至少一层中间层的输出数据进行指导训练得到,其中,第一神经网络和第二神经网络训练使用的样本均为对象识别的训练样本。
识别模块420将图像输入至第二神经网络中,得到人脸识别结果。其中,人脸识别结果可以是对图像中人物的正脸或一定角度的侧脸的识别结果。
判断模块430,适于利用人脸识别结果判断门禁验证是否成功。
判断模块430利用人脸识别结果,如识别模块420得到人脸识别结果为识别对象A,判断模块430从门禁数据库存储的用户信息中查找是否存在A,若是,则判断模块430判断门禁验证成功,执行开启模块440;若否,则判断模块430判断门禁验证失败,不对识别对象开启门禁。或者识别模块420得到人脸识别结果为识别对象A,判断模块430从门禁数据库存储的用户信息中查找识别对象A,识别对象A的信息为在职,则判断模块430判断门禁验证成功,执行开启模块440;识别对象A的信息为离职,则判断模块430判断门禁验证失败,不对识别对象开启门禁。
开启模块440,适于若是,完成门禁验证,并对识别对象开启门禁。
开启模块440完成门禁验证过程,并对图像中经人脸识别的识别对象开启门禁。
开启模块440进一步适于根据人脸识别结果,获取识别对象的个人信息;根据识别对象的个人信息,对识别对象开启与其权限设置信息对应的门禁。
判断模块430判断门禁验证成功后,根据人脸识别结果,开启模块440进一步从门禁数据库中获取识别对象的个人信息。其中,个人信息包含对识别对象的权限设置信息。具体的,识别对象的个人信息包括其为小区1号楼5层住户,权限设置信息为其可以使用1号楼的电梯,但仅限于5层的电梯按键可以使用。判断模块430利用人脸识别结果,判断1号楼电梯对识别对象门禁验证成功,开启模块440开启1号楼电梯的电梯门。开启模块440再根据获取的识别对象的个人信息,尤其是权限设置信息,对应的可以自动将5层的电梯按键点亮,使识别对象可以直接到达1号楼5层;或者,开启模块440可以在识别对象手动按下5层电梯按键时,将5层电梯按键点亮。但识别对象手动按下其他层电梯按键时,开启模块440对其他层电梯按键不会点亮,不允许识别对象使用权限设置信息之外的其他层电梯按键,更保障小区住户的内部安全,尽可能的管控小区住户内部可能的隐患问题。
进一步,若获取模块410获取的图像中存在多个人物,识别模块420得到的人脸识别结果也为多个。判断模块430利用多个人脸识别结果分别判别门禁验证是否成功,开启模块440仅对完成门禁验证成功的一个或多个识别对象开启门禁,对于门禁验证失败的识别用户关闭门禁,也可以有效的防止门禁验证失败的识别对象尾随进入。
根据本发明提供的基于人脸识别的门禁验证装置,获取摄像头拍摄的图像;将图像输入至第二神经网络中,得到人脸识别结果;其中,第二神经网络利用预先训练的第一神经网络的至少一层中间层的输出数据进行指导训练得到,第一神经网络的层数多于第二神经网络的层数;利用人脸识别结果判断门禁验证是否成功;若是,完成门禁验证,并对识别对象开启门禁。本发明利用层数较高的第一神经网络的至少一层中间层的输出数据对层数较少的第二神经网络进行指导训练,使得训练得到的第二神经网络在保持其快速计算的情况下,大大提升了其准确性。利用第二神经网络可以快速准确计算得到人脸识别结果,方便根据得到的人脸识别结果判断门禁验证是否成功,并在完成门禁验证后,对识别对象开启门禁,减少了识别对象等待门禁开启的时间,提升识别对象对门禁验证的用户体验。
图5示出了根据本发明另一个实施例的基于人脸识别的门禁验证装置的功能框图,如图5所示,与图4相比,该装置还包括:
记录模块450,适于利用人脸识别结果,结合得到人脸识别结果的时间记录识别对象的行为轨迹。
