CN111597524B - 一种用于封样抽检人员的验证方法及系统 - Google Patents
一种用于封样抽检人员的验证方法及系统 Download PDFInfo
- Publication number
- CN111597524B CN111597524B CN202010442505.9A CN202010442505A CN111597524B CN 111597524 B CN111597524 B CN 111597524B CN 202010442505 A CN202010442505 A CN 202010442505A CN 111597524 B CN111597524 B CN 111597524B
- Authority
- CN
- China
- Prior art keywords
- image
- seal
- seal sample
- sample
- information
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
Abstract
本发明提供了一种用于封样抽检人员的验证方法及系统，该用于封样抽检人员的验证方法及系统能够在封样抽检执行的全过程中，基于采集到的图像对封样抽检人员进行相应的身份验证，该验证方法和系统能够省去封样抽检人员主动提供个人生物信息和/或密码信息的麻烦，这能够有效地提高对封样抽检人员全过程身份验证的智能性，以及提高封样抽检执行的安全性和可靠性。
Description
技术领域
本发明涉及封样抽检安全认证的技术领域，特别涉及一种用于封样抽检人员的验证方法及系统。
背景技术
样品在送检之前都需要进行相应的封样处理，而封样处理会涉及不同的操作人员和不同的操作工序，才能够实现对样品的完整保全。在实际操作过程中，样品在封样处理中经过不同人员的接触，这难以保证所有操作人员都具有授权操作资格的，若样品在封样处理中经过未授权人员的抽检，这很容易增大封样处理的安全风险。目前，为了对封样抽检人员进行验证，通常需要在封样抽检进行之前对封样抽检人员进行相应的生物信息和/或密码验证，从而允许满足授权条件的人员进行相应的封样抽检操作。但是，这种方式只是在封样抽检执行的前置阶段才进行封样抽检人员的验证，其并不能完全保证封样抽检过程中对应的抽检人员也满足相应的授权条件。可见，现有技术中关于封样抽检人员的验证只是局限在封样抽检执行前的暂时身份验证，其并未对封样抽检人员进行全过程的身份验证，这严重地降低了封样抽检执行的安全性和可靠性。
发明内容
针对现有技术存在的缺陷，本发明提供一种用于封样抽检人员的验证方法及系统，该用于封样抽检人员的验证方法及系统通过获取封样处理过程对应的封样环境信息和封样相关人员存在状态信息，以此确定关于该封样处理过程的图像采集模式，根据该图像采集模式，获取该封样处理过程对应的不同类型的封样处理图像，对该封样处理图像进行关于目标人员对象的图像特征提取，以此获得相应的目标人员图像特征，以及对该目标人员图像特征进行身份匹配处理，以此确定该封样处理过程中存在的封样抽检人员的身份信息；可见，该用于封样抽检人员的验证方法及系统能够在封样抽检执行的全过程中，基于采集到的图像对封样抽检人员进行相应的身份验证，该验证方法和系统能够省去封样抽检人员主动提供个人生物信息和/或密码信息的麻烦，这能够有效地提高对封样抽检人员全过程身份验证的智能性，以及提高封样抽检执行的安全性和可靠性。
本发明提供一种用于封样抽检人员的验证方法，其特征在于，所述用于封样抽检人员的验证方法包括如下步骤：
步骤S1，获取封样处理过程对应的封样环境信息和封样相关人员存在状态信息，以此确定关于所述封样处理过程的图像采集模式；
步骤S2，根据所述图像采集模式，获取所述封样处理过程对应的不同类型的封样处理图像；
步骤S3，对所述封样处理图像进行关于目标人员对象的图像特征提取，以此获得相应的目标人员图像特征；
步骤S4，对所述目标人员图像特征进行身份匹配处理，以此确定所述封样处理过程中存在的封样抽检人员的身份信息；
进一步，在所述步骤S1中，获取封样处理过程对应的封样环境信息和封样相关人员存在状态信息，以此确定关于所述封样处理过程的图像采集模式具体包括，
步骤S101，确定所述封样处理过程对应的封样处理三维空间，以此获取所述封样处理过程对应的封样环境亮度信息、封样环境区间分布信息和封样环境遮蔽状态信息中的至少一者，以作为所述封样环境信息；
步骤S102，对所述封样处理过程进行红外线扫描感应处理，以此获取所述封样处理过程对应的操作人员数量信息和/或操作人员位置信息，以作为所述封样相关人员存在状态信息；
步骤S103，根据所述封样环境信息和所述封样相关人员存在状态信息，对所述封样处理过程进行单目图像采集操作、多目图像采集操作、定焦图像采集操作和变焦图像采集操作中的至少一者；
进一步，在所述步骤S2中，根据所述图像采集模式，获取所述封样处理过程对应的不同类型的封样处理图像具体包括，
步骤S201，对所述封样处理过程进行单目图像采集操作和/或多目图像采集操作，以此获得关于所述封样处理过程的单目图像数据和/或多目图像数据；
