CN110674775A - 一种闸机的控制方法、装置、系统及存储介质 - Google Patents
一种闸机的控制方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN110674775A CN110674775A CN201910937651.6A CN201910937651A CN110674775A CN 110674775 A CN110674775 A CN 110674775A CN 201910937651 A CN201910937651 A CN 201910937651A CN 110674775 A CN110674775 A CN 110674775A
- Authority
- CN
- China
- Prior art keywords
- image
- preset
- objects
- gate
- matching
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims description 41
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 description 17
- 238000001514 detection method Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 230000000712 assembly Effects 0.000 description 4
- 238000000429 assembly Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种闸机的控制方法、装置、系统及存储介质。方法包括:在至少两个对象准备通过闸机时,获取摄像组件拍摄的包含所述至少两个对象的图像;通过对象识别模型将所述图像与包含一个预设对象的预设图像匹配,以判断所述至少两个对象中是否有所述预设对象;若有,控制所述闸机打开放行。通过将包括至少两个对象的图像直接与单个对象的预设图像进行匹配,只要至少两个对象中是否有允许通过的一个对象,即可认为识别成功,进而控制闸机打开,同时放行至少两个对象,可以实现多人一放,提高闸机的放行效率,避免产生拥堵。
Description
技术领域
本申请涉及对象识别控制技术领域,具体而言,涉及一种闸机的控制方法、装置、系统及存储介质。
背景技术
目前,闸机不仅应用到地铁、车站等公共场所的出入放行,闸机还应用到公司、单位或园区等较为私人场所的出入放行。
在公共场所中,人员混杂,为确保安全,避免非法人员或不法分子的随意出入,闸机采用一人一放的方式,即成功识别一个人后对其进行放行,否则不放行。但在公司、单位或园区这种较为私人场所,由于绝大部分人员都是内部人员,所以其安全已经有所保障,若闸机还采用一人一放的方式,则放行效率太低,特别是在出入的高峰期,一人一放的方式容易导致人员出入的拥堵。
发明内容
本申请实施例的目的在于提供一种闸机的控制方法、装置、系统及存储介质,用以提供闸机的放行效率,避免人员出入拥堵。
第一方面,本申请实施例提供了一种闸机的控制方法,所述方法包括:
在至少两个对象准备通过闸机时,获取摄像组件拍摄的包含所述至少两个对象的图像;
通过对象识别模型将所述图像与包含一个预设对象的预设图像匹配,以判断所述至少两个对象中是否有所述预设对象;
若有,控制所述闸机打开放行。
本申请实施例中,通过将包括至少两个对象的图像直接与单个对象的预设图像进行匹配,只要至少两个对象中是否有允许通过的一个对象,即可认为识别成功,进而控制闸机打开,同时放行至少两个对象,可以实现多人一放,提高闸机的放行效率,避免产生拥堵。
结合第一方面,在第一种可能的实现方式中,所述IR摄像头组件包括RGB摄像头和IR摄像头,所述对象识别模型包含活体识别模型和对象匹配模型,获取摄像组件拍摄的包含所述至少两个对象的图像,包括:
获取所述RGB摄像头拍摄的包含所述至少两个对象的RGB图像,获取所述IR摄像头拍摄的包含所述至少两个对象的IR图像;
对应的,通过对象识别模型将所述图像与包含一个预设对象的预设图像匹配,以判断所述至少两个对象中是否有所述预设对象,包括:
通过所述活体识别模型处理所述IR图像,确定所述至少两个对象为活体;
通过所述对象匹配模型将所述RGB图像与所述预设图像匹配,以判断所述至少两个对象中是否有所述预设对象。
本申请实施例中,通过IR图像对对象是否为活体进行识别,并在确定为活体时才进行对象匹配,可有效避免用模型、蜡像等非活体冒充的情况,提高放行的安全性。
结合第一方面的第一种可能的实现方式,在第二种可能的实现方式中,通过所述对象匹配模型将所述RGB图像与所述预设图像匹配,以判断所述至少两个对象中是否有所述预设对象,包括:
通过所述对象匹配模型将所述图像与所述预设图像匹配,获得所述对象匹配模型输出的匹配分数;
判断所述匹配分数是否大于预设的阈值分数,其中,所述匹配分数大于所述阈值分数表示所述至少两个对象中有对象为所述预设对象。