记录模块450利用人脸识别结果,以及在识别时得到人脸识别结果的时间,将时间与识别对象相关联,可以记录下识别对象在各个时间的行为轨迹。记录模块450还可以根据行为轨迹,自动获取需要的信息。如上下班打卡信息,日常行为习惯等。具体的,如公司门禁验证,根据识别模块420在9点得到识别对象A的人脸识别结果,在18点又得到识别对象A的人脸识别结果,记录模块450可以记录识别对象A在9点上班,18点下班的行为轨迹,自动完成识别对象A的上下班打卡记录;如果行为轨迹存在多条,识别模块420识别对象A在9点、12点、13点、15点、16点、18点出现在门禁前,记录模块450可以根据时间,获取最早时间9点为识别对象A的上班打卡记录,最晚时间18点为识别对象A的下班打卡记录;或者小区门禁验证,记录模块450利用多个人脸识别结果,以及在识别时得到人脸识别结果的时间,可以统计得到小区住户的日常出入小区的行为轨迹。进一步,记录模块450根据统计得到的小区住户日常出入小区的行为轨迹,可以得到小区住户的日常行为习惯,如作息习惯。按照小区住户的作息习惯(正常情况一般最早5点就有小区住户离开小区,最晚23点还有小区住户进入小区),将小区的多个门禁验证时间设置为与作息习惯相统一的时间(5点-23点),其他时间段门禁完全关闭,任何人都不能从这些门禁出入,小区中仅保留一个或两个门禁供小区住户进行门禁验证。这样提升小区的安全性,也更好对小区进出的人口进行管理,避免偷盗、传销、小广告等人员进出,对小区住户造成骚扰,甚至危及生命和财产安全的损失。
门禁验证可以仅包括进入时的门禁验证,也可以包括进入门禁验证和离开门禁验证,方便对进入和离开均进行门禁验证,更保障门禁安全,也方便区分识别对象是进入还是离开的行为轨迹。
报警模块460,适于若门禁验证失败,记录图像并发出报警信息。
为提升门禁安全,在判断模块430判断门禁验证失败后,报警模块460可以将该图像进行记录作为证据,并发出报警信息,如小区门禁验证,有行为怪异的陌生人在门禁前,判断模块430判断门禁验证失败,报警模块460发送携带有图像(包含陌生人的图像)的报警信息给物业监控中心,同时,发出警报声音震慑陌生人,保障小区安全。
人脸识别指导训练模块470,人脸识别指导训练模块470包括:第一输出单元471、第二输出单元472和指导训练单元473,还可以包括下采样单元474。
第一输出单元471,适于将人脸识别的训练样本数据输入至经训练得到的第一神经网络中,获得第一神经网络的至少一层第一中间层的输出数据。
第一神经网络为预先经过训练已经固化的神经网络。具体地,第一神经网络预先使用了多个人脸识别的训练样本数据经过训练,第一神经网络已经能够很好的适用于人脸识别。其中,第一神经网络优选使用深层神经网络,如应用于云端服务器的神经网络,其性能好,计算量大,准确率高,速度会较慢。第一神经网络可以输出多层的第一中间层的输出数据,如第一神经网络包含4层第一中间层,分别为第4层第一中间层、第3层第一中间层、第2层第一中间层和第1层第一中间层,其中,第1层第一中间层为第一神经网络的瓶颈层。
第一输出单元471将人脸识别的训练样本数据输入至第一神经网络中,可以获得第一神经网络的至少一层第一中间层的输出数据。这里,第一输出单元471可以仅获取一层第一中间层的输出数据,也可以获取相邻多层的第一中间层的输出数据,或者第一输出单元471获取相互间隔的多层的第一中间层的输出数据,具体根据实施的实际情况进行设置,此处不做限定。
第二输出单元472,适于将人脸识别的训练样本数据输入至待训练的第二神经网络中,获得第二神经网络的至少一层第二中间层的输出数据以及最终输出数据,至少一层第二中间层与至少一层第一中间层具有对应关系。
第二神经网络为人脸识别网络的指导训练中待训练的神经网络,为浅层神经网络,如应用于移动终端的神经网络,其计算能力有限,性能不佳。第一神经网络的层数多于第二神经网络。如第一神经网络的层数为4层,分别为第4层第一中间层、第3层第一中间层、第2层第一中间层和第1层第一中间层;第二神经网络的层数为2层,分别为第2层第二中间层和第1层第二中间层。
第二输出单元472将人脸识别的训练样本数据输入至第二神经网络中,获得第二神经网络的至少一层第二中间层的输出数据。其中,至少一层第二中间层与至少一层第一中间层具有对应关系。如第一神经网络的第1层第一中间层与第二神经网络的第1层第二中间层对应,第一神经网络的第2层第一中间层与第二神经网络的第2层第二中间层对应。
第二输出单元472获得的第二神经网络的第二中间层的输出数据需要与获得的第一神经网络的第一中间层的输出数据相对应,若第一输出单元471获得第一神经网络的两层第一中间层的输出数据,第二输出单元472也需要获得第二神经网络的两层第二中间层的输出数据。如第一输出单元471获得第一神经网络的第1层和第2层第一中间层的输出数据,对应的第二输出单元472获得第二神经网络的第1层和第2层第二中间层的输出数据。
