CN110502999A - 校园管理系统及方法 - Google Patents

Abstract

本发明公开了一种校园管理系统及方法，包括：图像采集装置，采集在校人员的图像信息；服务器包括：身份识别模块，存储有训练完成的第一人工智能模型，对图像信息进行识别，得到在校人员身份信息；行为识别模块，根据图像信息和在校人员身份信息识别在校人员的行为数据；分类模块，存储有训练完成的第二人工智能模型，利用校人员身份信息和在校人员行为数据对在校人员进行分类；输出模块，根据分类结果输出对应的管理策略。通过结合人工智能技术，进行在校人员行为数据的真实可靠并且实时高效的获取；通过人工智能技术对学生在校情况进行分类，为教学质量提升、校园安保提供数据支持，使校园管理策略针对在校人员进行合理准确的制定和实施。

Description

校园管理系统及方法

技术领域

本公开涉及大数据技术领域，具体涉及一种校园管理系统及方法。

背景技术

智慧校园指的是利用当前的物联网、大数据及AI等技术，使教学、科研、管理等校园活动能够充分融合，提供更安全、稳定的校园环境。2018年国家标准《智慧校园总体框架》已经发布，目前各地区大中院校正逐步推广建设。一卡通服务为学生餐饮、图书馆借阅、校园消费等提供了较大便捷，多数校园已完成一卡通的建设；多系统数据的统一工作解决各个系统间数据格式不一致、数据交换、共享困难问题，通过重新规划数据中心，为所有的业务系统提供统一的数据支持，高效的完成校园管理工作，同时数据安全性更有保障，为校园的数字化提供的助力。

但目前多是采用外在身份认证设备，比如校园卡，辅助校园生活，但设备的使用者是否为本人，却不能保证，同时身份认证设备丢失、非本人使用容易造成意外损失，也会影响到日常的校园生活。同时，由于人卡可能不一致，对刷卡数据的分析处理也无法得到真实的结论。

考勤、宿舍管理等的校园管理，目前主要依赖人工点名方式，耗时、耗力却难以得到准确、真实的数据，致使校园管理信息(考勤、宿舍等)获取困难、数据真实性、实时性、有效性差，并且，由于校园管理信息的数据真实性、实时性、有效性差，难以对个体信息进行汇聚分析，不能及时通过系统自动智能的鉴别需重点关注和帮扶的学生，导致校园管理策略难以针对在校人员进行合理、准确及时的制定和实施。

发明内容

有鉴于此，本公开实施例提供了一种校园管理系统及方法，以解决现有技术中难以合理、准确及时的进行校园管理的技术问题。

根据第一方面，本公开实施例提供了一种校园管理系统，包括：图像采集装置和服务器，图像采集装置用于采集在校人员的图像信息；服务器包括：身份识别模块，存储有训练完成的第一人工智能模型，用于对图像信息进行识别，得到在校人员身份信息；行为识别模块，用于根据图像信息和在校人员身份信息识别在校人员的行为数据；分类模块，存储有训练完成的第二人工智能模型，用于利用校人员身份信息和在校人员行为数据对在校人员进行分类，得到分类结果；输出模块，用于根据分类结果输出对应的管理策略。

可选地，第一人工智能模型包括：人脸识别模型；身份识别模块包括：特征提取单元，用于在图像信息中提取人脸特征；识别单元，用于将提取的人脸特征输入至人脸识别模型进行识别，得到校人员身份信息。

可选地，图像采集装置包括：静态图像采集设备，用于采集在校人员的静态图像信息；监控图像采集设备，用于采集在校人员的监控图像信息。

可选地，行为识别模块包括：核查信息识别单元，用于根据静态图像信息和在校人员身份信息识别在校人员的第一行为数据，并以预设管理标准核查第一行为数据，得到核查结果；行为轨迹识别单元，用于根据监控图像信息和在校人员身份信息识别在校人员的第二行为数据，并根据第二行为数据计算在校人员的行为轨迹。

