CN110288751A - 基于人脸识别的排队方法、装置及计算机可读存储介质 - Google Patents
基于人脸识别的排队方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110288751A CN110288751A CN201910418953.2A CN201910418953A CN110288751A CN 110288751 A CN110288751 A CN 110288751A CN 201910418953 A CN201910418953 A CN 201910418953A CN 110288751 A CN110288751 A CN 110288751A
- Authority
- CN
- China
- Prior art keywords
- face
- layer
- input
- user
- recognition
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
- G07C11/00—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere
-
- 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
- G07C11/00—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere
- G07C2011/04—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere related to queuing systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及一种人工智能技术,揭露了一种智能排队方法,包括:接收用户的证件信息集,将所述证件信息集输入至注册集并提示用户接收排队等待号码,当所述用户接收所述排队等待号码,将所述注册集输入至模型训练层训练,直至满足训练要求时退出训练,将所述排队等待号码输入至号码读取层,所述号码读取层提示人脸实时捕捉层捕捉人脸,所述人脸实时捕捉层将捕捉到的所述人脸输入至所述模型训练层,所述模型训练层将捕捉到的所述人脸与所述注册集进行计算得到人脸相似度集,判断所述人脸相似度集与预设相似度的大小关系,根据所述相似度输出排队结果。本发明还提出一种智能排队装置以及一种计算机可读存储介质。本发明可以实现精准的智能排队功能。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种智能化排队方法、装置及计算机可读存储介质。
背景技术
当前国内各大营业厅排队系统通常使用语音叫号,客户进入大厅通过银行卡、身份证等刷卡取号,但由于银行卡、身份证等证件很容易丢失、被盗用、被仿造,同时语音叫号这种方式即不能核验识别排队人身份,也不够智能化、人性化。随着社会进步及科技发展,身份信息核验在人们生活中应用的越来越多。传统的身份信息核验方法如证件、IC卡等,己经很难满足现代社会活动对于安全防范的需要。目前,生物特征识别作为身份信息核验的主要方法,主要包括指纹、虹膜及人脸识别等方法。其中最先投入广泛应用的是指纹识别,但指纹识别经常受皮肤质地及干燥程度等因素而导致误判现象,虹膜识别则需要红外灯配合红外镜头才能应用,外部光线也会对人体产生直接影响。
发明内容
本发明提供一种基于人脸识别的排队方法、装置及计算机可读存储介质,其主要目的在于提高排队时身份验证的安全性和准确性。
为实现上述目的,本发明提供的一种基于人脸识别的排队方法,包括:
步骤A:数据接收层接收用户的证件信息集,将所述证件信息集输入至数据库内的注册集中,并提示所述用户接收排队等待号码,当未检测到所述用户接收到所述排队等待号码时,所述数据接收层销毁所述注册集内的所述用户的证件信息集,当检测到所述用户接收到所述排队等待号码时,所述数据库将所述注册集输入至模型训练层,并将所述排队等待号码输入至号码读取层,所述号码读取层按照栈数据读取形式存储所述排队等待号码;
步骤B:所述模型训练层将所述注册集输入至卷积神经网络中进行训练,并输出训练值集合,直至所述卷积神经网络满足预设训练要求时退出训练;
步骤C:所述号码读取层根据所述栈数据读取形式依次读取并输出每一个栈内排队等待号码,每输出一个栈内排队等待号码时,所述号码读取层提示人脸实时捕捉层捕捉人脸;
步骤D:所述人脸实时捕捉层在预设时间内捕捉人脸,当所述人脸实时捕捉层在所述预设时间内捕捉到人脸时,所述人脸实时捕捉层将捕捉到的所述人脸输入至所述模型训练层,所述模型训练层基于捕捉到的所述人脸与所述训练值集合,计算得到人脸相似度集,当所述人脸相似度集均低于预设人脸相似度阈值时,输出用户排队失败的信息,当所述人脸相似度集存在高于预设人脸相似度阈值的相似度值时,选择所述注册集内相似度值最高的证件信息集并输出排队成功的信息。
可选地,所述数据接收层接收用户的证件信息集,将所述证件信息集输入至数据库内的注册集中,包括:
数据接收层接收包括用户的证件人脸图片、用户昵称和用户住址的证件信息集;
将所述证件信息集中所述证件人脸图片输入至数据库内注册集的训练集中,将所述用户昵称和所述用户住址输入至所述数据库内注册集的标签集中。
可选地,所述号码读取层包括栈结构的存储单元,所述栈结构的存储单元接收所述排队等待号码,并将所述排队等待号码存储至栈底。
可选地,所述卷积神经网络包括十六层卷积层和十六层池化层、一层全连接层,所述卷积神经网络接收所述注册集后,将所述注册集输入至所述十六层卷积层和十六层池化层进行卷积操作和最大池化操作,得到降维数据集,将所述降维数据集输入至全连接层;
所述全连接层接收所述降维数据集,并结合激活函数计算得到所述训练值集合,并将所述训练值集合和所述标签集输入至所述模型训练层的损失函数中,所述损失函数计算出损失值,判断所述损失值与预设训练阈值的大小关系,直至所述损失值小于所述预设训练阈值时,所述卷积神经网络退出训练。
可选地,所述卷积操作为:
其中ω,为输出数据,ω为输入数据,k为卷积核的大小,s为所述卷积操作的步幅,p为数据补零矩阵;
所述激活函数为:
其中y为所述训练值集合,e为无限不循环小数。
此外,为实现上述目的,本发明还提供一种基于人脸识别的排队装置,该装置包括存储器和处理器,所述存储器中存储有可在所述处理器上运行的基于人脸识别的排队程序,所述基于人脸识别的排队程序被所述处理器执行时实现如下步骤:
步骤A:数据接收层接收用户的证件信息集,将所述证件信息集输入至数据库内的注册集中,并提示所述用户接收排队等待号码,当未检测到所述用户接收到所述排队等待号码时,所述数据接收层销毁所述注册集内的所述用户的证件信息集,当检测到所述用户接收到所述排队等待号码时,所述数据库将所述注册集输入至模型训练层,并将所述排队等待号码输入至号码读取层,所述号码读取层按照栈数据读取形式存储所述排队等待号码;
步骤B:所述模型训练层将所述注册集输入至卷积神经网络中进行训练,并输出训练值集合,直至所述卷积神经网络满足预设训练要求时退出训练;
步骤C:所述号码读取层根据所述栈数据读取形式依次读取并输出每一个栈内排队等待号码,每输出一个栈内排队等待号码时,所述号码读取层提示人脸实时捕捉层捕捉人脸;
步骤D:所述人脸实时捕捉层在预设时间内捕捉人脸,当所述人脸实时捕捉层在所述预设时间内捕捉到人脸时,所述人脸实时捕捉层将捕捉到的所述人脸输入至所述模型训练层,所述模型训练层基于捕捉到的所述人脸与所述训练值集合,计算得到人脸相似度集,当所述人脸相似度集均低于预设人脸相似度阈值时,输出用户排队失败的信息,当所述人脸相似度集存在高于预设人脸相似度阈值的相似度值时,选择所述注册集内相似度值最高的证件信息集并输出排队成功的信息。
可选地,所述数据接收层接收用户的证件信息集,将所述证件信息集输入至数据库内的注册集中,包括:
数据接收层接收包括用户的证件人脸图片、用户昵称和用户住址的证件信息集;
将所述证件信息集中所述证件人脸图片输入至数据库内注册集的训练集中,将所述用户昵称和所述用户住址输入至所述数据库内注册集的标签集中。
可选地,所述号码读取层包括栈结构的存储单元,所述栈结构的存储单元接收所述排队等待号码,并将所述排队等待号码存储至栈底。
可选地,所述卷积神经网络包括十六层卷积层和十六层池化层、一层全连接层,所述卷积神经网络接收所述注册集后,将所述注册集输入至所述十六层卷积层和十六层池化层进行卷积操作和最大池化操作,得到降维数据集,将所述降维数据集输入至全连接层;
所述全连接层接收所述降维数据集,并结合激活函数计算得到所述训练值集合,并将所述训练值集合和所述标签集输入至所述模型训练层的损失函数中,所述损失函数计算出损失值,判断所述损失值与预设训练阈值的大小关系,直至所述损失值小于所述预设训练阈值时,所述卷积神经网络退出训练。
可选地,所述卷积操作为:
其中ω’为输出数据,ω为输入数据,k为卷积核的大小,s为所述卷积操作的步幅,p为数据补零矩阵;
所述激活函数为:
其中y为所述训练值集合,e为无限不循环小数。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有基于人脸识别的排队程序,所述基于人脸识别的排队程序可被一个或者多个处理器执行,以实现如上所述的基于人脸识别的排队方法的步骤。
本发明一方面,将卷积神经网络能够自动提取人脸的深层特征完成人脸识别的功能应用于身份验证中,所述卷积神经网络具有的多层网络结构能自动提取人脸数据的深层特征,且不同层次的网络可以学习到不同层次的特征,从而大大提高对人脸识别的准确率,另一方面,卷积神经网络通过局部感知和权值共享,保留了人脸特征的关联信息,并大大减少训练参数的数量,也进一步提高身份验证的准确率,因此本发明提出的基于人脸识别的排队方法、装置及计算机可读存储介质,可以实现高效的智能排队功能。
附图说明
图1为本发明一实施例提供的基于人脸识别的排队方法的流程示意图;
图2为本发明一实施例提供的基于人脸识别的排队装置的内部结构示意图;
图3为本发明一实施例提供的基于人脸识别的排队装置中基于人脸识别的排队程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种基于人脸识别的排队方法。参照图1所示,为本发明一实施例提供的基于人脸识别的排队方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,基于人脸识别的排队方法包括:
S1、数据接收层接收用户的证件信息集,将所述证件信息集输入至数据库内的注册集中,并产生该用户的排队等待号码。
本发明较佳实施例数据接收层接收包括用户的证件人脸图片、用户昵称和用户住址的证件信息集,将所述证件信息集的所述证件人脸图片输入至数据库内注册集的训练集中,将所述用户昵称和所述用户住址输入至所述数据库内注册集的标签集中。
S2、所述数据接收层提示所述用户接收排队等待号码。
本发明较佳实施例所述排队等待号码可为字母+数字的形式,如“A23、E86”等。
本发明较佳实施例所述数据接收层采用语音播报所述排队等待号码的形式提示所述用户到指定屏幕显示处接收号码,所述语音播报所述排队等待号码一般播报6次,每次播报间隔为5次。
进一步地,所述数据接收层提示所述用户接收排队等待号码之后,会提供一个数据接收框供用户选择,当用户接收到所述排队等待号码时,可以以预设的方式选择,如点击所述数据接收框,以告知所述数据接收层用户已经接收到所述排队等待号码。
S3、若未检测到所述用户接收到所述排队等待号码,则所述数据接收层通知所述数据库销毁所述注册集内的所述用户的所述证件信息集,并返回上述的S1。
例如,若所述用户因为突发事情离开或接听电话未留意所述语音播报等意外情况时,当所述语音播报6次完毕后,还未检测到用户点击了所述数据接收框,则所述数据接收层通知所述数据库销毁所述注册集内的所述用户的所述证件信息集。
S4、若检测到所述用户接收到所述排队等待号码,则所述数据接收层通知所述数据库将所述注册集输入至模型训练层,并将所述排队等待号码输入至号码读取层,所述号码读取层按照栈数据读取形式存储所述排队等待号码。
本发明较佳实施中,所述号码读取层包括栈结构的存储单元。所述栈结构的存储单元接收所述排队等待号码,并将所述排队等待号码存储至栈底。所述栈结构的存储单元是按照数据先进先出的原则进行存储,如排队等待号码“A23”比“A24”先存储至存储单元,则下次提取排队等待号码时,先提取所述“A23”,再提取所述“A24”。
S5、所述模型训练层将所述注册集输入至卷积神经网络中进行训练,并输出训练值集合,直至所述卷积神经网络满足训练要求时退出训练。
本发明较佳实施所述卷积神经网络包括十六层卷积层和十六池化层、一层全连接层。当所述卷积神经网络接收所述注册集,将所述注册集输入至第一层卷积层,所述第一层卷积层进行卷积操作后得到第一卷积数据集输入至第一层池化层;所述第一层池化层对所述第一卷积数据集进行最大化池化操作后得到第一降维数据集输入至第二层卷积层;所述第二层卷积层再次进行所述卷积操作后得到第二卷积数据集输入至第二层池化层进行所述最大化池化操作得到第二降维数据集,以此类推,直至最终得到第十六降维数据集,将所述第十六降维数据集输入至全连接层。
本发明较佳实施例所述全连接层接收所述第十六降维数据集,并结合激活函数计算得到所述训练值集合,并将所述训练值集合和所述标签集输入至所述模型训练层的损失函数中,所述损失函数计算出损失值,判断所述损失值与预设训练阈值的大小关系,直至所述损失值小于所述预设训练阈值时,所述卷积神经网络退出训练。
本发明较佳实施例所述卷积层的卷积操作为:
其中ω’为输出数据,ω为输入数据,k为卷积核的大小,s为所述卷积操作的步幅,p为数据补零矩阵;
所述激活函数为:
其中y为所述训练值集合,e为无限不循环小数。
本发明较佳实施例所述损失值T为:
其中,n为所述标签集的大小,yt为所述训练值集合,μt为所述标签集。
S6、所述号码读取层根据所述栈数据读取形式依次读取每一个栈内号码,每读取一个栈内号码时,所述号码读取层提示人脸实时捕捉层捕捉人脸。
本发明较佳实施例所述栈结构的存储单元读取栈顶的排队等待号码,当读取成功时,所述号码读取层提示人脸实时捕捉层打开摄像装置捕捉人脸。
本发明较佳实施例所述人脸实时捕捉层打开摄像装置并通过语音提示用户来到指定区域捕捉人脸,当所述指定区域内有其他用户的人脸时,所述人脸实时捕捉层捕捉距离所述摄像装置最近的人脸,所述人脸实时捕捉层并通过语音提示用户距离所述摄像装置最近,避免所述人脸实时捕捉层捕捉人脸产生意外。
S7、判断所述人脸实时捕捉层是否在预设时间内捕捉到人脸。
本发明较佳实施例所述预设时间一般设置为30秒。当所述人脸实时捕捉层在所述预设时间内未捕捉到人脸时,返回S6。
S8、所述人脸实时捕捉层将捕捉到的所述人脸输入至所述模型训练层,所述模型训练层基于捕捉到的所述人脸与所述训练值集合计算得到人脸相似度集,当所述人脸相似度集低于预设人脸相似度阈值时,输出用户排队失败,当所述人脸相似度集高于预设人脸相似度阈值时,选择所述注册集内相似度最高的证件信息集并输出排队成功。
本发明较佳实施例所述人脸实时捕捉层捕捉用户五官无遮挡的人脸,当所述人脸实时捕捉层接收五官有遮挡的人脸时,提示用户接收失败需重新接收,直至接收成功后将所述用户五官无遮挡的人脸输入至所述模型训练层。
本发明较佳实施例,所述模型训练层将所述用户五官无遮挡的人脸输入至所述卷积神经网络中计算得到验证值,将所述验证值与S5中所述卷积神经网络的训练值集合内的数据依次进行欧式距离运算,得到人脸相似度集。
本发明较佳实施例所述欧式距离运算为:
其中,a为所述验证值,yi为所述训练值集合,n为所述注册集的数据总量。
在本发明较佳实施例中,所述预设人脸相似度阈值一般设置为0.75,对所述人脸相似度集按照数值从小到大进行排序,选取所述排序中最大的人脸相似度与所述预设人脸相似度阈值进行比较。当所述排序最大的人脸相似度低于预设人脸相似度阈值时,输出用户排队失败;当所述排序最大的人脸相似度大于预设人脸相似度阈值时,输出所述排序最大的人脸相似度对应的证件信息集。如用户A被所述人脸实时捕捉层捕捉到人脸A,将所述人脸A输入至所述模型训练层计算得到用户A的人脸相似度集,选择所述用户A的人脸相似度集中数值最大的人脸相似度值,若所述最大的人脸相似度值为0.65,则不满足所述0.7的阈值要求,输出用户A人脸验证不成功,排队失败;若所述最大的人脸相似度值为0.85,则输出所述0.85对应的证件信息集,完成排队,所述证件信息集包括用户的证件人脸图片、用户昵称和用户住址。
发明还提供一种基于人脸识别的排队装置。参照图2所示,为本发明一实施例提供的基于人脸识别的排队装置的内部结构示意图。
在本实施例中,所述基于人脸识别的排队装置1可以是PC(Personal Computer,个人电脑),或者是排队叫号机等终端设备,也可以是一种服务器等。该基于人脸识别的排队装置1至少包括存储器11、处理器12,通信总线13,以及网络接口14。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是基于人脸识别的排队装置1的内部存储单元,例如该基于人脸识别的排队装置1的硬盘。存储器11在另一些实施例中也可以是基于人脸识别的排队装置1的外部存储设备,例如基于人脸识别的排队装置1上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括基于人脸识别的排队装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于基于人脸识别的排队装置1的应用软件及各类数据,例如基于人脸识别的排队程序01的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行基于人脸识别的排队程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该装置1与其他电子设备之间建立通信连接。
可选地,该装置1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在基于人脸识别的排队装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及基于人脸识别的排队程序01的基于人脸识别的排队装置1,本领域技术人员可以理解的是,图1示出的结构并不构成对基于人脸识别的排队装置1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的装置1实施例中,存储器11中存储有基于人脸识别的排队程序01;处理器12执行存储器11中存储的基于人脸识别的排队程序01时实现如下步骤:
步骤一、数据接收层接收用户的证件信息集,将所述证件信息集输入至数据库内的注册集中,并产生该用户的排队等待号码。
本发明较佳实施例数据接收层接收包括用户的证件人脸图片、用户昵称和用户住址的证件信息集,将所述证件信息集的所述证件人脸图片输入至数据库内注册集的训练集中,将所述用户昵称和所述用户住址输入至所述数据库内注册集的标签集中。
步骤二、所述数据接收层提示所述用户接收排队等待号码。
本发明较佳实施例所述排队等待号码可为字母+数字的形式,如“A23、E86”等。
本发明较佳实施例所述数据接收层采用语音播报所述排队等待号码的形式提示所述用户到指定屏幕显示处接收号码,所述语音播报所述排队等待号码一般播报6次,每次播报间隔为5次。
进一步地,所述数据接收层提示所述用户接收排队等待号码之后,会提供一个数据接收框供用户选择,当用户接收到所述排队等待号码时,可以以预设的方式选择,如点击所述数据接收框,以告知所述数据接收层用户已经接收到所述排队等待号码。
步骤三、若未检测到所述用户接收到所述排队等待号码,则所述数据接收层通知所述数据库销毁所述注册集内的所述用户的所述证件信息集,并返回上述的步骤一。
例如,若所述用户因为突发事情离开或接听电话未留意所述语音播报等意外情况时,当所述语音播报6次完毕后,还未检测到用户点击了所述数据接收框,则所述数据接收层通知所述数据库销毁所述注册集内的所述用户的所述证件信息集。
步骤四、若检测到所述用户接收到所述排队等待号码,则所述数据接收层通知所述数据库将所述注册集输入至模型训练层,并将所述排队等待号码输入至号码读取层,所述号码读取层按照栈数据读取形式存储所述排队等待号码。
本发明较佳实施中,所述号码读取层包括栈结构的存储单元。所述栈结构的存储单元接收所述排队等待号码,并将所述排队等待号码存储至栈底。所述栈结构的存储单元是按照数据先进先出的原则进行存储,如排队等待号码“A23”比“A24”先存储至存储单元,则下次提取排队等待号码时,先提取所述“A23”,再提取所述“A24”。
步骤五、所述模型训练层将所述注册集输入至卷积神经网络中进行训练,并输出训练值集合,直至所述卷积神经网络满足训练要求时退出训练。
本发明较佳实施所述卷积神经网络包括十六层卷积层和十六池化层、一层全连接层。当所述卷积神经网络接收所述注册集,将所述注册集输入至第一层卷积层,所述第一层卷积层进行卷积操作后得到第一卷积数据集输入至第一层池化层;所述第一层池化层对所述第一卷积数据集进行最大化池化操作后得到第一降维数据集输入至第二层卷积层;所述第二层卷积层再次进行所述卷积操作后得到第二卷积数据集输入至第二层池化层进行所述最大化池化操作得到第二降维数据集,以此类推,直至最终得到第十六降维数据集,将所述第十六降维数据集输入至全连接层。
本发明较佳实施例所述全连接层接收所述第十六降维数据集,并结合激活函数计算得到所述训练值集合,并将所述训练值集合和所述标签集输入至所述模型训练层的损失函数中,所述损失函数计算出损失值,判断所述损失值与预设训练阈值的大小关系,直至所述损失值小于所述预设训练阈值时,所述卷积神经网络退出训练。
本发明较佳实施例所述卷积层的卷积操作为:
其中ω’为输出数据,ω为输入数据,k为卷积核的大小,s为所述卷积操作的步幅,p为数据补零矩阵;
所述激活函数为:
其中y为所述训练值集合,e为无限不循环小数。
本发明较佳实施例所述损失值T为:
其中,n为所述标签集的大小,yt为所述训练值集合,μt为所述标签集。
步骤六、所述号码读取层根据所述栈数据读取形式依次读取每一个栈内号码,每读取一个栈内号码时,所述号码读取层提示人脸实时捕捉层捕捉人脸。
本发明较佳实施例所述栈结构的存储单元读取栈顶的排队等待号码,当读取成功时,所述号码读取层提示人脸实时捕捉层打开摄像装置捕捉人脸。
本发明较佳实施例所述人脸实时捕捉层打开摄像装置并通过语音提示用户来到指定区域捕捉人脸,当所述指定区域内有其他用户的人脸时,所述人脸实时捕捉层捕捉距离所述摄像装置最近的人脸,所述人脸实时捕捉层并通过语音提示用户距离所述摄像装置最近,避免所述人脸实时捕捉层捕捉人脸产生意外。
步骤七、判断所述人脸实时捕捉层是否在预设时间内捕捉到人脸。
本发明较佳实施例所述预设时间一般设置为30秒。当所述人脸实时捕捉层在所述预设时间内未捕捉到人脸时,返回步骤六。
步骤八、所述人脸实时捕捉层将捕捉到的所述人脸输入至所述模型训练层,所述模型训练层基于捕捉到的所述人脸与所述训练值集合计算得到人脸相似度集,当所述人脸相似度集低于预设人脸相似度阈值时,输出用户排队失败,当所述人脸相似度集高于预设人脸相似度阈值时,选择所述注册集内相似度最高的证件信息集并输出排队成功。
本发明较佳实施例所述人脸实时捕捉层捕捉用户五官无遮挡的人脸,当所述人脸实时捕捉层接收五官有遮挡的人脸时,提示用户接收失败需重新接收,直至接收成功后将所述用户五官无遮挡的人脸输入至所述模型训练层。
本发明较佳实施例,所述模型训练层将所述用户五官无遮挡的人脸输入至所述卷积神经网络中计算得到验证值,将所述验证值与S5中所述卷积神经网络的训练值集合内的数据依次进行欧式距离运算,得到人脸相似度集。
本发明较佳实施例所述欧式距离运算为:
其中,a为所述验证值,yi为所述训练值集合,n为所述注册集的数据总量。
在本发明较佳实施例中,所述预设人脸相似度阈值一般设置为0.75,对所述人脸相似度集按照数值从小到大进行排序,选取所述排序中最大的人脸相似度与所述预设人脸相似度阈值进行比较。当所述排序最大的人脸相似度低于预设人脸相似度阈值时,输出用户排队失败;当所述排序最大的人脸相似度大于预设人脸相似度阈值时,输出所述排序最大的人脸相似度对应的证件信息集。如用户A被所述人脸实时捕捉层捕捉到人脸A,将所述人脸A输入至所述模型训练层计算得到用户A的人脸相似度集,选择所述用户A的人脸相似度集中数值最大的人脸相似度值,若所述最大的人脸相似度值为0.65,则不满足所述0.7的阈值要求,输出用户A人脸验证不成功,排队失败;若所述最大的人脸相似度值为0.85,则输出所述0.85对应的证件信息集,完成排队,所述证件信息集包括用户的证件人脸图片、用户昵称和用户住址。
可选地,在其他实施例中,基于人脸识别的排队程序还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,用于描述基于人脸识别的排队程序在基于人脸识别的排队装置中的执行过程。
例如,参照图3所示,为本发明基于人脸识别的排队装置一实施例中的基于人脸识别的排队程序的程序模块示意图,该实施例中,所述基于人脸识别的排队程序可以被分割为数据接收模块10、模型训练模块20、排队号码提示模块30、排队结果输出模块40示例性地:
所述数据接收模块10用于:数据接收层接收用户的证件信息集,将所述证件信息集输入至数据库内的注册集中,所述数据接收层提示所述用户接收排队等待号码,当所述用户未接收所述排队等待号码,所述数据接收层销毁所述注册集内的所述证件信息集,当所述用户接收所述排队等待号码,所述数据库将所述注册集输入至模型训练层,并将所述排队等待号码输入至号码读取层,所述号码读取层按照栈数据读取形式存储所述排队等待号码。
所述模型训练模块20用于:所述模型训练层将所述注册集输入至卷积神经网络中进行训练,直至所述卷积神经网络满足训练要求时退出训练。
所述排队号码提示模块30用于:所述号码读取层根据所述栈数据读取形式依次读取每一个栈内号码,每读取一个栈内号码时,所述号码读取层提示人脸实时捕捉层捕捉人脸。