优选的,至少一层第一中间层可以包含第一神经网络的瓶颈层,即第一神经网络的第1层第一中间层,至少一层第二中间层包含第二神经网络的瓶颈层,即第二神经网络的第1层第二中间层。瓶颈层即神经网络中隐藏层的最高层,输出的向量维度最少的一层中间层。使用瓶颈层,可以保证后续指导训练单元473在进行训练时,使最终输出数据更加准确,得到较好的训练结果。
在第二输出单元472将人脸识别的训练样本数据输入至待训练的第二神经网络中,除获得第二神经网络的至少一层第二中间层的输出数据外,第二输出单元472还需要获得第二神经网络的最终输出数据,以便于利用最终输出数据计算损失,对第二神经网络进行训练。
下采样单元474,适于将人脸识别的训练样本数据进行下采样处理,将处理后的数据作为第二神经网络的人脸识别的训练样本数据。
考虑到第二神经网络为浅层神经网络,当人脸识别的训练样本数据较大时,直接使用人脸识别的训练样本数据会影响第二神经网络的运算速度。可选地,下采样单元474可以先对人脸识别的训练样本数据进行下采样处理,如人脸识别的训练样本数据为图片时,下采样单元474进行下采样处理可以先降低图片分辨率,将处理后的人脸识别的训练样本数据作为第二神经网络输入的人脸识别的训练样本数据。这样第二输出单元472使用下采样处理后低分辨率的人脸识别的训练样本数据进行训练,第一输出单元471使用高分辨率的人脸识别的训练样本数据进行训练,指导训练单元473利用两个神经网络的输出数据进行训练时,使得第二神经网络对低分辨率的人脸识别的训练样本数据也可以获得高分辨率的输出结果。指导训练单元473,适于利用至少一层第二中间层的输出数据与至少一层第一中间层的输出数据之间的损失,以及最终输出数据与预标注的输出数据之间的损失,对第二神经网络进行训练。
指导训练单元473根据至少一层第二中间层的输出数据与至少一层第一中间层的输出数据之间的损失,可以更新第二神经网络的权重参数,使第二神经网络至少一层第二中间层的输出数据尽可能的去接近第一神经网络至少一层第一中间层的输出数据。
同时,指导训练单元473根据第二神经网络的最终输出数据与预标注的输出数据之间的损失,可以更新第二神经网络的权重参数,使第二神经网络最终输出数据尽可能的去接近预标注的输出数据,保证第二神经网络最终输出数据的准确性。通过执行以上各单元,完成对第二神经网络进行训练。可选地,当人脸识别指导训练模块470包括下采样单元474时,下采样单元474还需要对下采样处理后的人脸识别的训练样本数据进行预标注,得到下采样处理后人脸识别的训练样本数据的预标注的输出数据。指导训练单元473根据第二神经网络的最终输出数据与下采样处理后的预标注的输出数据之间的损失,可以更新第二神经网络的权重参数,使第二神经网络最终输出数据尽可能的去接近下采样处理后数据的预标注的输出数据,保证第二神经网络最终输出数据的准确性。
收集模块480,适于收集摄像头拍摄的图像作为人脸识别的训练样本输入数据,以及,对图像进行人工标注,将标注后的图像作为预标注的输出数据。
收集模块480收集摄像头拍摄的图像和标注后的图像可以作为样本库中用于人脸识别的训练样本输入数据和输出数据。利用收集模块480收集的摄像头拍摄的图像和标注后的图像可以对第二神经网络进行优化训练,以使第二神经网络的输出结果更加准确。
根据本发明提供的基于人脸识别的门禁验证装置,利用经过训练的第二神经网络能够快速、准确地得到人脸识别结果,有效地提高对摄像头拍摄图像的人脸识别的准确率,同时保证第二神经网络的处理效率。进一步,还可以结合得到人脸识别结果的时间记录识别对象的行为轨迹,自动实现如获取上下班打卡等信息、获取识别对象日常行为习惯等。还可以根据识别对象日常行为习惯设置门禁,提升门禁安全。对于门禁验证失败的情况,可以记录图像并发出报警信息,方便留下证据并及时提醒,避免危险发生。将摄像头拍摄的图像和人工标注后的图像放入样本库,可以对第二神经网络进行优化训练,以使第二神经网络的输出结果更加准确。
本申请还提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的基于人脸识别的门禁验证方法。