可选地，核查信息识别单元还用于对核查结果按照校园管理层级进行聚合，得到第一行为聚合数据，并对第一行为聚合数据进行量化。

可选地，在校人员具有多个行为维度，第二人工智能模型包括：分类模型；分类模块将核查结果和行为轨迹输入至分类模型，得到在校人员的分类结果；其中，分类模型利用在校人员行为标签作为训练样本训练完成，校人员行为标签通过统计核查结果和行为轨迹在每一行为维度上建立。

可选地，服务器还包括：抽样模块，分别与身份识别模块、行为识别模块和分类模块连接，用于对身份识别模块识别的在校人员身份信息和行为识别模块识别的在校人员行为数据进行抽样，得到在校人员身份信息和在校人员行为数据的抽样结果，并将抽样结果输出至分类模块，使分类模块根据抽样结果对在校人员进行分类。

可选地，校园管理系统还包括：分布式全文检索数据库，分别于图像采集装置和服务器连接，用于存储图像信息、校人员的身份信息以及在校人员行为数据。

根据第二方面，本公开实施例提供了一种校园管理方法，适用于服务器，方法包括：获取在校人员图像信息；利用训练完成的第一人工智能模型对图像信息进行识别，得到在校人员身份信息；根据图像信息和在校人员身份信息识别在校人员的行为数据；将校人员身份信息和在校人员的行为数据输入训练完成的第二人工智能模型对在校人员进行分类，得到分类结果；根据分类结果输出对应的管理策略。

可选地，图像信息包括静态图像信息和监控图像信息；根据图像信息和在校人员身份信息识别在校人员的行为数据包括：根据静态图像信息和在校人员身份信息识别在校人员第一行为数据；根据预设管理标准核查第一行为数据，得到核查结果；根据监控图像信息和在校人员身份信息识别在校人员第二行为数据；根据第二行为数据计算在校人员的行为轨迹。

本公开具有如下有益效果：

通过图像采集装置采集在校人员身份信息后，服务器中的身份识别模块利用第一人工智能模型对图像信息进行识别，行为识别模块根据图像信息和在校人员身份信息识别在校人员的行为数据；分类模块利用第二人工智能模型对校人员身份信息和在校人员行为数据对在校人员进行分类，得到分类结果；输出模块根据分类结果输出对应的管理策略。通过结合人工智能技术，进行管理信息即在校人员的行为数据的真实可靠并且实时高效的获取；通过人工智能算法模型对学生在校情况进行建模分类，输出针对分类结果对应的管理策略，例如可以输出重点关注对象，为教学质量提升、校园安保提供数据支持，可以使校园管理策略针对在校人员进行合理、准确及时的制定和实施。

附图说明

为了更清楚地说明本公开具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本公开实施例的校园管理系统的示意图；

图2示出了本公开实施例的另一校园管理系统的示意图；

图3示出了本公开实施例的另一校园管理系统的示意图；

图4示出了本公开实施例的学院级聚合量化的示意图；

图5示出了本公开实施例的校园管理方法的流程示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

本实施例提供了一种校园管理系统，用于采集在校人员的管理信息的实时、高效、真实可靠的获取，并为在校人员的管理提供可靠的数据支持，所称在校人员可以为在校学生，在校教师以及在校的其他人员。如图1所示，该系统可以包括：

图像采集装置10和服务器20，其中，图像采集装置10可以用于采集在校人员的图像信息，具体的，如图2所示，该图像采集装置10可以包括静态图像采集设备11，该静态图像采集设备11用于采集在校人员的静态图像信息，静态图像信息用于对在校人员的身份进行核验，例如，学校大门、宿舍、图书馆等门禁图像采集设备，以及教师办公区、教室等考勤或门禁图像采集设备，在校门、宿舍、图书馆、教室等通过图像采集设备采集到的图片数据即为静态图像信息，静态图像采集设备11采集到的静态图像信息，可以在需要身份识别的区域进行身份识别，可以避免由于人卡不一致的情况。

该图像采集装置10还可以包括监控图像采集设备12，用于采集监控图像信息，该监控图像信息主要为监控区域的图像信息，监控图像采集设备10可以为监控设备，例如，路口、操场、学校大门、宿舍、图书馆、教师办公区、教室等监控视频采集装置。可以利用路口等的监控设备采集，。在本实施例中，由于监控图像信息无需实时识别，可以通过对视频进行定时采样，比如每1分钟获取一张监控图像信息。

如图1所示，服务器20可以包括：身份识别模块21，存储有训练完成的第一人工智能模型，用于对图像信息进行识别，得到在校人员身份信息；行为识别模块22，用于根据图像信息和在校人员身份信息识别在校人员的行为数据；分类模块23，存储有训练完成的第二人工智能模型，用于利用校人员身份信息和在校人员行为数据对在校人员进行分类，得到分类结果；输出模块24，用于根据分类结果输出对应的管理策略。通过结合人工智能技术，进行管理信息的实时、高效的获取保证真实可靠；通过人工智能算法模型对学生在校情况进行建模分类，输出针对分类结果对应的管理策略，例如可以输出重点关注对象，为教学质量提升、校园安保提供数据支持。

在本实施例中，身份识别模块21，可以针对图像采集装置10采集到的图像信息进行识别，识别图像信息指示的在校人员的身份，具体的可以采用训练完成的第一人工智能模型进行识别，在本实施例中，第一人工智能模型可以采用人脸识别模型也可以采用其它生物特征识别模型，例如，指纹识别模型、声纹识别模型、虹膜识别模型、步态识别模型等。为方便说明，在本实施例中，以人脸识别模型为例进行说明：

在本实施例中，人脸识别模型为提前训练好的人工智能模型，具体的，可以以人脸图像信息和在校人员身份信息作为训练样本对神经网络模型进行训练，首先需要对学校人员(包括学生、教师及其他工作人员)的脸部信息进行提前采集，同时还需要收集其他相应的信息以作与其他系统的匹配使用，比如姓名+学号/身份证号等建立目标数据库。当设备采集到人脸信息时，将人脸数据与预先采集的数据库信息对比，得到是否有相匹配的结果。基于神经网络的深度学习算法可以利用学习样本进行训练，直至人脸图像信息与对应的身份信息匹配，完成模型训练。在图像采集装置10采集到图像信息后，如图2和图3所示，身份识别模块21中的特征提取单元211用于在图像信息中提取人脸特征；识别单元212将提取的人脸特征输入至人脸识别模型进行识别，模型输出为n个值。计算输入图像与目标库中的图像的欧式距离，如果距离小于设定的阈值，认为为同一个人。在本实施例中，可以采用如下公式：

其中，x表征输入图像特征，y表征目标图像特征。

在一些示例性的实施例中，行为识别模块22可以根据图像信息和在校人员身份信息识别在校人员需要核查的行为：例如考勤、就寝等行为。具体的，如图2和图3所示，行为识别模块22包括：核查信息识别单元221，用于根据静态图像信息和在校人员身份信息识别在校人员的第一行为数据，并以预设管理标准核查第一行为数据，得到核查结果。由于硬件厂家等原因造成获取的识别图像信息不一致，同时为减小计算量，需要对图像信息进行抽样，再整合，解决数据存在不同采集系统中而产生的分散问题，例如，学生教学活动中的考勤，可以采用教室编号和采集时间作为抽取条件，同时需要获取学生基本信息，对抽取到的数据进行分类、清洗、统计计算。对抽取后的识别图像信息可以通过人脸识别算法对学生的人脸信息进行识别，并得到学生考勤行为，针对学生的考勤行为核查信息识别单元221可以依据学校预先制定的考勤管理标准对各个学生的考勤行为进行核查，得到学生的考勤结果，具体的，考勤结果可以包括学生存在迟到、早退、旷课等核查结果。也可以通过教室内的识别设备对教师的教学行为核查，例如可以通过采集教师的图像信息，并针对图像信息识别教师的考勤行为和教学行为，通过学校预设的教室考勤管理标准可以确认教师是否存在缺勤或迟到等教学事故。能够对教师及学生的上课情况进行智能化考勤。再例如，在学生宿舍，检查学生就寝状况，可以通过对学生的图像信息进行识别，确认学生进入宿舍的时间，得到学生回宿舍的行为数据，并根据预设的就寝管理标准核查学生是否存下晚归或未归的现象，可以获取真实的学生就寝数据，及时掌握晚归和不归学生名单，降低校园安全事故发生风险。通过图像采集装置10采集到在校人员的图像信息，并结合人工智能模型对在校人员进行识别，可以实时、高效、真实的获取到在校人员的在校表现情况。在本实施例中，考勤管理标准，寝管理标准等预设核查标准可以在校园的教务系统中获取。

在一些示例性的实施例中，如图2和图3所示，行为识别模块22可以包括行为轨迹识别单元222，行为轨迹识别单元222可以根据图像信息和在校人员身份信息识别在校人员的行为轨迹，可以通过监控设备进行采集，例如，根据获取到的监控图像信息进行轨迹分析，获取在校园生活中经常出现位置，例如，经常出入操场、校园活动中心、图书馆、自习室等确定在校人员的行为轨迹。在本实施例中，通过对监控图像对在校人员进行身份识别，匹配各个在校人员的行为轨迹，在本实施例中，通常监控图像信息中可能包括多个在校人员，例如，在校园活动中心的监控视频中可能会同时采集到多个在校人员的信息，在本实施例中，需要对图像中的所有人脸进行识别，以分别确认图像中的在校人员的身份信息，具体的，在校人员身份识别可以采用上述实施例中身份识别的方法，根据人员面部信息进行身份识别在本实施例中不再赘述。

在得到在校人员的核查结果和行为轨迹后，分类模块23将核查结果和行为轨迹输入至第二人工智能模型，得到在校人员的分类结果。在本实施例中，第二人工智能模型可以为采用分类模型，该分类模型可以利用机器学习回归算法，将在校人员的行为标签作为训练样本，经过算法学习，可以建立学生的分类模型。其中，校人员行为标签可以通过统计核查结果和行为轨迹在每一行为维度上建立。在本实施例中，可以通过统计多个行为维度上的核查结果和行为轨迹分别在每一维度上建立对应的行为标签。例如，可以通过统计在校人员的查寝结果建立在校人员的生活习惯标签，在统计到校人员出入宿舍时间正常、规律，可以标注生活规律的标签。在统计到在校人员经常晚归缺寝，可以标注生活不规律的标签。可以通过统计在校人员的上课情况的核查结果，建立考勤标签，通过行为轨迹建立学习习惯标签、爱好标签等，例如，可以通过统计是否经常出入图书馆、自习室等行为轨迹建立学习习惯标签；可以通过统计在校人员是否经常出入体育场，是否经常出入校园活动中心，是否经常出入美食街等建立爱好标签。

在一些示例性的实施例中，输出模块24，用于根据分类结果输出对应的管理策略。在对在校人员进行分类后，可以针对分类情况智能的鉴别需重点关注和帮扶的在校人员和在校人员所在的集体，并为教学质量提升、校园安保提供数据支持。以更准确有效的建立校园管理策略。

下面将对服务器20的工作原理进行详细说明。

行为识别模块22中的核查信息识别单元221可以在预设区域对在校人员的第一行为数据进行识别，例如，在教室区域，身份识别模块21根据静态图像采集设备11，例如考勤机等采集到的静态图像进行身份识别，行为识别模块22针对教室区域进行考勤行为识别。在宿舍区域，身份识别模块21根据静态图像采集设备11采集到的静态图像进行身份识别，行为识别模块22针对宿舍区域进行就寝行为识别

在本实施例中，第一行为数据需要利用对应的预设区域的预设管理标准进行核查，例如，在教室区域，通过配置教室的基本信息如下：教师、课程名称、班级编号、学生人数，上课时间等确定教室管理标准，通过教室管理标准对学生或教师的考勤行为数据进行核查，以便确认学生或教师的考勤结果。在本实施例中，可以对学生或教师的考勤行为数据按照校园管理层级进行聚合，得到第一行为聚合数据，在本实施例中，利用第一数据进行评价时，为了标准化评价，需要对对聚合数据进行量化，例如，教师或学生设置考核指标，具体的可以参见表1：

