CN111675059A - 基于人脸识别的电梯控制方法、装置和计算机设备 - Google Patents
基于人脸识别的电梯控制方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111675059A CN111675059A CN202010528612.3A CN202010528612A CN111675059A CN 111675059 A CN111675059 A CN 111675059A CN 202010528612 A CN202010528612 A CN 202010528612A CN 111675059 A CN111675059 A CN 111675059A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- elevator
- sample
- data
- 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 47
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 230000003213 activating effect Effects 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 13
- 238000012790 confirmation Methods 0.000 description 10
- 239000000284 extract Substances 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 206010011409 Cross infection Diseases 0.000 description 2
- 206010029803 Nosocomial infection Diseases 0.000 description 2
- 241000700605 Viruses Species 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B1/00—Control systems of elevators in general
- B66B1/02—Control systems without regulation, i.e. without retroactive action
- B66B1/06—Control systems without regulation, i.e. without retroactive action electric
- B66B1/14—Control systems without regulation, i.e. without retroactive action electric with devices, e.g. push-buttons, for indirect control of movements
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B1/00—Control systems of elevators in general
- B66B1/34—Details, e.g. call counting devices, data transmission from car to control system, devices giving information to the control system
- B66B1/46—Adaptations of switches or switchgear
- B66B1/468—Call registering systems
-
- 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
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B2201/00—Aspects of control systems of elevators
- B66B2201/40—Details of the change of control mode
- B66B2201/46—Switches or switchgear
- B66B2201/4607—Call registering systems
- B66B2201/4638—Wherein the call is registered without making physical contact with the elevator system
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于人脸识别的电梯控制方法、装置和计算机设备。所述方法包括:获取电梯口区域的视频数据,视频数据包括多帧图像;对各帧图像进行人脸目标检测,得到包含人脸目标的图像;调用识别模型,通过识别模型对包含人脸目标的图像进行人脸定位,对定位后的人脸目标图像进行切割,生成待识别人脸目标图像;将待识别人脸目标图像与预设人脸图像进行比对;当比对成功时,根据待识别人脸目标图像中的电梯标识呼叫相应的电梯,以及获取待识别人脸目标图像对应的楼层数据;当呼叫的电梯到达后,激活电梯面板上楼层数据对应的楼层按钮,以控制电梯到达楼层数据对应的指定楼层。采用本方法能够避免人工操作以提高梯控系统的电梯控制效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种基于人脸识别的电梯控制方法、装置、计算机设备和存储介质。
背景技术
在提供电梯服务的过程中,是通过梯控系统来控制电梯,实现乘坐电梯。传统方式中,需要用户按电梯、刷卡、按楼层等步骤来乘坐电梯,从而实现将用户运送到指定楼层。然而,传统方式需要人工操作且操作过程较繁琐,导致电梯控制效率较低。因此,如何通过避免人工操作以提高梯控系统的电梯控制效率成为目前需要解决的一个技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够减少人工操作以提高梯控系统的电梯控制效率的基于人脸识别的电梯控制方法、装置、计算机设备和存储介质。
一种基于人脸识别的电梯控制方法,所述方法包括:
获取电梯口区域的视频数据,所述视频数据包括多帧图像;
对各帧图像进行人脸目标检测,得到包含人脸目标的图像;
调用识别模型,通过所述识别模型对所述包含人脸目标的图像进行人脸定位,对定位后的人脸目标图像进行切割,生成待识别人脸目标图像;
将所述待识别人脸目标图像与预设人脸图像进行比对;
当比对成功时,根据所述待识别人脸目标图像中的电梯标识呼叫相应的电梯,以及获取所述待识别人脸目标图像对应的楼层数据;
当呼叫的电梯到达后,激活电梯面板上所述楼层数据对应的楼层按钮,以控制电梯到达所述楼层数据对应的指定楼层。
在其中一个实施例中,所述方法还包括:
在多帧图像中提取样本图像;
将所述样本图像进行比对,得到多个样本相似度;
当所述样本相似度大于样本阈值时,确定所述样本图像作为标准图像;
根据所述标准图像对多帧图像中的待检测图像进行校验,当所述待检测图像与所述标准图像之间的图像相似度小于图像阈值时,则对所述待检测图像进行人脸目标检测。
在其中一个实施例中,所述将所述样本图像进行比对,得到多个样本相似度包括:
对所述样本图像进行预处理;
获取处理后的样本图像中多个像素点所对应的灰度值;
根据所述灰度值确定所述样本图像所对应的特征数据;
将所述样本图像对应的特征数据进行比对,得到所述样本图像之间的样本相似度。
在其中一个实施例中,所述通过所述识别模型对所述包含人脸目标的图像进行人脸定位,对定位后的人脸目标图像进行切割,生成待识别人脸目标图像包括:
通过所述识别模型对所述包含人脸目标的图像进行人脸定位,得到对应的人脸目标定位框的坐标数据;
根据所述人脸目标定位框的坐标数据,对所述人脸目标图像进行切割,生成对应的人脸标识矩形框;
利用所述人脸标识矩形框,生成对应的多个待识别人脸目标图像。
在其中一个实施例中,所述将所述待识别人脸目标图像与预设人脸图像进行比对包括:
获取预设人脸图像,对所述预设人脸图像进行特征提取,得到所述预设人脸图像的特征数据;
利用所述识别模型对所述待识别人脸目标图像进行训练,得到每帧待识别人脸目标图像对应的特征点;
选取所述特征点相邻的多个像素点,构建所述特征点对应的特征向量;
根据所述特征点对应的特征向量,计算对应的人脸目标识别概率;
当所述人脸目标识别概率大于概率阈值时,则将所述人脸目标识别概率对应的特征点与所述预设人脸图像的特征数据进行比对。
在其中一个实施例中,所述方法还包括:
对所述楼层数据进行格式转换,得到转换后的楼层数据;
根据所述转换后的楼层数据激活电梯面板上相应的楼层按钮。
一种基于人脸识别的电梯控制装置,所述装置包括:
通信模块,用于获取电梯口区域的视频流数据,所述视频流数据包括多帧图像;
检测模块,用于对各帧图像进行人脸目标检测,得到包含人脸目标的图像;
识别模块,用于调用识别模型,通过所述识别模型对所述包含人脸目标的图像进行人脸定位,对定位后的人脸目标图像进行切割,生成待识别人脸目标图像;
比对模块,用于将所述待识别人脸目标图像与预设人脸图像进行比对;
呼叫模块,用于当比对成功时,根据所述待识别人脸目标图像中的电梯标识呼叫相应的电梯;
提取模块,用于获取所述待识别人脸目标图像对应的楼层数据;
梯控模块,用于当呼叫的电梯到达后,激活电梯面板上所述楼层数据对应的楼层按钮,以控制电梯到达所述楼层数据对应的指定楼层。
在其中一个实施例中,所述装置还包括:校验模块,用于在多帧图像中提取样本图像;将所述样本图像进行比对,得到多个样本相似度;当所述样本相似度大于样本阈值时,确定所述样本图像作为标准图像;根据所述标准图像对多帧图像中的待检测图像进行校验,当所述待检测图像与所述标准图像之间的图像相似度小于图像阈值时,则对所述待检测图像进行人脸目标检测。
一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
上述基于人脸识别的电梯控制方法、装置、计算机设备和存储介质,通过获取电梯口区域的视频数据,解析视频数据,得到多帧图像。对各帧图像进行人脸目标检测,得到包含人脸目标的图像。从而调用识别模型,通过识别模型对包含人脸目标的图像进行人脸定位,对定位后的人脸目标图像进行切割,生成待识别人脸目标图像。能够对生成的每帧包含人脸目标的图像进行精确的特征定位。将待识别人脸目标图像与预设人脸图像进行比对,当比对成功时,根据待识别人脸目标图像中的电梯标识呼叫相应的电梯,以及获取待识别人脸目标图像对应的楼层数据。当呼叫的电梯到达后,激活电梯面板上楼层数据对应的楼层按钮,以控制电梯到达楼层数据对应的指定楼层。通过动态人脸识别,实现自动呼叫电梯,并在电梯到达后,自动激活相应的楼层按钮,控制电梯到达指令楼层,乘坐电梯的全过程无需人工操作,乘坐电梯流程简便,提高了电梯控制效率。同时,避免了用户与电梯之间的接触,进而能够有效有效避免细菌、病毒的交叉感染。
附图说明
图1为一个实施例中基于人脸识别的电梯控制方法的应用环境图;
图2为一个实施例中基于人脸识别的电梯控制方法的流程示意图;
图3为一个实施例中对多帧图像进行校验步骤的流程示意图;
图4为一个实施例中基于人脸识别的电梯控制装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于人脸识别的电梯控制方法,可以应用于如图1所示的应用环境中。其中,包括移动终端102、至少一个图像采集设备104和服务器106,移动终端102与服务器106通过网络进行通信。图像采集设备106可以安装在提供电梯服务的电梯口,用于采集电梯口区域的视频数据。图像采集设备104与服务器106通过网络进行通信。服务器106获取移动终端102发送的电梯服务数据。服务器106获取安装在电梯口的图像采集设备106采集的电梯口区域的视频数据。视频数据包括多帧图像。服务器106对各帧图像进行目标检测,得到包含人脸目标的图像。服务器106调用识别模型,通过识别模型对包含人脸目标的图像进行人脸定位,对定位后的人脸目标图像进行切割,生成待识别人脸目标图像。服务器106将待识别人脸目标图像与预设人脸目标图像进行比对,得到人脸识别结果。当人脸识别结果为比对成功时,根据待识别人脸图像中的电梯标识呼叫相应的电梯,以及在电梯服务数据中获取待识别人脸目标图像对应的楼层数据。当呼叫的电梯达到后,服务器106激活电梯面板上楼层数据对应的楼层按钮,以控制电梯到达所述楼层数据对应的指定楼层。其中,移动终端102可以但不限于是各种智能手机和便携式可穿戴设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于人脸识别的电梯控制方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,获取电梯口区域的视频数据,视频数据包括多帧图像。
在提供电梯服务的过程中,可以通过安装在电梯口的图像采集设备采集电梯口区域的视频数据。图像采集设备可以是动态人脸识别摄像头。当用户到达电梯口时,服务器获取动态人脸识别摄像头采集到的视频数据。视频数据可以通过视频流的形式进行传输。服务器中预先配置有视频数据接口,服务器可以通过调用视频数据接口,获取动态人脸识别摄像头采集到的视频数据。
视频数据是指连续的图像序列,视频数据可以包括连续多帧在时间上存在先后顺序的图像数据。帧是视频数据中的最小视觉单元,视频数据中的每一帧可以对应一个图像数据。服务器对视频数据进行解析,得到视频数据中的多帧图像。
移动终端中预先部署有应用程序。在提供电梯服务之前,移动终端可以预先在应用程序中进行注册,并通过登录应用程序来获取服务需求数据。电梯服务可以但不限于是各种房间入住服务、社区电梯服务、办公电梯服务等需要乘坐电梯的服务。服务需求数据可以是用户请求电梯服务所需要的数据。移动终端从而根据服务需求数据计算资源数据。资源数据可以是服务金额。移动终端在获取资源数据的确认操作之后,根据确认操作生成对应的资源确认数据,进而将资源确认数据发送至云平台,通过云平台返回与资源确认数据对应的电梯服务数据。电梯服务数据是可供用户乘坐电梯的相关数据,包括用户需要到达的电梯口以及相应的楼层数据等。电梯服务数据可以用于在用户乘坐电梯时,确定用户需要到达的楼层数据,以便将用户送达指定楼层。移动终端在接收到云平台返回的电梯服务数据后,将电梯服务数据进行存储。例如,移动终端可以将电梯服务数据存储至应用程序中。
例如,当电梯服务为房间入住服务时,用户可以通过移动终端登录应用程序来获取服务需求数据。服务需求数据可以包括用户姓名、用户身份证数据、用户选择的房间类型等。移动终端从而根据服务需求数据计算资源数据,资源数据可以是房间金额。移动终端在获取资源数据的确认操作之后,根据确认操作生成对应的资源确认数据。进而移动终端将资源确认数据发送至云平台,通过云平台返回与资源确认数据对应的房间订单数据,表示用户已完成房间订单支付。房间订单数据可以包括房间标识、房间标识所在的楼层数据等。
进一步的,移动终端可以在获取到房间订单数据之后,对用户进行人脸识别实名认证。具体的,移动终端调用摄像头获取用户人脸图像。进而在数据库中提取与房间订单数据中用户身份证数据相对应的身份证人脸图像,将获取到的用户人脸图像与身份证人脸图像进行比对,当比对一致时,通过人脸识别实名认证。可以将获取到的用户人脸图像同时存储至移动终端以及云平台中。存储的的用户人脸图像包括用户人脸图像的特征数据。可以将存储的用户人脸图像称为预设人脸图像,预设人脸图像可以用于在用户乘坐电梯时,对用户进行动态人脸识别认证。
移动终端还可以在用户注册应用程序的账号时,对用户进行人脸识别实名认证。在通过人脸识别实名认证之后,将获取到的用户人脸图像同时存储至移动终端以及云平台中。
步骤204,对各帧图像进行人脸目标检测,得到包含人脸目标的图像。
服务器对视频数据进行解析,得到视频数据中的多帧图像。服务器调用预先训练的分类器对各帧图像进行人脸目标检测,当检测到图像中存在人脸目标时,服务器可以对各帧图像的空间重合度进行检测,并将空间重合度与预设阈值进行比较,当空间重合度达到预设阈值时,则确定该帧图像存在人脸目标,从而得到包含人脸目标的图像。
步骤206,调用识别模型,通过识别模型对包含人脸目标的图像进行人脸定位,对定位后的人脸目标图像进行切割,生成待识别人脸目标图像。
服务器中预先存储有识别模型,识别模型是通过大量样本数据训练后得到的。服务器在得到包含人脸目标的图像后,调用预先建立的识别模型对包含人脸目标的图像进行人脸定位。例如,识别模型可以是多任务级联卷积神经网络模型。具体的,服务器将包含人脸目标的图像输入至识别模型中,通过第一级卷积神经网络对包含人脸目标的图像进行预测运算,输出定位人脸目标图像的候选窗口和边界框回归向量。通过第一级卷积神经网络利用边界框回归向量对候选窗口进行校准,得到相应的第一级人脸目标定位框的坐标数据以及人脸分类概率。从而服务器将经过第一级定位后的人脸图像输入至下一级卷积神经网络进行人脸定位,得到对应的第二级目标定位框的坐标数据以及人脸分类概率。进而通过识别模型对经过第二级定位后的人脸图像进行人脸定位和校准,得到第二级定位后的人脸图像对应的人脸关键点的定位数据、人脸目标定位框的坐标数据以及人脸分类概率。服务器可以根据人脸目标定位框的坐标数据对定位后的人脸目标图像进行切割,生成待识别人脸目标图像。
步骤208,将待识别人脸目标图像与预设人脸图像进行比对。
服务器对待识别人脸目标图像进行特征提取,得到待识别人脸图像对应的特征数据。特征数据可以包括左眼、右眼、鼻子、左嘴角和右嘴角等脸部特征数据。服务器可以在移动终端或者云平台中获取预设人脸图像。预设人脸图像是通过人脸识别实名认证的人脸图像。服务器对预设人脸图像进行特征提取,得到预设人脸图像的特征数据。从而将待识别人脸图像对应的特征数据与预设人脸图像对应的特征数据进行比对,得到相应的人脸识别结果。
步骤210,当比对成功时,根据待识别人脸目标图像中的电梯标识呼叫相应的电梯,以及在电梯服务数据中获取待识别人脸目标图像对应的楼层数据。
步骤212,当呼叫的电梯到达后,激活电梯面板上楼层数据对应的楼层按钮,以控制电梯到达楼层数据对应的指定楼层。
当人脸识别结果为比对成功时,即通过身份认证。由于动态人脸识别摄像头采集的视频数据中包括电梯标识,待识别人脸图像中也同样携带有电梯标识。服务器可以根据待识别人脸图像中的电梯标识呼叫相应的电梯,并生成语音提示数据。例如,语音提示数据可以是“已经为您呼叫电梯”。同时,服务器获取移动终端发送的电梯服务数据,在电梯服务数据中提取待识别人脸图像对应的楼层数据。进而在呼叫的电梯到达且用户进行电梯后,激活电梯面板上所述楼层数据对应的楼层按钮,实现控制电梯到达楼层数据对应的指定楼层。
在本实施例中,通过获取电梯口区域的视频数据,解析视频数据,得到多帧图像。对各帧图像进行人脸目标检测,得到包含人脸目标的图像。从而调用识别模型,通过识别模型对包含人脸目标的图像进行人脸定位,对定位后的人脸目标图像进行切割,生成待识别人脸目标图像。能够对生成的每帧包含人脸目标的图像进行精确的特征定位。将待识别人脸目标图像与预设人脸图像进行比对,当比对成功时,根据待识别人脸目标图像中的电梯标识呼叫相应的电梯,以及获取待识别人脸目标图像对应的楼层数据。当呼叫的电梯到达后,激活电梯面板上楼层数据对应的楼层按钮,以控制电梯到达楼层数据对应的指定楼层。通过动态人脸识别,实现自动呼叫电梯,并在电梯到达后,自动激活相应的楼层按钮,控制电梯到达指令楼层,乘坐电梯的全过程无需人工操作,乘坐电梯流程简便,提高了电梯控制效率。同时,避免了用户与电梯之间的接触,进而能够有效有效避免细菌、病毒的交叉感染。
在一个实施例中,如图3所示,上述方法还包括对多帧图像进行校验的步骤,该步骤具体包括:
步骤302,在多帧图像中提取样本图像。
步骤304,将样本图像进行比对,得到多个样本相似度。
步骤306,当样本相似度大于样本阈值时,确定样本图像作为标准图像。
步骤308,根据标准图像对多帧图像中的待检测图像进行校验,当待检测图像与标准图像之间的图像相似度小于图像阈值时,则对待检测图像进行人脸目标检测。
服务器可以在多帧图像中提取多帧样本图像,对多帧样本图像对应时间段内的图像内容是否相似进行判断,进而根据判断结果在多帧样本图像中确定标准图像。具体的,服务器可以将提取的多帧样本图像进行相互比对,得到多个样本图像之间的样本相似度。服务器可以根据实际需求通过多种组合方式中的一种将多帧样本图像进行相互比对。例如,服务器可以根据多帧样本图像在时间上的先后顺序对多帧样本图像进行排序,得到样本图像序列,服务器可以根据样本图像序列将相邻的两个样本图像进行相互比对,得到多个样本相似度。服务器还可以从多帧样本图像中确定一帧样本图像,将其他的多帧样本图像分别与确定出的一帧样本图像进行比对,得到多个样本相似度。其中,服务器确定的一帧样本图像可以是多帧样本图像中的第一帧样本图像。
样本图像之间的样本相似度可以用于表示两个样本图像所对应图像内容的相似程度。当样本图像之间的样本相似度较大时,表示对应样本图像的图像内容相似程度较高,在样本图像所对应的时间段内真实场景的变化较小,不需要多次重复对相似程度较高的图像数据进行识别。例如,在酒店电梯口区域的监控视频中,一段时间内该区域未出现任何用户,对应的图像数据相似程度较高。当样本图像之间的样本相似度较小时,表示对应样本图像的图像内容相似程度较低,在样本图像所对应的时间段内真实场景的变化较大,需要快速对变化的图像数据进行检测以及识别,以此在快速、准确的进行图像检测以及识别时避免不必要的资源消耗,例如服务器的运算资源等,节省图像检测以及识别所消耗的资源成本。
当样本相似度大于样本阈值时,服务器可以确定样本图像作为标准图像。例如,样本阈值可以设置为95%。具体的,服务器在将多帧样本图像相互比对之后可以得到多个样本相似度。服务器可以将多个样本相似度分别与样本阈值进行比对。当多个样本相似度中的任意一个样本相似度均大于样本阈值时,表示多帧样本图像之间的相似程度较高,多帧样本图像所对应的图像内容未发生较大变化,服务器可以将该样本图像记作标准图像。标准图像可以用于对待检测图像进行比较,判断待检测图像所对应的图像内容是否发生较大变化,以此对待检测图像进行筛选。
当服务器确定标准图像之后,服务器可以根据标准图像对视频数据中的待检测图像进行校验,从而对视频数据中的待检测图像进行过滤处理。其中,待检测图像可以是服务器从视频数据中提取的位于样本图像之后的图像。可以理解的,服务器可以按照图像在时间上的先后顺序,从视频数据中依次提取图像数据。服务器可以根据提取时间将提取到的图像分别记作样本图像或待检测图像。例如,服务器在获取到视频数据,需要确定标准图像以对图像数据进行校验时,可以将提取的图像数据记作样本图像,从而根据多帧样本图像确定标准图像。服务器在确定标准图像之后,可以将后续提取到的图像记作待检测图像,根据标准图像对待检测图像进行校验。具体的,服务器可以从视频数据中依次提取样本图像之后的图像作为待检测图像,服务器可以将待检测图像逐一与标准图像进行比对,以对待检测图像进行校验。当待检测图像与标准图像校验成功时,重复将下一帧待检测图像与标准图像进行校验,直到待检测图像与标准图像校验失败。服务器将待检测图像与标准图像进行比对,可以得到待检测图像与标准图像之间的图像相似度。
服务器可以将图像相似度与图像阈值进行比对。在其中一个实施例中,图像阈值可以与样本阈值相同。当图像相似度大于或等于图像阈值时,服务器可以确定待检测图像与标准图像比对成功。当图像相似度小于图像阈值时,服务器可以确定待检测图像与标准图像比对失败。
当待检测图像与基准图像之间的图像相似度小于图像阈值时,表示待检测图像所对应的图像内容与基准图像相比,发生了较为明显的变化,待检测图像不属于与基准图像相似的图像数据,服务器可以确定待检测图像与基准图像校验失败。当待检测图像与基准图像之间的图像相似度大于或者等于图像阈值时,确定待检测图像与基准图像校验成功。
服务器可以对校验失败的待检测图像进行人脸目标检测,实现了对视频数据中的多帧图像进行过滤,从而得到过滤后的待检测图像。服务器可以调用预先训练的分类器对过滤后的待检测图像进行人脸目标检测,当检测到图像中存在人脸目标时,服务器可以对过滤后的待检测图像的空间重合度进行检测,并将空间重合度与预设阈值进行比较,当空间重合度达到预设阈值时,则确定图像中存在人脸目标,从而得到包含人脸目标的图像。
在本实施例中,通过在多帧图像中提取样本图像,将样本图像进行比对,得到多个样本相似度。当样本相似度大于样本阈值时,确定样本图像作为标准图像,从而根据标准图像对多帧图像中的待检测图像进行校验,当待检测图像与所述标准图像之间的图像相似度小于图像阈值时,则对待检测图像进行人脸目标检测。实现对待检测图像进行筛选,从而避免重复对视频数据中图像相似度较大的待检测图像进行后续的人脸目标识别过程,有效的节省了人脸图像识别所消耗的资源。
在一个实施例中,将样本图像进行比对,得到多个样本相似度包括:对样本图像进行预处理;获取处理后的样本图像中多个像素点所对应的灰度值;根据灰度值确定样本图像所对应的特征数据;将样本图像对应的特征数据进行比对,得到样本图像之间的样本相似度。
服务器可以通过相似度函数对两个样本图像进行处理,计算出两帧样本图像之间的样本相似度。例如,服务器具体可以采用差异哈希算法(Different hash algorithm,简称DHA)、均值哈希算法(Average hash algorithm,简称AHA)、感知哈希算法(Perceptualhash algorithm,简称PHA)以及SIFT(Scale-invariant feature transform,尺度不变特征变换)算法等。服务器可以对需要进行比对的两帧样本图像进行预处理,预处理包括多种处理方式中的至少一种。例如,预处理具体可以包括但不限于缩放处理以及灰度化处理。服务器可以对提取出的样本图像进行缩放处理,将样本图像缩放成预设尺寸大小的图像数据。例如,根据实际需求的不同,服务器可以将样本图像缩小成32个像素或者72个像素等尺寸大小的图像数据,从而避免样本图像因为尺寸不同或者比例不同所造成的差异。