图6示出了根据本发明一个实施例的一种计算设备的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图6所示,该计算设备可以包括:处理器(processor)602、通信接口(Communications Interface)604、存储器(memory)606、以及通信总线608。
其中:
处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。
通信接口604,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器602,用于执行程序610,具体可以执行上述基于人脸识别的门禁验证方法实施例中的相关步骤。
具体地,程序610可以包括程序代码,该程序代码包括计算机操作指令。
处理器602可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器606,用于存放程序610。存储器606可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序610具体可以用于使得处理器602执行上述任意方法实施例中的基于人脸识别的门禁验证方法。程序610中各步骤的具体实现可以参见上述基于人脸识别的门禁验证实施例中的相应步骤和单元中对应的描述,在此不赘述。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的基于人脸识别的门禁验证的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (22)
1.一种基于人脸识别的门禁验证方法,其包括:
获取摄像头拍摄的图像;
将所述图像输入至第二神经网络中,得到人脸识别结果;其中,所述第二神经网络利用预先训练的第一神经网络的至少一层中间层的输出数据进行指导训练得到,所述第一神经网络的层数多于所述第二神经网络的层数;所述第二神经网络的训练过程包括:将人脸识别的训练样本数据输入至经训练得到的第一神经网络中,获得第一神经网络的至少一层第一中间层的输出数据;将人脸识别的训练样本数据输入至待训练的第二神经网络中,获得第二神经网络的至少一层第二中间层的输出数据以及最终输出数据,所述至少一层第二中间层与所述至少一层第一中间层具有对应关系;利用所述至少一层第二中间层的输出数据与所述至少一层第一中间层的输出数据之间的损失,以及所述最终输出数据与预标注的输出数据之间的损失,对第二神经网络进行训练;
利用所述人脸识别结果判断门禁验证是否成功;
若是,完成门禁验证,并对识别对象开启门禁。
2.根据权利要求1所述的方法,其中,所述门禁验证包括进入门禁验证和/或离开门禁验证。
3.根据权利要求1或2所述的方法,其中,所述方法包括:
利用所述人脸识别结果,结合得到人脸识别结果的时间记录识别对象的行为轨迹。
4.根据权利要求1或2所述的方法,其中,所述完成门禁验证,并对识别对象开启门禁进一步包括:
根据所述人脸识别结果,获取识别对象的个人信息;其中,所述个人信息包含对识别对象的权限设置信息;
根据识别对象的个人信息,对识别对象开启与其权限设置信息对应的门禁。
5.根据权利要求1或2所述的方法,其中,所述方法还包括:
若门禁验证失败,记录所述图像并发出报警信息。
6.根据权利要求1所述的方法,其中,所述至少一层第一中间层包含第一神经网络的瓶颈层;所述至少一层第二中间层包含第二神经网络的瓶颈层。
7.根据权利要求1或6所述的方法,其中,所述利用所述至少一层第二中间层的输出数据与所述至少一层第一中间层的输出数据之间的损失,以及所述最终输出数据与预标注的输出数据之间的损失,对第二神经网络进行训练进一步包括:
根据所述至少一层第二中间层的输出数据与所述至少一层第一中间层的输出数据之间的损失更新所述第二神经网络的权重参数,根据所述最终输出数据与预标注的输出数据之间的损失更新所述第二神经网络的权重参数,对第二神经网络进行训练。
8.根据权利要求1或6所述的方法,其中,在所述将训练样本的输入数据输入至待训练的第二神经网络中,获得第二神经网络的至少一层第二中间层的输出数据以及最终输出数据之前,所述方法还包括:
将所述人脸识别的训练样本数据进行下采样处理,将处理后的数据作为第二神经网络的人脸识别的训练样本数据。
