CN110555929B - 一种实验室门禁验证系统与验证方法 - Google Patents

一种实验室门禁验证系统与验证方法 Download PDF

Info

Publication number
CN110555929B
CN110555929B CN201910764625.8A CN201910764625A CN110555929B CN 110555929 B CN110555929 B CN 110555929B CN 201910764625 A CN201910764625 A CN 201910764625A CN 110555929 B CN110555929 B CN 110555929B
Authority
CN
China
Prior art keywords
face
data
entrance guard
resistor
value
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
Application number
CN201910764625.8A
Other languages
English (en)
Other versions
CN110555929A (zh
Inventor
迟海鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dynaflow Experiment Technology Co Ltd
Original Assignee
Beijing Dynaflow Experiment Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Dynaflow Experiment Technology Co Ltd filed Critical Beijing Dynaflow Experiment Technology Co Ltd
Priority to CN202010558650.3A priority Critical patent/CN111932754B/zh
Priority to CN201910764625.8A priority patent/CN110555929B/zh
Publication of CN110555929A publication Critical patent/CN110555929A/zh
Application granted granted Critical
Publication of CN110555929B publication Critical patent/CN110555929B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V40/168—Feature extraction; Face representation
    • 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
    • G06V40/172—Classification, e.g. identification
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03F—AMPLIFIERS
    • H03F3/00—Amplifiers with only discharge tubes or only semiconductor devices as amplifying elements
    • H03F3/68—Combinations of amplifiers, e.g. multi-channel amplifiers for stereophonics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于实验室设备技术领域，具体涉及一种辨识精度更高的实验室门禁验证系统与验证方法。包括：人脸轮廓识别模块，识别人脸轮廓数据，确认人脸轮廓数据辨识度LB；人脸五官辨识模块，识别人脸的五官位置、形状数据，确认人脸五官数据辨识度RB；人脸肤色辨识模块，识别人脸的肤色信息，确认人脸肤色数据辨识度FB；辨识度综合处理模块，根据人脸轮廓数据辨识度LB、人脸五官数据辨识度RB、人脸肤色数据辨识度FB获得实验室门禁验证辨识度TB。将本算法移植到嵌入式平台是基于ZYNQ平台的ARM和FPGA架构，对算法进行改进方便与FPGA单元相结合，满足识别的准确性与实时性。

Description

一种实验室门禁验证系统与验证方法
技术领域
本发明属于实验室设备技术领域，具体涉及一种辨识精度更高的实验室门禁验证系统与验证方法。
背景技术
随着科技社会的发展和世界经济的增长，智能实验室的发展与大学的实验教学息息相关，实验室的智能化程度也决定了学生的实验质量。但是，即使是在智能实验室中依然存在实验物品被外来人员盗窃的问题，而相对老式的实验室中直接是大门敞开随意出入，失窃率一直得不到改善。针对这类问题，身份识别技术成为了国内外的研究热点，各个国家致力于发展智能化门禁技术来提高实验室的安全性，也正是这项技术的发展才使得国家和学校的安全和利益得到了保障。
门禁系统作为一种新型现代化安全管理系统，它将机器自动识别技术和现代安全管理措施结合为一体，涉及到电子技术，机械自动化，计算机技术，通讯技术，生物识别技术等诸多新技术。门禁系统是解决各类实验场所与外界出入口安全问题的有效措施。在实验室中很多场景都离不开门禁系统，如智能化实验舱、实验室等。
早期的门禁系统是通过门铃的形式，通过门禁器联系实验室管理员，实验室管理员来控制门禁的开启，这种门禁系统的优势在于成本低，易控制。但是该门禁系统仅仅针对外来人员，对于实验室管理员来说仍需自己使用钥匙来开门，且使用起来非常的不方便，早期的门禁系统没有任何自动识技术，仅仅是通过控制的方向来完成提高安全性。随着感应技术的发展，电子技术市场的高速发展，门禁系统进入了快速发展期，例如感应卡式门禁系统产品化也使得门禁系统在便捷性等方面有了提高，且由于产品成本较低，许多类似产品在面对较低端场景依旧有着一定市场。但是由于门禁卡依然是一个需要携带的物品本身有一定的局限性，一旦出现遗失或损坏则会带来较大的麻烦。因此近十几年来，依托生物识别技术的逐渐成熟以及人工智能的飞速发展，门禁系统也从早期的简单控制发展成系统能够利用人体生物特征来进行自动识别。目前门禁系统已经发展到了成熟期，指纹门禁系统，虹膜门禁系统，声纹识别门禁系统，人脸识别门禁系统等蓬勃发展也使得各场景实验室出入口安全问题得到了有利的改善。指纹门禁系统和掌纹识别门禁系统相对于门禁卡来说较为方便，但是由于信息量较少且易于被伪造，因此安全系数不够高。虹膜门禁系统相对于指纹门禁系统来说不用考虑频繁接触带来的卫生问题，且由于是人体虹膜信息作为密码，不容易伪造，但是由于其工作的特殊性，验证时需要人贴近设备，由于人的身高差异较大，导致设备交互性不是特别好，专用的图像采集设备造价高且安装较为麻烦，且成本较高无法大范围推广。声纹识别门禁系统利用提前存储的声纹信息来对用户进行身份识别，系统成本相对较为便宜，但是由于声纹信息的有限性，准确率不够高且容易被伪造。
人脸识别门禁系统同样具有非接触性的优点，且相对于虹膜识别系统的人机交互性更好、便捷性更强，同样由于人脸图像的独一性，难以被仿冒，安全系数高，相对于虹膜系统中使用的且识别准确性高，能够快速并准确的完成身份的识别验证。不仅仅是门禁系统，人脸识别技术作为生物特征识别技术具有巨大的潜在应用场景。人脸识别技术在最近数年一直都是计算机视觉和机器学习等领域的热门课题。
发明内容
本发明的目的在于提供一种辨识精度更高的实验室门禁验证系统。
本发明的目的还在于提供一种实验室门禁验证方法。
本发明的目的是这样实现的：
一种实验室门禁验证系统，包括：
人脸轮廓识别模块，识别人脸轮廓数据，确认人脸轮廓数据辨识度LB；
人脸五官辨识模块，识别人脸的五官位置、形状数据，确认人脸五官数据辨识度RB；
人脸肤色辨识模块，识别人脸的肤色信息，确认人脸肤色数据辨识度FB；
辨识度综合处理模块，根据人脸轮廓数据辨识度LB、人脸五官数据辨识度RB、人脸肤色数据辨识度FB获得实验室门禁验证辨识度TB；
若实验室门禁验证辨识度TB≥阈值T，则门禁解除禁止；若实验室门禁验证辨识度TB＜阈值T，则门禁保持禁止。
所述人脸轮廓识别模块，识别人脸轮廓数据，确认人脸轮廓数据辨识度LB，包括以下步骤：
(1.1)获取所述实验室门禁验证系统中存储的所有的可被辨识人的人脸轮廓的n个特征点，计算人脸轮廓的每个特征点的波动水平；
Figure GDA0002221459950000021
其中，
Figure GDA0002221459950000022
为中间参数，Hbdi,j为实验室门禁验证系统中存储的第i个人的人脸轮廓的第j个特征点，σj为人脸轮廓的第j个特征点的波动水平，m为所述实验室门禁验证系统中存储的人脸总量，i＝1、2、3...m,j＝1、2、3…n；
(1.2)计算人脸轮廓的每个特征点的调整系数；
Figure GDA0002221459950000023
Hj为人脸轮廓的j个特征点的调整系数；
(1.3)获取需要被识别的人的人脸轮廓的n个特征点；
(1.4)计算需要被识别的人的人脸轮廓的每个特征点与实验室门禁验证系统中存储的所有的可被辨识人的人脸轮廓的差距；
Figure GDA0002221459950000024
Figure GDA0002221459950000025
为需要被识别的人的人脸轮廓的第j个特征点与实验室门禁验证系统中存储的第i个人的第j个特征点的人脸轮廓的差距；
(1.5)计算人脸轮廓数据辨识度LB：
Figure GDA0002221459950000031
Figure GDA0002221459950000032
Figure GDA0002221459950000033
LB＝max(LBi,LB2,LB3,…,LBi…LBj)
其中，
Figure GDA0002221459950000034
LBi为中间参数；
通过人脸轮廓数据辨识度LB的大小评估被辨识人的人脸轮廓曲线符合度，LB越小说明被辨识人的吻合度越低。
所述人脸五官辨识模块识别人脸的五官位置、形状数据，确认人脸五官数据辨识度RB，包括以下步骤：
首先获取人脸的五官的位置：
(2.1)将人脸图像利用2D高斯滤波模板和原始的图像进行卷积处理，用来消除人脸图像的噪音；
(2.2)对所述人脸图像进行灰度处理，并将灰度化后的图像的每个位置计算沿着水平向左和水平向下两个方向的像素值的增长率；
(2.3)计算每个位置的综合增长率；
Figure GDA0002221459950000035
其中，f(x,y)为所述人脸图像坐标为(x,y)的位置的综合增长率，Hz为人脸图像坐标为(x,y)的位置沿着水平向左方向的像素值的增长率，Hx为人脸图像坐标为(x,y)的位置沿着水平向下方向的像素值的增长率；
(2.4)计算每个位置的增长方向；
Figure GDA0002221459950000036
其中，θ(x,y)人脸图像坐标为(x,y)的位置沿着水平向左和增长方向之间的夹角；
(2.5)遍历整个人脸图像，比较灰度后的人脸图像的每个位置的像素点的值是否大于所述位置的增长方向上的前后两个位置的像素点的值，若大于前后两个位置的像素点的值，则将所述位置的像素点的值不做改变，否则将所述位置的像素点的值赋值为0；
(2.6)将经过(2.5)处理后的图像中像素点的值大于预设值T1的点作为五官的位置点，从而获得所述五官的坐标位置；
然后将获取的五官的坐标位置与预设的标准五官的坐标位置之间的欧氏距离的倒数，作为人脸五官数据辨识度RB。
所述人脸肤色辨识模块，识别人脸的肤色信息，确认人脸肤色数据辨识度FB；包括：
(3.1)根据人脸五官数据辨识度RB、人脸轮廓数据辨识度LB的辨识结果提取人脸肤色数据库对应的肤色数据：
K＝{Z，fs_min,fs_max}
其中，K为肤色数据数据集，Z为提取的人脸肤色的亮度，fs_min为提取的人脸肤色的像素最小值，fs_max为提取的人脸肤色的像素最大值；
(3.2)获取需被辨识的人的像素点的值，并计算每个像素点的值的权值；
Figure GDA0002221459950000041
W_xsx,y为人脸图像坐标为(x,y)的位置的像素点的灰度值的权值，
H_xsx,y为人脸图像坐标为(x,y)的位置的像素点的灰度值；
H_xs为人脸图像所有位置的像素点的灰度值；
(3.3)计算肤色所属值；
Figure GDA0002221459950000042
其中，G_fsx,y为人脸图像坐标为(x,y)的位置的肤色所属概率，cov为对H_xs按列做协方差后的协方差矩阵，
Figure GDA0002221459950000043
为对H_xs按列做均值后的向量，
Figure GDA0002221459950000044
对
Figure GDA0002221459950000045
做转置；
(3.4)确认人脸肤色数据辨识度FB；
Figure GDA0002221459950000046
其中，(x,y)∈ν为人脸图像坐标为(x,y)的取值为人脸图像的所有坐标点。
根据以下公式获得所述实验室门禁验证辨识度TB：
Figure GDA0002221459950000051
其中，a，b为预设系数，预设值为为1±0.02，max(LB)为LB能取到的最大值，max(RB)为RB能取到的最大值，max(FB)为FB能取到的最大值。
若实验室门禁验证辨识度TB≥阈值T，则门禁解除禁止；若实验室门禁验证辨识度TB＜阈值T，则门禁保持禁止。
所述的人脸轮廓识别模块，识别人脸轮廓数据，确认人脸轮廓数据辨识度LB，包括：
(1.1)查询被辨识人的人脸轮廓数据指标Xm，m＝1，2，3，其中Xm为被辨识人的第一至第三人脸轮廓模型；
(1.2)计算被辨识人的人脸轮廓指标调整系数Ri；
R1＝(X1-p1)/p1；R2＝(X2-p2)/p2；R3＝(X3-p3)/p3；
p1是X1的人脸轮廓比率调整系数；p2是X2的人脸轮廓比率调整系数；p3是X3的人脸轮廓比率调整系数；