服务器可以将缩放后的样本图像进行灰度化处理,将样本图像转换为灰度图,从而减少样本图像的计算量。服务器可以获取处理后的样本图像中每个像素点所对应的灰度值,在进行灰度化处理后的样本图像中,每个像素点三个颜色通道的值是相等的。服务器可以根据每个像素点所对应的灰度值,确定样本图像所对应的特征数据。具体的,样本图像中的多个像素点是矩形排列的,服务器可以依次遍历每一行像素点所对应的灰度值。服务器可以根据像素点的排列顺序,将每一行中相邻像素点所对应的灰度值进行比对,判断前一个像素点的灰度值是否大于或等于后一个像素点的灰度值。服务器可以通过“0”和“1”对比对结果进行标记。当前一个像素点的灰度值大于或等于后一个像素点的灰度值时,服务器可以将比对结果记作“1”。当前一个像素点的灰度值小于后一个像素点的灰度值时,服务器可以将比对结果记作“0”。服务器对每一行的像素点进行遍历后,得到包括“0”和“1”的哈希值,服务器可以将样本图像的哈希值记作样本图像对应的特征数据。
服务器可以将两帧样本图像所对应的特征数据进行比对,得到样本图像之间的样本相似度。服务器具体可以逐一比对两帧样本图像各自对应的哈希值知否相同。例如,服务器可以根据样本图像对应的哈希值计算样本图像之间的汉明距离。汉明距离可以用于表示两个相同长度的字符串对应位不同的数量。服务器根据样本图像之间的汉明距离确定两帧样本图像之间的样本相似度。当样本相似度大于样本阈值时,表示多帧样本图像之间的相似程度较高,多帧样本图像所对应的图像内容未发生较大变化,服务器可以将该样本图像记作基准图像。
在本实施例中,服务器可以对样本图像进行预处理,根据处理后的样本图像中像素点对应的灰度值确定样本图像所对应的特征数据。从而服务器将样本图像对应的特征数据进行比对,得到样本图像之间的样本相似度。服务器可以根据样本相似度确定提取出的多帧样本图像是否相似,若相似则将该相似的图像数据进行过滤,避免重复对视频数据中图像相似度较大的图像进行人脸目标检测以及识别,减少了不必要的人脸识别过程,有效的节省了人脸图像识别所消耗的资源。
在一个实施例中,通过识别模型对包含人脸目标的图像进行人脸定位,对定位后的人脸目标图像进行切割,生成待识别人脸目标图像包括:通过识别模型对包含人脸目标的图像进行人脸定位,得到对应的人脸目标定位框的坐标数据;根据人脸目标定位框的坐标数据,对定位后的人脸目标图像进行切割,生成对应的人脸标识矩形框;利用人脸标识矩形框,生成对应的多个待识别人脸目标图像。
识别模型可以是多任务级联卷积神经网络模型。多任务级联卷积神经网络可以包括三级网络。第一级子网络为Proposal Network(P-Net),第二级网络为Refine Network(R-Net)以及第三级网络Output Network(O-Net)。服务器将得到的包含人脸目标的图像输入至第一级网络中,得到对应的多个定位人脸目标图像的候选窗口和边界框回归向量。服务器利用得到的边界框回归向量对多个定位人脸目标图像的候选窗口进行校准,同时利用非极大值抑制(NMS)算法将高度重叠的候选窗口进行合并,最终输出尺度调整后的多个人脸目标图像,以及得到初步筛选后的多个第一级人脸目标定位框的坐标信息和人脸分类概率。服务器从而将尺度调整后的多个人脸目标图像输入至至第二级网络中进行人脸定位识别,服务器在第二级网络中添加全连接层,对上述得到的第一级定位后的人脸目标图像进行过滤,利用边框回归向量和面部关键点定位器对人脸目标图像进行人脸区域的边框回归和关键点定位,输出第二级网络过滤后的人脸目标图像,以及对应的多个第二级人脸目标定位框的坐标信息和人脸分类概率。服务器将第二级网络过滤后的人脸目标图像发送到第三级网络中,进行人脸定位识别,得到对应的人脸关键点的定位信息、人脸目标定位框的坐标信息以及人脸分类概率。进而服务器根据人脸目标定位框的坐标信息,对人脸目标图像进行切割,生成对应的人脸标识矩形框。服务器利用人脸标识矩形框,生成对应的多个待识别人脸目标图像。其中,人脸关键点的定位信息可以包括人脸区域的五个特征点定位信息,五个特征点定位信息包括左眼、右眼、鼻子、左嘴角和右嘴角的特征定位信息。由此能够对多个包含人脸目标的图像进行精准的人脸定位,避免了因背景环境因素的干扰而不能进行准确识别的问题,有效提高了人脸识别的可靠性。
在一个实施例中,将待识别人脸目标图像与预设人脸图像进行比对包括:获取预设人脸图像,对预设人脸图像进行特征提取,得到预设人脸图像的特征数据;利用识别模型对待识别人脸目标图像进行训练,得到每帧待识别人脸目标图像对应的特征点;选取特征点相邻的多个像素点,构建特征点对应的特征向量;根据特征点对应的特征向量,生成对应的人脸目标识别概率;当人脸目标识别概率大于预设阈值时,将人脸目标识别概率对应的特征点与预设人脸图像的特征数据进行比对。
服务器可以获取移动终端或云平台发送的预设人脸图像,提取预设人脸图像的特征数据。从而利用识别模型对得到的待识别人脸目标图像进行训练,经过多层全连接网络进行提取特征,得到每帧待识别人脸目标图像对应的特征点。服务器利用识别模型选取每个特征点相邻的多个像素点,构建每个特征点对应的特征向量。服务器根据特征点对应的特征向量,生成对应的人脸目标识别概率。
服务器将获取到的人脸目标识别概率与概率阈值进行比较,例如,概率阈值可以为90%。当服务器检测到人脸目标识别概率大于概率阈值90%时,表明特征点为待识别人脸目标图像的主要特征数据,则将人脸目标识别概率对应的特征点与预设人脸图像的特征数据进行比对。
在本实施例中,通过识别模型对每帧待识别人脸目标图像进行特征提取,由于识别模型是深度学习神经网络,能够保留人脸目标图像的主要特征数据,从而提高了人脸目标检测的精度。
在一个实施例中,上述方法还包括:对楼层数据进行格式转换,得到转换后的楼层数据;根据转换后的楼层数据激活电梯面板上相应的楼层按钮。
格式转换可以是对楼层数据进行解密。服务器获取到的楼层数据可以是加密后的楼层数据。服务器与移动终端之间可以通过多种方式进行连接通信,以实现移动终端将楼层数据发送至服务器。通信方式可以是蓝牙连接、wifi连接、NFC(Near FieldCommunication,近距离无线通讯技术)连接、以太网连接中的任意一种。例如,加密方式可以是非对称解密方式,例如,RSA(Rivest Shamir Adleman,罗纳德-阿迪-伦纳德)加密算法。因此需要对加密后的楼层数据进行解密,进而得到转换后的楼层数据。服务器进而可以根据转换后的楼层数据激活电梯面板上相应的楼层按钮,以控制电梯到达楼层数据对应的指定楼层。通过对楼层数据进行格式转换,实现对加密后的楼层数据进行解密,能够提高电梯控制的安全性。
进一步的,服务器得到转换后的楼层数据后,可以对转换后的楼层数据进行完整性校验,当校验通过之后,根据转换后的楼层数据生成电梯控制指令,将电梯控制指令发送至呼叫的电梯,以激活电梯面板上相应的楼层按钮。服务器与电梯之间的通信方式可以是485通讯、TCP/IP(Transmission Control Protocol/Internet Protocol,传输控制协议/网际协议)通讯以及开关量信号中的任意一种。通过校验楼层数据的完整性,能够确保楼层数据的准确性,提高电梯控制的准确性。