本申请实施例中,通过设置阈值分数可以便捷且快速地确定至少两个对象中有对象为预设对象。
结合第一方面,在第三种可能的实现方式中,通过对象识别模型将所述图像与包含一个预设对象的预设图像匹配,以判断所述至少两个对象中是否有所述预设对象,包括:
将所述图像中的设定区域对应的区域图像提取出,其中,所述区域图像中的所述至少两个对象与所述摄像组件的距离在预设距离内;
通过所述对象识别模型将所述区域图像与所述预设图像匹配,以判断所述至少两个对象中是否有所述预设对象。
本申请实施例中,通过提取区域图像可以实现对指定距离内的对象进行识别,以降低对象之间的跟随性。
结合第一方面的第三种可能的实现方式,在第四种可能的实现方式中,所述摄像组件为双目摄像头,在将所述图像中的设定区域包含的区域图像提取出之前,所述方法还包括:
获得所述双目摄像头同时拍摄的两张图像;
根据所述两张图像,以及根据所述预设距离,确定出所述设定区域。
本申请实施例中,由于通过双目成像确定区域图像原理是基于双目摄像头之间的视角差别。故即使摄像组件的机位调整,但由于视角差别仍然保持不变,其仍能够准确的提取出区域图像。
结合第一方面,在第五种可能的实现方式中,在通过对象识别模型将所述图像与包含一个预设对象的预设图像匹配,以判断所述至少两个对象中是否有所述预设对象之前,所述方法还包括:
判断所述预设对象是否满足注册要求;
若满足,将所述预设图像存储,其中,将所述预设图像存储表示完成对所述预设对象注册;否则,将所述预设图像丢弃。
在本申请实施例中,在确定预设对象满足注册要求在将预设对象的预设图像存储,故可以避免误注册或者无效注册甚至恶意注册。
结合第一方面或第一方面的任一种可能的实现方式,在第六种可能的实现方式中,在通过对象识别模型将所述图像与包含一个预设对象的预设图像匹配,以判断所述至少两个对象中是否有所述预设对象之前,所述方法还包括:
利用包含至少两个训练对象的训练图像对深度神经网络进行训练,获得所述对象识别模型。
在本申请实施例中,由于深度神经网络具备很好鲁棒性,故通过深度神经网络训练获得的对象识别模型可以具备比较高的准确度。
第二方面,本申请实施例提供了一种闸机的控制装置,所述装置包括:
图像获取模块,用于在至少两个对象准备通过闸机时,获取摄像组件拍摄的包含所述至少两个对象的图像;
图像处理模块,用于通过对象识别模型将所述图像与包含一个预设对象的预设图像匹配,以判断所述至少两个对象中是否有所述预设对象;若有,控制所述闸机打开放行。
结合第二方面,在第一种可能的实现方式中,所述IR摄像头组件包括RGB摄像头和IR摄像头,
所述图像获取模块,用于获取所述RGB摄像头拍摄的包含所述至少两个对象的RGB图像,获取所述IR摄像头拍摄的包含所述至少两个对象的IR图像;
对应的,所述图像处理模块,用于通过所述活体识别模型处理所述IR图像,确定所述至少两个对象为活体;通过所述对象匹配模型将所述RGB图像与所述预设图像匹配,以判断所述至少两个对象中是否有所述预设对象。
结合第二方面的第一种可能的实现方式,在第二种可能的实现方式中,
所述图像处理模块,用于通过所述对象匹配模型将所述图像与所述预设图像匹配,获得所述对象匹配模型输出的匹配分数;判断所述匹配分数是否大于预设的阈值分数,其中,所述匹配分数大于所述阈值分数表示所述至少两个对象中有对象为所述预设对象。
结合第二方面,在第三种可能的实现方式中,
所述图像处理模块,用于将所述图像中的设定区域对应的区域图像提取出,其中,所述区域图像中的所述至少两个对象与所述摄像组件的距离在预设距离内;通过所述对象识别模型将所述区域图像与所述预设图像匹配,以判断所述至少两个对象中是否有所述预设对象。
结合第二方面的第三种可能的实现方式,在第四种可能的实现方式中,在所述图像获取模块所述摄像组件为双目摄像头,在将所述图像中的设定区域包含的区域图像提取出之前,
所述图像获取模块,还用于获得所述双目摄像头同时拍摄的两张图像;
所述图像处理模块,还用于根据所述两张图像,以及根据所述预设距离,确定出所述设定区域。
结合第二方面,在第五种可能的实现方式中,在所述图像处理模块通过对象识别模型将所述图像与包含一个预设对象的预设图像匹配,以判断所述至少两个对象中是否有所述预设对象之前,
所述图像处理模块,还用于判断所述预设对象是否满足注册要求;若满足,将所述预设图像存储,其中,将所述预设图像存储表示完成对所述预设对象注册;否则,将所述预设图像丢弃。
结合第二方面或第二方面的任一种可能的实现方式,在第六种可能的实现方式中,在所述图像处理模块通过对象识别模型将所述图像与包含一个预设对象的预设图像匹配,以判断所述至少两个对象中是否有所述预设对象之前,所述装置还包括:
模型训练模块,用于利用包含至少两个训练对象的训练图像对深度神经网络进行训练,获得所述对象识别模型。
第三方面,本申请实施例提供了一种出入识别系统,包括:闸机、设置在闸机处的摄像组件,以及与所述闸机和所述摄像组件连接的服务器;
所述摄像组件,用于在至少两个对象准备通过所述闸机时,拍摄包含所述至少两个对象准备的图像,并将所述图像发送给所述服务器;