(1.3)计算被辨识人的的加权人脸轮廓比率调整系数P：
P＝1+R1X1+R2X2+R3X3；
(1.4)调取被辨识人的人脸轮廓的人脸轮廓模型平均值V，得到被辨识人的人脸轮廓的价值乘数U，
U＝VP；
(1.5)调取所有采集的被辨识人的人脸轮廓线数据vi，i∈(1，2，...，n)确认人脸轮廓数据辨识度LB：
Figure GDA0002221459950000052
通过LB的大小评估被辨识人的人脸轮廓曲线符合度，LB越小说明被辨识人的吻合度越低。
所述的确认人脸五官数据辨识度RB，包括：
(2.1)设人脸五官像素iv的坐标为(Xiv，Yiv)，设与坐标不吻合的人脸五官像素的g个像素点的坐标为(X1，Y1)，(X2，Y2)...(Xg，Yg)，g≥3；
(2.2)该与坐标不吻合的人脸五官像素与相关联的m个人脸五官像素的欧氏距离为：
Figure GDA0002221459950000053
对上式进行推导得：
Figure GDA0002221459950000054
将该式通过简化结构进行计算得到与坐标不吻合的人脸五官像素的调整坐标：
Figure GDA0002221459950000055
Figure GDA0002221459950000061
Figure GDA0002221459950000062
Figure GDA0002221459950000063
(2.3)设人脸五官像素iu与标准存储人脸五官像素模型的偏差距离r，数据采集图像系统的通信误差为r0；人脸采集系统的功率平均值为P(r0)；与坐标不吻合的人脸五官像素的图像接收功率为P(r)；则：
Figure GDA0002221459950000064
α为图像采集路径损耗指数，通过计算获得人脸五官像素iu与标准存储人脸五官像素模型的偏差距离r；
(2.4)计算确认人脸五官数据辨识度RB；
Figure GDA0002221459950000065
d0为系统与采集的人脸的检测距离，Xσ为随机值的正太分布取法，其标准偏差为[3，6]，a(i)为人脸五官的数据采集损失率；H0为系统采集原始人脸五官数据的原始信号强度。
所述的确认人脸肤色数据辨识度FB，包括：
(3.1)根据人脸五官数据辨识度RB、人脸轮廓数据辨识度LB的辨识结果提取人脸肤色数据库对应的肤色数据：
K＝{k0,k1,k2,…,kv}；
kv为肤色数据库储存数据；k0为标准肤色数据，k0的偏差数据包括：
me(k0)＝{k01,k02,k02,…,k0t}；
t为偏差数据的数量；
(3.2)估计K和被测肤色数据sq之间的色差，
Figure GDA0002221459950000066
Rele(W,G(me(k0)))表示人脸肤色数据库对应的肤色数据与被测肤色数据的相关度，G(sq)表示通过采集得到的被测肤色数据的相关值集合；
(3.3)确认人脸肤色数据辨识度FB
Figure GDA0002221459950000067
Wei表示K与CS之间的相关度，D(K,CS)表示K与CS之间的色差值。
所述的获得实验室门禁验证辨识度TB为：
Figure GDA0002221459950000071
主体辨识度系数P＝α(LB+RB)t
弱辨识度系数AOC＝24.2×FB2。
一种实验室门禁验证方法，包括如下步骤：
识别人脸轮廓数据，确认人脸轮廓数据辨识度LB，包括：
(1.1)获取实验室门禁验证系统中存储的所有的可被辨识人的人脸轮廓的n个特征点，计算人脸轮廓的每个特征点的波动水平；
Figure GDA0002221459950000072
其中，
Figure GDA0002221459950000073
为中间参数，Hbdi,j为实验室门禁验证系统中存储的第i个人的人脸轮廓的第j个特征点，σj为人脸轮廓的第j个特征点的波动水平，m为所述人实验室门禁验证系统中存储的人脸总量，i＝1、2、3...m,j＝1、2、3…n；
(1.2)计算人脸轮廓的每个特征点的调整系数；
Figure GDA0002221459950000074
Hj为人脸轮廓的j个特征点的调整系数；
(1.3)获取需要被识别的人的人脸轮廓的n个特征点；
(1.4)计算需要被识别的人的人脸轮廓的每个特征点与实验室门禁验证系统中存储的所有的可被辨识人的人脸轮廓的差距；
Figure GDA0002221459950000075
Figure GDA0002221459950000076
为需要被识别的人的人脸轮廓的第j个特征点与实验室门禁验证系统中存储的第i个人的第j个特征点的人脸轮廓的差距；
(1.5)人脸轮廓数据辨识度LB：
Figure GDA0002221459950000077
Figure GDA0002221459950000078
Figure GDA0002221459950000079
LB＝max(LBi,LB2,LB3,…,LBi…LBj)
其中，
Figure GDA0002221459950000081
LBi为中间参数；
通过LB的大小评估被辨识人的人脸轮廓曲线符合度，LB越小说明被辨识人的吻合度越低。
确认人脸五官数据辨识度RB，包括：
首先获取人脸的五官的位置
(2.1)将人脸图像利用2D高斯滤波模板和原始的图像进行卷积处理，用来消除人脸图像的噪音；
(2.2)对所述人脸图像进行灰度处理，并将灰度化后的图像的每个位置沿着水平向左和水平向下两个方向的像素值的增长率；
(2.3)计算每个位置的综合增长率；
Figure GDA0002221459950000082
其中，f(x,y)为所述人脸图像坐标为(x,y)的位置的综合增长率，Hz为人脸图像坐标为(x,y)的位置沿着水平向左方向的像素值的增长率，Hx为人脸图像坐标为(x,y)的位置沿着水平向下方向的像素值的增长率；
(2.4)计算每个位置的增长方向；
Figure GDA0002221459950000083
其中，θ(x,y)人脸图像坐标为(x,y)的位置沿着水平向左和增长方向之间的夹角；
(2.5)遍历整个人脸图像，比较人脸图像的灰度后的像素点的值是否大于他的增长方向上的前后两个位置的像素点的值，将不是的设置为0；
(2.6)将经过(2.5)处理后的图像中像素点的值大于预设值T1的点作为五官的位置点，从而获得所述五官的坐标位置；
然后将获取的五官的坐标位置与预设的标准五官的坐标位置之间欧氏距离的倒数，作为人脸五官数据辨识度RB。
确认人脸肤色数据辨识度FB，包括：
(3.1)根据人脸五官数据辨识度RB、人脸轮廓数据辨识度LB的辨识结果提取人脸肤色数据库对应的肤色数据：
K＝{Z，fs_min,fs_max}
其中，K为肤色数据数据集，Z为提取的人脸肤色的亮度，fs_min为提取的人脸肤色的像素最小值，fs_max为提取的人脸肤色的像素最大值；
(3.2)获取需被辨识的人的像素点的值，并计算每个像素点的值的权值；
Figure GDA0002221459950000091
W_xsx,y为人脸图像坐标为(x,y)的位置的像素点的灰度值的权值，
H_xsx,y为人脸图像坐标为(x,y)的位置的像素点的灰度值；
H_xs为人脸图像所有位置的像素点的灰度值；
(3.3)计算肤色所属值；
Figure GDA0002221459950000092
其中，G_fsx,y为人脸图像坐标为(x,y)的位置的肤色所属概率，cov为对H_xs按列做协方差后的协方差矩阵，
Figure GDA0002221459950000093
为对H_xs按列做均值后的向量，
Figure GDA0002221459950000094
对
Figure GDA0002221459950000095
做转置；
(3.4)确认人脸肤色数据辨识度FB
Figure GDA0002221459950000096
其中，(x,y)∈ν为人脸图像坐标为(x,y)的取值为人脸图像的所有坐标点。
辨识度综合处理模块，根据人脸轮廓数据辨识度LB、人脸五官数据辨识度RB、人脸肤色数据辨识度FB获得实验室门禁验证辨识度TB；
所述的获得实验室门禁验证辨识度TB为：
Figure GDA0002221459950000097
其中，a，b为预设系数，预设值为为1±0.02，max(LB)为LB能取到的最大值，max(RB)为RB能取到的最大值，max(FB)为FB能取到的最大值。
若实验室门禁验证辨识度TB≥阈值T，则门禁解除禁止；若实验室门禁验证辨识度TB＜阈值T，则门禁保持禁止。
一种实验室门禁验证系统，所述人脸轮廓识别模块中包括识别电路，
所述识别电路包括：第一电阻R1、第二电阻R2、第三电阻R3、第四电阻R4、第五电阻R5、第六电阻R6、第七电阻R7、第八电阻R8、第九电阻R9、第十电阻R10、第一电容C1、第二电容C2、第三电容C3、第四电容C4、第五电容C5、第一NPN晶体管Q1、第二NPN晶体管Q2、第三NPN晶体管Q3、第四NPN晶体管Q4、二极管L、第一运算放大器B1、第二运算放大器B2、第三运算放大器B3、第四运算放大器B4、第一放大器A1、第二放大器A2、识别器、电源VCC、地GND；
其中，所述电源VCC分别与识别器、第二电阻R2、第五电阻R5、第一电容C1的输入端连接，第二电阻R2的输出端分别与第三电阻R3的输入端、第一NPN晶体管Q1的集电极连接，第一电容C1的输出端与第一NPN晶体管Q1的基极连接，第一NPN晶体管Q1的发射极与第一电阻R1输入端连接；
所述第三电阻R3的输出端与第一运算放大器B1的正向输入端连接，第一运算放大器B1的反向输入端分别与第四电阻R4、第六电阻R6的输入端连接，第一运算放大器B1的输出端分别与第六电阻R6的输出端、第二放大器A2的输入端连接；
所述第五电阻R5的输出端与第一放大器A1的输入端连接，第一放大器A1的输出端与第二运算放大器B2的正向输入端连接，第二运算放大器B2的反向输入端接地GND，第二运算放大器B2输出端分别与第二放大器A2的输出端、第二NPN晶体管Q2的基极、第八电阻R8的输入端、第二电容C2的输入端连接；
所述识别器的输出端与第七电阻R7的输入端连接，第七电阻R7的输出端分别与第二NPN晶体管Q2的集电极、二极管L的正极连接，第二NPN晶体管Q2的发射极接地GND，二极管L的负极分别与第十电阻R10、第五电容C5的输入端连接；
所述第八电阻R8的输出端与第三运算放大器B3的正向输入端连接，第三运算放大器B3的反向输入端与第三电容C3的输入端连接，第三运算放大器B3的输出端分别与第四电容C4、第九电阻R9的输入端连接，第九电阻R9、第十电阻R10、第五电容C5的输出端分别与第三NPN晶体管Q3、第四NPN晶体管Q4的集电极连接；
所述第四运算放大器B4的正向输入端与第三电容C3的输出端连接，所述第四运算放大器B4的反向输入端与第二电容C2的输出端连接，所述第四运算放大器B4的输出端分别与第四电容C4的输出端、第三NPN晶体管Q3的基极连接，第三NPN晶体管Q3的发射极与第四NPN晶体管Q4的基极连接；
所述第一电容C1的输入端、第一电阻R1的输出端、第四电阻R4的输出端、第四NPN晶体管Q4的发射极分别与地连接。
本发明的有益效果在于：
基于人脸识别技术的门禁系统，会因为环境变量的变化例如光照明暗程度等原因，造成图像质量不足，使得识别的准确率会受到影响。且系统在将实际影响转换成数字图像时会出现噪声干扰人脸识别算法的进行，因此首先需要对图像处理算法进行深入研究来保证图像质量。系统的实时性问题，一直是智能门禁系统所关注的焦点，实时性好的系统能够带来更好的用户体验，并且可以避免因系统延时造成的用户不耐心而误损害机器。因此本系统在设计时需要选择合适的图像处理算法，并充分发挥异构计算各处理器的优势来提高系统的实时性。
将本算法移植到嵌入式平台是基于ZYNQ平台的ARM和FPGA架构，对算法进行改进方便与FPGA单元相结合，满足识别的准确性与实时性。
附图说明
图1为本发明的实验室门禁验证系统的结构连接图；
图2为本发明的实验室门禁验证方法的示意图；
图3为本发明的实验室门禁验证系统的识别电路的电路图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明是基于可见光的智能物联网门禁系统，结合了可见光采集技术、物联网技术、嵌入式
应用技术等来实现了具有高安全性、可靠性和便捷性的门禁验证系统，通过网络将门禁控制和后台监控服务器进行联网，实现门禁系统集中管理和控制，基于TCP/IP网络协议使得门
禁信息交换速度更快，所支持门禁控制联网数量更大，可以跨地域或者跨城联网，实现远程、
跨地域实时监控。本系统总体上可分为人脸轮廓识别模块；人脸五官辨识模块；人脸肤色辨识模块；辨识度综合处理模块。各部分根据系统功能和系统需求的不同，采用独立设计方案实现。同时，为各个部分之间的通信，本系统针对性的使用通信协议和数据帧模式，方便系统进行各部分通信的同时，在系统可靠性、稳定性和安全性方面又得到了进一步的增强。
本系统总体设计思路：
人脸轮廓识别模块，识别人脸轮廓数据，确认人脸轮廓数据辨识度LB；
人脸五官辨识模块，识别人脸的五官位置、形状数据，确认人脸五官数据辨识度RB；
人脸肤色辨识模块，识别人脸的肤色信息，确认人脸肤色数据辨识度FB；
辨识度综合处理模块，根据人脸轮廓数据辨识度LB、人脸五官数据辨识度RB、人脸肤色数据辨识度FB获得实验室门禁验证辨识度TB；
若实验室门禁验证辨识度TB≥阈值T，则门禁解除禁止；若实验室门禁验证辨识度TB＜阈值T，则门禁保持禁止。
门禁系统最重要就是能够可靠安全地保护人们的生命财产。相对于目前市场上已经广泛存在的多种门禁系统，本系统为了进一步提高安全性，创新地采用的了3种方案来增强系统的安全保障，可简单概括为将人脸信息分解为三类数据进行综合验证的机制。
进一步的，所述人脸轮廓识别模块，识别人脸轮廓数据，确认人脸轮廓数据辨识度LB，包括以下步骤：
(1.1)获取所述实验室门禁验证系统中存储的所有的可被辨识人的人脸轮廓的n个特征点，计算人脸轮廓的每个特征点的波动水平；
Figure GDA0002221459950000111
其中，
Figure GDA0002221459950000121
为中间参数，Hbdi,j为实验室门禁验证系统中存储的第i个人的人脸轮廓的第j个特征点，σj为人脸轮廓的第j个特征点的波动水平，m为所述实验室门禁验证系统中存储的人脸总量，i＝1、2、3...m,j＝1、2、3…n；
(1.2)计算人脸轮廓的每个特征点的调整系数；
Figure GDA0002221459950000122
Hj为人脸轮廓的j个特征点的调整系数；
(1.3)获取需要被识别的人的人脸轮廓的n个特征点；
(1.4)计算需要被识别的人的人脸轮廓的每个特征点与实验室门禁验证系统中存储的所有的可被辨识人的人脸轮廓的差距；
Figure GDA0002221459950000123
Figure GDA0002221459950000124
为需要被识别的人的人脸轮廓的第j个特征点与实验室门禁验证系统中存储的第i个人的第j个特征点的人脸轮廓的差距；
(1.5)计算人脸轮廓数据辨识度LB：
Figure GDA0002221459950000125
Figure GDA0002221459950000126
Figure GDA0002221459950000127
LB＝max(LBi,LB2,LB3,…,LBi…LBj)
其中，
Figure GDA0002221459950000128
LBi为中间参数；
通过人脸轮廓数据辨识度LB的大小评估被辨识人的人脸轮廓曲线符合度，LB越小说明被辨识人的吻合度越低。
利用利用上述技术将人脸轮廓转变为n个人脸轮廓的特征点，从而使得将人脸轮廓一个笼统的概念转变为一个实质的数据，从而使得可以通过所述数据来进行计算得到LB，且在所述过程中，只提取了少量的特征点，使得计算量能够大幅度的减小，同时，在所述过程中，通过计算计算人脸轮廓的每个特征点的调整系数时，根据实验室门禁验证系统中不同人的人脸轮廓的n个特征点的值的变化给予不同的系数，对于提取的特征点，某个位置的特征点，如果所有人都差不多，则所述特征点所含有的信息量较低，给予较小的系数，不同的人所述位置的特征点差距很大，则则所述特征点所含有的信息量较大，从而给予较大的系数。
所述人脸五官辨识模块识别人脸的五官位置、形状数据，确认人脸五官数据辨识度RB，包括以下步骤：
首先获取人脸的五官的位置：
(2.1)将人脸图像利用2D高斯滤波模板和原始的图像进行卷积处理，用来消除人脸图像的噪音；
(2.2)对所述人脸图像进行灰度处理，并将灰度化后的图像的每个位置计算沿着水平向左和水平向下两个方向的像素值的增长率；
(2.3)计算每个位置的综合增长率；
Figure GDA0002221459950000131
其中，f(x,y)为所述人脸图像坐标为(x,y)的位置的综合增长率，Hz为人脸图像坐标为(x,y)的位置沿着水平向左方向的像素值的增长率，Hx为人脸图像坐标为(x,y)的位置沿着水平向下方向的像素值的增长率；
(2.4)计算每个位置的增长方向；
Figure GDA0002221459950000132
其中，θ(x,y)人脸图像坐标为(x,y)的位置沿着水平向左和增长方向之间的夹角；
(2.5)遍历整个人脸图像，比较灰度后的人脸图像的每个位置的像素点的值是否大于所述位置的增长方向上的前后两个位置的像素点的值，若大于前后两个位置的像素点的值，则将所述位置的像素点的值不做改变，否则将所述位置的像素点的值赋值为0；
(2.6)将经过(2.5)处理后的图像中像素点的值大于预设值T1的点作为五官的位置点，从而获得所述五官的坐标位置；
然后将获取的五官的坐标位置与预设的标准五官的坐标位置之间的欧氏距离的倒数，作为人脸五官数据辨识度RB。
利用上述技术，可以准确的得到五官数据辨识度RB，且在获得五官数据辨识度RB的过程中，首先对所述人脸的五官智能的提取，提取过程中，通过(2.1)可以先将获取到的人脸图像进行噪音消除，使得后面用于五官识别的人脸图像所含有的干扰信息大幅度减少，使人脸图像更容易进行智能识别，且对于每个位置的人脸图像，且对于人脸图像每个位置的像素点，利用位置的增长方向寻找出每个位置像素点朝着哪个方向变动最大，从而能找到五官的在图像上面的走势点，也就是五官的轮廓，同时判断所述像素点是不是大于位置的增长方向前后的值，若大于则保留所述像素值，否则不保留，从而使除开五官外的像素值都进行剔除了，使得所述五官像素值能容易得到，从而能自动的获取人脸的五官的位置。
所述人脸肤色辨识模块，识别人脸的肤色信息，确认人脸肤色数据辨识度FB；包括：
(3.1)根据人脸五官数据辨识度RB、人脸轮廓数据辨识度LB的辨识结果提取人脸肤色数据库对应的肤色数据：
K＝{Z，fs_min,fs_max}
其中，K为肤色数据数据集，Z为提取的人脸肤色的亮度，fs_min为提取的人脸肤色的像素最小值，fs_max为提取的人脸肤色的像素最大值；
(3.2)获取需被辨识的人的像素点的值，并计算每个像素点的值的权值；
Figure GDA0002221459950000141
W_xsx,y为人脸图像坐标为(x,y)的位置的像素点的灰度值的权值，
H_xsx,y为人脸图像坐标为(x,y)的位置的像素点的灰度值；
H_xs为人脸图像所有位置的像素点的灰度值；
(3.3)计算肤色所属值；
Figure GDA0002221459950000142