步骤S202，对所述封样处理过程进行定焦图像采集操作和/或变焦图像采集操作，以此获得关于所述封样处理过程的定焦图像数据和/或变焦图像数据；
步骤S203，获取所述单目图像数据和/或所述多目图像数据中关于不同时序拍摄图像之间的视差变换图像，以作为一部分所述封样处理图像；
步骤S204，获取所述定焦图像数据和/或所述变焦图像数据中关于不同时序拍摄图像之间的景深变换图像，以作为一部分所述封样处理图像；
进一步，在所述步骤S3中，对所述封样处理图像进行关于目标人员对象的图像特征提取，以此获得相应的目标人员图像特征具体包括，
步骤S301，对所述封样处理图像中的关于所述封样处理过程的视差变换图像进行图像视差特征的提取处理，以此获得关于所述目标人员对象的视差图像特征；
步骤S302，对所述封样处理图像中的关于所述封样处理过程的景深变换图像进行图像景深特征的提取处理，以此获得关于所述目标人员对象的景深图像特征；
步骤S303，对所述视差图像特征和所述景深图像特征分别进行目标人员对象的人员轮廓和/或人员纹理的定位处理，以此获得相应的目标人员轮廓分布信息和/或目标人员纹理分布信息；
步骤S304，对所述目标人员轮廓分布信息和/或所述目标人员纹理分布信息进行数据拟合处理，以此获得所述目标人员图像特征；
进一步，在所述步骤S4中，对所述目标人员图像特征进行身份匹配处理，以此确定所述封样处理过程中存在的封样抽检人员的身份信息具体包括，
步骤S401，构建关于授权人员的目标人员图像特征深度学习神经网络模型，并对所述目标人员图像特征深度学习神经网络模型进行优化；
步骤S402，将经过优化的所述目标人员图像特征深度学习神经网络模型，对所述目标人员图像特征信息进行所述身份匹配处理，以此获得所述封样抽检人员的所述身份信息；
步骤S403，对所述封样抽检人员的所述身份信息进行安全评判处理，以此确定所述封样处理过程当前存在的封样抽检人员是否为授权人员，其具体为，
步骤S4031，根据下面公式，对所述授权人员的身份信息进行预处理，
在上述公式中，bij为第i个授权人员的第j项预处理后的信息，aij为第i个授权人员的第j项信息，
为第i项信息的均值，m为授权人员的数量，n为授权人员的信息包含量；
步骤S4032，根据下面公式，计算所述封样抽检人员与所述授权人员之间的相似度
在上述公式中，wi为所述封样抽检人员的身份信息与第i个授权人员的身份信息对应的相似度，C为所述封样抽检人员的身份信息集，且C＝(c0j)1×n，Bi为第i个授权人员的预处理身份信息集，且Bi＝(bij)1×n,i＝1,2,Λ,m；
步骤S4033，判断所述封样抽检人员是否属于授权人员，
若满足wi≥95％，则确定所述封样抽检人员属于授权人员，否则确定所述封样抽检人员不属于授权人员。
本发明还提供一种用于封样抽检人员的验证系统，其特征在于：
所述用于封样抽检人员的验证系统包括图像采集模式确定模块、封样处理图像获取模块、目标人员图像特征获取模块和身份信息确定模块；其中，
所述图像采集模式确定模块用于根据封样处理过程对应的封样环境信息和封样相关人员存在状态信息，确定关于所述封样处理过程的图像采集模式；
所述封样处理图像获取模块用于根据所述图像采集模式，获取所述封样处理过程对应的不同类型的封样处理图像；
所述目标人员图像特征获取模块用于对所述封样处理图像进行关于目标人员对象的图像特征提取，以此获得相应的目标人员图像特征；
所述身份信息确定模块用于对所述目标人员图像特征进行身份匹配处理，以此确定所述封样处理过程中存在的封样抽检人员的身份信息；
进一步，所述图像采集模式确定模块包括封样环境信息获取子模块、封样相关人员存在状态信息获取子模块和图像采集操作确定子模块；其中，
所述封样环境信息获取子模块用于根据所述封样处理过程对应的封样处理三维空间，以此获取所述封样处理过程对应的封样环境亮度信息、封样环境区间分布信息和封样环境遮蔽状态信息中的至少一者，以作为所述封样环境信息；
所述封样相关人员存在状态信息获取子模块用于对所述封样处理过程进行红外线扫描感应处理，以此获取所述封样处理过程对应的操作人员数量信息和/或操作人员位置信息，以作为所述封样相关人员存在状态信息；
所述图像采集操作确定子模块用于根据所述封样环境信息和所述封样相关人员存在状态信息，对所述封样处理过程进行单目图像采集操作、多目图像采集操作、定焦图像采集操作和变焦图像采集操作中的至少一者；
进一步，所述封样处理图像获取模块包括第一图像数据获取子模块、第二图像数据获取子模块、第一图像变换子模块和第二图像变换子模块；其中，
所述第一图像数据获取子模块用于对所述封样处理过程进行单目图像采集操作和/或多目图像采集操作，以此获得关于所述封样处理过程的单目图像数据和/或多目图像数据；
所述第二图像数据获取子模块用于对所述封样处理过程进行定焦图像采集操作和/或变焦图像采集操作，以此获得关于所述封样处理过程的定焦图像数据和/或变焦图像数据；
所述第一图像变换子模块用于获取所述单目图像数据和/或所述多目图像数据中关于不同时序拍摄图像之间的视差变换图像，以作为一部分所述封样处理图像；
所述第二图像变换子模块用于获取所述定焦图像数据和/或所述变焦图像数据中关于不同时序拍摄图像之间的景深变换图像，以作为一部分所述封样处理图像；
进一步，所述目标人员图像特征获取模块包括视差图像特征获取子模块、景深图像特征获取子模块、人员轮廓和/或纹理计算子模块和目标人员图像特征拟合子模块；其中，
所述视差图像特征获取子模块用于对所述封样处理图像中的关于所述封样处理过程的视差变换图像进行图像视差特征的提取处理，以此获得关于所述目标人员对象的视差图像特征；
所述景深图像特征获取子模块用于对所述封样处理图像中的关于所述封样处理过程的景深变换图像进行图像景深特征的提取处理，以此获得关于所述目标人员对象的景深图像特征；
所述人员轮廓和/或纹理计算子模块用于对所述视差图像特征和所述景深图像特征分别进行目标人员对象的人员轮廓和/或人员纹理的定位处理，以此获得相应的目标人员轮廓分布信息和/或目标人员纹理分布信息；
所述目标人员图像特征拟合子模块用于对所述目标人员轮廓分布信息和/或所述目标人员纹理分布信息进行数据拟合处理，以此获得所述目标人员图像特征；
进一步，所述身份信息确定模块包括神经网络模型构建与优化子模块、身份匹配子模块和授权人员确定子模块；其中，
所述神经网络模型构建与优化子模块用于构建关于授权人员的目标人员图像特征深度学习神经网络模型，并对所述目标人员图像特征深度学习神经网络模型进行优化；
所述身份匹配子模块用于将经过优化的所述目标人员图像特征深度学习神经网络模型，对所述目标人员图像特征信息进行所述身份匹配处理，以此获得所述封样抽检人员的所述身份信息；
所述授权人员确定子模块用于对所述封样抽检人员的所述身份信息进行安全评判处理，以此确定所述封样处理过程当前存在的封样抽检人员是否为授权人员。
相比于现有技术，该用于封样抽检人员的验证方法及系统通过获取封样处理过程对应的封样环境信息和封样相关人员存在状态信息，以此确定关于该封样处理过程的图像采集模式，根据该图像采集模式，获取该封样处理过程对应的不同类型的封样处理图像，对该封样处理图像进行关于目标人员对象的图像特征提取，以此获得相应的目标人员图像特征，以及对该目标人员图像特征进行身份匹配处理，以此确定该封样处理过程中存在的封样抽检人员的身份信息；可见，该用于封样抽检人员的验证方法及系统能够在封样抽检执行的全过程中，基于采集到的图像对封样抽检人员进行相应的身份验证，该验证方法和系统能够省去封样抽检人员主动提供个人生物信息和/或密码信息的麻烦，这能够有效地提高对封样抽检人员全过程身份验证的智能性，以及提高封样抽检执行的安全性和可靠性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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为本发明提供的一种用于封样抽检人员的验证方法的流程示意图。
图2为本发明提供的一种用于封样抽检人员的验证系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
参阅图1，为本发明实施例提供的一种用于封样抽检人员的验证方法的流程示意图。该用于封样抽检人员的验证方法包括如下步骤：
步骤S1，获取封样处理过程对应的封样环境信息和封样相关人员存在状态信息，以此确定关于该封样处理过程的图像采集模式；
步骤S2，根据该图像采集模式，获取该封样处理过程对应的不同类型的封样处理图像；
步骤S3，对该封样处理图像进行关于目标人员对象的图像特征提取，以此获得相应的目标人员图像特征；
步骤S4，对该目标人员图像特征进行身份匹配处理，以此确定该封样处理过程中存在的封样抽检人员的身份信息。
优选地，在该步骤S1中，获取封样处理过程对应的封样环境信息和封样相关人员存在状态信息，以此确定关于该封样处理过程的图像采集模式具体包括，
步骤S101，确定该封样处理过程对应的封样处理三维空间，以此获取该封样处理过程对应的封样环境亮度信息、封样环境区间分布信息和封样环境遮蔽状态信息中的至少一者，以作为该封样环境信息；
步骤S102，对该封样处理过程进行红外线扫描感应处理，以此获取该封样处理过程对应的操作人员数量信息和/或操作人员位置信息，以作为该封样相关人员存在状态信息；
步骤S103，根据该封样环境信息和该封样相关人员存在状态信息，对该封样处理过程进行单目图像采集操作、多目图像采集操作、定焦图像采集操作和变焦图像采集操作中的至少一者。
优选地，在该步骤S2中，根据该图像采集模式，获取该封样处理过程对应的不同类型的封样处理图像具体包括，
步骤S201，对该封样处理过程进行单目图像采集操作和/或多目图像采集操作，以此获得关于该封样处理过程的单目图像数据和/或多目图像数据；
步骤S202，对该封样处理过程进行定焦图像采集操作和/或变焦图像采集操作，以此获得关于该封样处理过程的定焦图像数据和/或变焦图像数据；
步骤S203，获取该单目图像数据和/或该多目图像数据中关于不同时序拍摄图像之间的视差变换图像，以作为一部分该封样处理图像；