表1

在课程结束后，如果某学生缺勤1次，迟到2次，早退3次，那么根据考勤数据总的考勤成绩为10分，依照评价量化表准，在本实施例中根据校园管理层级进行聚合量化，例如，可以通过校级聚合可以展示本校的学习风气；对学院甚至从班级尺度聚合分析可以对学校管理进行横向对比，对考勤较差学院或班级尽早实施优化、调整管理方案。图4示例性的示出了学院级聚合量化的示意图，通过对在校人员的第一行为数据进行分析，将在校人员的第一行为数据进行聚合量化，可以通过在校人员的识别图像信息准确直观的反映在校人员的行为，可以给学校管理提供准确的量化数据支持

再例如，在宿舍区域，以就寝时间节点对宿舍区域的管理标准对学生通过识别图像信息得到的就寝行为进行核查，可以避免常规的查寝，多采用人工抽查或主动上报方式。抽查无法获取实时的数据，也无法完成每日、每人的检查，可以确保行为数据的准确性，例如，对学生就寝行为数据进行核查的结果可以参见表2：

宿舍号	姓名	是否就寝	时间
				101	刘二	已归	21:00
101	张三	未归
				101	李四	已归	22:10
101	王五	已归	19:30

表2

利用就寝管理标准对学生的就寝行为数据进行核查，可以在就寝时间节点比如23：00，完成如下表所示当日的就寝说明报告，可以对未归学生检查、核实。在本实施例中，可以通过学生的就寝行为的核查结果对多日未归或长期晚归学生进行预警，有针对性的提前介入了解情况，降低发生学生安全事故风险。

在本实施例中，行为轨迹识别单元222，用于根据监控图像信息和在校人员身份信息识别在校人员第二行为数据，可以通过监控图像采集设备12采集的监控图像和在校人员身份信息识别在校人员第二行为数据，例如监控设备采集的监控视频，并对监控视频进行采样，得到监控图像信息，监控视频用于在校人员轨迹分析，并不需要实时识别，可以通过对视频进行定时采样，比如每1分钟获取一张图像数据。同时在不需要获取连续图像时，可以采用有影像活动时自动拍照，得到监控图像信息，通过监控视频可以分别统计在校人员出入的区域，可以通过出入频次，出入的时间点等确认在校人员的行为轨迹，例如，学生在上午九点到下午五点经常出入自习室，可以确认该学生经常进行自习，例如，学生经常在操场或体育场出现，可以确认该学生经常参加体育锻炼。

在本实施例中，可以针对第一行为数据和第二行为数据分析学生的习惯，进而对学生进行分类，在校人员具有多个行为维度，例如，生活习惯维度，上课情况维度，学习习惯维度，以及行为轨迹维度，具体的，结合第一行为数据和第二行为数据，可以对学生从生活习惯，上课情况，学习习惯，轨迹分析4个维度进行描述。具体的，可以统计核查结果和行为轨迹在每一行为维度分别建立行为标签，具体的行为标签可以通过对核查结果的量化数据和行为轨迹的统计综合得到，具体的标签的建立可以参见表3：

表3

为减小计算量，在本实施例中，如图2和图3所示，还可以利用抽样模块25对身份识别模块21识别的在校人员身份信息和行为识别模块22识别的在校人员行为数据进行抽样，得到在校人员身份信息和在校人员行为数据的抽样结果，并将抽样结果输出至分类模块，使分类模块23利用抽样结果对在校人员进行分类。比如“上课情况”可以从考勤抽样数据中筛选，以减小计算量。在本实施例中，在校人员的行为维度不限于上述实施例中列举的四种行为维度，还可以包括其他行为维度，例如消费数据，考试成绩。