在一个实施例中,还可以通过移动终端对用户进行身份认证,以呼叫电梯。具体的,当用户快到电梯时,可以打开移动终端中的应用程序,通过应用程序对用户进行身份认证。身份认证方式可以是人脸认证、指纹认证、密码认证、语音认证、NFC认证等多种认证方式中的一种或多种。当身份认证之后,根据待识别人脸目标图像中的电梯标识呼叫相应的电梯,以及获取待识别人脸目标图像对应的楼层数据。当呼叫的电梯到达后,激活电梯面板上楼层数据对应的楼层按钮,以控制电梯到达所述楼层数据对应的指定楼层。
在本实施例中,可以通过移动终端对用户进行身份认证,以呼叫电梯,实现乘坐电梯,提高了电梯控制方式的灵活性。
应该理解的是,虽然图2至3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2至3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种基于人脸识别的电梯控制装置,包括:通信模块402、检测模块404、识别模块406、比对模块408、呼叫模块410、提取模块412和梯控模块414,其中:
通信模块402,用于获取电梯口区域的视频流数据,视频流数据包括多帧图像。
检测模块404,用于对各帧图像进行人脸目标检测,得到包含人脸目标的图像。
识别模块406,用于调用识别模型,通过识别模型对包含人脸目标的图像进行人脸定位,对定位后的人脸目标图像进行切割,生成待识别人脸目标图像。
比对模块408,用于将待识别人脸目标图像与预设人脸图像进行比对。
呼叫模块410,用于当比对成功时,根据待识别人脸目标图像中的电梯标识呼叫相应的电梯。
提取模块412,用于获取待识别人脸目标图像对应的楼层数据。
梯控模块414,用于当呼叫的电梯到达后,激活电梯面板上楼层数据对应的楼层按钮,以控制电梯到达楼层数据对应的指定楼层。
在一个实施例中,上述装置还包括:校验模块,用于在多帧图像中提取样本图像;将样本图像进行比对,得到多个样本相似度;当样本相似度大于样本阈值时,确定样本图像作为标准图像;根据标准图像对多帧图像中的待检测图像进行校验,当待检测图像与标准图像之间的图像相似度小于图像阈值时,则对待检测图像进行人脸目标检测。
在一个实施例中,校验模块还用于对样本图像进行预处理;获取处理后的样本图像中多个像素点所对应的灰度值;根据灰度值确定样本图像所对应的特征数据;将样本图像对应的特征数据进行比对,得到样本图像之间的样本相似度。
在一个实施例中,识别模块406还用于通过识别模型对包含人脸目标的图像进行人脸定位,得到对应的人脸目标定位框的坐标数据;根据人脸目标定位框的坐标数据,对人脸目标图像进行切割,生成对应的人脸标识矩形框;利用人脸标识矩形框,生成对应的多个待识别人脸目标图像。
在一个实施例中,比对模块408还用于获取预设人脸图像,对预设人脸图像进行特征提取,得到预设人脸图像的特征数据;利用识别模型对待识别人脸目标图像进行训练,得到每帧待识别人脸目标图像对应的特征点;选取特征点相邻的多个像素点,构建特征点对应的特征向量;根据特征点对应的特征向量,计算对应的人脸目标识别概率;当人脸目标识别概率大于概率阈值时,则将人脸目标识别概率对应的特征点与预设人脸图像的特征数据进行比对。
在一个实施例中,上述装置还包括:转换模块,用于对楼层数据进行格式转换,得到转换后的楼层数据;根据转换后的楼层数据激活电梯面板上相应的楼层按钮。
关于基于人脸识别的电梯控制装置的具体限定可以参见上文中对于基于人脸识别的电梯控制方法的限定,在此不再赘述。上述基于人脸识别的电梯控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设人脸图像。该计算机设备的网络接口用于与外部的移动终端以及图像采集设备通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人脸识别的电梯控制方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述各个实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各个实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于人脸识别的电梯控制方法,其特征在于,所述方法包括:
获取电梯口区域的视频数据,所述视频数据包括多帧图像;
对各帧图像进行人脸目标检测,得到包含人脸目标的图像;
调用识别模型,通过所述识别模型对所述包含人脸目标的图像进行人脸定位,对定位后的人脸目标图像进行切割,生成待识别人脸目标图像;
将所述待识别人脸目标图像与预设人脸图像进行比对;
当比对成功时,根据所述待识别人脸目标图像中的电梯标识呼叫相应的电梯,以及获取所述待识别人脸目标图像对应的楼层数据;
当呼叫的电梯到达后,激活电梯面板上所述楼层数据对应的楼层按钮,以控制电梯到达所述楼层数据对应的指定楼层。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在多帧图像中提取样本图像;
将所述样本图像进行比对,得到多个样本相似度;
当所述样本相似度大于样本阈值时,确定所述样本图像作为标准图像;
根据所述标准图像对多帧图像中的待检测图像进行校验,当所述待检测图像与所述标准图像之间的图像相似度小于图像阈值时,则对所述待检测图像进行人脸目标检测。
3.根据权利要求2所述的方法,其特征在于,所述将所述样本图像进行比对,得到多个样本相似度包括:
对所述样本图像进行预处理;
获取处理后的样本图像中多个像素点所对应的灰度值;
根据所述灰度值确定所述样本图像所对应的特征数据;
将所述样本图像对应的特征数据进行比对,得到所述样本图像之间的样本相似度。
4.根据权利要求1所述的方法,其特征在于,所述通过所述识别模型对所述包含人脸目标的图像进行人脸定位,对定位后的人脸目标图像进行切割,生成待识别人脸目标图像包括:
通过所述识别模型对所述包含人脸目标的图像进行人脸定位,得到对应的人脸目标定位框的坐标数据;
根据所述人脸目标定位框的坐标数据,对定位后的人脸目标图像进行切割,生成对应的人脸标识矩形框;
利用所述人脸标识矩形框,生成对应的多个待识别人脸目标图像。
5.根据权利要求1所述的方法,其特征在于,所述将所述待识别人脸目标图像与预设人脸图像进行比对包括:
获取预设人脸图像,对所述预设人脸图像进行特征提取,得到所述预设人脸图像的特征数据;
利用所述识别模型对所述待识别人脸目标图像进行训练,得到每帧待识别人脸目标图像对应的特征点;
选取所述特征点相邻的多个像素点,构建所述特征点对应的特征向量;