步骤S204，获取该定焦图像数据和/或该变焦图像数据中关于不同时序拍摄图像之间的景深变换图像，以作为一部分该封样处理图像。
优选地，在该步骤S3中，对该封样处理图像进行关于目标人员对象的图像特征提取，以此获得相应的目标人员图像特征具体包括，
步骤S301，对该封样处理图像中的关于该封样处理过程的视差变换图像进行图像视差特征的提取处理，以此获得关于该目标人员对象的视差图像特征；
步骤S302，对该封样处理图像中的关于该封样处理过程的景深变换图像进行图像景深特征的提取处理，以此获得关于该目标人员对象的景深图像特征；
步骤S303，对该视差图像特征和该景深图像特征分别进行目标人员对象的人员轮廓和/或人员纹理的定位处理，以此获得相应的目标人员轮廓分布信息和/或目标人员纹理分布信息；
步骤S304，对该目标人员轮廓分布信息和/或该目标人员纹理分布信息进行数据拟合处理，以此获得该目标人员图像特征。
优选地，在该步骤S4中，对该目标人员图像特征进行身份匹配处理，以此确定该封样处理过程中存在的封样抽检人员的身份信息具体包括，
步骤S401，构建关于授权人员的目标人员图像特征深度学习神经网络模型，并对该目标人员图像特征深度学习神经网络模型进行优化；
步骤S402，将经过优化的该目标人员图像特征深度学习神经网络模型，对该目标人员图像特征信息进行该身份匹配处理，以此获得该封样抽检人员的该身份信息；
步骤S403，对该封样抽检人员的该身份信息进行安全评判处理，以此确定该封样处理过程当前存在的封样抽检人员是否为授权人员，其具体为，
步骤S4031，根据下面公式，对该授权人员的身份信息进行预处理，
在上述公式中，bij为第i个授权人员的第j项预处理后的信息，aij为第i个授权人员的第j项信息，
为第i项信息的均值，m为授权人员的数量，n为授权人员的信息包含量；
步骤S4032，根据下面公式，计算该封样抽检人员与该授权人员之间的相似度
在上述公式中，wi为该封样抽检人员的身份信息与第i个授权人员的身份信息对应的相似度，C为该封样抽检人员的身份信息集，且C＝(c0j)1×n，Bi为第i个授权人员的预处理身份信息集，且Bi＝(bij)1×n,i＝1,2,Λ,m；
步骤S4033，判断该封样抽检人员是否属于授权人员，
若满足wi≥95％，则确定该封样抽检人员属于授权人员，否则确定该封样抽检人员不属于授权人员；
通过上述过程判断封样抽检人员是否为授权人员不仅可在95％的置信范围内避免误判，而且对授权人员的身份信息进行预处理将授权人员的身份信息标准化，使得判断结果更加准确。
参阅图2，为本发明实施例提供的一种用于封样抽检人员的验证系统的结构示意图。该用于封样抽检人员的验证系统包括图像采集模式确定模块、封样处理图像获取模块、目标人员图像特征获取模块和身份信息确定模块；其中，
该图像采集模式确定模块用于根据封样处理过程对应的封样环境信息和封样相关人员存在状态信息，确定关于该封样处理过程的图像采集模式；
该封样处理图像获取模块用于根据该图像采集模式，获取该封样处理过程对应的不同类型的封样处理图像；
该目标人员图像特征获取模块用于对该封样处理图像进行关于目标人员对象的图像特征提取，以此获得相应的目标人员图像特征；
该身份信息确定模块用于对该目标人员图像特征进行身份匹配处理，以此确定该封样处理过程中存在的封样抽检人员的身份信息。
优选地，该图像采集模式确定模块包括封样环境信息获取子模块、封样相关人员存在状态信息获取子模块和图像采集操作确定子模块；其中，
该封样环境信息获取子模块用于根据该封样处理过程对应的封样处理三维空间，以此获取该封样处理过程对应的封样环境亮度信息、封样环境区间分布信息和封样环境遮蔽状态信息中的至少一者，以作为该封样环境信息；
该封样相关人员存在状态信息获取子模块用于对该封样处理过程进行红外线扫描感应处理，以此获取该封样处理过程对应的操作人员数量信息和/或操作人员位置信息，以作为该封样相关人员存在状态信息；
该图像采集操作确定子模块用于根据该封样环境信息和该封样相关人员存在状态信息，对该封样处理过程进行单目图像采集操作、多目图像采集操作、定焦图像采集操作和变焦图像采集操作中的至少一者。
优选地，该封样处理图像获取模块包括第一图像数据获取子模块、第二图像数据获取子模块、第一图像变换子模块和第二图像变换子模块；其中，
该第一图像数据获取子模块用于对该封样处理过程进行单目图像采集操作和/或多目图像采集操作，以此获得关于该封样处理过程的单目图像数据和/或多目图像数据；
该第二图像数据获取子模块用于对该封样处理过程进行定焦图像采集操作和/或变焦图像采集操作，以此获得关于该封样处理过程的定焦图像数据和/或变焦图像数据；
该第一图像变换子模块用于获取该单目图像数据和/或该多目图像数据中关于不同时序拍摄图像之间的视差变换图像，以作为一部分该封样处理图像；
该第二图像变换子模块用于获取该定焦图像数据和/或该变焦图像数据中关于不同时序拍摄图像之间的景深变换图像，以作为一部分该封样处理图像。
优选地，该目标人员图像特征获取模块包括视差图像特征获取子模块、景深图像特征获取子模块、人员轮廓和/或纹理计算子模块和目标人员图像特征拟合子模块；其中，
该视差图像特征获取子模块用于对该封样处理图像中的关于该封样处理过程的视差变换图像进行图像视差特征的提取处理，以此获得关于该目标人员对象的视差图像特征；
该景深图像特征获取子模块用于对该封样处理图像中的关于该封样处理过程的景深变换图像进行图像景深特征的提取处理，以此获得关于该目标人员对象的景深图像特征；
该人员轮廓和/或纹理计算子模块用于对该视差图像特征和该景深图像特征分别进行目标人员对象的人员轮廓和/或人员纹理的定位处理，以此获得相应的目标人员轮廓分布信息和/或目标人员纹理分布信息；
该目标人员图像特征拟合子模块用于对该目标人员轮廓分布信息和/或该目标人员纹理分布信息进行数据拟合处理，以此获得该目标人员图像特征。
优选地，该身份信息确定模块包括神经网络模型构建与优化子模块、身份匹配子模块和授权人员确定子模块；其中，
该神经网络模型构建与优化子模块用于构建关于授权人员的目标人员图像特征深度学习神经网络模型，并对该目标人员图像特征深度学习神经网络模型进行优化；
该身份匹配子模块用于将经过优化的该目标人员图像特征深度学习神经网络模型，对该目标人员图像特征信息进行该身份匹配处理，以此获得该封样抽检人员的该身份信息；
该授权人员确定子模块用于对该封样抽检人员的该身份信息进行安全评判处理，以此确定该封样处理过程当前存在的封样抽检人员是否为授权人员。
从上述实施例的内容可知，该用于封样抽检人员的验证方法及系统通过获取封样处理过程对应的封样环境信息和封样相关人员存在状态信息，以此确定关于该封样处理过程的图像采集模式，根据该图像采集模式，获取该封样处理过程对应的不同类型的封样处理图像，对该封样处理图像进行关于目标人员对象的图像特征提取，以此获得相应的目标人员图像特征，以及对该目标人员图像特征进行身份匹配处理，以此确定该封样处理过程中存在的封样抽检人员的身份信息；可见，该用于封样抽检人员的验证方法及系统能够在封样抽检执行的全过程中，基于采集到的图像对封样抽检人员进行相应的身份验证，该验证方法和系统能够省去封样抽检人员主动提供个人生物信息和/或密码信息的麻烦，这能够有效地提高对封样抽检人员全过程身份验证的智能性，以及提高封样抽检执行的安全性和可靠性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种用于封样抽检人员的验证方法，其特征在于，所述用于封样抽检人员的验证方法包括如下步骤：
步骤S1，获取封样处理过程对应的封样环境信息和封样相关人员存在状态信息，以此确定关于所述封样处理过程的图像采集模式；
步骤S2，根据所述图像采集模式，获取所述封样处理过程对应的不同类型的封样处理图像；
步骤S3，对所述封样处理图像进行关于目标人员对象的图像特征提取，以此获得相应的目标人员图像特征；
步骤S4，对所述目标人员图像特征进行身份匹配处理，以此确定所述封样处理过程中存在的封样抽检人员的身份信息；
在所述步骤S1中，获取封样处理过程对应的封样环境信息和封样相关人员存在状态信息，以此确定关于所述封样处理过程的图像采集模式具体包括，
步骤S101，确定所述封样处理过程对应的封样处理三维空间，以此获取所述封样处理过程对应的封样环境亮度信息、封样环境区间分布信息和封样环境遮蔽状态信息中的至少一者，以作为所述封样环境信息；
步骤S102，对所述封样处理过程进行红外线扫描感应处理，以此获取所述封样处理过程对应的操作人员数量信息和/或操作人员位置信息，以作为所述封样相关人员存在状态信息；
步骤S103，根据所述封样环境信息和所述封样相关人员存在状态信息，对所述封样处理过程进行单目图像采集操作、多目图像采集操作、定焦图像采集操作和变焦图像采集操作中的至少一者；
在所述步骤S2中，根据所述图像采集模式，获取所述封样处理过程对应的不同类型的封样处理图像具体包括，
步骤S201，对所述封样处理过程进行单目图像采集操作和/或多目图像采集操作，以此获得关于所述封样处理过程的单目图像数据和/或多目图像数据；
步骤S202，对所述封样处理过程进行定焦图像采集操作和/或变焦图像采集操作，以此获得关于所述封样处理过程的定焦图像数据和/或变焦图像数据；
步骤S203，获取所述单目图像数据和/或所述多目图像数据中关于不同时序拍摄图像之间的视差变换图像，以作为一部分所述封样处理图像；
步骤S204，获取所述定焦图像数据和/或所述变焦图像数据中关于不同时序拍摄图像之间的景深变换图像，以作为一部分所述封样处理图像。
2.如权利要求1所述的用于封样抽检人员的验证方法，其特征在于：
在所述步骤S3中，对所述封样处理图像进行关于目标人员对象的图像特征提取，以此获得相应的目标人员图像特征具体包括，
步骤S301，对所述封样处理图像中的关于所述封样处理过程的视差变换图像进行图像视差特征的提取处理，以此获得关于所述目标人员对象的视差图像特征；
步骤S302，对所述封样处理图像中的关于所述封样处理过程的景深变换图像进行图像景深特征的提取处理，以此获得关于所述目标人员对象的景深图像特征；
步骤S303，对所述视差图像特征和所述景深图像特征分别进行目标人员对象的人员轮廓和/或人员纹理的定位处理，以此获得相应的目标人员轮廓分布信息和/或目标人员纹理分布信息；
步骤S304，对所述目标人员轮廓分布信息和/或所述目标人员纹理分布信息进行数据拟合处理，以此获得所述目标人员图像特征。
3.如权利要求1所述的用于封样抽检人员的验证方法，其特征在于：
在所述步骤S4中，对所述目标人员图像特征进行身份匹配处理，以此确定所述封样处理过程中存在的封样抽检人员的身份信息具体包括，
步骤S401，构建关于授权人员的目标人员图像特征深度学习神经网络模型，并对所述目标人员图像特征深度学习神经网络模型进行优化；
步骤S402，将经过优化的所述目标人员图像特征深度学习神经网络模型，对所述目标人员图像特征信息进行所述身份匹配处理，以此获得所述封样抽检人员的所述身份信息；
步骤S403，对所述封样抽检人员的所述身份信息进行安全评判处理，以此确定所述封样处理过程当前存在的封样抽检人员是否为授权人员，其具体为，
步骤S4031，根据下面公式，对所述授权人员的身份信息进行预处理，
在上述公式中，bij为第i个授权人员的第j项预处理后的信息，aij为第i个授权人员的第j项信息，
为第i项信息的均值，m为授权人员的数量，n为授权人员的信息包含量；
步骤S4032，根据下面公式，计算所述封样抽检人员与所述授权人员之间的相似度
在上述公式中，wi为所述封样抽检人员的身份信息与第i个授权人员的身份信息对应的相似度，C为所述封样抽检人员的身份信息集，且C＝(c0j)1×n，Bi为第i个授权人员的预处理身份信息集，且Bi＝(bij)1×n,i＝1,2,Λ,m；
步骤S4033，判断所述封样抽检人员是否属于授权人员，
若满足wi≥95％，则确定所述封样抽检人员属于授权人员，否则确定所述封样抽检人员不属于授权人员。
4.一种用于封样抽检人员的验证系统，其特征在于：
所述用于封样抽检人员的验证系统包括图像采集模式确定模块、封样处理图像获取模块、目标人员图像特征获取模块和身份信息确定模块；其中，
所述图像采集模式确定模块用于根据封样处理过程对应的封样环境信息和封样相关人员存在状态信息，确定关于所述封样处理过程的图像采集模式；
所述封样处理图像获取模块用于根据所述图像采集模式，获取所述封样处理过程对应的不同类型的封样处理图像；
所述目标人员图像特征获取模块用于对所述封样处理图像进行关于目标人员对象的图像特征提取，以此获得相应的目标人员图像特征；
所述身份信息确定模块用于对所述目标人员图像特征进行身份匹配处理，以此确定所述封样处理过程中存在的封样抽检人员的身份信息；
所述图像采集模式确定模块包括封样环境信息获取子模块、封样相关人员存在状态信息获取子模块和图像采集操作确定子模块；其中，
所述封样环境信息获取子模块用于根据所述封样处理过程对应的封样处理三维空间，以此获取所述封样处理过程对应的封样环境亮度信息、封样环境区间分布信息和封样环境遮蔽状态信息中的至少一者，以作为所述封样环境信息；
所述封样相关人员存在状态信息获取子模块用于对所述封样处理过程进行红外线扫描感应处理，以此获取所述封样处理过程对应的操作人员数量信息和/或操作人员位置信息，以作为所述封样相关人员存在状态信息；
所述图像采集操作确定子模块用于根据所述封样环境信息和所述封样相关人员存在状态信息，对所述封样处理过程进行单目图像采集操作、多目图像采集操作、定焦图像采集操作和变焦图像采集操作中的至少一者；
所述封样处理图像获取模块包括第一图像数据获取子模块、第二图像数据获取子模块、第一图像变换子模块和第二图像变换子模块；其中，
所述第一图像数据获取子模块用于对所述封样处理过程进行单目图像采集操作和/或多目图像采集操作，以此获得关于所述封样处理过程的单目图像数据和/或多目图像数据；
所述第二图像数据获取子模块用于对所述封样处理过程进行定焦图像采集操作和/或变焦图像采集操作，以此获得关于所述封样处理过程的定焦图像数据和/或变焦图像数据；
所述第一图像变换子模块用于获取所述单目图像数据和/或所述多目图像数据中关于不同时序拍摄图像之间的视差变换图像，以作为一部分所述封样处理图像；
所述第二图像变换子模块用于获取所述定焦图像数据和/或所述变焦图像数据中关于不同时序拍摄图像之间的景深变换图像，以作为一部分所述封样处理图像。
5.如权利要求4所述的用于封样抽检人员的验证系统，其特征在于：
所述目标人员图像特征获取模块包括视差图像特征获取子模块、景深图像特征获取子模块、人员轮廓和/或纹理计算子模块和目标人员图像特征拟合子模块；其中，
所述视差图像特征获取子模块用于对所述封样处理图像中的关于所述封样处理过程的视差变换图像进行图像视差特征的提取处理，以此获得关于所述目标人员对象的视差图像特征；
所述景深图像特征获取子模块用于对所述封样处理图像中的关于所述封样处理过程的景深变换图像进行图像景深特征的提取处理，以此获得关于所述目标人员对象的景深图像特征；