在得到行为标签后，可以采用机器学习的回归算法，将学生的标签作为特征数据，经过算法学习，可以建立学生的分类模型。可以将在校人员的核查结果和行为轨迹输入至分类模型。对在校人员进行分类，例如可以分为三类，一类，校园生活正常，偶有迟到或其他小问题；二类，部分指标不正常，比如考勤异常等；三类，多个指标都不正常，比如考勤不正常，并且长期不在学校等等。输出模块24可以针对学生的分类结果输出需要重点关注的对象，提前介入了解，避免严重后果发生。为教学质量提升、校园安保提供数据支持。

由于校园管理系统设计每人每天至少会有几十次的记录被存储，对于一个上万人的学校，每年的记录条数将会多达几亿条，加之其他监控数据，常规的关系型数据库是无法处理此规模的数据。如图3所示，校园管理系统还可以包括：分布式全文检索数据库30，用于存储图像信息、校人员的身份信息以及在校人员行为数据。在本实施例中，分布式全文检索数据库30可以包括：Elasticsearch(ES)数据库，将图像采集装置10采集信息存储到ES数据库中，提供服务器20中的各个模块执行业务时的查询接口。由于ES数据库对索引的存储方式及倒排索引的搜索设计，广泛用于大规模数据的数据存储及查询，可以将识别后的人脸信息将会被存储在ES中。ES提供Java API、restful API等多种交互方式，可以方便的给其他业务提供数据服务。

ES数据库可以设计多个索引以保存不同业务系统的数据需求，对同一索引也可以按照学院甚至班级建立多个类型保存数据。存储方式可以根据需求灵活设置，但保存的数据一般应包括采集时间、采集位置、识别人信息，图像相关数据。

ES本身不具备查询权限控制系统，存储内容又包含学校内所有人员的轨迹信息，必须对ES数据库进行封装，接入学校的身份认证系统，严格控制访问权限，对角色提供权限控制，比如普通学生只能获取自己的数据；学院管理员只能获取本院学生数据。也可以根据执行在校人员行为评价方法或校园管理方法的需求进行权限控制，比如对考勤进行评价，只能获取考勤相关的数据。将数据保存在ES数据库中，能够利用ES的搜索功能为服务器的各个模块执行任务提供搜索需求。

本公开实施例还提供了一种校园管理方法，适用于服务器，如图5所示，该方法可以包括如下步骤：

S10.获取在校人员图像信息。在本实施例中，所获取的在校人员图像信息为图像采集装置采集到的在校人员图像信息。具体的可以参见上述实施例中对于图像采集装置的描述。

S20.利用训练完成的第一人工智能模型对图像信息进行识别，得到在校人员身份信息。具体的，可以参见上述实施例中对于身份识别模块的描述。

S30.根据图像信息和在校人员身份信息识别在校人员的行为数据。具体的，图像信息包括静态图像信息和监控图像信息，在本实施例中，可以分别针对静态图像信息和监控图像信息识别在校人员的行为，作为一个具体的实施例，可以根据静态图像信息和在校人员身份信息识别在校人员第一行为数据，根据预设管理标准核查第一行为数据，得到核查结果。可以根据监控图像信息和在校人员身份信息识别在校人员第二行为数据；根据第二行为数据计算在校人员的行为轨迹。具体的行为识别原理可以参见上述实施例中对于行为识别模块的描述。

S40.将在校人员身份信息和在校人员的行为数据输入训练完成的第二人工智能模型对在校人员进行分类，得到分类结果。具体的分类过程及原理可以参见上述实施例中对于分类模块的描述。

S50.根据分类结果输出对应的管理策略。

利用第一人工智能模型对获取的图像信息进行识别，得到在校人员身份信息，并根据图像信息和在校人员身份信息识别在校人员的行为数据；利用第二人工智能模型对校人员身份信息和在校人员行为数据对在校人员进行分类，得到分类结果；根据分类结果输出对应的管理策略。通过结合人工智能技术，进行管理信息即在校人员的行为数据的真实可靠并且实时高效的获取；通过人工智能算法模型对学生在校情况进行建模分类，输出针对分类结果对应的管理策略，例如可以输出重点关注对象，为教学质量提升、校园安保提供数据支持，可以使校园管理策略针对在校人员进行合理、准确及时的制定和实施。

