CN108052925B - 一种小区人员档案智能管理方法 - Google Patents

Abstract

本发明涉及小区管理领域，提出一种小区人员档案智能管理方法。包括用深度学习模型检测人脸并进行名单库比对；采用黑、白、灰名单的机制对小区人员进行管理与分类，实现特殊人员的实时告警；对获得的图片数据进行清洗，用于优化训练深度学习模型；分析小区人员的出入时间，实现异常事件的提前预警；利用名单库人员档案信息，形成本小区的相关统计数据和图表。通过本发明提供的小区管理系统，实现对小区人员的规范管理，以及对特殊人员和异常事件的及时预警，减少安保人员的工作负担，有效提升小区的安全系数，使小区管理更为智能化。

Description

一种小区人员档案智能管理方法

技术领域

本发明涉及小区管理领域，特别涉及一种小区人员档案智能管理方法。

背景技术

随着安防产业的发展，监控早已走进人们的日常生活中，然而现有的监控系统在小区管理中只起到人工实时查看，以及事后取证之用，无法实现对特殊人员和异常事件的实时预警，主要还是依赖安保人员的人工巡逻和主动排查。为解决上述问题，本发明将深度学习应用于小区监控中，并结合黑白灰名单的管理机制，提出一种小区人员档案智能管理方法，实现对特殊人员的实时检测与报警，以及对异常事件的提前预判，将危险因素扼杀在萌芽之中。

发明内容

为解决上述问题，本发明提供一种小区人员档案智能管理方法以及对应系统，包括：用深度学习模型检测人脸并进行名单库比对；采用黑、白、灰名单的机制对小区人员进行管理与分类，实现特殊人员的实时告警；对获得的图片数据进行清洗，用于优化训练深度学习模型；分析小区人员的出入时间，实现异常事件的提前预警；利用名单库人员档案信息，形成本小区的相关统计数据和图表。通过本发明提供的小区管理系统，实现对小区人员的规范管理，以及对特殊人员和异常事件的及时预警，减少安保人员的工作负担，有效提升小区的安全系数，使小区管理更为智能化。

一种小区人员档案智能管理方法，其特征是：系统组成主要包含小区内的前端相机、人脸检测模块、人脸识别模块、档案管理和系统预警。其中前端相机负责获取监控画面；人脸检测模块和人脸识别模块分别对画面进行人脸检测和人脸识别，并将处理结果进行数据清洗，用于模型的更新训练；建立小区档案管理机制，有效管理小区人员；利用预警系统实现对特殊人员的报警，并结合小区人员出入记录实现对异常事件的提前预警。

所述的小区档案管理机制分成名单库管理和数据目录管理两部分。名单库管理将小区人员档案划分为白名单、黑名单和灰名单；数据目录管理负责给每个小区人员档案都绑定一个目录，用于存放各自的抓拍图片，并以抓拍时间给图片命名。同时根据图片的抓拍时间，可以分析小区人员的出入情况。

所述的抓拍图片，在目录中的存放规则如下。若当前抓拍人脸图片为P₁，首先与黑、白、灰名单库中所有人员R＝{R₁,R₂,R₃…R_N}进行比对，根据比对结果筛选出相似度大于阈值T的人员目录R'＝{R₁',R₂',R₃'…R_N'}，然后将图片P₁分别添加至这些目录中去。例如，目录人员R₁'包含图片的集合为P＝{P_a，P_b，P_c}，则添加后的图片集合为P＝{P_a，P_b，P_c，P₁}；目录人员R₂'包含图片的集合为P＝{P_d，P_e}，则添加后的图片集合为P＝{P_d，P_e，P₁}。目的是保证P₁能存放至正确的人员目录中。

所述的白名单,定义为小区住户和物业人员的档案，当系统抓拍到白名单人员时不会报警。白名单信息由人工采集，包含身份信息、紧急联系人信息、车辆信息、现场采集的人脸信息。其中身份信息包含年龄、籍贯、性别、本地或外地、民族、电话；紧急联系人信息包含名字、电话、与联系人关系；车辆信息包含车牌信息、车型和车标；现场采集信息包含现场拍摄的5张人脸照片，角度分别为仰视、俯视、正脸、左侧脸和右侧脸。

系统可以运用所述的人工采集的白名单信息，生成一些小区分布统计图，例如：小区年龄分布图，小区性别占比图，小区人员职业分布图，小区人员本省/外省占比图，小区人员手机所属运营商占比图等。

当检测到黑名单人员时会触发报警。黑名单人员的档案信息一部分由公安局提供并保持更新，另外一部分由人工采集并输入，主要包含身份信息和人脸信息。

所述的灰名单，定义为不在黑白名单中的人员档案，一般为临时访客。灰名单库由系统自动生成，当系统抓拍到人脸后，会与黑名单、白名单以及现有的灰名单逐个进行比对，若比对结果不为上述名单中的任何一人，系统会在灰名单中新建一个人员档案，并以抓拍人脸作为档案照片，用于后期人脸识别。因此，灰名单中人员信息仅仅包含抓拍人脸和抓拍时间。

所述的灰名单，根据人员在小区的出入频率和时间再划分出一个可疑人员库。当检测到灰名单中的可疑人员时，系统也会触发报警，由安保人员负责当面核实身份信息。

可疑人员分为两类：

a)第一类可疑人员的评判标准为：若在K(例如K＝7)天时间内，灰名单中某个档案对应目录的人脸图像超过N₁时，对该目录进行数据清洗，即剔除非本档案人人脸，若清洗完毕后该目录的图像数量依旧大于N₂，则将该该档案归入灰名单中的“第一类可疑人员”。这类人员可能是推销人员或是犯罪踩点人员。

b)第二类可疑人员的评判标准为：若在K(例如K＝7)天时间内，灰名单在经过数据清洗后，某个目录同时满足下列两个条件，则将该目录对应的档案归入灰名单中的“第二类可疑人员”。①、目录中图像的总数超过N₃。②、抓拍时间为凌晨的图片数量超过N₄。第二类可疑人员可能是小偷或劫犯。

所述的白、灰名单人员，在满足一定条件时可以相互转换：

a)灰名单转换成白名单：对于经常来小区的灰名单人员，可能是小区的新租客，或者是小区住户的亲戚暂住，在工作人员确定其身份后，进行现场信息采集，并将其档案转变成白名单。

b)白名单转换成灰名单：对于不再居住于小区的白名单用户，需将其档案转入灰名单。

所述的小区人员出入情况可作为异常事件的判断依据。系统会对每个白名单住户统计其连续未出入小区的时间，并根据时间长短分成不同层次，进行相应处理：若住户1～3天未出入小区视为正常；若住户4～7天未出入小区，需派专人对其住处进行重点查看；若住户7天以上未出入小区，需由物业人员进行电话专访，询问住户状况。

所述的人脸检测模型通过人脸检测数据集训练获得，用于检测视频画面中出现的人脸；人脸识别模型通过人脸识别数据集训练获得，将抓拍人脸与名单库中所有档案逐个进行比对，并输出两者的相似度。

所述的人脸检测模型，其初始训练数据集FDD＝{FDD₁,FDD₂,FDD₃}。其中FDD₁是公开的人脸检测数据集，例如FDDB和Caltech10k Web Faces等；FDD₂是通过网络爬虫技术从网页上搜集的政治家、明星、企业家等名人的人脸数据；FDD₃是通过人工搜集的小区人员的人脸数据。

所述的人脸检测模型的训练与更新过程如下所示：

a)先利用人脸检测初始数据集FDD训练得到一个人脸检测的初始模型FDM₁，然后将这个模型应用于小区的监控系统，并将人脸检测的置信度设置为T₁(80<T₁<90)，进行为期L(例如L＝15)天的人脸抓图。其中置信度T₁的初始值设置较低以增加抓拍数。

b)对抓拍获得的人脸进行数据清洗，把非人脸加入负样本，余下清晰和不清晰的人脸加入正样本，更新训练子集FDD₃，再重新训练得到一个精度稍高的人脸检测模型FDM₂。然后继续使用新的模型FDM₂来进行为期L天的人脸抓图，此时检测阈值设置为T₁＝T₁+α,(0＜α＜3)。

c)不断重复上述过程，训练集FDD的样本逐渐增多，并且训练得到的人脸检测模型精度也越来越高。在每个人脸抓图阶段，检测阈值都增加α，直到阈值趋近于100。最终可得到一个高精度的人脸检测模型FDM_N。

所述的人脸识别模型，其初始训练数据集FRD＝{FRD₁,FRD₂,FRD₃}。其中FRD₁是公开的人脸识别数据集，例如WebFace、LFW和MegaFace等；FRD₂同样是通过网络爬虫技术从网页上搜集名人的人脸图像和身份信息；FRD₃是黑、白名单档案数据，包括白名单中通过人工采集的身份证图像和现场采集的5张人脸图像，以及公安系统提供的黑名单信息。

所述的人脸识别模型的训练过程如下所示：

a)利用初始人脸识别数据集，训练得到一个初始人脸识别模型FRM₁，然后将这个模型应用于小区的监控系统，将识别的阈值设置为T₂(95<T₂<100)，进行为期L(例如L＝15)天的人脸识别，并把符合阈值T₂的人脸图片归入对应的档案目录。其中阈值T₂初始值设置较高可减少数据清洗的工作量。

b)接下来是数据清洗，首先清洗灰名单数据目录：当某个目录中的图片数量小于U(例如U＝10)张时，删除整个目录和对应的灰名单档案。然后对余下的黑、白、灰名单目录进行图片清洗，剔除其中模糊不清的人脸，将非本目录人员的人脸作为负样本，余下属于本目录人员的人脸作为正样本，构成新的训练子集FRD₄，此时人脸识别训练数据集FRD＝{FRD₁,FRD₂,FRD₃,FRD₄}，再重新训练得到一个精度稍高的人脸识别模型FRM₂。由于新的数据集包含本小区人员的人脸特征，并且负样本可以有针对性的减少人脸误报，因此模型FRM₂更有利于识别本小区人员。然后用模型FRM₂继续进行为期L天的人脸识别，同样将符合阈值的图片进行归档，此时检测阈值设置为T₂＝T₂-β,(0＜β＜3)。

c)不断重复上述过程(b)，随着FRD₄中训练样本的数量和质量的提升，训练得到人脸识别模型FRM_N的精度也越来越高。在每个识别阶段中，检测阈值都减少β，直到阈值趋近于80，最终得到一个专门针对本小区的且具有高精度的人脸识别模型。

本发明的有益效果：本发明结合小区中普遍存在的监控设备，利用深度学习技术进行人脸的检测和识别，将安防系统的被动防御转变为主动检测。同时本发明特有的黑、白、灰名单管理机制可有效区分小区内部人员、陌生人和罪犯，当检测到可疑人员时向安保人员自动报警，从而进行有针对性的排查，大大减少他们的工作力度。档案管理模块中特有的数据目录可以保存人脸图片，并为深度学习模型提供源源不断的训练数据。同时通过小区人员的出入记录，可以时刻关注小区住户的安全情况，对于长时间未进出小区的用户，将进行电话专访进行跟进，有效减少异常情况的发生，提高小区的安全系数。

附图说明

图1是本发明的系统结构框图。

图2是本发明的系统运行流程图。

图3是本发明的人脸检测模型训练流程图。

图4是本发明的人脸识别模型训练流程流程图。

图5是本发明的名单管理算法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。

本发明涉及一种小区人员档案智能管理方法，其系统结构框图如图1所示，包括在小区内的前端相机100、人脸检测模块200、人脸识别模块300、档案管理400和系统预警500；所述的前端相机100，将监控画面传输至人脸检测模块200，检测其中的人脸并将其送至人脸识别模块300进行人脸识别，档案管理模块400根据比对结果进行相应处理，如满足一定条件会触发系统预警模块500进行报警。

本发明结合小区中普遍存在的监控设备，利用深度学习技术进行人脸的识别和检测，并采用黑、白、灰名单管理机制有效地区分小区内部人员、陌生人和罪犯，当检测到可疑人员时向安保人员自动报警，从而提高小区的管理性能。并利用名单库人员档案信息，形成本小区的相关统计数据和图表，使小区的信息展示更为直观。同时通过分析小区人员的出入记录，可以时刻关注小区住户的安全情况。本发明系统结构简单，功能完善，并且成本较低。

同时结合图2的系统运行流程图，前端相机100包括相机的监控画面101；人脸检测模块200包括人脸检测模型201；人脸识别模型300包括人脸识别模型301；档案管理400包括黑白灰名单库401、数据目录402、数据清洗403、名单的转换与更新404、人工采集405、公安提供的名单信息406；系统预警500包括黑名单报警501、可疑人员报警502和住户异常报警503；还有以小区人员信息为基础生成的分布统计图600。

系统运行流程如下：监控画面101在经过人脸检测模型201后，抓拍的人脸通过人脸识别模型301与黑白灰名单库401进行比对，并根据比对结果将图片归档至数据目录402，同时若比对结果为黑名单成员501或者灰名单中的可疑人员502则报警。每隔一段时间对目录进行数据清洗403，并根据清洗后的目录数据，实行灰白名单的转换和名单库的更新404，同时通过分析住户的小区出入记录来判断是否有异常情况并及时报警503。小区的功能模块通过统计白名单住户的档案信息，形成小区专属的分布统计图600。

下面对图2各部分进行细节描述：

所述的前端相机100，用于获取小区内尤其是出入口的监控画面101，并传输至后端服务器用于人脸分析；

所述的人脸检测模型201，用于检测监控画面101中出现的人脸，并把检测人脸传输至人脸识别模块；

所述的人脸识别模型301，用于将抓拍人脸与黑白灰名单库401中所有档案逐个进行比对，并输出两者的相似度；

所述的小区档案管理400主要包括名单库管理401和数据目录管理402两部分：

名单库管理401将小区人员档案划分为白名单、黑名单和灰名单。当系统抓拍到白名单人员时不会报警，其获得来源主要为人工采集405；当检测到黑名单人员时会触发报警，其获得来源主要为公安系统提供406，部分来源于人工采集405；灰名单定义为不在黑白名单中的人员档案，一般为临时访客，但灰名单会根据人员在小区的出入频率和时间再划分出一类可疑人员，当检测到灰名单中的可疑人员时，系统也会触发报警。其获得来源主要为系统自动生成。

数据目录管理402负责给每个小区人员档案都绑定一个目录，用于存放各自的抓拍图片，并以抓拍时间给图片命名。其抓拍图片的存放规则如下：若当前抓拍人脸图片为P₁，首先与黑、白、灰名单库中所有人员R＝{R₁,R₂,R₃…R_N}进行比对，根据比对结果筛选出相似度大于阈值T的人员目录R'＝{R₁',R₂',R₃'…R_N'}，然后将图片P₁分别添加至这些目录中去。同时，根据图片的抓拍时间，可以分析小区人员的出入情况。

所述的数据清洗403主要是在系统运行一段时间后，人工对黑白灰名单进行目录删选和图片清洗，保证数据目录的中图片的数量和质量。

所述的名单转换与更新404，即白、灰名单人员在满足一定条件时可以相互转换：

(1)灰名单转换成白名单：对于经常来小区的灰名单人员，可能是小区的新租客，或者是小区住户的亲戚暂住，在工作人员确定其身份后，进行现场信息采集，并将其转变成白名单。

(2)白名单转换成灰名单：对于不再居住于小区的白名单用户，需将其转变为灰名单。

所述的系统预警500，主要用于三类情况下的预警：

(1)当小区的人脸监控系统检测到黑名单人员时会产生报警501。

(2)当小区的人脸监控系统检测灰名单人员中的可疑人员时会产生报警502。

(3)当分析住户的小区出入记录，发现其未出或者未入小区时间符合异常事件的标准时，系统也会产生报警503，其判断标准如下：若住户1～3天未出入小区视为正常；若住户4～7天未出入小区，需派专人对其住处进行重点查看；若住户7天以上未出入小区，则系统报警，并由物业人员进行电话专访调查住户情况。

所述的的分布统计图600，主要由白名单人员的档案信息生成。例如：小区年龄分布图，小区性别占比图，小区人员职业分布图，小区人员本省/外省占比图，小区人员手机所属运营商占比图等。

图3是人脸检测模型训练流程图，包括监控画面101、人脸检测模型201、抓拍人脸202、人脸检测数据清洗203和人脸检测训练数据集204。流程具体为：

a)先利用人脸检测初始数据集204训练得到一个人脸检测的初始模型201，然后将这个模型应用于小区的监控系统，对监控画面101进行实时检测，并将人脸检测的置信度设置为T₁(80<T₁<90)，进行为期L(例如L＝15)天的人脸抓图。其中置信度T₁的初始值设置较低以增加抓拍数。

b)对抓拍获得的人脸202进行数据清洗203，把非人脸加入负样本，余下清晰和不清晰的人脸加入正样本，更新人脸检测训练数据集204，再重新训练得到一个精度稍高的人脸检测模型201。然后继续使用新的模型201来进行为期L天的人脸抓图，此时检测阈值设置为T₁＝T₁+α,(0＜α＜3)。

c)不断重复上述过程，人脸检测训练数据集204的样本逐渐增多，并且训练得到的人脸检测模型201精度也越来越高。在每个人脸抓图阶段，检测阈值都增加α，直到阈值趋近于100。最终可得到一个高精度的人脸检测模型201。

图4是人脸识别模型训练流程图，包括抓拍人脸202、人脸识别模型301、图片归档302、目录清洗303、图片清洗304和人脸识别训练数据集305。流程具体为：

a)利用初始人脸识别数据集305，训练得到一个初始人脸识别模型301，然后将这个模型301应用于小区的监控系统，将识别的阈值设置为T₂(95<T₂<100)，进行为期L(例如L＝15)天的人脸识别，并把符合阈值T₂的人脸图片202归入对应的档案目录302。其中阈值T₂初始值设置较高可减少数据清洗的工作量。

b)接下来是数据清洗，首先清洗灰名单数据目录303：当某个目录中的图片数量小于U(例如U＝10)张时，删除整个目录和对应的灰名单档案。然后对余下的黑、白、灰名单目录进行图片清洗304，剔除其中模糊不清的人脸，将非本目录人员的人脸作为负样本，余下属于本目录人员的人脸作为正样本，构成新的人脸识别训练数据集305，再重新训练得到一个精度稍高的人脸识别模型301。由于新的数据集305包含本小区人员的人脸特征，并且负样本可以有针对性的减少人脸误报，因此新的模型301更有利于识别本小区人员。然后用模型301继续进行为期L天的人脸识别，同样将符合阈值的图片进行归档302，此时检测阈值设置为T₂＝T₂-β,(0＜β＜3)。

c)不断重复上述过程b)，随着人脸识别训练数据集305中训练样本的数量和质量的提升，训练得到人脸识别模型301的精度也越来越高。在每个识别阶段中，检测阈值都减少β，直到阈值趋近于80，最终得到一个专门针对本小区的且具有高精度的人脸识别模型301。

本发明的名单管理算法流程如图5所示：

监控画面在经过人脸检测后，将检测到的人脸传输至人脸识别模块，然后判断是否为白名单人员。若为白名单人员，则将该人员的抓拍图片存放至其数据目录中，并记录该人员的小区出入时间；若不为白名单人员，则判断其是否为黑名单人员。若为黑名单人员，则平台立即报警，同时将该人员的抓拍图片存放至其数据目录中，并记录该人员的小区出入时间；若不为黑名单人员，则判断其是否为现有灰名单中的人员。若不是现有灰名单中的人员，则在灰名单中新建一个人员档案和数据目录，并以抓拍人脸作为档案照片，用于后期人脸识别，同时记录小区的出入时间；若是现有灰名单中人员，则判断其是否为可疑人员。若不是可疑人员，进行图片归档和小区出入时间记录；若是可疑人员，则平台立即报警，同时进行图片归档和小区出入时间记录。

Claims (9)

1.一种小区人员档案智能管理方法，包含小区内的前端相机、人脸检测模块、人脸识别模块、档案管理和系统预警，其特征在于：前端相机负责获取监控画面；人脸检测模块和人脸识别模块分别对画面进行人脸检测和人脸识别，并将处理结果进行数据清洗，用于模型的更新训练；建立小区档案管理机制，有效管理小区人员；利用预警系统实现对特殊人员的报警，并结合小区人员出入记录实现对异常事件的提前预警；

所述的人脸检测模型通过人脸检测数据集训练获得，用于检测视频画面中出现的人脸；人脸识别模型通过人脸识别数据集训练获得，将抓拍人脸与名单库中所有档案逐个进行比对，并输出两者的相似度；

所述的人脸检测模型，其初始训练数据集FDD＝{FDD₁,FDD₂,FDD₃}；其中FDD₁是公开的人脸检测数据集；FDD₂是通过网络爬虫技术从网页上搜集的政治家、明星、企业家的人脸数据；FDD₃是通过人工搜集的小区人员的人脸数据；所述的人脸检测模型的训练与更新过程如下所示：

a)先利用人脸检测初始数据集FDD训练得到一个人脸检测的初始模型FDM₁，然后将这个模型应用于小区的监控系统，并将人脸检测的置信度设置为T₁，80<T₁<90，进行为期L天的人脸抓图；其中置信度T₁的初始值设置较低以增加抓拍数；

b)对抓拍获得的人脸进行数据清洗，把非人脸加入负样本，余下清晰和不清晰的人脸加入正样本，更新训练子集FDD₃，再重新训练得到一个精度稍高的人脸检测模型FDM₂；然后继续使用新的模型FDM₂来进行为期L天的人脸抓图，此时检测阈值设置为T₁＝T₁+α，0＜α＜3；

c)不断重复上述过程，训练集FDD的样本逐渐增多，并且训练得到的人脸检测模型精度也越来越高；在每个人脸抓图阶段，检测阈值都增加α，直到阈值趋近于100；最终可得到一个高精度的人脸检测模型FDM_N。

2.如权利要求1所述的一种小区人员档案智能管理方法，其特征在于：所述的小区档案管理机制分成名单库管理和数据目录管理两部分：名单库管理将小区人员档案划分为白名单、黑名单和灰名单；数据目录管理负责给每个小区人员档案都绑定一个目录，用于存放各自的抓拍图片，并以抓拍时间给图片命名，同时根据图片的抓拍时间，可以分析小区人员的出入情况。

3.如权利要求2所述的一种小区人员档案智能管理方法，其特征在于：所述的抓拍图片，在目录中的存放规则如下：若当前抓拍人脸图片为P₁，首先与黑、白、灰名单库中所有人员R＝{R₁,R₂,R₃…R_N}进行比对，根据比对结果筛选出相似度大于阈值T的人员目录R'＝{R₁',R₂',R₃'…R_N'}，然后将图片P₁分别添加至这些目录中去。

4.如权利要求2所述的一种小区人员档案智能管理方法，其特征在于：所述的白名单,定义为小区住户和物业人员的档案，当系统抓拍到白名单人员时不会报警；白名单信息由人工采集，包含身份信息、紧急联系人信息、车辆信息、现场采集的人脸信息；其中身份信息包含年龄、籍贯、性别、本地或外地、民族、电话；紧急联系人信息包含名字、电话、与联系人关系；车辆信息包含车牌信息、车型和车标；现场采集信息包含现场拍摄的5张人脸照片，角度分别为仰视、俯视、正脸、左侧脸和右侧脸；

系统可以运用所述的人工采集的白名单信息，生成一些小区分布统计图，包括小区年龄分布图，小区性别占比图，小区人员职业分布图，小区人员本省/外省占比图和小区人员手机所属运营商占比图。

5.如权利要求2所述的一种小区人员档案智能管理方法，其特征在于：当检测到黑名单人员时会触发报警；黑名单人员的档案信息一部分由公安局提供并保持更新，另外一部分由人工采集并输入，主要包含身份信息和人脸信息。

6.如权利要求2所述的一种小区人员档案智能管理方法，其特征在于：所述的灰名单，定义为不在黑白名单中的人员档案，一般为临时访客；灰名单库由系统自动生成，当系统抓拍到人脸后，会与黑名单、白名单以及现有的灰名单逐个进行比对，若比对结果不为上述名单中的任何一人，系统会在灰名单中新建一个人员档案，并以抓拍人脸作为档案照片，用于后期人脸识别；因此，灰名单中人员信息仅仅包含抓拍人脸和抓拍时间；

所述的灰名单，根据人员在小区的出入频率和时间再划分出一个可疑人员库；当检测到灰名单中的可疑人员时，系统也会触发报警，由安保人员负责当面核实身份信息；

可疑人员分为两类：

第一类可疑人员的评判标准为：若在K天时间内，灰名单中某个档案对应目录的人脸图像超过N₁时，对该目录进行数据清洗，即剔除非本档案人人脸，若清洗完毕后该目录的图像数量依旧大于N₂，则将该档案归入灰名单中的“第一类可疑人员”；这类人员可能是推销人员或是犯罪踩点人员；

第二类可疑人员的评判标准为：若在K天时间内，灰名单在经过数据清洗后，某个目录同时满足下列两个条件，则将该目录对应的档案归入灰名单中的“第二类可疑人员”：①、目录中图像的总数超过N₃；②、抓拍时间为凌晨的图片数量超过N₄；第二类可疑人员可能是小偷或劫犯。

7.如权利要求2所述的一种小区人员档案智能管理方法，其特征在于：所述的白、灰名单人员，在满足一定条件时可以相互转换：

灰名单转换成白名单：对于经常来小区的灰名单人员，可能是小区的新租客，或者是小区住户的亲戚暂住，在工作人员确定其身份后，进行现场信息采集，并将其档案转变成白名单；

白名单转换成灰名单：对于不再居住于小区的白名单用户，需将其档案转入灰名单。

8.如权利要求2所述的一种小区人员档案智能管理方法，其特征在于：所述的小区人员出入情况可作为异常事件的判断依据；系统会对每个白名单住户统计其连续未出入小区的时间，并根据时间长短分成不同层次，进行相应处理：若住户1～3天未出入小区视为正常；若住户4～7天未出入小区，需派专人对其住处进行重点查看；若住户7天以上未出入小区，需由物业人员进行电话专访，询问住户状况。

9.如权利要求1所述的一种小区人员档案智能管理方法，其特征在于：所述的人脸识别模型，其初始训练数据集FRD＝{FRD₁,FRD₂,FRD₃}；其中FRD₁是公开的人脸识别数据集；FRD₂同样是通过网络爬虫技术从网页上搜集名人的人脸图像和身份信息；FRD₃是黑、白名单档案数据，包括白名单中通过人工采集的身份证图像和现场采集的5张人脸图像，以及公安系统提供的黑名单信息；

所述的人脸识别模型的训练过程如下所示：

(a)利用初始人脸识别数据集，训练得到一个初始人脸识别模型FRM₁，然后将这个模型应用于小区的监控系统，将识别的阈值设置为T₂，95<T₂<100，进行为期L天的人脸识别，并把符合阈值T₂的人脸图片归入对应的档案目录；其中阈值T₂初始值设置较高可减少数据清洗的工作量；

(b)接下来是数据清洗，首先清洗灰名单数据目录：当某个目录中的图片数量小于U张时，删除整个目录和对应的灰名单档案；然后对余下的黑、白、灰名单目录进行图片清洗，剔除其中模糊不清的人脸，将非本目录人员的人脸作为负样本，余下属于本目录人员的人脸作为正样本，构成新的训练子集FRD₄，此时人脸识别训练数据集FRD＝{FRD₁,FRD₂,FRD₃,FRD₄}，再重新训练得到一个精度稍高的人脸识别模型FRM₂；由于新的数据集包含本小区人员的人脸特征，并且负样本可以有针对性的减少人脸误报，因此模型FRM₂更有利于识别本小区人员；然后用模型FRM₂继续进行为期L天的人脸识别，同样将符合阈值的图片进行归档，此时检测阈值设置为T₂＝T₂-β，0＜β＜3；

(c)不断重复上述过程(b)，随着FRD₄中训练样本的数量和质量的提升，训练得到人脸识别模型FRM_N的精度也越来越高；在每个识别阶段中，检测阈值都减少β，直到阈值趋近于80，最终得到一个专门针对本小区的且具有高精度的人脸识别模型。

Images