所述人员轮廓和/或纹理计算子模块用于对所述视差图像特征和所述景深图像特征分别进行目标人员对象的人员轮廓和/或人员纹理的定位处理，以此获得相应的目标人员轮廓分布信息和/或目标人员纹理分布信息；
所述目标人员图像特征拟合子模块用于对所述目标人员轮廓分布信息和/或所述目标人员纹理分布信息进行数据拟合处理，以此获得所述目标人员图像特征。
6.如权利要求4所述的用于封样抽检人员的验证系统，其特征在于：
所述身份信息确定模块包括神经网络模型构建与优化子模块、身份匹配子模块和授权人员确定子模块；其中，
所述神经网络模型构建与优化子模块用于构建关于授权人员的目标人员图像特征深度学习神经网络模型，并对所述目标人员图像特征深度学习神经网络模型进行优化；
所述身份匹配子模块用于将经过优化的所述目标人员图像特征深度学习神经网络模型，对所述目标人员图像特征信息进行所述身份匹配处理，以此获得所述封样抽检人员的所述身份信息；
所述授权人员确定子模块用于对所述封样抽检人员的所述身份信息进行安全评判处理，以此确定所述封样处理过程当前存在的封样抽检人员是否为授权人员。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010442505.9A CN111597524B (zh) | 2020-05-22 | 2020-05-22 | 一种用于封样抽检人员的验证方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010442505.9A CN111597524B (zh) | 2020-05-22 | 2020-05-22 | 一种用于封样抽检人员的验证方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111597524A CN111597524A (zh) | 2020-08-28 |
| CN111597524B true CN111597524B (zh) | 2021-03-23 |
Family
ID=72186357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010442505.9A Active CN111597524B (zh) | 2020-05-22 | 2020-05-22 | 一种用于封样抽检人员的验证方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111597524B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113177452B (zh) * | 2021-04-22 | 2024-02-27 | 国网江苏省电力有限公司物资分公司 | 一种基于图像处理与射频技术的封样方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163246A (zh) * | 2019-04-08 | 2019-08-23 | 杭州电子科技大学 | 基于卷积神经网络的单目光场图像无监督深度估计方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222486A (zh) * | 2019-05-18 | 2019-09-10 | 王�锋 | 用户身份验证方法、装置、设备及计算机可读存储介质 |
| CN110443016B (zh) * | 2019-07-04 | 2023-10-10 | 深圳壹账通智能科技有限公司 | 信息防泄露方法、电子装置及存储介质 |
| CN110517381A (zh) * | 2019-08-20 | 2019-11-29 | 一石数字技术成都有限公司 | 一种基于人脸注册机制的访客管理系统和方法 |
-
2020
- 2020-05-22 CN CN202010442505.9A patent/CN111597524B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163246A (zh) * | 2019-04-08 | 2019-08-23 | 杭州电子科技大学 | 基于卷积神经网络的单目光场图像无监督深度估计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111597524A (zh) | 2020-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111881726B (zh) | 一种活体检测方法、装置及存储介质 | |
| CN108563990B (zh) | 一种基于cis图像采集系统的证照鉴伪方法及系统 | |
| CN110555931A (zh) | 一种基于深度学习识别的人脸检测与门禁系统装置 | |
| CN106971159A (zh) | 一种图像清晰度识别方法、身份认证方法及装置 | |
| CN111783663A (zh) | 一种用于人证核验设备性能检测的算法测评系统及检测方法 | |