虽然结合附图描述了本公开的实施例，但是本领域技术人员可以在不脱离本公开的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种校园管理系统，其特征在于，包括：图像采集装置和服务器，所述图像采集装置用于采集在校人员的图像信息；所述服务器包括：

身份识别模块，存储有训练完成的第一人工智能模型，用于对所述图像信息进行识别，得到在校人员身份信息；

行为识别模块，用于根据所述图像信息和所述在校人员身份信息识别所述在校人员的行为数据；

分类模块，存储有训练完成的第二人工智能模型，用于利用所述校人员身份信息和所述在校人员的行为数据对所述在校人员进行分类，得到分类结果；

输出模块，用于根据所述分类结果输出对应的管理策略。

2.如权利要求1所述的校园管理系统，其特征在于，所述第一人工智能模型包括：人脸识别模型；

所述身份识别模块包括：

特征提取单元，用于在所述图像信息中提取人脸特征；

识别单元，用于将提取的所述人脸特征输入至所述人脸识别模型进行识别，得到校人员身份信息。

3.如权利要求1所述的校园管理系统，其特征在于，所述图像采集装置包括：

静态图像采集设备，用于采集在校人员的静态图像信息；

监控图像采集设备，用于采集在校人员的监控图像信息。

4.如权利要求3所述的校园管理系统，其特征在于，所述行为识别模块包括：

核查信息识别单元，用于根据所述静态图像信息和所述在校人员身份信息识别在校人员的第一行为数据，并以预设管理标准核查所述第一行为数据，得到核查结果；

行为轨迹识别单元，用于根据所述监控图像信息和所述在校人员身份信息识别在校人员的第二行为数据，并根据所述第二行为数据计算在校人员的行为轨迹。

5.如权利要求4所述的校园管理系统，其特征在于，所述核查信息识别单元还用于对所述核查结果按照校园管理层级进行聚合，得到第一行为聚合数据，并对所述第一行为聚合数据进行量化。

6.如权利要求5所述的校园管理系统，其特征在于，所述在校人员具有多个行为维度，所述第二人工智能模型包括分类模型；

所述分类模块将所述核查结果和所述行为轨迹输入至所述分类模型，得到所述在校人员的分类结果；

其中，所述分类模型利用在校人员行为标签作为训练样本训练完成，所述校人员行为标签通过统计所述核查结果和所述行为轨迹在每一行为维度上建立。

7.如权利要求1所述的校园管理系统，其特征在于，所述服务器还包括：

抽样模块，分别与所述身份识别模块、所述行为识别模块和所述分类模块连接，用于对所述身份识别模块识别的所述在校人员身份信息和所述行为识别模块识别的所述在校人员的行为数据进行抽样，得到在校人员身份信息和在校人员的行为数据的抽样结果，并将抽样结果输出至所述分类模块，使所述分类模块根据所述抽样结果对所述在校人员进行分类。

8.如权利要求1所述的校园管理系统，其特征在于，还包括：

分布式全文检索数据库，分别与所述图像采集装置和所述服务器连接，用于存储所述图像信息、所述校人员的身份信息以及所述在校人员行为数据。

9.一种校园管理方法，适用于服务器，其特征在于，所述方法包括：

获取在校人员图像信息；

利用训练完成的第一人工智能模型对所述图像信息进行识别，得到在校人员身份信息；

根据所述图像信息和所述在校人员身份信息识别所述在校人员的行为数据；

将所述校人员身份信息和所述在校人员的行为数据输入训练完成的第二人工智能模型对所述在校人员进行分类，得到分类结果；

根据所述分类结果输出对应的管理策略。

10.如权利要求9所述的校园管理方法，其特征在于，所述图像信息包括静态图像信息和监控图像信息；

所述根据所述图像信息和所述在校人员身份信息识别所述在校人员的行为数据包括：

根据所述静态图像信息和所述在校人员身份信息识别在校人员的第一行为数据；

根据预设管理标准核查第一行为数据，得到核查结果；

根据所述监控图像信息和所述在校人员身份信息识别在校人员的第二行为数据；

根据第二行为数据计算所述在校人员的行为轨迹。