9.根据权利要求8所述的方法,其中,所述利用所述至少一层第二中间层的输出数据与所述至少一层第一中间层的输出数据之间的损失,以及所述最终输出数据与预标注的输出数据之间的损失,对第二神经网络进行训练进一步包括:
利用所述至少一层第二中间层的输出数据与所述至少一层第一中间层的输出数据之间的损失,以及所述最终输出数据与对所述下采样处理后人脸识别的训练样本数据的预标注的输出数据之间的损失,对第二神经网络进行训练。
10.根据权利要求1或2所述的方法,其中,所述方法还包括:
收集摄像头拍摄的图像作为人脸识别的训练样本输入数据,以及,对所述图像进行人工标注,将标注后的图像作为预标注的输出数据。
11.一种基于人脸识别的门禁验证装置,其包括:
获取模块,适于获取摄像头拍摄的图像;
识别模块,适于将所述图像输入至第二神经网络中,得到人脸识别结果;其中,所述第二神经网络利用预先训练的第一神经网络的至少一层中间层的输出数据进行指导训练得到,所述第一神经网络的层数多于所述第二神经网络的层数;
判断模块,适于利用所述人脸识别结果判断门禁验证是否成功;
开启模块,适于若是,完成门禁验证,并对识别对象开启门禁;
人脸识别网络指导训练模块包括:
第一输出单元,适于将人脸识别的训练样本数据输入至经训练得到的第一神经网络中,获得第一神经网络的至少一层第一中间层的输出数据;
第二输出单元,适于将人脸识别的训练样本数据输入至待训练的第二神经网络中,获得第二神经网络的至少一层第二中间层的输出数据以及最终输出数据,所述至少一层第二中间层与所述至少一层第一中间层具有对应关系;
指导训练单元,适于利用所述至少一层第二中间层的输出数据与所述至少一层第一中间层的输出数据之间的损失,以及所述最终输出数据与预标注的输出数据之间的损失,对第二神经网络进行训练。
12.根据权利要求11所述的装置,其中,所述门禁验证包括进入门禁验证和/或离开门禁验证。
13.根据权利要求11或12所述的装置,其中,所述装置还包括:
记录模块,适于利用所述人脸识别结果,结合得到人脸识别结果的时间记录识别对象的行为轨迹。
14.根据权利要求11或12所述的装置,其中,所述开启模块进一步适于:
根据所述人脸识别结果,获取识别对象的个人信息;其中,所述个人信息包含对识别对象的权限设置信息;根据识别对象的个人信息,对识别对象开启与其权限设置信息对应的门禁。
15.根据权利要求11或12所述的装置,其中,所述装置还包括:
报警模块,适于若门禁验证失败,记录所述图像并发出报警信息。
16.根据权利要求11所述的装置,其中,所述至少一层第一中间层包含第一神经网络的瓶颈层;所述至少一层第二中间层包含第二神经网络的瓶颈层。
17.根据权利要求11或16所述的装置,其中,所述指导训练单元进一步适于:
根据所述至少一层第二中间层的输出数据与所述至少一层第一中间层的输出数据之间的损失更新所述第二神经网络的权重参数,根据所述最终输出数据与预标注的输出数据之间的损失更新所述第二神经网络的权重参数,对第二神经网络进行训练。
18.根据权利要求11或16所述的装置,其中,所述人脸识别网络指导训练模块还包括:
下采样单元,适于将所述人脸识别的训练样本数据进行下采样处理,将处理后的数据作为第二神经网络的人脸识别的训练样本数据。
19.根据权利要求18所述的装置,其中,所述指导训练单元进一步适于:
利用所述至少一层第二中间层的输出数据与所述至少一层第一中间层的输出数据之间的损失,以及所述最终输出数据与对所述下采样处理后人脸识别的训练样本数据的预标注的输出数据之间的损失,对第二神经网络进行训练。
20.根据权利要求11或12所述的装置,其中,所述装置还包括:
收集模块,适于收集摄像头拍摄的图像作为人脸识别的训练样本输入数据,以及,对所述图像进行人工标注,将标注后的图像作为预标注的输出数据。
21.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-10中任一项所述的基于人脸识别的门禁验证方法对应的操作。
22.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-10中任一项所述的基于人脸识别的门禁验证方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711157085.4A CN107833328B (zh) | 2017-11-20 | 2017-11-20 | 基于人脸识别的门禁验证方法及装置、计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711157085.4A CN107833328B (zh) | 2017-11-20 | 2017-11-20 | 基于人脸识别的门禁验证方法及装置、计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107833328A CN107833328A (zh) | 2018-03-23 |
CN107833328B true CN107833328B (zh) | 2020-07-07 |
Family
ID=61652041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711157085.4A Active CN107833328B (zh) | 2017-11-20 | 2017-11-20 | 基于人脸识别的门禁验证方法及装置、计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107833328B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537921B (zh) * | 2018-03-27 | 2020-04-14 | 南京甄视智能科技有限公司 | 基于人脸识别的访客识别方法和系统 |
CN109243021B (zh) * | 2018-08-28 | 2021-09-17 | 余利 | 基于用户体验分析的深度强化学习式智能门锁系统及装置 |
CN110895838A (zh) * | 2018-09-12 | 2020-03-20 | 格力电器(武汉)有限公司 | 一种智能门锁控制方法、装置及智能门锁 |
CN110766849A (zh) * | 2019-10-24 | 2020-02-07 | 武汉菲旺软件技术有限责任公司 | 小区门禁对外卖人员自动识别的方法、装置、设备及介质 |
CN112037391A (zh) * | 2020-07-28 | 2020-12-04 | 北方夜视技术股份有限公司 | 一种洁净工房智能化安全综合管理系统 |
CN113205004A (zh) * | 2021-04-08 | 2021-08-03 | 武汉大学 | 一种基于多级安防系统的人脸识别方法和多级安防系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651067A (zh) * | 2012-04-08 | 2012-08-29 | 南京理工大学常熟研究院有限公司 | 应用于门卫的人脸识别装置 |
CN104463194A (zh) * | 2014-11-04 | 2015-03-25 | 深圳市华尊科技有限公司 | 一种人车分类方法及装置 |
CN106056562A (zh) * | 2016-05-19 | 2016-10-26 | 京东方科技集团股份有限公司 | 一种人脸图像处理方法、装置及电子设备 |
CN106778584A (zh) * | 2016-12-08 | 2017-05-31 | 南京邮电大学 | 一种基于深层特征与浅层特征融合的人脸年龄估计方法 |
CN107066941A (zh) * | 2017-03-01 | 2017-08-18 | 桂林电子科技大学 | 一种人脸识别方法和系统 |
-
2017
- 2017-11-20 CN CN201711157085.4A patent/CN107833328B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651067A (zh) * | 2012-04-08 | 2012-08-29 | 南京理工大学常熟研究院有限公司 | 应用于门卫的人脸识别装置 |
CN104463194A (zh) * | 2014-11-04 | 2015-03-25 | 深圳市华尊科技有限公司 | 一种人车分类方法及装置 |
CN106056562A (zh) * | 2016-05-19 | 2016-10-26 | 京东方科技集团股份有限公司 | 一种人脸图像处理方法、装置及电子设备 |
CN106778584A (zh) * | 2016-12-08 | 2017-05-31 | 南京邮电大学 | 一种基于深层特征与浅层特征融合的人脸年龄估计方法 |
CN107066941A (zh) * | 2017-03-01 | 2017-08-18 | 桂林电子科技大学 | 一种人脸识别方法和系统 |
Non-Patent Citations (1)
Title |
---|
《基于卷积神经网络的人脸识别研究与实现》;万士宁;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170215(第2期);参见第66-81页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107833328A (zh) | 2018-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107833328B (zh) | 基于人脸识别的门禁验证方法及装置、计算设备 | |
CN106504353B (zh) | 车辆收费方法和装置 | |
CN111243109B (zh) | 基于人脸识别的乘车检票方法、装置、系统和计算机设备 | |
CN107862773A (zh) | 可预约式人脸识别门禁访客系统及方法 | |
CN109285234B (zh) | 人脸识别考勤方法、装置、计算机装置及存储介质 | |
CN107945321A (zh) | 基于人脸识别的安检方法、应用服务器及计算机可读存储介质 | |
CN110751675B (zh) | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 | |
CN109446936A (zh) | 一种用于监控场景的身份识别方法及装置 | |
CN108108711B (zh) | 人脸布控方法、电子设备及存储介质 | |
CN107392614B (zh) | 线下交易的实现方法和装置 | |
CN113330491B (zh) | 电子闸门的开启方法、装置及服务器 | |
CN109979059A (zh) | 一种控制闸机的方法、装置、设备和存储介质 | |
CN110991249A (zh) | 人脸检测方法、装置、电子设备及介质 | |
CN107452116A (zh) | 一种识别特定区域内人员身份与数量的方法 | |
Robertson et al. | A framework for biometric and interaction performance assessment of automated border control processes | |
CN113591603A (zh) | 证件的验证方法、装置、电子设备及存储介质 | |
CN110276617A (zh) | 无人便利店进门识别方法、装置、设备和存储介质 | |
CN113033404A (zh) | 人脸攻击事件检测方法、装置、设备及存储介质 | |
CN113065908A (zh) | 租赁方法、租赁装置、租赁平台及存储介质 | |
CN111400621B (zh) | 位置信息真实性校验方法、装置及电子设备 | |
CN115147887A (zh) | 人脸识别率提高方法、门禁设备及计算机可读存储介质 | |
CN113642462A (zh) | 一种驾驶行为考核方法、装置、终端设备及存储介质 | |
CN111159159B (zh) | 基于历史通行记录的公共交通通行法、装置、设备及系统 | |
CN115546737B (zh) | 一种机房监控方法 | |
CN112017347B (zh) | 一种访客登记方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |