CN111178136A - 一种基于大数据的智慧校园身份识别方法及系统 - Google Patents
一种基于大数据的智慧校园身份识别方法及系统 Download PDFInfo
- Publication number
- CN111178136A CN111178136A CN201911223766.5A CN201911223766A CN111178136A CN 111178136 A CN111178136 A CN 111178136A CN 201911223766 A CN201911223766 A CN 201911223766A CN 111178136 A CN111178136 A CN 111178136A
- Authority
- CN
- China
- Prior art keywords
- identity
- target user
- identification
- campus
- unit
- 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 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 12
- 230000001815 facial effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06V40/10—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
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明揭示了一种基于大数据的智慧校园身份识别方法及系统。所述方法包括:当检测到用户进入识别区域时,采集用户的生物特征数据;从生物特征数据中提取目标用户的人脸图像;利用人脸识别模型对人脸图像进行特征识别,得到人脸图像对应的目标身份特征;其中,该人脸识别模型为深度卷积神经网络模型,并且该人脸识别模型由通用人脸数据库和跨年龄人脸数据库训练而成;将目标身份特征与若干个样本身份特征进行匹配操作;根据匹配结果进行身份识别。实施本发明实施例,能够提高身份识别准确率。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种基于大数据的智慧校园身份识别方法及系统。
背景技术
智慧校园是国家教育信息化的顶层设计。随着大数据、云计算和物联网等先进信息技术的飞速发展和快速的市场化,智慧校园的概念随着“智慧地球”、“智慧城市”等智慧概念的风靡而被教育系统提到了建设日程。智慧校园的概念是将校园中多方面的应用,包括人、财、物等实现快速的信息交换、管理,提高校园日常教、学、研、管等业务活动的高效有序开展。校园安全、图书管理、资产管理等方面,可以采用智能卡或者身份标签的互联网技术实现科学管理。基于智慧校园的设计,校园资源、教学、管理、科研等应用系统被高度整合,校园师生及管理人员能快速、准确地获取所需信息,实现了智慧化服务和管理的校园新模式。
身份识别是对校园内的应用主体提出的身份证据进行判别的过程,属于校园安全领域,是构建智能校园的重要组成部分。目前,大多数校园主要采用人脸识别技术对应用主体进行身份识别。校园中的应用主体主要为未成年人,由于未成年人正处于生长发育阶段,面部轮廓会随着年龄的增长发生变化。而从现状来看,现有的大部分智能校园身份识别系统无法有效识别随着年龄增长面部轮廓发生变化的用户,因此身份识别准确率低。
发明内容
为了解决相关技术中存在的大部分智能校园身份识别系统无法有效识别随着年龄增长而导致面部轮廓变化的用户,身份识别准确率低的技术问题,本发明提供了一种基于大数据的智慧校园身份识别方法及系统。
本发明实施例第一方面公开了一种基于大数据的智慧校园身份识别方法,所述方法包括:
当检测到用户进入识别区域时,采集用户的生物特征数据;
从所述生物特征数据中提取目标用户的人脸图像;
利用人脸识别模型对所述人脸图像进行特征识别,得到所述人脸图像对应的目标身份特征;其中,所述所述人脸识别模型为深度卷积神经网络模型,并且所述人脸识别模型由通用人脸数据库和跨年龄人脸数据库训练而成;
将所述目标身份特征与若干个样本身份特征进行匹配操作;
根据匹配结果进行身份识别。
作为一种可选的实施方式,在本发明实施例第一方面中,所述根据匹配结果进行身份识别,包括:
根据匹配结果确定所述目标用户的第一身份信息;
检测所述目标用户是否携带有电子标签;
如果是,读取所述电子标签的标签信息,以得到所述电子标签对应的第二身份信息;
根据所述第一身份信息与所述第二身份信息对所述目标用户进行身份识别。
作为一种可选的实施方式,在本发明实施例第一方面中,所述根据匹配结果进行身份识别之后,所述方法还包括:
确定所述目标用户的身份类别;
将所述目标用户的身份类别与预设的校园区域权限表进行比对,得到所述目标用户的区域权限等级;
判断所述区域权限等级与所述识别区域是否匹配;
如果所述区域权限等级与所述识别区域匹配,根据所述识别区域的位置信息更新所述目标用户的校园活动轨迹。
作为一种可选的实施方式,在本发明实施例第一方面中,如果所述区域权限等级与所述识别区域不匹配,所述方法还包括:
获取预设时间段内目标用户对所述识别区域的访问次数以及累积访问时长;
判断所述访问次数是否大于预设访问次数阈值以及所述累积访问时长是否大于预设访问时长阈值;
如果所述访问次数大于所述预设访问次数阈值,并且所述累积访问时长大于所述预设访问时长阈值,向目标用户发出警告提示信息,以提示目标用户离开所述识别区域。
本发明实施例第二方面公开了一种基于大数据的智能校园身份识别系统,包括:
采集单元,用于当检测到用户进入识别区域时,采集用户的生物特征数据;
提取单元,用于从所述生物特征数据中提取目标用户的人脸图像;
特征识别单元,用于利用人脸识别模型对所述人脸图像进行特征识别,得到所述人脸图像对应的目标身份特征;其中,所述所述人脸识别模型为深度卷积神经网络模型,并且所述人脸识别模型由通用人脸数据库和跨年龄人脸数据库训练而成;
匹配单元,用于将所述目标身份特征与若干个样本身份特征进行匹配操作;
身份识别单元,用于根据匹配结果进行身份识别。
作为一种可选的实施方式,在本发明实施例第二方面中,所述身份识别单元,包括:
确定子单元,用于根据匹配结果确定所述目标用户的第一身份信息;
检测子单元,用于检测所述目标用户是否携带有电子标签;
读取子单元,用于在所述检测子单元检测出目标用户携带有所述电子标签时,读取所述电子标签的标签信息,以得到所述电子标签对应的第二身份信息;
识别子单元,用于根据所述第一身份信息与所述第二身份信息对所述目标用户进行身份识别。
作为一种可选的实施方式,在本发明实施例第二方面中,所述系统还包括:
确定单元,用于在所述身份识别单元根据匹配结果进行身份识别之后,确定所述目标用户的身份类别;
比对单元,用于将所述目标用户的身份类别与预设的校园区域权限表进行比对,得到所述目标用户的区域权限等级;
判断单元,用于判断所述区域权限等级与所述识别区域是否匹配;
更新单元,用于在所述判断单元判断出所述区域权限等级与所述识别区域匹配时,根据所述识别区域的位置信息更新所述目标用户的校园活动轨迹。
作为一种可选的实施方式,在本发明实施例第二方面中,所述系统还包括:
获取单元,用于在所述判断单元判断出所述区域权限等级与所述识别区域不匹配时,获取预设时间段内目标用户对所述识别区域的访问次数以及累积访问时长;
所述判断单元,还用于判断所述访问次数是否大于预设访问次数阈值以及所述累积访问时长是否大于预设访问时长阈值;
提示单元,用于在所述判断单元判断出所述访问次数大于所述预设访问次数阈值,并且所述累积访问时长大于所述预设访问时长阈值时,向目标用户发出警告提示信息,以提示目标用户离开所述识别区域。
本发明实施例第三方面公开一种计算机可读存储介质,其存储计算机程序,其中,所述计算机程序使得计算机执行本发明实施例第一方面公开的一种基于大数据的智慧校园身份识别方法。
本发明实施例第四方面公开一种电子设备,所述电子设备包括:
处理器;
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如前所述的基于大数据的智能校园身份识别方法。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明所提供的基于大数据的智慧校园身份识别方法包括如下步骤,当检测到用户进入识别区域时,采集用户的生物特征数据;从生物特征数据中提取目标用户的人脸图像;利用人脸识别模型对人脸图像进行特征识别,得到人脸图像对应的目标身份特征;其中,该人脸识别模型为深度卷积神经网络模型,并且该人脸识别模型由通用人脸数据库和跨年龄人脸数据库训练而成;将目标身份特征与若干个样本身份特征进行匹配操作;根据匹配结果进行身份识别。
此方法下,基于大数据和深度神经网络训练而成的人脸识别模型对用户进行身份识别,能够有效识别随着年龄增长而导致面部轮廓发生变化的用户,相比起现有的身份识别系统仅采用单一识别算法对用户进行人脸识别,提高了人脸识别的准确性,进而提高了用户身份识别的准确性,有效保障了校园安全。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种基于大数据的智慧校园身份识别方法的流程图;
图2是根据另一示例性实施例示出的一种基于大数据的智慧校园身份识别方法的流程图;
图3是根据一示例性实施例示出的一种基于大数据的智慧校园身份识别系统的框图。
具体实施方式
这里将详细地对示例性实施例执行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种基于大数据的智能校园身份识别方法的流程图。如图1所示,此方法包括以下步骤。
步骤101,身份识别系统检测是否有用户进入识别区域,如果是,触发执行步骤102;如果否,继续执行步骤101。
本发明实施例中,身份识别系统可以采用红外传感器检测是否有用户进入该识别区域。
步骤102,身份识别系统采集用户的生物特征数据。
本发明实施例中,身份识别系统可以通过设置在识别区域的预先关联的采集装置采集用户的生物特征数据;其中,不同的采集装置所采集的生物特征数据不同,并且采集装置的数量不做限制。如采集装置为虹膜采集装置,所采集的生物特征数据为用户的虹膜数据;如采集装置为指纹采集装置,那么当用户将手指按压在指纹采集装置的采集区域时,所采集的生物特征数据为指纹数据;再如采集装置为采集人脸图像的面部采集装置,那么所采集的生物特征数据可以是人脸图像。特别地,在本方案中,上述生物特征数据至少包括人脸图像数据。
步骤103,身份识别系统从生物特征数据中提取目标用户的人脸图像。
本发明实施例中,基于上述实施例内容可知,身份识别系统采集到的生物特征数据包括人脸图像,因此,可以从上述生物特征数据中提取出若干幅待筛选人脸图像,并从若干幅待筛选的人脸图像中选择清晰度高于预设清晰度阈值的待筛选人脸图像作为目标用户的人脸图像。
步骤104,身份识别系统利用人脸识别模型对人脸图像进行特征识别,得到人脸图像对应的目标身份特征;其中,上述人脸识别模型为深度卷积神经网络模型,并且上述人脸识别模型由通用人脸数据库和跨年龄人脸数据库训练而成。
本发明实施例中,上述人脸识别模型为深度卷积神经网络模型,该深度卷积神经网络模型可以由隐因子分析模型引导,且通过预先由大量人脸图像数据整合而成的通用人脸数据库和跨年龄人脸数据库进行训练后输出得到。
可选的,上述人脸识别模型可以采用以下方式训练得到:
分别获取通用人脸数据库以及跨年龄人脸数据库;通过卷积神经网络提取跨年龄数据库中人脸图像的特征向量;其中,该跨年龄人脸数据库包括按照人脸的年龄特征和分类特征分类的多个人脸图像;获取特征向量的范数和归一化向量,基于该人脸图像的年龄特征更新与范数对应的年龄损失,基于该人脸图像的分类特征更新与上述归一化向量对应的分类损失;以及,基于上述年龄损失与分类损失的联合损失训练上述卷积神经网络;训练完毕后利用通用人脸数据库中的人脸图像对该卷积神经网络进行测试和验证,得到测试和验证后的人脸识别模型。
步骤105,身份识别系统将目标身份特征与若干个样本身份特征进行匹配操作。
本发明实施例中,上述的若干个样本身份特征可以是预先存储在样本数据库中的已经过身份识别的有效身份特征。本方案中,该有效身份特征可以是学校内任意学生或者老师的身份特征,也可以是访问过学校并且已经登记过个人身份信息的陌生人,本发明实施例不做限定。
步骤106,身份识别系统根据匹配结果进行身份识别。
作为一种可选的实施方式,在步骤106根据匹配结果进行身份识别之后,上述方法还可以包括以下步骤:
身份识别系统确定目标用户的身份类别;将目标用户的身份类别与预设的校园区域权限表进行比对,得到目标用户的区域权限等级;判断区域权限等级与识别区域是否匹配;如果区域权限等级与识别区域匹配,根据识别区域的位置信息更新目标用户的校园活动轨迹。
本发明实施例中,预设的身份类别可以包括但不限于学生、家长、老师以及陌生人。每个身份类别的区域权限等级不同,因此对于校园各个区域的访问权限不相同。通过将目标用户的区域权限等级与识别区域进行匹配操作,可以判断出目标用户是否拥有访问该识别区域的权限,并且在判断出用户可以访问该识别区域之后,获取识别区域的位置坐标,以更新该目标用户在校园内的活动轨迹。如果目标用户为学生,还可以进一步将该校园活动轨迹发送给预先关联的家长终端,便于家长及时掌握孩子在学校的动向。