所述用餐结果输出模块40用于:判断所述人脸实时捕捉层是否在预设时间内捕捉到人脸,当所述人脸实时捕捉层在所述预设时间内未捕捉到人脸,返回排队号码提示模块30,当所述人脸实时捕捉层在所述预设时间内捕捉到人脸,所述人脸实时捕捉层将捕捉到的所述人脸输入至所述模型训练层,所述模型训练层将捕捉到的所述人脸与所述注册集进行计算得到人脸相似度集,当所述人脸相似度集低于预设人脸相似度阈值时,输出用户排队失败,当所述人脸相似度集高于预设人脸相似度阈值时,选择所述注册集内相似度最高的证件信息集并输出排队成功。
上述数据接收模块10、模型训练模块20、排队号码提示模块30、排队结果输出模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同,在此不再赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有基于人脸识别的排队程序,所述基于人脸识别的排队程序可被一个或多个处理器执行,以实现如下操作:
数据接收层接收用户的注册信息,将所述注册信息输入至数据库内的注册集中,所述数据接收层提示所述用户输入用餐方案。当所述数据接收层未接收到所述用餐方案时,所述数据库内的注册集销毁所述注册信息,当所述数据接收层接收到所述用餐方案时,所述数据库将所述注册集输入至模型训练层,将所述用餐方案输入至用餐方案显示层。
所述用餐方案显示层在预设时间内提示餐饮工作人员接收所述用餐方案,当所述餐饮工作人员在所述预设时间内接收所述用餐方案,所述用餐方案显示层提示用户预约用餐成功,当所述餐饮工作人员在所述预设时间内未接收所述用餐方案,所述用餐方案显示层提示用户预约用餐失败。
所述模型训练层接收所述注册集,并将所述注册集输入至卷积神经网络中进行训练,直至所述卷积神经网络满足训练要求时退出训练。
人脸实时捕捉层接收用户人脸数据,并将所述用户人脸数据输入至所述模型训练层,所述模型训练层将所述用户人脸数据与所述注册集内注册信息进行计算得到人脸相似度集,当所述人脸相似度集低于预设人脸相似度阈值时,输出用户用餐失败,当所述人脸相似度集高于预设人脸相似度阈值时,选择所述注册集内相似度最高的注册信息,并输出所述相似度最高的注册信息对应的用餐方案,完成智能排队。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于人脸识别的排队方法,其特征在于,所述方法包括:
步骤A:数据接收层接收用户的证件信息集,将所述证件信息集输入至数据库内的注册集中,并提示所述用户接收排队等待号码,当未检测到所述用户接收到所述排队等待号码时,所述数据接收层销毁所述注册集内的所述用户的证件信息集,当检测到所述用户接收到所述排队等待号码时,所述数据库将所述注册集输入至模型训练层,并将所述排队等待号码输入至号码读取层,所述号码读取层按照栈数据读取形式存储所述排队等待号码;
步骤B:所述模型训练层将所述注册集输入至卷积神经网络中进行训练,并输出训练值集合,直至所述卷积神经网络满足预设训练要求时退出训练;
步骤C:所述号码读取层根据所述栈数据读取形式依次读取并输出每一个栈内排队等待号码,每输出一个栈内排队等待号码时,所述号码读取层提示人脸实时捕捉层捕捉人脸;
步骤D:所述人脸实时捕捉层在预设时间内捕捉人脸,当所述人脸实时捕捉层在所述预设时间内捕捉到人脸时,所述人脸实时捕捉层将捕捉到的所述人脸输入至所述模型训练层,所述模型训练层基于捕捉到的所述人脸与所述训练值集合,计算得到人脸相似度集,当所述人脸相似度集均低于预设人脸相似度阈值时,输出用户排队失败的信息,当所述人脸相似度集存在高于预设人脸相似度阈值的相似度值时,选择所述注册集内相似度值最高的证件信息集并输出排队成功的信息。
2.如权利要求1所述的基于人脸识别的排队方法,其特征在于,所述数据接收层接收用户的证件信息集,将所述证件信息集输入至数据库内的注册集中,包括:
数据接收层接收包括用户的证件人脸图片、用户昵称和用户住址的证件信息集;
将所述证件信息集中所述证件人脸图片输入至数据库内注册集的训练集中,将所述用户昵称和所述用户住址输入至所述数据库内注册集的标签集中。
3.如权利要求1或2所述的基于人脸识别的排队方法,其特征在于,所述号码读取层包括栈结构的存储单元,所述栈结构的存储单元接收所述排队等待号码,并将所述排队等待号码存储至栈底。
4.如权利要求2所述的基于人脸识别的排队方法,其特征在于:
所述卷积神经网络包括十六层卷积层和十六层池化层、一层全连接层,所述卷积神经网络接收所述注册集后,将所述注册集输入至所述十六层卷积层和十六层池化层进行卷积操作和最大池化操作,得到降维数据集,将所述降维数据集输入至全连接层;
所述全连接层接收所述降维数据集,并结合激活函数计算得到所述训练值集合,并将所述训练值集合和所述标签集输入至所述模型训练层的损失函数中,利用所述损失函数计算出损失值,判断所述损失值与预设训练阈值的大小关系,直至所述损失值小于所述预设训练阈值时,所述卷积神经网络退出训练。
5.如权利要求4中的基于人脸识别的排队方法,其特征在于,所述卷积操作为:
其中ω’为输出数据,ω为输入数据,k为卷积核的大小,s为所述卷积操作的步幅,p为数据补零矩阵;
所述激活函数为:
其中y为所述训练值集合,e为无限不循环小数。
6.一种基于人脸识别的排队装置,其特征在于,所述装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的基于人脸识别的排队程序,所述基于人脸识别的排队程序被所述处理器执行时实现如下步骤:
步骤A:数据接收层接收用户的证件信息集,将所述证件信息集输入至数据库内的注册集中,并提示所述用户接收排队等待号码,当未检测到所述用户接收到所述排队等待号码时,所述数据接收层销毁所述注册集内的所述用户的证件信息集,当检测到所述用户接收到所述排队等待号码时,所述数据库将所述注册集输入至模型训练层,并将所述排队等待号码输入至号码读取层,所述号码读取层按照栈数据读取形式存储所述排队等待号码;
步骤B:所述模型训练层将所述注册集输入至卷积神经网络中进行训练,并输出训练值集合,直至所述卷积神经网络满足预设训练要求时退出训练;
步骤C:所述号码读取层根据所述栈数据读取形式依次读取并输出每一个栈内排队等待号码,每输出一个栈内排队等待号码时,所述号码读取层提示人脸实时捕捉层捕捉人脸;
步骤D:所述人脸实时捕捉层在预设时间内捕捉人脸,当所述人脸实时捕捉层在所述预设时间内捕捉到人脸时,所述人脸实时捕捉层将捕捉到的所述人脸输入至所述模型训练层,所述模型训练层基于捕捉到的所述人脸与所述训练值集合,计算得到人脸相似度集,当所述人脸相似度集均低于预设人脸相似度阈值时,输出用户排队失败的信息,当所述人脸相似度集存在高于预设人脸相似度阈值的相似度值时,选择所述注册集内相似度值最高的证件信息集并输出排队成功的信息。
7.如权利要求6所述的基于人脸识别的排队装置,其特征在于,其特征在于,所述号码读取层包括栈结构的存储单元,所述栈结构的存储单元接收所述排队等待号码,并将所述排队等待号码存储至栈底。
8.如权利要求7所述的基于人脸识别的排队装置,其特征在于,所述卷积神经网络包括十六层卷积层和十六层池化层、一层全连接层,所述卷积神经网络接收所述注册集后,将所述注册集输入至所述十六层卷积层和十六层池化层进行卷积操作和最大池化操作,得到降维数据集,将所述降维数据集输入至全连接层;
所述全连接层接收所述降维数据集,并结合激活函数计算得到所述训练值集合,并将所述训练值集合和所述标签集输入至所述模型训练层的损失函数中,所述损失函数计算出损失值,判断所述损失值与预设训练阈值的大小关系,直至所述损失值小于所述预设训练阈值时,所述卷积神经网络退出训练。
9.如权利要求8所述的基于人脸识别的排队装置,其特征在于,所述卷积操作为:
其中ω’为输出数据,ω为输入数据,k为卷积核的大小,s为所述卷积操作的步幅,p为数据补零矩阵;
所述激活函数为:
其中y为所述训练值集合,e为无限不循环小数。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于人脸识别的排队程序,所述基于人脸识别的排队程序可被一个或者多个处理器执行,以实现如权利要求1至5中任一项所述的基于人脸识别的排队方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910418953.2A CN110288751B (zh) | 2019-05-20 | 2019-05-20 | 基于人脸识别的排队方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910418953.2A CN110288751B (zh) | 2019-05-20 | 2019-05-20 | 基于人脸识别的排队方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288751A true CN110288751A (zh) | 2019-09-27 |
CN110288751B CN110288751B (zh) | 2023-03-31 |
Family
ID=68002224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910418953.2A Active CN110288751B (zh) | 2019-05-20 | 2019-05-20 | 基于人脸识别的排队方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288751B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914904A (zh) * | 2013-10-30 | 2014-07-09 | 北京安捷天盾科技发展有限公司 | 人脸识别排号机 |
CN108109256A (zh) * | 2017-12-29 | 2018-06-01 | 深圳市爱号网络科技有限公司 | 一种将云端数据与设备端智能化排队管理的方法与系统 |
CN108428275A (zh) * | 2018-01-03 | 2018-08-21 | 平安科技(深圳)有限公司 | 基于人脸识别的排号方法、服务器及存储介质 |
CN108960459A (zh) * | 2017-05-17 | 2018-12-07 | 武汉默联股份有限公司 | 挂号登录方法及装置 |
CN109165566A (zh) * | 2018-08-01 | 2019-01-08 | 中国计量大学 | 一种基于新型损失函数的人脸识别卷积神经网络训练方法 |