其中，G_fsx,y为人脸图像坐标为(x,y)的位置的肤色所属概率，cov为对H_xs按列做协方差后的协方差矩阵，
Figure GDA0002221459950000143
为对H_xs按列做均值后的向量，
Figure GDA0002221459950000144
对
Figure GDA0002221459950000145
做转置；
(3.4)确认人脸肤色数据辨识度FB；
Figure GDA0002221459950000146
其中，(x,y)∈ν为人脸图像坐标为(x,y)的取值为人脸图像的所有坐标点。
利用上述技术可以容易的得到人脸肤色数据辨识度FB，在所述过程中，首先根据像素点的值计算肤色所属值，从而判断某个像素点的值是用来确定肤色的概率，判断某个像素点的值是用来确定肤色的概率值的同时，还需要判断该肤色值是否在通过人脸五官数据辨识度RB、人脸轮廓数据辨识度LB的辨识结果提取人脸肤色的范围内，若不在这个范围内，则所述位置的像素点用来确定是否为肤色的概率为0，同时通过每个像素点的值的权值和肤色所属值来确定整个人脸图像的人脸肤色数据辨识度FB。
根据以下公式获得所述实验室门禁验证辨识度TB：
Figure GDA0002221459950000151
其中，a，b为预设系数，预设值为为1±0.02，max(LB)为LB能取到的最大值，max(RB)为RB能取到的最大值，max(FB)为FB能取到的最大值。
若实验室门禁验证辨识度TB≥阈值T，则门禁解除禁止；若实验室门禁验证辨识度TB＜阈值T，则门禁保持禁止。
有益效果：利用上述技术可以根据LB、RB、FB来确定辨识度TB，从而用来控制实验室门禁的解除或者保持禁止。
进一步的，所述的人脸轮廓识别模块，识别人脸轮廓数据，确认人脸轮廓数据辨识度LB，包括：
(1.1)查询被辨识人的人脸轮廓数据指标Xm，m＝1，2，3，其中Xm为被辨识人的第一至第三人脸轮廓模型；
(1.2)计算被辨识人的人脸轮廓指标调整系数Ri；
R1＝(X1-p1)/p1；R2＝(X2-p2)/p2；R3＝(X3-p3)/p3；
p1是X1的人脸轮廓比率调整系数；p2是X2的人脸轮廓比率调整系数；p3是X3的人脸轮廓比率调整系数；
(1.3)计算被辨识人的的加权人脸轮廓比率调整系数P：
P＝1+R1X1+R2X2+R3X3；
(1.4)调取被辨识人的人脸轮廓的人脸轮廓模型平均值V，得到被辨识人的人脸轮廓的价值乘数U，
U＝VP；
(1.5)调取所有采集的被辨识人的人脸轮廓线数据vi，i∈(1，2，...，n)确认人脸轮廓数据辨识度LB：
Figure GDA0002221459950000152
通过LB的大小评估被辨识人的人脸轮廓曲线符合度，LB越小说明被辨识人的吻合度越低。
所述的确认人脸五官数据辨识度RB，包括：
(2.1)设人脸五官像素iv的坐标为(Xiv，Yiv)，设与坐标不吻合的人脸五官像素的g个像素点的坐标为(X1，Y1)，(X2，Y2)...(Xg，Yg)，g≥3；
(2.2)该与坐标不吻合的人脸五官像素与相关联的m个人脸五官像素的欧氏距离为：
Figure GDA0002221459950000153
对上式进行推导得：
Figure GDA0002221459950000154
将该式通过简化结构进行计算得到与坐标不吻合的人脸五官像素的调整坐标：
Figure GDA0002221459950000161
Figure GDA0002221459950000162
Figure GDA0002221459950000163
Figure GDA0002221459950000164
(2.3)设人脸五官像素iu与标准存储人脸五官像素模型的偏差距离r，数据采集图像系统的通信误差为r0；人脸采集系统的功率平均值为P(r0)；与坐标不吻合的人脸五官像素的图像接收功率为P(r)；则：
Figure GDA0002221459950000165
α为图像采集路径损耗指数，通过计算获得人脸五官像素iu与标准存储人脸五官像素模型的偏差距离r；
(2.4)计算确认人脸五官数据辨识度RB；
Figure GDA0002221459950000166
d0为系统与采集的人脸的检测距离，Xσ为随机值的正太分布取法，其标准偏差为[3，6]，a(i)为人脸五官的数据采集损失率；H0为系统采集原始人脸五官数据的原始信号强度。
所述的确认人脸肤色数据辨识度FB，包括：
(3.1)根据人脸五官数据辨识度RB、人脸轮廓数据辨识度LB的辨识结果提取人脸肤色数据库对应的肤色数据：
K＝{k0，k1，k2，...，kv}；
kv为肤色数据库储存数据；k0为标准肤色数据，k0的偏差数据包括：
me(k0)＝{k01，k02，k02，...，k0t}；
t为偏差数据的数量；
(3.2)估计K和被测肤色数据sq之间的色差，
Figure GDA0002221459950000167
Rele(W，G(me(k0)))表示人脸肤色数据库对应的肤色数据与被测肤色数据的相关度，G(sq)表示通过采集得到的被测肤色数据的相关值集合；
(3.3)确认人脸肤色数据辨识度FB
Figure GDA0002221459950000168
Wei表示K与CS之间的相关度，D(K，Cs)表示K与CS之间的色差值。
所述的获得实验室门禁验证辨识度TB为：
Figure GDA0002221459950000171
主体辨识度系数P＝α(LB+RB)t
弱辨识度系数AOC＝24.2×FB2。
本发明还涉及一种实验室门禁验证方法，其特征在于，包括如下步骤：
(1)识别人脸轮廓数据，确认人脸轮廓数据辨识度LB；
(1.1)查询被辨识人的人脸轮廓数据指标Xm，m＝1，2，3，其中Xm为被辨识人的第一至第三人脸轮廓模型；
(1.2)计算被辨识人的人脸轮廓指标调整系数Ri；
R1＝(X1-p1)/p1；R2＝(X2-p2)/p2；R3＝(X3-p3)/p3；
p1是X1的人脸轮廓比率调整系数；p2是X2的人脸轮廓比率调整系数；p3是X3的人脸轮廓比率调整系数；
(1.3)计算被辨识人的的加权人脸轮廓比率调整系数P：
P＝1+R1X1+R2X2+R3X3；
(1.4)调取被辨识人的人脸轮廓的人脸轮廓模型平均值V，得到被辨识人的人脸轮廓的价值乘数U，
U＝VP；
(1.5)调取所有采集的被辨识人的人脸轮廓线数据vi，i∈(1，2，...，n)确认人脸轮廓数据辨识度LB：
Figure GDA0002221459950000172
通过LB的大小评估被辨识人的人脸轮廓曲线符合度，LB越小说明被辨识人的吻合度越低；
(2)识别人脸的五官位置、形状数据，确认人脸五官数据辨识度RB；
(2.1)设人脸五官像素iv的坐标为(Xiv，Yiv)，设与坐标不吻合的人脸五官像素的g个像素点的坐标为(X1，Y1)，(X2，Y2)...(Xg，Yg)，g≥3；
(2.2)该与坐标不吻合的人脸五官像素与相关联的m个人脸五官像素的欧氏距离为：
Figure GDA0002221459950000173
对上式进行推导得：
Figure GDA0002221459950000174
将该式通过简化结构进行计算得到与坐标不吻合的人脸五官像素的调整坐标：
Figure GDA0002221459950000175
Figure GDA0002221459950000176
Figure GDA0002221459950000181
Figure GDA0002221459950000182
(2.3)设人脸五官像素iu与标准存储人脸五官像素模型的偏差距离r，数据采集图像系统的通信误差为r0；人脸采集系统的功率平均值为P(r0)；与坐标不吻合的人脸五官像素的图像接收功率为P(r)；则：
Figure GDA0002221459950000183
α为图像采集路径损耗指数，通过计算获得人脸五官像素iu与标准存储人脸五官像素模型的偏差距离r；
(2.4)计算确认人脸五官数据辨识度RB；
Figure GDA0002221459950000184
d0为系统与采集的人脸的检测距离，Xσ为随机值的正太分布取法，其标准偏差为[3，6]，a(i)为人脸五官的数据采集损失率；H0为系统采集原始人脸五官数据的原始信号强度；
(3)人脸肤色辨识模块，识别人脸的肤色信息，确认人脸肤色数据辨识度FB；
(3.1)根据人脸五官数据辨识度RB、人脸轮廓数据辨识度LB的辨识结果提取人脸肤色数据库对应的肤色数据：
K＝{k0,k1,k2,…,kv}；
kv为肤色数据库储存数据；k0为标准肤色数据，k0的偏差数据包括：
me(k0)＝{k01,k02,k02,…,k0t}；
t为偏差数据的数量；
(3.2)估计K和被测肤色数据sq之间的色差，
Figure GDA0002221459950000185
Rele(W,G(me(k0)))表示人脸肤色数据库对应的肤色数据与被测肤色数据的相关度，G(sq)表示通过采集得到的被测肤色数据的相关值集合；
(3.3)确认人脸肤色数据辨识度FB
Figure GDA0002221459950000186
Wei表示K与CS之间的相关度，D(K,CS)表示K与CS之间的色差值；
辨识度综合处理模块，根据人脸轮廓数据辨识度LB、人脸五官数据辨识度RB、人脸肤色数据辨识度FB获得实验室门禁验证辨识度TB；
若实验室门禁验证辨识度TB≥阈值T，则门禁解除禁止；若实验室门禁验证辨识度TB＜阈值T，则门禁保持禁止。
所述的获得实验室门禁验证辨识度TB为：
Figure GDA0002221459950000191
主体辨识度系数P＝α(LB+RB)t
弱辨识度系数AOC＝24.2×FB2。
上述方法将人脸的三种不同的信息数据进行采集和处理，并提出了通过系数关系取得综合验证值，该信息提取过程和验证过程精确度更高，基于人脸识别技术的门禁系统，会因为环境变量的变化例如光照明暗程度等原因，造成图像质量不足，使得识别的准确率会受到影响。且系统在将实际影响转换成数字图像时会出现噪声干扰人脸识别算法的进行，因此首先需要对图像处理算法进行深入研究来保证图像质量。系统的实时性问题，一直是智能门禁系统所关注的焦点，实时性好的系统能够带来更好的用户体验，并且可以避免因系统延时造成的用户不耐心而误损害机器。因此本系统在设计时需要选择合适的图像处理算法，并充分发挥异构计算各处理器的优势来提高系统的实时性。将本算法移植到嵌入式平台是基于ZYNQ平台的ARM和FPGA架构，对算法进行改进方便与FPGA单元相结合，满足识别的准确性与实时性。
本发明实施例提供一种实验室门禁验证系统，所述人脸轮廓识别模块中包括识别电路，如图3所示，
所述识别电路包括：第一电阻R1、第二电阻R2、第三电阻R3、第四电阻R4、第五电阻R5、第六电阻R6、第七电阻R7、第八电阻R8、第九电阻R9、第十电阻R10、第一电容C1、第二电容C2、第三电容C3、第四电容C4、第五电容C5、第一NPN晶体管Q1、第二NPN晶体管Q2、第三NPN晶体管Q3、第四NPN晶体管Q4、二极管L、第一运算放大器B1、第二运算放大器B2、第三运算放大器B3、第四运算放大器B4、第一放大器A1、第二放大器A2、识别器、电源VCC、地GND；
其中，所述电源VCC分别与识别器、第二电阻R2、第五电阻R5、第一电容C1的输入端连接，第二电阻R2的输出端分别与第三电阻R3的输入端、第一NPN晶体管Q1的集电极连接，第一电容C1的输出端与第一NPN晶体管Q1的基极连接，第一NPN晶体管Q1的发射极与第一电阻R1输入端连接；
所述第三电阻R3的输出端与第一运算放大器B1的正向输入端连接，第一运算放大器B1的反向输入端分别与第四电阻R4、第六电阻R6的输入端连接，第一运算放大器B1的输出端分别与第六电阻R6的输出端、第二放大器A2的输入端连接；
所述第五电阻R5的输出端与第一放大器A1的输入端连接，第一放大器A1的输出端与第二运算放大器B2的正向输入端连接，第二运算放大器B2的反向输入端接地GND，第二运算放大器B2输出端分别与第二放大器A2的输出端、第二NPN晶体管Q2的基极、第八电阻R8的输入端、第二电容C2的输入端连接；
所述识别器的输出端与第七电阻R7的输入端连接，第七电阻R7的输出端分别与第二NPN晶体管Q2的集电极、二极管L的正极连接，第二NPN晶体管Q2的发射极接地GND，二极管L的负极分别与第十电阻R10、第五电容C5的输入端连接；
所述第八电阻R8的输出端与第三运算放大器B3的正向输入端连接，第三运算放大器B3的反向输入端与第三电容C3的输入端连接，第三运算放大器B3的输出端分别与第四电容C4、第九电阻R9的输入端连接，第九电阻R9、第十电阻R10、第五电容C5的输出端分别与第三NPN晶体管Q3、第四NPN晶体管Q4的集电极连接；
所述第四运算放大器B4的正向输入端与第三电容C3的输出端连接，所述第四运算放大器B4的反向输入端与第二电容C2的输出端连接，所述第四运算放大器B4的输出端分别与第四电容C4的输出端、第三NPN晶体管Q3的基极连接，第三NPN晶体管Q3的发射极与第四NPN晶体管Q4的基极连接；
所述第一电容C1的输入端、第一电阻R1的输出端、第四电阻R4的输出端、第四NPN晶体管Q4的发射极分别与地连接。
上述技术方案的有益效果是：通过设置第三NPN晶体管Q3、第四NPN晶体管Q4，可以滤除识别电路中的异常信号，使得第三NPN晶体管、第四NPN晶体管的电压导通，起到保护作用；
通过设置第一运算放大器B1、第二运算放大器B2、第一放大器A1、第二放大器A2，提高了识别电路对外界的抗干扰能力，且提高了该识别电路的稳定性，通过设置识别器，可有效的对人脸进行识别。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种实验室门禁验证系统，其特征在于，包括：
人脸轮廓识别模块，识别人脸轮廓数据，确认人脸轮廓数据辨识度LB；
人脸五官辨识模块，识别人脸的五官位置、形状数据，确认人脸五官数据辨识度RB；
人脸肤色辨识模块，识别人脸的肤色信息，确认人脸肤色数据辨识度FB；
辨识度综合处理模块，根据人脸轮廓数据辨识度LB、人脸五官数据辨识度RB、人脸肤色数据辨识度FB获得实验室门禁验证辨识度TB；
若实验室门禁验证辨识度TB≥阈值T，则门禁解除禁止；若实验室门禁验证辨识度TB＜阈值T，则门禁保持禁止；
所述人脸五官辨识模块识别人脸的五官位置、形状数据，确认人脸五官数据辨识度RB，包括以下步骤：
首先获取人脸的五官的位置：
(2.1)将人脸图像利用2D高斯滤波模板和原始的图像进行卷积处理，用来消除人脸图像的噪音；
(2.2)对所述人脸图像进行灰度处理，并将灰度化后的图像的每个位置计算沿着水平向左和水平向下两个方向的像素值的增长率；
(2.3)计算每个位置的综合增长率；
Figure FDA0002439611710000011
其中，f(x,y)为所述人脸图像坐标为(x,y)的位置的综合增长率，Hz为人脸图像坐标为(x,y)的位置沿着水平向左方向的像素值的增长率，Hx为人脸图像坐标为(x,y)的位置沿着水平向下方向的像素值的增长率；
(2.4)计算每个位置的增长方向；
Figure FDA0002439611710000012
其中，θ(x,y)人脸图像坐标为(x,y)的位置沿着水平向左和增长方向之间的夹角；
(2.5)遍历整个人脸图像，比较灰度后的人脸图像的每个位置的像素点的值是否大于所述位置的增长方向上的前后两个位置的像素点的值，若大于前后两个位置的像素点的值，则将所述位置的像素点的值不做改变，否则将所述位置的像素点的值赋值为0；
(2.6)将经过(2.5)处理后的图像中像素点的值大于预设值T1的点作为五官的位置点，从而获得所述五官的坐标位置；
然后将获取的五官的坐标位置与预设的标准五官的坐标位置之间的欧氏距离的倒数，作为人脸五官数据辨识度RB。
2.根据权利要求1所述的一种实验室门禁验证系统，其特征在于，所述人脸轮廓识别模块，识别人脸轮廓数据，确认人脸轮廓数据辨识度LB，包括以下步骤：
(1.1)获取所述实验室门禁验证系统中存储的所有的可被辨识人的人脸轮廓的n个特征点，计算人脸轮廓的每个特征点的波动水平；
Figure FDA0002439611710000021
其中，
Figure FDA0002439611710000022
为中间参数，Hbdi,j为实验室门禁验证系统中存储的第i个人的人脸轮廓的第j个特征点，σj为人脸轮廓的第j个特征点的波动水平，m为所述实验室门禁验证系统中存储的人脸总量，i＝1、2、3...m,j＝1、2、3…n；
(1.2)计算人脸轮廓的每个特征点的调整系数；
Figure FDA0002439611710000023
Hj为人脸轮廓的j个特征点的调整系数；
(1.3)获取需要被识别的人的人脸轮廓的n个特征点；
(1.4)计算需要被识别的人的人脸轮廓的每个特征点与实验室门禁验证系统中存储的所有的可被辨识人的人脸轮廓的差距；
Figure FDA0002439611710000024
Figure FDA0002439611710000025
为需要被识别的人的人脸轮廓的第j个特征点与实验室门禁验证系统中存储的第i个人的第j个特征点的人脸轮廓的差距；
(1.5)计算人脸轮廓数据辨识度LB：
Figure FDA0002439611710000026
Figure FDA0002439611710000027
Figure FDA0002439611710000028
LB＝max(LBi,LB2,LB3,…,LBi…LBj)
其中，
Figure FDA0002439611710000029
LBi为中间参数；
通过人脸轮廓数据辨识度LB的大小评估被辨识人的人脸轮廓曲线符合度，LB越小说明被辨识人的吻合度越低。
3.根据权利要求1所述的一种实验室门禁验证系统，其特征在于，所述人脸肤色辨识模块，识别人脸的肤色信息，确认人脸肤色数据辨识度FB；包括：
(3.1)根据人脸五官数据辨识度RB、人脸轮廓数据辨识度LB的辨识结果提取人脸肤色数据库对应的肤色数据：
K＝{Z，fs_min,fs_max}
其中，K为肤色数据数据集，Z为提取的人脸肤色的亮度，fs_min为提取的人脸肤色的像素最小值，fs_max为提取的人脸肤色的像素最大值；
(3.2)获取需被辨识的人的像素点的值，并计算每个像素点的值的权值；
Figure FDA0002439611710000031
W_xsx,y为人脸图像坐标为(x,y)的位置的像素点的灰度值的权值，
H_xsx,y为人脸图像坐标为(x,y)的位置的像素点的灰度值；
H_xs为人脸图像所有位置的像素点的灰度值；
(3.3)计算肤色所属值；
Figure FDA0002439611710000032
其中，G_fsx,y为人脸图像坐标为(x,y)的位置的肤色所属概率，cov为对H_xs按列做协方差后的协方差矩阵，
Figure FDA0002439611710000033
为对H_xs按列做均值后的向量，
Figure FDA0002439611710000034
对
Figure FDA0002439611710000035
做转置；
(3.4)确认人脸肤色数据辨识度FB；
Figure FDA0002439611710000036
其中，(x,y)∈ν为人脸图像坐标为(x,y)的取值为人脸图像的所有坐标点。