所述服务器,用于根据所述图像,执行如第一方面或第一方面的任一种可能的实现方式所述的闸机的控制方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述存储介质上存储有程序代码,当所述程序代码被所述计算机运行时,执行如第一方面或第一方面的任一种可能的实现方式所述的闸机的控制方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种出入识别系统的结构框图;
图2为本申请实施例提供的一种出入识别系统的第一应用场景;
图3为本申请实施例提供的一种出入识别系统的第二应用场景;
图4为本申请实施例提供的一种闸机的控制方法的流程图;
图5为本申请实施例提供的一种闸机的控制方法中拍摄图像的第一示意图;
图6为本申请实施例提供的一种闸机的控制方法中拍摄图像的第二示意图;
图7为本申请实施例提供的一种闸机的控制方法中拍摄图像的第三示意图;
图8为本申请实施例提供的一种闸机的控制方法中拍摄图像的第四示意图;
图9为本申请实施例提供的一种闸机的控制装置的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
请参阅图1,本申请的一些实施例提供了一种出入识别系统10,该出入识别系统10可以部署到公司、企业、园区等级别的场所,例如该出入识别系统10可以部署到一个工业园区A,以实现对该工业园区A内部员工的出入进行控制,又例如该出入识别系统10可以部署到一个企业B,以实现对该企业B内部员工的出入进行控制。当然,为确保安全,一套出入识别系统10一般不会同时部署在两个不同的场所,例如,工业园区A和企业B不会共用一套出入识别系统10。
具体的,该出入识别系统10可以包括:闸机11、摄像组件12和服务器13。
闸机11可以设置在场所的出入口处,其数量可以视情况设置,但一般来说,闸机11的数量满足在出入高峰期放行也不会产生拥堵即可。
摄像组件12可以设置在对应的闸机11附近,以拍摄需要通过闸机11的对象的图片,并将图片发送给服务器13识别。其中,根据应用场景的不同,本实施例中所述的对象的具体指代也有所不同。例如,应用场景为对出入公司的人员进行识别,那么所述的对象指代的可以是人员的人脸;又例如,应用场景为对出入园区的车辆进行识别,那么所述的对象指代的可以是车辆。
如图2所示,作为设置摄像头组件的第一种方式,可以为每个闸机11对应设置一个摄像组件12,例如,每个摄像组件12可以安装在对应的一个闸机11的上方并朝向该闸机11的通道方向,以使每个摄像组件12专门对对应的一个闸机11的出入通道区域111进行拍摄。
如图3所示,作为设置摄像头组件的第二种方式,可以为相邻的多个闸机11对应设置一个摄像组件12,例如,每个摄像组件12可以安装在相邻的多个个闸机11的后方并朝向这些闸机11的通道方向,以使每个摄像组件12可以对相邻的多个闸机11的出入通道区域111进行拍摄。
本实施例中,根据应用场景的不同,摄像组件12的组成也有所不同。例如,若需要实现对象识别但无需实现活体检测,摄像组件12可以包括单目的RGB摄像头。又例如,在对象为活体的情况下,若既需要实现对象识别又需要实现活体检测,摄像组件12可以包括双目的RGB摄像头+IR(Infrared Radiation,红外线)摄像头。又例如,若即需要实现对象识别又需要实现距离感应,摄像组件12可以包括双目的两个RGB摄像头。还例如,若即需要实现对象识别,又需要实现距离感应,还需要实现活体检测,摄像组件12不仅可以采用双目的RGB摄像头+IR摄像头,其还可以采用三目的双RGB摄像头+IR摄像头。
请继续参阅图1,服务器13可以采用数据库服务器、网络服务器、云服务器或由多个子服务器构成的服务器集群等。服务器13可以对摄像组件12拍摄到的图像进行处理,以识别图像中的对象。若识别通过,服务器13则可以控制对应的闸机11放行;否则,向闸机11发送识别未通过提示,以通过闸机11告知对象识别未通过,不允许放行。
下文将对服务器13如何与摄像组件12和闸机11配合实现控制放行进行详细说明。
请参阅图4,本申请的一些实施例提供了一种闸机的控制方法,该闸机的控制方法可以由摄像组件12、服务器13和闸机11配合执行,以实现服务器13、摄像组件12和闸机11三者配合实现控制放行。
具体的,该闸机的控制方法可以包括:步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。
步骤S100:在至少两个对象准备通过闸机时,摄像组件拍摄的包含该至少两个对象的图像,并将图像发送给服务器。
步骤S200:服务器获取摄像组件拍摄的该图像。
步骤S300:服务器通过对象识别模型将该图像与包含预设对象的预设图像匹配,以判断该至少两个对象中是否有预设对象。
步骤S400:若有,服务器向闸机发送放行指令。
步骤S500:闸机基于该放行指令执行放行操作。
下面将结合示例,对上述方法的各流程进行详细说明。
步骤S100:在至少两个对象准备通过闸机时,摄像组件拍摄的包含该至少两个对象的图像,并将图像发送给服务器。
为降低功耗,摄像组件12通常处于休眠状态。摄像组件12上设置有距离传感器例如红外的距离传感器,该距离传感器的检测方式可以朝向对应闸机11的通道方向。这样,若有对象运动到该闸机11的通道附近时,例如距离该闸机11的通道2米以内,距离传感器则能够感应到有对象位于该闸机11附近,从而向摄像组件12发送启动信号,以使摄像组件12从休眠状态调整为工作状态。在摄像组件12处于工作状态时,其能够对对应闸机11的通道区域111进行拍摄。
对应的,在至少两个对象准备一起通过闸机11,并移动到位于距离传感器的感应距离内时,该闸机11对应的摄像组件12启动,从而拍摄到包含该至少两个对象的图像。
可以理解到,若摄像组件12的组成不同,摄像组件12拍摄的图像也有所不同。若摄像组件12包含RGB摄像头,那么拍摄的图像可以是包含至少两个对象的RGB图像。若摄像组件12包含RGB摄像头+IR摄像头,那么拍摄的图像可以是包含该至少两个对象的RGB图像和包含该至少两个对象的IR图像。
可以理解到,摄像组件12在采用RGB摄像头+IR摄像头时,其在实现对象识别的基础上,其不仅能够实现活体检测还能够实现距离感应。且由于采用双目的两个RGB摄像头实现距离感应与采用RGB摄像头+IR摄像头距离感应的原理大致相同,故为便于描述的简洁,本实施例将以采用RGB摄像头+IR摄像头为例,对如何实现活体检测和距离感应进行说明。
进一步的,为实现对至少两个对象的识别,摄像组件12便将该包含至少两个对象的图像发送给服务器13。
步骤S200:服务器获取摄像组件拍摄的该图像。
相应的,服务器13可以获取到包含至少两个对象的RGB图像,或者获取到包含至少两个对象的RGB图像和IR图像。
本实施例中,为实现对摄像组件12拍摄的图像进行识别,在识别之前例如在出入识别系统10的部署或调试阶段,需要将包含预设对象的预设图像注册到服务器13上,以及还需要对服务器13上用于识别摄像组件12拍摄的图像的对象识别模型进行训练;其中,预设对象可以是对应应用场景中允许被闸机11放行的对象,例如,应用场景对公司A的内部员工的出入进行放行,那么预设对象则是该公司A的内部员工。
针对预设对象的注册:
作为一种可选方式,在确保预设图像是准确无误的情况下,即确保每张预设图像均包含对应的一个预设对象,可以采用直接存储的方式,即可以将预设图像直接存储到服务器13上,例如存储到部署在服务器13上的数据库或者存储到与服务器13通信的数据库内,以通过存储实现预设对象的注册。
作为另一种可选方式,在无法确保预设图像是准确无误的情况下,即无法确保每张预设图像均包含对应的一个预设对象,或者无法确保每张预设图像包含的是否为其他类型的对象,故可以采用图像识别+存储的方式。具体的,可以在服务器13上部署一个图像处理模型,该图像处理模型可以是通过每张图像均包含对应一个预设对象的训练图像集训练深度神经网络而获得。这样,服务器13可以通过该图像处理模型识别预设图像,获得图像处理模型输出的针对该预设图像中包含的预设对象的识别分数,并通过识别分数判断该预设对象是否满足注册要求。
若服务器13确定识别分数大于预设的阈值分数,其表示该预设图像中包含对应的一个预设对象,即确定该预设对象满足注册要求,其中,满足注册要求可以表示该对象的类型符合识别的要求,例如,识别要求是对人进行识别,而注册的预设图像为包含人的图片,那么该预设图像则满足注册要求;又例如,识别要求是对车辆进行识别,而注册的预设图像为包含车辆的图片,那么该预设图像也满足注册要求。进一步的,在确定满足注册要求后,故服务器13将该预设图像存储,以实现预设对象的注册。
若服务器13确定识别分数小于等于阈值分数,其表示该预设图像中包含不止一个预设对象,或表示该预设图像中包含其它类型的对象,即确定该预设对象不满足注册要求。故服务器13将该预设图像丢失,以实现拒绝注册该预设对象。
进一步的,通过对预设图像的识别,服务器13可以将满足注册要求的所有预设对象的预设图像均存储到数据库,完成对预设对象的注册。
针对对象识别模型的训练:
可以理解到,在摄像组件12组成不同的情况下,采用的对象识别模型也有所不同。例如,在摄像组件12采用RGB摄像头时,对象识别模型可以包含对象匹配模型,以实现对图像中的至少两个对象进行识别。又例如,在摄像组件12采用RGB摄像头+IR摄像头时,对象识别模型不仅可以包含对象匹配模型,其还可以包含活体识别模型,以实现对图像中的至少两个对象是否为活体进行识别。
下面将分别对对象识别模型和活体识别模型的训练进行说明。
针对对象匹配模型:
服务器13可以采用每张均包含至少两个对象的第一RGB训练图像集,以及采用每张均包含一个对象的第二RGB训练图像,共同对第一深度神经网络例如CNN(ConvolutionalNeural Networks,卷积神经网络)网络进行训练。例如,训练图像A中包含对象a和对象b,训练图像B仅包含对象a,服务器13可以将训练图像A和训练图像B同时输入到第一深度神经网络中进行相似度匹配。通过匹配,第一深度神经网络会反馈出训练图像A和训练图像B的匹配分数例如为0.6。可以理解到,由于训练图像A和训练图像B均包含了同一对象a,故训练图像A和训练图像B的匹配的理论分数应该为1。这样,服务器13便可以利用理论分数为1与匹配分数为0.6之间的Loss为0.4对第一深度神经网络进行优化,实现对第一深度神经网络的训练。通过第一RGB训练图像和第二RGB训练图像不断重复上述例举的训练过程,对第一深度神经网络进行反复的优化,便可以获得能够准确识别出图像中至少两个对象中任一个对象的对象匹配模型。
针对活体识别模型:
服务器13可以采用每张均包含至少两个对象的IR训练图像集对第二深度神经网络例如CNN网络进行训练。例如,训练图像C中包含对象c和对象d,服务器13可以将训练图像C输入到第二深度神经网络中进行活体识别。通过识别,第二深度神经网络会反馈出训练图像C中是否包含活体的识别分数例如为0.7。可以理解到,由于训练图像C中的对象c和对象d确实为活体,故训练图像C是否包含活体的理论分数应该为1。这样,服务器13便可以利用理论分数为1与识别分数为0.7之间的Loss为0.3对第二深度神经网络进行优化,实现对第二深度神经网络的训练。这样,通过IR训练图像集不断重复上述例举的训练过程,对第二深度神经网络反复进行优化,便可以获得能够准确识别出图像中至少两个对象是否为活体的活体识别模型。
在完成对预设图像的注册,以及完成对对象识别模型的训练后,服务器13可以执行步骤S300。
步骤S300:服务器通过对象识别模型将该图像与包含预设对象的预设图像匹配,以判断该至少两个对象中是否有预设对象。
在执行步骤S300的过程中,需要说明的是,若每个摄像组件12对应拍摄多个闸机11的通道区域111,服务器13在获得摄像组件12拍摄的图像后,为确定准备通过闸机11的至少两个对象位于哪一个闸机11的通道,服务器13可以按照预设分割规则,将图像分割成多张图像,每张图像包含对应的一个通道区域111。这样,服务器13可以将通过对象识别模型依次处理分割出的每张图像。
例如,摄像组件12拍摄的图像P如图5所示,图像P中闸机11A的通道区域111A1处有用户X和用户Y准备通过闸机11A,而闸机11B的通道区域111B1和闸机11C的通道区域111C1处则没有任何用户。根据预设的分割规则定义的分割比例,服务器13可以将图像P分割成图6所示的三张图像,其分别是图像P1、图像P2和图像P3。其中,图像P1中仅包含闸机11A的通道区域111A1,图像P2中仅包含闸机11B的通道区域111B1,而图像P3中仅包含闸机11C的通道区域111C1。
若每个摄像组件12对应拍摄对应的一个闸机11的通道区域111,服务器13在获得摄像组件12拍摄的图像后,无需将图像分割,可以直接通过对象识别模型处理该拍摄到的图像。
进一步的,在通过对象识别模型处理图像的过程中,若对象识别模型包括对象匹配模型,服务器13可以直接利用对象识别模型对获得的图像进行处理;若对象识别模型包括对象匹配模型和活体识别模型,服务器13可以先利用活体识别模型处理获得的图像,确定图像中包含活体,然后再利用对象识别模型对获得的图像进行处理。为便于全面的理解本方案,下面本实施例将以对象识别模型包括对象匹配模型和活体识别模型为例,对如何识别进行说明。
首先,服务器13可以将获得的IR图像输入到活体识别模型中。而活体识别模型可以对该IR图像中包含的活体进行识别,并输出识别分数。服务器13可以将该识别分数与预设的阈值分数比较,以判断该识别分数是否大于阈值分数。
若确定识别分数不大于阈值分数,说明IR图像中的至少两个对象不为活体,进而服务器13可以终止后续流程的执行。
若确定识别分数大于阈值分数,说明IR图像中的至少两个对象为活体,进而服务器13可以将RGB图像和各预设图像(可以是完整的图像也可以分割后的图像)依次输入到对象匹配模型中,以通过对象匹配模型依次将RGB图像与各预设图像匹配,并获得各匹配分数,并从各匹配分数中确定出最高分数。
进一步的,服务器13可以将该最高分数与预设的阈值分数比较,以判断该最高分数是否大于阈值分数。
若确定最高分数不大于阈值分数,说明RGB图像中的至少两个对象中没有任何一个为预设对象,进而服务器13可以终止后续流程的执行。
若确定最高分数大于阈值分数,说明RGB图像中的至少两个对象中有任一个为预设对象,故服务器13可以确定识别通过,并继续执行步骤S400。
步骤S400:若有,服务器向闸机发送放行指令。
在确定识别通过时,服务器13根据预设的控制程序生成放行指令,并将其发送给拍摄该图像的摄像组件12对应的闸机11。
步骤S500:闸机基于该放行指令执行放行操作。
相应的,闸机11根据该放行指令,可以驱动自身的闸门打开,放行该至少两个对象通过闸机11的通道。
本实施例中,为降低对象通过闸机11的跟随性,服务器13可以对摄像组件12拍摄的图片进行处理,以实现距离的感应。
作为实现距离感应的一种示例性方式,若摄像组件12为单目摄像头,那么服务器13可以按照预设的区域划分规则,在RGB图像中动态的确定出一个设定区域(为便于理解本方案,本实施例以至少两个对象位于设定区域中为例进行说明),将RGB图像中的设定区域对应的区域图像提取出,获得区域图像,其中,该区域图像中的至少两个对象与摄像组件12的距离在预设距离内。进一步的,服务器13再通过对象识别模型处理该区域图像,则实现了对与摄像组件12的距离在预设距离内的对象进行识别,即实现了距离感应式的对象识别;反之,位于RGB图像中设定区域以外的区域的对象,则因为与摄像组件12的距离超出了预设距离而无法被服务器13识别。
可以理解到,在采用区域划分规则提取区域图像时,由于区域划分规则是基于摄像组件12的机位设置的。若摄像组件12的机位调整,拍摄的RGB图像的视界也相应发生变化,故需要根据机位的调整对应调整区域划分规则才能够继续准确的提取出区域图像。
结合图5和6的示例继续说明,如图7所示,服务器13可以在图像P1中确定出设定区域Q,然后提取出如图8所示的区域图像P11。
作为实现距离感应的另一种示例性方式,若摄像组件12为双目摄像头例如RGB摄像头+IR摄像头,那么服务器13可以根据RGB摄像头拍摄的RGB图像与IR摄像头拍摄的IR图像之间的视角差别,利用双目成像原理,在RGB图像中动态的确定出一个设定区域,并将RGB图像中的设定区域对应的区域图像提取出,获得区域图像,其中,该区域图像中的至少两个对象与摄像组件12的距离也在预设距离内。进一步的,服务器13再通过对象识别模型处理该区域图像,则实现了对与摄像组件12的距离在预设距离内的对象进行识别。
可以理解到,在双目成像原理提取区域图像时,由于双目成像原理是基于RGB摄像头拍摄的RGB图像与IR摄像头拍摄的IR图像之间的视角差别。即使摄像组件12的机位调整,但由于视角差别仍然保持不变,服务器13仍能够准确的提取出区域图像。
请参阅图9,基于同一发明构思,本申请实施例中还提供了一种闸机的控制装置200,应用于服务器13,该闸机的控制装置200,包括:
图像获取模块210,用于在至少两个对象准备通过闸机时,获取摄像组件拍摄的包含所述至少两个对象的图像。
图像处理模块220,用于通过对象识别模型将所述图像与包含一个预设对象的预设图像匹配,以判断所述至少两个对象中是否有所述预设对象;若有,控制所述闸机打开放行。
需要说明的是,由于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,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请一些实施例还提供了一种计算机可执行的非易失的程序代码的计算机可读储存介质,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该计算机可读存储介质上存储有程序代码,该程序代码被计算机运行时执行上述任一实施方式的闸机的控制方法的步骤。
本申请实施例所提供的闸机的控制方法的程序代码产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
综上所述,本申请实施例提供了一种闸机的控制方法、装置、系统及存储介质,用以提供闸机的放行效率,避免人员出入拥堵。通过判断通过闸机的至少两个对象中是否有允许通过的预设对象,可实现对内部人员的识别。而在识别到的基础上,控制闸机打开,同时放行至少两个对象,可以实现多人一放,提高闸机的放行效率,避免产生拥堵。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模型可以集成在一起形成一个独立的部分,也可以是各个模型单独存在,也可以两个或两个以上模型集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种闸机的控制方法,其特征在于,所述方法包括:
在至少两个对象准备通过闸机时,获取摄像组件拍摄的包含所述至少两个对象的图像;
通过对象识别模型将所述图像与包含一个预设对象的预设图像匹配,以判断所述至少两个对象中是否有所述预设对象;
若有,控制所述闸机打开放行。
2.根据权利要求1所述的闸机的控制方法,其特征在于,所述IR摄像头组件包括RGB摄像头和IR摄像头,所述对象识别模型包含活体识别模型和对象匹配模型,获取摄像组件拍摄的包含所述至少两个对象的图像,包括:
获取所述RGB摄像头拍摄的包含所述至少两个对象的RGB图像,获取所述IR摄像头拍摄的包含所述至少两个对象的IR图像;
对应的,通过对象识别模型将所述图像与包含一个预设对象的预设图像匹配,以判断所述至少两个对象中是否有所述预设对象,包括:
通过所述活体识别模型处理所述IR图像,确定所述至少两个对象为活体;
通过所述对象匹配模型将所述RGB图像与所述预设图像匹配,以判断所述至少两个对象中是否有所述预设对象。
3.根据权利要求2所述的闸机的控制方法,其特征在于,通过所述对象匹配模型将所述RGB图像与所述预设图像匹配,以判断所述至少两个对象中是否有所述预设对象,包括:
通过所述对象匹配模型将所述图像与所述预设图像匹配,获得所述对象匹配模型输出的匹配分数;
判断所述匹配分数是否大于预设的阈值分数,其中,所述匹配分数大于所述阈值分数表示所述至少两个对象中有对象为所述预设对象。
4.根据权利要求1所述的闸机的控制方法,其特征在于,通过对象识别模型将所述图像与包含一个预设对象的预设图像匹配,以判断所述至少两个对象中是否有所述预设对象,包括:
将所述图像中的设定区域对应的区域图像提取出,其中,所述区域图像中的所述至少两个对象与所述摄像组件的距离在预设距离内;
通过所述对象识别模型将所述区域图像与所述预设图像匹配,以判断所述至少两个对象中是否有所述预设对象。
5.根据权利要求4所述的闸机的控制方法,其特征在于,所述摄像组件为双目摄像头,在将所述图像中的设定区域包含的区域图像提取出之前,所述方法还包括:
获得所述双目摄像头同时拍摄的两张图像;
根据所述两张图像,以及根据所述预设距离,确定出所述设定区域。
6.根据权利要求1所述的闸机的控制方法,其特征在于,在通过对象识别模型将所述图像与包含一个预设对象的预设图像匹配,以判断所述至少两个对象中是否有所述预设对象之前,所述方法还包括:
判断所述预设对象是否满足注册要求;
若满足,将所述预设图像存储,其中,将所述预设图像存储表示完成对所述预设对象注册;否则,将所述预设图像丢弃。
7.根据权利要求1-6任一权项所述的闸机的控制方法,其特征在于,在通过对象识别模型将所述图像与包含一个预设对象的预设图像匹配,以判断所述至少两个对象中是否有所述预设对象之前,所述方法还包括:
利用包含至少两个训练对象的训练图像对深度神经网络进行训练,获得所述对象识别模型。
8.一种闸机的控制装置,其特征在于,所述装置包括:
图像获取模块,用于在至少两个对象准备通过闸机时,获取摄像组件拍摄的包含所述至少两个对象的图像;
图像处理模块,用于通过对象识别模型将所述图像与包含一个预设对象的预设图像匹配,以判断所述至少两个对象中是否有所述预设对象;若有,控制所述闸机打开放行。
9.一种出入识别系统,其特征在于,包括:闸机、设置在闸机处的摄像组件,以及与所述闸机和所述摄像组件连接的服务器;
所述摄像组件,用于在至少两个对象准备通过所述闸机时,拍摄包含所述至少两个对象准备的图像,并将所述图像发送给所述服务器;
所述服务器,用于根据所述图像,执行如权利要求1-7任一权项所述的闸机的控制方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有程序代码,当所述程序代码被所述计算机运行时,执行如权利要求1-7任一权项所述的闸机的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910937651.6A CN110674775A (zh) | 2019-09-27 | 2019-09-27 | 一种闸机的控制方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910937651.6A CN110674775A (zh) | 2019-09-27 | 2019-09-27 | 一种闸机的控制方法、装置、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110674775A true CN110674775A (zh) | 2020-01-10 |
Family
ID=69080314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910937651.6A Pending CN110674775A (zh) | 2019-09-27 | 2019-09-27 | 一种闸机的控制方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674775A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111366249A (zh) * | 2020-04-15 | 2020-07-03 | 山东华世力自动化科技有限公司 | 一种测温成像消毒系统的控制系统和控制方法 |
CN112288937A (zh) * | 2020-11-18 | 2021-01-29 | 重庆赛丰基业科技有限公司 | 一种虚拟闸机以及控制方法 |
CN112508822A (zh) * | 2021-01-08 | 2021-03-16 | 上海臻面智能信息科技有限公司 | 一种基于ir和rgb双摄活体判别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504798A (zh) * | 2015-01-15 | 2015-04-08 | 河北联合大学 | 基于无源rfid和人脸识别技术的车库门禁系统 |
CN108182746A (zh) * | 2018-01-30 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 控制系统、方法和装置 |
CN109671190A (zh) * | 2018-11-27 | 2019-04-23 | 杭州天翼智慧城市科技有限公司 | 一种基于人脸识别的多通道闸机管理方法及系统 |
CN110246240A (zh) * | 2018-09-27 | 2019-09-17 | 浙江大华技术股份有限公司 | 一种闸机控制方法及装置 |
-
2019
- 2019-09-27 CN CN201910937651.6A patent/CN110674775A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504798A (zh) * | 2015-01-15 | 2015-04-08 | 河北联合大学 | 基于无源rfid和人脸识别技术的车库门禁系统 |
CN108182746A (zh) * | 2018-01-30 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 控制系统、方法和装置 |
CN110246240A (zh) * | 2018-09-27 | 2019-09-17 | 浙江大华技术股份有限公司 | 一种闸机控制方法及装置 |
CN109671190A (zh) * | 2018-11-27 | 2019-04-23 | 杭州天翼智慧城市科技有限公司 | 一种基于人脸识别的多通道闸机管理方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111366249A (zh) * | 2020-04-15 | 2020-07-03 | 山东华世力自动化科技有限公司 | 一种测温成像消毒系统的控制系统和控制方法 |
CN112288937A (zh) * | 2020-11-18 | 2021-01-29 | 重庆赛丰基业科技有限公司 | 一种虚拟闸机以及控制方法 |
CN112508822A (zh) * | 2021-01-08 | 2021-03-16 | 上海臻面智能信息科技有限公司 | 一种基于ir和rgb双摄活体判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6268960B2 (ja) | 画像認識装置及び画像認識装置に対するデータ登録方法 | |
CN105612533B (zh) | 活体检测方法、活体检测系统以及计算机程序产品 | |
US11978295B2 (en) | Collation system | |
CN110674775A (zh) | 一种闸机的控制方法、装置、系统及存储介质 | |
JP7359230B2 (ja) | 顔照合システム、顔照合装置、顔照合方法、及び記録媒体 | |
US20090110248A1 (en) | Face Recognition System | |
CN103366426A (zh) | 门禁管制配置结构及其装置 | |
US11989975B2 (en) | Iris authentication device, iris authentication method, and recording medium | |
KR102145132B1 (ko) | 딥러닝을 이용한 대리 면접 예방 방법 | |
JP7484985B2 (ja) | 認証システム、認証方法、及び、プログラム | |
US10970953B2 (en) | Face authentication based smart access control system | |
CN107452116A (zh) | 一种识别特定区域内人员身份与数量的方法 | |
CN110782228A (zh) | 一种工作时长获得方法、装置、电子设备及存储介质 | |
WO2020065954A1 (ja) | 認証装置、認証方法および記憶媒体 | |
JP2007249587A (ja) | 認証装置、認証方法、認証プログラム、これを記録したコンピュータ読み取り可能な記録媒体 | |
JP2007206898A (ja) | 顔認証装置および入退場管理装置 | |
WO2022064830A1 (ja) | 画像処理装置、画像処理システム、画像処理方法およびプログラム | |
CN110706250B (zh) | 一种对象的跟踪方法、装置、系统及存储介质 | |
JP2019194875A (ja) | 照合システム | |
JP2012133411A (ja) | 顔照合システム、顔照合装置及び顔照合方法 | |
US20220012968A1 (en) | Door access control system based on user intent | |
JP2020201999A (ja) | 照合システム | |
CN113744443A (zh) | 一种闸机通道防欺骗控制方法、装置、设备及存储介质 | |
CN112215045A (zh) | 一种活体检测方法和装置 | |
US20240071135A1 (en) | Image processing device, image processing method, and program |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200110 |
|
RJ01 | Rejection of invention patent application after publication |