CN208834377U (zh) * | 2018-09-14 | 2019-05-07 | 四川思杰聚典智能科技有限公司 | 一种具有人脸识别功能的自助排队机及系统 |
-
2019
- 2019-05-20 CN CN201910418953.2A patent/CN110288751B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914904A (zh) * | 2013-10-30 | 2014-07-09 | 北京安捷天盾科技发展有限公司 | 人脸识别排号机 |
CN108960459A (zh) * | 2017-05-17 | 2018-12-07 | 武汉默联股份有限公司 | 挂号登录方法及装置 |
CN108109256A (zh) * | 2017-12-29 | 2018-06-01 | 深圳市爱号网络科技有限公司 | 一种将云端数据与设备端智能化排队管理的方法与系统 |
CN108428275A (zh) * | 2018-01-03 | 2018-08-21 | 平安科技(深圳)有限公司 | 基于人脸识别的排号方法、服务器及存储介质 |
CN109165566A (zh) * | 2018-08-01 | 2019-01-08 | 中国计量大学 | 一种基于新型损失函数的人脸识别卷积神经网络训练方法 |
CN208834377U (zh) * | 2018-09-14 | 2019-05-07 | 四川思杰聚典智能科技有限公司 | 一种具有人脸识别功能的自助排队机及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110288751B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409220A (zh) | 基于人脸识别的业务引导方法、装置及存储介质 | |
US8810366B2 (en) | Service providing device, service providing method, biometric information authentication server, biometric information authentication method, program, and service providing system | |
WO2019134245A1 (zh) | 基于人脸识别的排号方法、服务器及存储介质 | |
CN108564955B (zh) | 电子装置、身份验证方法和计算机可读存储介质 | |
CN107680294B (zh) | 房产信息查询方法、系统、终端设备及存储介质 | |
CN107871232A (zh) | 一种客户拜访计划的生成方法及其终端 | |
CN109903474A (zh) | 一种基于人脸识别的智能开柜方法及装置 | |
US20070041620A1 (en) | Information access method using biometrics authentication and information processing system using biometrics authentication | |
CN110309709A (zh) | 人脸识别方法、装置及计算机可读存储介质 | |
CN109685102A (zh) | 胸部病灶图像分类方法、装置、计算机设备及存储介质 | |
CN110532866A (zh) | 视频数据检测方法、装置、计算机设备及存储介质 | |
CN106887058A (zh) | 人脸识别方法、装置、出入口管理系统及闸机 | |
CN106101135A (zh) | 一种基于人脸和指纹识别的账号登录系统及其实现方法 | |
CN108876662A (zh) | 智能餐饮服务方法、系统、智能服务中心以及智能终端 | |
CN107851186A (zh) | 使用并行处理的指纹认证 | |
CN112785769B (zh) | 基于人脸识别的排队叫号管理方法、装置、设备及存储介质 | |
CN110363747A (zh) | 智能化异常细胞判断方法、装置及计算机可读存储介质 | |
CN109255768A (zh) | 图像补全方法、装置、终端及计算机可读存储介质 | |
CN112966758B (zh) | 一种农作物病虫草害识别方法、装置、系统及存储介质 | |
CN109302541A (zh) | 电子装置、坐席分配方法和计算机可读存储介质 | |
CN107656918B (zh) | 获取目标用户的方法及装置 | |
CN109213397B (zh) | 数据处理方法、装置和用户端 | |
CN206480042U (zh) | 人脸支付系统 | |
CN110442783A (zh) | 基于人脸识别的信息推送方法、装置、计算机设备 | |
CN107025425A (zh) | 认证方法和设备以及用于训练识别器的方法和设备 |
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 |