4.根据权利要求1所述的一种实验室门禁验证系统，其特征在于，根据以下公式获得所述实验室门禁验证辨识度TB：
Figure FDA0002439611710000041
其中，a，b为预设系数，预设值为为1±0.02，max(LB)为LB能取到的最大值，max(RB)为RB能取到的最大值，max(FB)为FB能取到的最大值；
若实验室门禁验证辨识度TB≥阈值T，则门禁解除禁止；若实验室门禁验证辨识度TB＜阈值T，则门禁保持禁止。
5.一种实验室门禁验证方法，其特征在于，包括如下步骤：
识别人脸轮廓数据，确认人脸轮廓数据辨识度LB，包括：
(1.1)获取实验室门禁验证系统中存储的所有的可被辨识人的人脸轮廓的n个特征点，计算人脸轮廓的每个特征点的波动水平；
Figure FDA0002439611710000042
其中，
Figure FDA0002439611710000043
为中间参数，Hbdi,j为实验室门禁验证系统中存储的第i个人的人脸轮廓的第j个特征点，σj为人脸轮廓的第j个特征点的波动水平，m为所述实验室门禁验证系统中存储的人脸总量，i＝1、2、3...m,j＝1、2、3…n；
(1.2)计算人脸轮廓的每个特征点的调整系数；
Figure FDA0002439611710000044
Hj为人脸轮廓的j个特征点的调整系数；
(1.3)获取需要被识别的人的人脸轮廓的n个特征点；
(1.4)计算需要被识别的人的人脸轮廓的每个特征点与实验室门禁验证系统中存储的所有的可被辨识人的人脸轮廓的差距；
Figure FDA0002439611710000045
Figure FDA0002439611710000046
为需要被识别的人的人脸轮廓的第j个特征点与实验室门禁验证系统中存储的第i个人的第j个特征点的人脸轮廓的差距；
(1.5)人脸轮廓数据辨识度LB：
Figure FDA0002439611710000051
Figure FDA0002439611710000052
Figure FDA0002439611710000053
LB＝max(LBi,LB2,LB3,…,LBi…LBj)
其中，
Figure FDA0002439611710000054
LBi为中间参数；
通过LB的大小评估被辨识人的人脸轮廓曲线符合度，LB越小说明被辨识人的吻合度越低；
确认人脸五官数据辨识度RB，包括：
首先获取人脸的五官的位置
(2.1)将人脸图像利用2D高斯滤波模板和原始的图像进行卷积处理，用来消除人脸图像的噪音；
(2.2)对所述人脸图像进行灰度处理，并将灰度化后的图像的每个位置沿着水平向左和水平向下两个方向的像素值的增长率；
(2.3)计算每个位置的综合增长率；
Figure FDA0002439611710000055
其中，f(x,y)为所述人脸图像坐标为(x,y)的位置的综合增长率，Hz为人脸图像坐标为(x,y)的位置沿着水平向左方向的像素值的增长率，Hx为人脸图像坐标为(x,y)的位置沿着水平向下方向的像素值的增长率；
(2.4)计算每个位置的增长方向；
Figure FDA0002439611710000056
其中，θ(x,y)人脸图像坐标为(x,y)的位置沿着水平向左和增长方向之间的夹角；
(2.5)遍历整个人脸图像，比较人脸图像的灰度后的像素点的值是否大于他的增长方向上的前后两个位置的像素点的值，将不是的设置为0；
(2.6)将经过(2.5)处理后的图像中像素点的值大于预设值T1的点作为五官的位置点，从而获得所述五官的坐标位置；
然后将获取的五官的坐标位置与预设的标准五官的坐标位置之间欧氏距离的倒数，作为人脸五官数据辨识度RB；
确认人脸肤色数据辨识度FB，包括：
(3.1)根据人脸五官数据辨识度RB、人脸轮廓数据辨识度LB的辨识结果提取人脸肤色数据库对应的肤色数据：
K＝{Z，fs_min,fs_max}
其中，K为肤色数据数据集，Z为提取的人脸肤色的亮度，fs_min为提取的人脸肤色的像素最小值，fs_max为提取的人脸肤色的像素最大值；
(3.2)获取需被辨识的人的像素点的值，并计算每个像素点的值的权值；
Figure FDA0002439611710000061
W_xsx,y为人脸图像坐标为(x,y)的位置的像素点的灰度值的权值，
H_xsx,y为人脸图像坐标为(x,y)的位置的像素点的灰度值；
H_xs为人脸图像所有位置的像素点的灰度值；
(3.3)计算肤色所属值；
Figure FDA0002439611710000062
其中，G_fsx,y为人脸图像坐标为(x,y)的位置的肤色所属概率，cov为对H_xs按列做协方差后的协方差矩阵，
Figure FDA0002439611710000066
为对H_xs按列做均值后的向量，
Figure FDA0002439611710000063
对
Figure FDA0002439611710000064
做转置；
(3.4)确认人脸肤色数据辨识度FB
Figure FDA0002439611710000065
其中，(x,y)∈ν为人脸图像坐标为(x,y)的取值为人脸图像的所有坐标点；
辨识度综合处理模块，根据人脸轮廓数据辨识度LB、人脸五官数据辨识度RB、人脸肤色数据辨识度FB获得实验室门禁验证辨识度TB；
若实验室门禁验证辨识度TB≥阈值T，则门禁解除禁止；若实验室门禁验证辨识度TB＜阈值T，则门禁保持禁止。
6.根据权利要求5所述的一种实验室门禁验证方法，其特征在于，所述的获得实验室门禁验证辨识度TB为：
Figure FDA0002439611710000071
其中，a，b为预设系数，预设值为为1±0.02，max(LB)为LB能取到的最大值，max(RB)为RB能取到的最大值，max(FB)为FB能取到的最大值。
7.根据权利要求1所述的一种实验室门禁验证系统，其特征在于，所述人脸轮廓识别模块中包括识别电路，
所述识别电路包括：第一电阻R1、第二电阻R2、第三电阻R3、第四电阻R4、第五电阻R5、第六电阻R6、第七电阻R7、第八电阻R8、第九电阻R9、第十电阻R10、第一电容C1、第二电容C2、第三电容C3、第四电容C4、第五电容C5、第一NPN晶体管Q1、第二NPN晶体管Q2、第三NPN晶体管Q3、第四NPN晶体管Q4、二极管L、第一运算放大器B1、第二运算放大器B2、第三运算放大器B3、第四运算放大器B4、第一放大器A1、第二放大器A2、识别器、电源VCC、地GND；
其中，所述电源VCC分别与识别器、第二电阻R2、第五电阻R5、第一电容C1的输入端连接，第二电阻R2的输出端分别与第三电阻R3的输入端、第一NPN晶体管Q1的集电极连接，第一电容C1的输出端与第一NPN晶体管Q1的基极连接，第一NPN晶体管Q1的发射极与第一电阻R1输入端连接；
所述第三电阻R3的输出端与第一运算放大器B1的正向输入端连接，第一运算放大器B1的反向输入端分别与第四电阻R4、第六电阻R6的输入端连接，第一运算放大器B1的输出端分别与第六电阻R6的输出端、第二放大器A2的输入端连接；
所述第五电阻R5的输出端与第一放大器A1的输入端连接，第一放大器A1的输出端与第二运算放大器B2的正向输入端连接，第二运算放大器B2的反向输入端接地GND，第二运算放大器B2输出端分别与第二放大器A2的输出端、第二NPN晶体管Q2的基极、第八电阻R8的输入端、第二电容C2的输入端连接；
所述识别器的输出端与第七电阻R7的输入端连接，第七电阻R7的输出端分别与第二NPN晶体管Q2的集电极、二极管L的正极连接，第二NPN晶体管Q2的发射极接地GND，二极管L的负极分别与第十电阻R10、第五电容C5的输入端连接；
所述第八电阻R8的输出端与第三运算放大器B3的正向输入端连接，第三运算放大器B3的反向输入端与第三电容C3的输入端连接，第三运算放大器B3的输出端分别与第四电容C4、第九电阻R9的输入端连接，第九电阻R9、第十电阻R10、第五电容C5的输出端分别与第三NPN晶体管Q3、第四NPN晶体管Q4的集电极连接；
所述第四运算放大器B4的正向输入端与第三电容C3的输出端连接，所述第四运算放大器B4的反向输入端与第二电容C2的输出端连接，所述第四运算放大器B4的输出端分别与第四电容C4的输出端、第三NPN晶体管Q3的基极连接，第三NPN晶体管Q3的发射极与第四NPN晶体管Q4的基极连接；
所述第一电容C1的输入端、第一电阻R1的输出端、第四电阻R4的输出端、第四NPN晶体管Q4的发射极分别与地连接。
CN201910764625.8A 2019-08-19 2019-08-19 一种实验室门禁验证系统与验证方法 Active CN110555929B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010558650.3A CN111932754B (zh) 2019-08-19 2019-08-19 一种实验室门禁验证系统与验证方法
CN201910764625.8A CN110555929B (zh) 2019-08-19 2019-08-19 一种实验室门禁验证系统与验证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910764625.8A CN110555929B (zh) 2019-08-19 2019-08-19 一种实验室门禁验证系统与验证方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202010558650.3A Division CN111932754B (zh) 2019-08-19 2019-08-19 一种实验室门禁验证系统与验证方法