根据所述特征点对应的特征向量,计算对应的人脸目标识别概率;
当所述人脸目标识别概率大于概率阈值时,则将所述人脸目标识别概率对应的特征点与所述预设人脸图像的特征数据进行比对。
6.根据权利要求1至5任意一项所述的方法,其特征在于,所述方法还包括:
对所述楼层数据进行格式转换,得到转换后的楼层数据;
根据所述转换后的楼层数据激活电梯面板上相应的楼层按钮。
7.一种基于人脸识别的电梯控制装置,其特征在于,所述装置包括:
通信模块,用于获取电梯口区域的视频流数据,所述视频流数据包括多帧图像;
检测模块,用于对各帧图像进行人脸目标检测,得到包含人脸目标的图像;
识别模块,用于调用识别模型,通过所述识别模型对所述包含人脸目标的图像进行人脸定位,对定位后的人脸目标图像进行切割,生成待识别人脸目标图像;
比对模块,用于将所述待识别人脸目标图像与预设人脸图像进行比对;
呼叫模块,用于当比对成功时,根据所述待识别人脸目标图像中的电梯标识呼叫相应的电梯;
提取模块,用于获取所述待识别人脸目标图像对应的楼层数据;
梯控模块,用于当呼叫的电梯到达后,激活电梯面板上所述楼层数据对应的楼层按钮,以控制电梯到达所述楼层数据对应的指定楼层。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:校验模块,用于在多帧图像中提取样本图像;将所述样本图像进行比对,得到多个样本相似度;当所述样本相似度大于样本阈值时,确定所述样本图像作为标准图像;根据所述标准图像对多帧图像中的待检测图像进行校验,当所述待检测图像与所述标准图像之间的图像相似度小于图像阈值时,则对所述待检测图像进行人脸目标检测。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010528612.3A CN111675059A (zh) | 2020-06-11 | 2020-06-11 | 基于人脸识别的电梯控制方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010528612.3A CN111675059A (zh) | 2020-06-11 | 2020-06-11 | 基于人脸识别的电梯控制方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111675059A true CN111675059A (zh) | 2020-09-18 |
Family
ID=72454570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010528612.3A Pending CN111675059A (zh) | 2020-06-11 | 2020-06-11 | 基于人脸识别的电梯控制方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111675059A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113003330A (zh) * | 2021-01-28 | 2021-06-22 | 开放智能机器(上海)有限公司 | 一种基于人脸识别的智能电梯控制方法及系统 |
CN113772503A (zh) * | 2021-08-17 | 2021-12-10 | 南京理工大学紫金学院 | 一种基于大数据的小区电梯智能停靠方法 |
CN116030524A (zh) * | 2023-02-09 | 2023-04-28 | 摩尔线程智能科技(北京)有限责任公司 | 一种人脸识别方法及装置、电子设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103771203A (zh) * | 2014-01-21 | 2014-05-07 | 江苏蒙哥马利电梯有限公司 | 一种电梯控制系统 |
CN104609270A (zh) * | 2015-02-05 | 2015-05-13 | 北京索德电气工业有限公司 | 一种智能电梯控制系统及方法 |
US20160311646A1 (en) * | 2013-12-23 | 2016-10-27 | Edward A. Bryant | Elevator control system |
CN107010497A (zh) * | 2017-06-05 | 2017-08-04 | 安徽讯桥信息科技有限公司 | 一种基于楼宇电梯呼叫的管控系统 |
WO2017143811A1 (zh) * | 2016-02-24 | 2017-08-31 | 北京索开科技有限公司 | 用于酒店门卡的信息处理方法和装置 |
CN107697759A (zh) * | 2017-09-11 | 2018-02-16 | 重庆威斯特电梯有限公司 | 一种无接触式电梯呼梯系统 |
CN108597083A (zh) * | 2018-04-28 | 2018-09-28 | 江苏食品药品职业技术学院 | 一种酒店旅游自助服务系统 |
CN110110997A (zh) * | 2019-04-30 | 2019-08-09 | 李祖信 | 一种无人酒店管理系统 |
CN209607050U (zh) * | 2019-05-08 | 2019-11-08 | 珠海精讯知识产权管理有限公司 | 一种基于人脸识别的酒店自助入住管理系统 |
CN111191532A (zh) * | 2019-12-18 | 2020-05-22 | 深圳供电局有限公司 | 基于施工区域的人脸识别方法、装置、计算机设备 |
CN111241938A (zh) * | 2019-12-31 | 2020-06-05 | 深圳奇迹智慧网络有限公司 | 基于图像校验的人脸识别方法、装置和计算机设备 |
-
2020
- 2020-06-11 CN CN202010528612.3A patent/CN111675059A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160311646A1 (en) * | 2013-12-23 | 2016-10-27 | Edward A. Bryant | Elevator control system |
CN103771203A (zh) * | 2014-01-21 | 2014-05-07 | 江苏蒙哥马利电梯有限公司 | 一种电梯控制系统 |
CN104609270A (zh) * | 2015-02-05 | 2015-05-13 | 北京索德电气工业有限公司 | 一种智能电梯控制系统及方法 |
WO2017143811A1 (zh) * | 2016-02-24 | 2017-08-31 | 北京索开科技有限公司 | 用于酒店门卡的信息处理方法和装置 |
CN107010497A (zh) * | 2017-06-05 | 2017-08-04 | 安徽讯桥信息科技有限公司 | 一种基于楼宇电梯呼叫的管控系统 |
CN107697759A (zh) * | 2017-09-11 | 2018-02-16 | 重庆威斯特电梯有限公司 | 一种无接触式电梯呼梯系统 |
CN108597083A (zh) * | 2018-04-28 | 2018-09-28 | 江苏食品药品职业技术学院 | 一种酒店旅游自助服务系统 |
CN110110997A (zh) * | 2019-04-30 | 2019-08-09 | 李祖信 | 一种无人酒店管理系统 |
CN209607050U (zh) * | 2019-05-08 | 2019-11-08 | 珠海精讯知识产权管理有限公司 | 一种基于人脸识别的酒店自助入住管理系统 |
CN111191532A (zh) * | 2019-12-18 | 2020-05-22 | 深圳供电局有限公司 | 基于施工区域的人脸识别方法、装置、计算机设备 |
CN111241938A (zh) * | 2019-12-31 | 2020-06-05 | 深圳奇迹智慧网络有限公司 | 基于图像校验的人脸识别方法、装置和计算机设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113003330A (zh) * | 2021-01-28 | 2021-06-22 | 开放智能机器(上海)有限公司 | 一种基于人脸识别的智能电梯控制方法及系统 |
CN113772503A (zh) * | 2021-08-17 | 2021-12-10 | 南京理工大学紫金学院 | 一种基于大数据的小区电梯智能停靠方法 |
CN116030524A (zh) * | 2023-02-09 | 2023-04-28 | 摩尔线程智能科技(北京)有限责任公司 | 一种人脸识别方法及装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490078B (zh) | 监控视频处理方法、装置、计算机设备和存储介质 | |
CN111675059A (zh) | 基于人脸识别的电梯控制方法、装置和计算机设备 | |
CN111191532B (zh) | 基于施工区域的人脸识别方法、装置、计算机设备 | |
US20170308739A1 (en) | Human face recognition method and recognition system | |
US11625949B2 (en) | Face authentication apparatus | |
WO2017202169A1 (zh) | 门禁控制数据处理方法、门禁控制方法和电子设备 | |
CN110705451A (zh) | 人脸识别方法、装置、终端及服务器 | |
KR102655949B1 (ko) | 3d 영상 기반의 얼굴 인증 방법 및 장치 | |
US20110299741A1 (en) | Distinguishing Live Faces from Flat Surfaces | |
CN110751025A (zh) | 基于人脸识别的业务办理方法、装置、设备及介质 | |
CN110348331B (zh) | 人脸识别方法及电子设备 | |
CN111178249A (zh) | 人脸比对的方法、装置、计算机设备及存储介质 | |
CN111339897B (zh) | 活体识别方法、装置、计算机设备和存储介质 | |
CN111241938A (zh) | 基于图像校验的人脸识别方法、装置和计算机设备 | |
CN110532746B (zh) | 人脸校验方法、装置、服务器及可读存储介质 | |
CN113076859A (zh) | 人脸识别的安全监控方法及系统、电子设备、存储介质 | |
CN111626240B (zh) | 一种人脸图像识别方法、装置、设备及可读存储介质 | |
JP2007206898A (ja) | 顔認証装置および入退場管理装置 | |
CN111932755A (zh) | 人员通行验证方法、装置、计算机设备和存储介质 | |
KR20130133676A (ko) | 카메라를 통한 얼굴인식을 이용한 사용자 인증 방법 및 장치 | |
CN113627387A (zh) | 基于人脸识别的并行身份认证方法、装置、设备和介质 | |
KR102380426B1 (ko) | 얼굴 인증 방법 및 장치 | |
CN115862156A (zh) | 生物特征的识别方法及装置、电子设备、存储介质 | |
US20160044237A1 (en) | Feature detection in image capture | |
CN110852203B (zh) | 一种基于视频特征学习的多要素可疑人员识别方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 518101 4th floor, building B1, Zhanfeng Industrial Park, Hangcheng Industrial Park, Taoyuan community, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Weifu Smart Home Technology Co.,Ltd. Address before: 518101 4th floor, building B1, Zhanfeng Industrial Park, Hangcheng Industrial Park, Taoyuan community, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province Applicant before: Shenzhen Weifu Wisdom Home Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200918 |
|
RJ01 | Rejection of invention patent application after publication |