进一步可选的,如果上述区域权限等级与上述识别区域不匹配,上述方法还可以包括以下步骤:
身份识别系统获取预设时间段内目标用户对识别区域的访问次数以及累积访问时长;判断访问次数是否大于预设访问次数阈值以及累积访问时长是否大于预设访问时长阈值;如果访问次数大于预设访问次数阈值,并且累积访问时长大于预设访问时长阈值,向目标用户发出警告提示信息,以提示目标用户离开识别区域。
本发明实施例中,举例来说,上述目标用户的身份类别为陌生人,识别区域为学生档案室,容易知道,陌生人的区域权限等级与识别区域不匹配,因此陌生人没有访问学生档案室的权限。那么,身份识别系统可以向学校管理终端发送警报消息,该警报消息用以提醒学校管理人员注意档案室文件安全。此外,身份系统还可以进一步获取该陌生人对于学生档案室的访问次数以及累计访问时长,基于访问次数以及累计访问时长的情况对学生档案室的情况进行进一步核实,避免误报。
基于上述实施例内容,由于待识别的人脸图像容易受到各种外界因素的影响,如光线、遮挡以及年龄等等,其中,因年龄变化导致人脸图像发生的改变尤为突出,使得传统的人脸识别技术无法有效识别学生因年龄变化导致的面部轮廓的变化,容易出现识别误差,导致用户的身份无法被有效识别。而本发明实施例能够采用上述人脸识别模型,对跨年龄用户的人脸图像进行有效识别,提高了人脸识别的准确性,进一步提高了校园安全系数。
可见,实施图1所描述的基于大数据的智能校园身份识别方法,能够基于大数据和深度神经网络训练而成的人脸识别模型对用户进行身份识别,有效识别随着年龄增长而导致面部轮廓发生变化的用户,相比起现有的身份识别系统仅采用单一识别算法对用户进行人脸识别,提高了人脸识别的准确性,进而提高了用户身份识别的准确性,有效保障了校园安全。
请参考图2,图2是本发明实施例公开的另一种基于大数据的智能校园身份识别方法的流程示意图。其中,如图2所示,该基于大数据的智能校园身份识别方法可以包括以下步骤:
本发明实施例中,该基于大数据的智能校园身份识别方法包括步骤201~205,针对步骤201~205的描述,请参照实施例一中针对步骤101~105的详细描述,本发明实施例不再赘述。
步骤206,身份识别系统根据匹配结果确定目标用户的第一身份信息。
步骤207,身份识别系统检测目标用户是否携带有电子标签,如果是,触发执行步骤208;如果否,结束本流程。
本发明实施例中,电子标签可以是RFID(Radio Frequency Identification,射频识别)电子标签,能够通过识别区域设置的RFID读卡装置对其进行读取和识别。在本方案中,该电子标签可以附着在学生或老师随身携带的校园卡上,每个电子标签可以对应绑定唯一的学生或老师身份信息。可选的,身份信息包括但不限于姓名、性别、证件照以及年龄等等。
步骤208,身份识别系统读取电子标签的标签信息,以得到电子标签对应的第二身份信息。
步骤209,身份识别系统根据第一身份信息与第二身份信息对目标用户进行身份识别。
本发明实施例中,可以利用人脸识别模型使得人脸图像得到的第一身份信息以及电子标签所携带的第二身份信息对目标用户的身份进行综合判断,进一步提高了身份识别的准确性。
可见,实施图2所描述的基于大数据的智能校园身份识别方法,能够基于大数据和深度神经网络训练而成的人脸识别模型对用户进行身份识别,有效识别随着年龄增长而导致面部轮廓发生变化的用户,相比起现有的身份识别系统仅采用单一识别算法对用户进行人脸识别,提高了人脸识别的准确性,进而提高了用户身份识别的准确性,有效保障了校园安全。
以下是本发明的装置实施例。
图3是根据一示例性实施例示出的一种基于大数据的智能校园身份识别系统的框图。如图3所示,该系统包括:
检测单元301,用于检测是否有用户进入识别区域,并将检测结果提供给采集单元302。
采集单元302,用于在上述检测单元302当检测到用户进入识别区域时,采集用户的生物特征数据,并提供给提取单元303。
提取单元303,用于从生物特征数据中提取目标用户的人脸图像。
特征识别单元304,用于利用人脸识别模型对人脸图像进行特征识别,得到人脸图像对应的目标身份特征,提供给匹配单元305;其中,该人脸识别模型为深度卷积神经网络模型,并且该人脸识别模型由通用人脸数据库和跨年龄人脸数据库训练而成。
匹配单元305,用于将目标身份特征与若干个样本身份特征进行匹配操作。
身份识别单元306,用于根据上述匹配操作的匹配结果进行身份识别。
作为一种可选的实施方式,上述身份识别单元,可以包括:
确定子单元,用于根据匹配结果确定目标用户的第一身份信息,将其提供给识别子单元。
检测子单元,用于检测目标用户是否携带有电子标签。
读取子单元,用于在上述检测子单元检测出目标用户携带有电子标签时,读取电子标签的标签信息,以得到电子标签对应的第二身份信息,将其提供给识别子单元。
识别子单元,用于根据上述第一身份信息与第二身份信息对目标用户进行身份识别。
作为另一种可选的实施方式,上述身份识别系统还可以包括:
确定单元,用于在上述身份识别单元根据匹配结果进行身份识别之后,确定目标用户的身份类别,并将其提供给比对单元。
比对单元,用于将目标用户的身份类别与预设的校园区域权限表进行比对,得到目标用户的区域权限等级。
判断单元,用于判断区域权限等级与识别区域是否匹配。
更新单元,用于在上述判断单元判断出区域权限等级与识别区域匹配时,根据识别区域的位置信息更新目标用户的校园活动轨迹。
进一步可选的,上述身份识别系统还可以包括:
获取单元,用于在上述判断单元判断出区域权限等级与识别区域不匹配时,获取预设时间段内目标用户对识别区域的访问次数以及累积访问时长,并将访问次数以及累积访问时长提供给判断单元。
上述判断单元,还用于判断访问次数是否大于预设访问次数阈值以及累积访问时长是否大于预设访问时长阈值。
提示单元,用于在上述判断单元判断出访问次数大于预设访问次数阈值,并且累积访问时长大于预设访问时长阈值时,向目标用户发出警告提示信息,以提示目标用户离开识别区域。
可见,实施图3所描述的基于大数据的智能校园身份识别系统,能够基于大数据和深度神经网络训练而成的人脸识别模型对用户进行身份识别,有效识别随着年龄增长而导致面部轮廓发生变化的用户,相比起现有的身份识别系统仅采用单一识别算法对用户进行人脸识别,提高了人脸识别的准确性,进而提高了用户身份识别的准确性,有效保障了校园安全。
本发明还提供一种电子设备,该电子设备包括:
处理器;
存储器,该存储器上存储有计算机可读指令,该计算机可读指令被处理器执行时,实现如前所示的基于大数据的智慧校园身份识别方法。
在一示例性实施例中,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现如前所示的基于大数据的智慧校园身份识别方法。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (8)
1.一种基于大数据的智能校园身份识别方法,其特征在于,包括:
当检测到用户进入识别区域时,采集用户的生物特征数据;
从所述生物特征数据中提取目标用户的人脸图像;
利用人脸识别模型对所述人脸图像进行特征识别,得到所述人脸图像对应的目标身份特征;其中,所述所述人脸识别模型为深度卷积神经网络模型,并且所述人脸识别模型由通用人脸数据库和跨年龄人脸数据库训练而成;
将所述目标身份特征与若干个样本身份特征进行匹配操作;
根据匹配结果进行身份识别。
2.根据权利要求1所述的基于大数据的智能校园身份识别方法,其特征在于,所述根据匹配结果进行身份识别,包括:
根据匹配结果确定所述目标用户的第一身份信息;
检测所述目标用户是否携带有电子标签;
如果是,读取所述电子标签的标签信息,以得到所述电子标签对应的第二身份信息;
根据所述第一身份信息与所述第二身份信息对所述目标用户进行身份识别。
3.根据权利要求1或2所述的基于大数据的智能校园身份识别方法,其特征在于,所述根据匹配结果进行身份识别之后,所述方法还包括:
确定所述目标用户的身份类别;
将所述目标用户的身份类别与预设的校园区域权限表进行比对,得到所述目标用户的区域权限等级;
判断所述区域权限等级与所述识别区域是否匹配;
如果所述区域权限等级与所述识别区域匹配,根据所述识别区域的位置信息更新所述目标用户的校园活动轨迹。
4.根据权利要求3所述的基于大数据的智能校园身份识别方法,其特征在于,如果所述区域权限等级与所述识别区域不匹配,所述方法还包括:
获取预设时间段内目标用户对所述识别区域的访问次数以及累积访问时长;
判断所述访问次数是否大于预设访问次数阈值以及所述累积访问时长是否大于预设访问时长阈值;
如果所述访问次数大于所述预设访问次数阈值,并且所述累积访问时长大于所述预设访问时长阈值,向目标用户发出警告提示信息,以提示目标用户离开所述识别区域。
5.一种基于大数据的智能校园身份识别系统,其特征在于,包括:
采集单元,用于当检测到用户进入识别区域时,采集用户的生物特征数据;
提取单元,用于从所述生物特征数据中提取目标用户的人脸图像;
特征识别单元,用于利用人脸识别模型对所述人脸图像进行特征识别,得到所述人脸图像对应的目标身份特征;其中,所述所述人脸识别模型为深度卷积神经网络模型,并且所述人脸识别模型由通用人脸数据库和跨年龄人脸数据库训练而成;
匹配单元,用于将所述目标身份特征与若干个样本身份特征进行匹配操作;
身份识别单元,用于根据匹配结果进行身份识别。
6.根据权利要求5所述的基于大数据的智能校园身份识别系统,其特征在于,所述身份识别单元,包括:
确定子单元,用于根据匹配结果确定所述目标用户的第一身份信息;
检测子单元,用于检测所述目标用户是否携带有电子标签;
读取子单元,用于在所述检测子单元检测出目标用户携带有所述电子标签时,读取所述电子标签的标签信息,以得到所述电子标签对应的第二身份信息;
识别子单元,用于根据所述第一身份信息与所述第二身份信息对所述目标用户进行身份识别。
7.根据权利要求5或6所述的基于大数据的智能校园身份识别系统,其特征在于,所述系统还包括:
确定单元,用于在所述身份识别单元根据匹配结果进行身份识别之后,确定所述目标用户的身份类别;
比对单元,用于将所述目标用户的身份类别与预设的校园区域权限表进行比对,得到所述目标用户的区域权限等级;
判断单元,用于判断所述区域权限等级与所述识别区域是否匹配;
更新单元,用于在所述判断单元判断出所述区域权限等级与所述识别区域匹配时,根据所述识别区域的位置信息更新所述目标用户的校园活动轨迹。
8.根据权利要求7所述的基于大数据的智能校园身份识别系统,其特征在于,所述系统还包括:
获取单元,用于在所述判断单元判断出所述区域权限等级与所述识别区域不匹配时,获取预设时间段内目标用户对所述识别区域的访问次数以及累积访问时长;
所述判断单元,还用于判断所述访问次数是否大于预设访问次数阈值以及所述累积访问时长是否大于预设访问时长阈值;
提示单元,用于在所述判断单元判断出所述访问次数大于所述预设访问次数阈值,并且所述累积访问时长大于所述预设访问时长阈值时,向目标用户发出警告提示信息,以提示目标用户离开所述识别区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911223766.5A CN111178136A (zh) | 2019-12-03 | 2019-12-03 | 一种基于大数据的智慧校园身份识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911223766.5A CN111178136A (zh) | 2019-12-03 | 2019-12-03 | 一种基于大数据的智慧校园身份识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111178136A true CN111178136A (zh) | 2020-05-19 |
Family
ID=70653778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911223766.5A Pending CN111178136A (zh) | 2019-12-03 | 2019-12-03 | 一种基于大数据的智慧校园身份识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178136A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738884A (zh) * | 2020-06-23 | 2020-10-02 | 北京航空航天大学云南创新研究院 | 基于智慧校园学生位置信息的学生行为诊断和管理方法 |
CN113516002A (zh) * | 2021-03-05 | 2021-10-19 | 武汉特斯联智能工程有限公司 | 应用智慧社区的基于人脸识别模型的人脸识别方法及装置 |
CN114445053A (zh) * | 2022-04-11 | 2022-05-06 | 江西水利职业学院(江西省水利水电学校、江西省灌溉排水发展中心、江西省水利工程技师学院) | 一种智慧校园数据处理方法及系统 |
CN114462981A (zh) * | 2022-04-11 | 2022-05-10 | 北京融信数联科技有限公司 | 基于物联网的高校生识别方法、系统和可读存储介质 |
CN114677750A (zh) * | 2022-05-26 | 2022-06-28 | 广州番禺职业技术学院 | 基于大数据的智慧商场人脸识别系统和方法 |
CN115346110A (zh) * | 2022-10-20 | 2022-11-15 | 浪潮通信信息系统有限公司 | 餐盘识别方法、系统、电子设备和存储介质 |
CN116935462A (zh) * | 2023-06-09 | 2023-10-24 | 海易科技(北京)有限公司 | 图像处理方法、装置、电子设备和计算机可读介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197099A (zh) * | 2018-02-26 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 跨年龄人脸识别及其模型训练的方法和装置 |
CN110378209A (zh) * | 2019-06-11 | 2019-10-25 | 深圳市锐明技术股份有限公司 | 一种司机身份验证方法及装置 |
-
2019
- 2019-12-03 CN CN201911223766.5A patent/CN111178136A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197099A (zh) * | 2018-02-26 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 跨年龄人脸识别及其模型训练的方法和装置 |
CN110378209A (zh) * | 2019-06-11 | 2019-10-25 | 深圳市锐明技术股份有限公司 | 一种司机身份验证方法及装置 |
Non-Patent Citations (1)
Title |
---|
黄超 等: "《基于外部性的银行卡双边市场研究》", vol. 1, 中国金融出版社, pages: 27 - 28 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738884A (zh) * | 2020-06-23 | 2020-10-02 | 北京航空航天大学云南创新研究院 | 基于智慧校园学生位置信息的学生行为诊断和管理方法 |
CN113516002A (zh) * | 2021-03-05 | 2021-10-19 | 武汉特斯联智能工程有限公司 | 应用智慧社区的基于人脸识别模型的人脸识别方法及装置 |
CN114445053A (zh) * | 2022-04-11 | 2022-05-06 | 江西水利职业学院(江西省水利水电学校、江西省灌溉排水发展中心、江西省水利工程技师学院) | 一种智慧校园数据处理方法及系统 |
CN114462981A (zh) * | 2022-04-11 | 2022-05-10 | 北京融信数联科技有限公司 | 基于物联网的高校生识别方法、系统和可读存储介质 |
CN114445053B (zh) * | 2022-04-11 | 2022-07-01 | 江西水利职业学院(江西省水利水电学校、江西省灌溉排水发展中心、江西省水利工程技师学院) | 一种智慧校园数据处理方法及系统 |
CN114677750A (zh) * | 2022-05-26 | 2022-06-28 | 广州番禺职业技术学院 | 基于大数据的智慧商场人脸识别系统和方法 |
CN115346110A (zh) * | 2022-10-20 | 2022-11-15 | 浪潮通信信息系统有限公司 | 餐盘识别方法、系统、电子设备和存储介质 |
CN116935462A (zh) * | 2023-06-09 | 2023-10-24 | 海易科技(北京)有限公司 | 图像处理方法、装置、电子设备和计算机可读介质 |
CN116935462B (zh) * | 2023-06-09 | 2024-05-17 | 海易科技(北京)有限公司 | 图像处理方法、装置、电子设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178136A (zh) | 一种基于大数据的智慧校园身份识别方法及系统 | |
CN109359548B (zh) | 多人脸识别监控方法及装置、电子设备及存储介质 | |
Othman et al. | A face recognition method in the Internet of Things for security applications in smart homes and cities | |
CN109902628B (zh) | 一种基于视觉物联网的图书馆座位管理系统 | |
CN101216884A (zh) | 一种人脸认证的方法及系统 | |
CN105590097A (zh) | 暗视觉条件下双摄像头协同实时人脸识别安防系统及方法 | |
Surve et al. | Automatic attendance system using face recognition technique | |
WO2017192719A1 (en) | User specific classifiers for biometric liveness detection | |
Nadhan et al. | Smart attendance monitoring technology for industry 4.0 | |
Agarwal et al. | Face recognition based smart and robust attendance monitoring using deep CNN | |
CN114445052A (zh) | 基于区块链的智慧教育学生出勤大数据统计方法及系统 | |
Mohammed et al. | Machine learning algorithm for developing classroom attendance management system based on haar cascade frontal face | |
Goud et al. | Smart attendance notification system using SMTP with face recognition | |
Zhang et al. | Intelligent classroom teaching assessment system based on deep learning model face recognition technology | |
Yasmeen et al. | Intelligent systems powered hourly attendance capturing system | |
Rosy et al. | An enhanced intelligent attendance management system for smart campus | |
Penteado et al. | A video-based biometric authentication for e-Learning web applications | |
Devan et al. | Smart attendance system using face recognition | |
Cenys et al. | Genetic algorithm based palm recognition method for biometric authentication systems | |
Patil et al. | Intelligent college attendance system using image tagging | |
Rathinamala et al. | Automatic attendance monitoring system using LBPH and HAAR algorithm | |
Vignesh et al. | Smart attendance system using deep learning | |
Charishma et al. | Smart Attendance System with and Without Mask using Face Recognition | |
Vilash et al. | Automatic Attendance Monitoring System Using Image Processing | |
Kala et al. | Face Recognition Based Attendance System and Emotion Classification |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200519 |