Publications (2)

Publication Number Publication Date
CN110555929A CN110555929A (zh) 2019-12-10
CN110555929B true CN110555929B (zh) 2020-08-14

Family

ID=68737699

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202010558650.3A Active CN111932754B (zh) 2019-08-19 2019-08-19 一种实验室门禁验证系统与验证方法
CN201910764625.8A Active CN110555929B (zh) 2019-08-19 2019-08-19 一种实验室门禁验证系统与验证方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202010558650.3A Active CN111932754B (zh) 2019-08-19 2019-08-19 一种实验室门禁验证系统与验证方法

Country Status (1)

Country Link
CN (2) CN111932754B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815825A (zh) * 2020-08-07 2020-10-23 珠海格力电器股份有限公司 智能门锁及图像识别方法
TWI787664B (zh) * 2020-10-23 2022-12-21 正修學校財團法人正修科技大學 物聯網保全系統及其方法
CN114005160B (zh) * 2021-10-28 2022-05-17 建湖县公安局 一种基于身份二维码和人工智能的门禁控制系统及方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102271241A (zh) * 2011-09-02 2011-12-07 北京邮电大学 一种基于面部表情/动作识别的图像通信方法及系统
US10558848B2 (en) * 2017-10-05 2020-02-11 Duelight Llc System, method, and computer program for capturing an image with correct skin tone exposure
CN105023010B (zh) * 2015-08-17 2018-11-06 中国科学院半导体研究所 一种人脸活体检测方法及系统
CN105427421A (zh) * 2015-11-16 2016-03-23 苏州市公安局虎丘分局 基于人脸识别的门禁控制方法
CN106709411A (zh) * 2015-11-17 2017-05-24 腾讯科技（深圳）有限公司 一种颜值获取方法及装置
CN105374098A (zh) * 2015-12-14 2016-03-02 天津光电通信技术有限公司 一种利用人体双重特征识别模块开锁的方法
CN106897590A (zh) * 2015-12-17 2017-06-27 阿里巴巴集团控股有限公司 人像信息的校验方法及装置
CN106407909B (zh) * 2016-08-31 2019-04-02 北京贝塔科技股份有限公司 人脸识别方法、装置及系统
CN106778468B (zh) * 2016-11-14 2019-08-30 深圳奥比中光科技有限公司 3d人脸识别方法及设备
CN107317846B (zh) * 2017-06-07 2018-07-24 上海储翔信息科技有限公司 基于云平台的车辆管理系统
CN207337495U (zh) * 2017-07-11 2018-05-08 常熟理工学院 基于人脸识别的实验室智能门禁管理系统
CN107992797B (zh) * 2017-11-02 2022-02-08 中控智慧科技股份有限公司 人脸识别方法及相关装置
CN109636397A (zh) * 2018-11-13 2019-04-16 平安科技（深圳）有限公司 公共交通出行控制方法、装置、计算机设备及存储介质
CN109544754B (zh) * 2018-11-27 2021-09-28 湖南视觉伟业智能科技有限公司 一种基于人脸识别的门禁方法及系统、计算机设备
CN109727350A (zh) * 2018-12-14 2019-05-07 深圳壹账通智能科技有限公司 一种基于人脸识别的门禁控制方法及装置
CN109767531A (zh) * 2018-12-29 2019-05-17 三石量子（苏州）信息科技有限公司 一种智能人脸识别门禁系统
CN110084925A (zh) * 2019-04-03 2019-08-02 南京邮电大学 一种基于人脸识别的高校宿舍管理方法及其系统

Also Published As

Publication number Publication date
CN110555929A (zh) 2019-12-10
CN111932754B (zh) 2021-12-28
CN111932754A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN108921100B (zh) 一种基于可见光图像与红外图像融合的人脸识别方法及系统
CN110555929B (zh) 一种实验室门禁验证系统与验证方法
You et al. On hierarchical palmprint coding with multiple features for personal identification in large databases
JP3469031B2 (ja) 顔画像登録装置及びその方法
US7881524B2 (en) Information processing apparatus and information processing method
CN105427421A (zh) 基于人脸识别的门禁控制方法
CN111062021B (zh) 一种基于可穿戴设备进行身份认证的方法及装置
CN1627317A (zh) 利用主动光源获取人脸图像的方法
CN201845343U (zh) 一种用于人脸识别的图像获取装置
CN108446687B (zh) 一种基于移动端和后台互联的自适应人脸视觉认证方法
CN106650574A (zh) 基于PCANet的人脸识别方法
CN102900305A (zh) 一种基于人脸识别的无钥保险柜系统
CN109377601B (zh) 一种基于指纹识别的智能办公室门禁系统
CN108564040A (zh) 一种基于深度卷积特征的指纹活性检测方法
CN205354146U (zh) 人体双重特征识别模块
CN205644823U (zh) 社保自助服务终端装置
CN110443577A (zh) 一种基于人脸识别的校园考勤系统
CN106447840A (zh) 多功能智能门禁系统
CN111932758A (zh) 一种基于人脸识别技术的智能门禁系统
CN112288934A (zh) 基于智能化门控的控制方法
CN113673343A (zh) 一种基于加权元度量学习的开放集掌纹识别系统及方法
CN111985925A (zh) 基于虹膜识别和人脸识别的多模态生物识别支付的方法
Zhou et al. Eye localization based on face alignment
CN201374072Y (zh) 基于人脸识别和活体识别的处理装置
CN118212667B (zh) 活体掌静脉动态识别方法及其系统

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
CP03 Change of name, title or address

Address after: Room 01-02, Floor 10, Room 101, Building 1 to 11, Block 3, No. 186, South 4th Ring West Road, Fengtai District, Beijing 100070

Patentee after: Beijing Dana Experimental Technology Co.,Ltd.

Country or region after: China

Address before: Room 01-02, 10th Floor, Room 101, Floors 1-11, Building 1, Zone 3, No. 186 South Fourth Ring West Road, Fengtai District, Beijing

Patentee before: BEIJING DYNAFLOW EXPERIMENT TECHNOLOGY Co.,Ltd.

Country or region before: China