| US9378406B2 (en) | System for estimating gender from fingerprints | |
| CN111209980A (zh) | 环境检测方法和装置、电子设备、计算机可读存储介质 | |
| CN111597524B (zh) | 一种用于封样抽检人员的验证方法及系统 | |
| CN111767879A (zh) | 一种活体检测方法 | |
| CN110930566A (zh) | 监狱往来车辆的安全复核方法、系统、装置及可存储介质 | |
| CN112862640A (zh) | 数字化校区云平台管理系统 | |
| Popov | Use of system diversity as tool for identification | |
| CN113705428A (zh) | 活体检测方法及装置、电子设备及计算机可读存储介质 | |
| CN115116119A (zh) | 一种基于数字图像处理技术的人脸识别系统 | |
| CN112183167B (zh) | 考勤方法、认证方法、活体检测方法、装置及设备 | |
| CN110852203B (zh) | 一种基于视频特征学习的多要素可疑人员识别方法 | |
| Arnautovski | Face recognition technology in the exam identity authentication system-implementation concept | |
| CN112149089A (zh) | 一种基于物联网的计算机登录认证管理系统 | |
| CN115424383B (zh) | 一种智能门禁管理系统及方法 | |
| WO2019078405A1 (ko) | 지문인식장치를 위한 위조방어력 분석 시스템 및 그 평가방법 | |
| Sousedikova et al. | The Role of Lie Detection Based System in Controlling Borders | |
| CN115546737B (zh) | 一种机房监控方法 | |
| RU2536677C2 (ru) | Способ распознавания образов на цифровом изображении | |
| CN117854191A (zh) | 一种机场隔离区远程自助查验系统及方法 | |
| Senthilkumar et al. | A Novel and Smart Administrative Door Lock and Open System using Face Recognition |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A verification method and system for sealing sample sampling personnel Effective date of registration: 20220531 Granted publication date: 20210323 Pledgee: Nantong CIC Financing Guarantee Co.,Ltd. Pledgor: JIANGSU HAOHAN INFORMATION TECHNOLOGY Co.,Ltd. Registration number: Y2022980006824 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20230523 Granted publication date: 20210323 Pledgee: Nantong CIC Financing Guarantee Co.,Ltd. Pledgor: JIANGSU HAOHAN INFORMATION TECHNOLOGY Co.,Ltd. Registration number: Y2022980006824 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Verification Method and System for Sealing Sample Sampling Personnel Effective date of registration: 20230525 Granted publication date: 20210323 Pledgee: Nantong CIC Financing Guarantee Co.,Ltd. Pledgor: JIANGSU HAOHAN INFORMATION TECHNOLOGY Co.,Ltd. Registration number: Y2023980041781 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |