CN112183394A - 一种人脸识别方法、装置和智能安防管理系统 - Google Patents

Abstract

本发明公开了一种人脸识别方法、装置和智能安防管理系统，人脸识别方法包括：计算要识别的人脸图像的特征脸权重，再计算要识别的人脸图像的特征脸权重与训练集的特征脸权重向量中每个值的欧式距离，若某个欧氏距离小于等于预先设置的相似脸阈值，则判断为同一人脸，若所有欧式距离均大于等于预先设置的非人脸阈值，则认为是非人脸，若所有欧式距离均在相似脸阈值和非人脸阈值之间，则认为是新人脸。本发明能够实现对非人脸和没有门禁权限的人脸进行有效识别，本发明的智能安防管理系统，能够实现远程监控、自动报警、门禁管理、智能识别人脸、智能识别安全帽、安全预警、视频抓图等功能，解放了人的工作压力，规范仓库人员的工作行为。

Description

一种人脸识别方法、装置和智能安防管理系统

技术领域

本发明涉及无人自动化仓库管理技术领域，具体涉及一种人脸识别方法、装置和智能安防管理系统。

背景技术

安防系统是实施安全防范的重要技术手段，在当前安防需求膨胀的需求下，安防系统在安防技术防范领域的运用也越来越广泛。但目前所使用的安防系统主要依赖人的视觉判断，缺乏对视频内容的智能分析。使得安防系统只能完成视频存储记录，仅可为事后分析提供证据，却不能在事前预报警，让保平安的意义大打折扣。

随着光电信息技术、微电子技术、微计算机技术与视频图像处理技术等的发展，传统的安防系统也正由数字化、网络化，而逐步走向智能化。智能安防系统是指在不需要人为干预的情况下，能自动实现对监控画面中的异常情况进行检测、识别，在有异常的情况下能及时作出预报警。

目前智能安防系统可供检测、识别的异常情况较为单一且简单，如何检测较为复杂的异常情况成为亟需解决的问题，特别是不能识别人有较大行为，例如奔跑、蹦跳等，这样的行为对于一些区域较危险；还有仓库、门禁系统不能实现人脸识别和识别假脸。

发明内容

为解决现有技术中的不足，本发明提供一种人脸识别方法、装置和智能安防管理系统，解决了目前智能安防系统可供检测、识别的异常情况较为单一且简单的问题。

为了实现上述目标，本发明采用如下技术方案：一种人脸识别方法，包括步骤：

计算要识别的人脸图像的特征脸权重，再计算要识别的人脸图像的特征脸权重与训练集的特征脸权重向量中每个值的欧式距离，若某个欧氏距离小于等于预先设置的相似脸阈值，则判断为同一人脸，若所有欧式距离均大于等于预先设置的非人脸阈值，则认为是非人脸，若所有欧式距离均在相似脸阈值和非人脸阈值之间，则认为是新人脸。

进一步的，所述要识别的人脸图像的特征脸权重ω₀为：

u₀为要识别的人脸图像矩阵的特征向量，Γ为要识别的人脸图像的N维向量，Ψ为训练集中人脸图像的平均图像；

所述训练集的特征脸权重向量Ω为：

Ω^T＝[ω₁,ω₂,...,ω_n,...,ω_M]

其中，ω_n为训练集中第n个图像的特征脸的权重，n＝1,2,…,M；Γ_n为训练集中第n张图片的N维向量，

u_n为L矩阵的第n个正交单位向量，Φ_k为训练集中第k张图像和平均图像的差值，v_n为L矩阵的第n个特征向量；

L矩阵的m行q列的元素为：

Φ_m为训练集中第m张图像和平均图像的差值,Φ_q为训练集中第q张图像和平均图像的差值；

Φ_k＝Γ_k-Ψ，Φ_m＝Γ_m-Ψ，Φ_q＝Γ_q-Ψ

Γ_k为训练集中第k张图片的N维向量，Γ_m为训练集中第m张图片的N维向量，Γ_q为训练集中第q张图片的N维向量。

进一步的，要识别的人脸图像的特征脸权重与训练集的特征脸权重向量中值的欧式距离为：

ε_n＝||ω₀-ω_n||²

其中，ε_n为要识别的人脸图像的特征脸权重与训练集中第n张图像的特征脸权重之间的欧式距离。

一种人脸识别装置，包括：

欧式距离计算模块，用于计算要识别的人脸图像的特征脸权重，再计算要识别的人脸图像的特征脸权重与训练集的特征脸权重向量中每个值的欧式距离；

人脸识别模块，若某个欧氏距离小于等于预先设置的相似脸阈值，则判断为同一人脸，若所有欧式距离均大于等于预先设置的非人脸阈值，则认为是非人脸，若所有欧式距离均在相似脸阈值和非人脸阈值之间，则认为是新人脸。

进一步的，所述要识别的人脸图像的特征脸权重ω₀为：

u₀为要识别的人脸图像矩阵的特征向量，Γ为要识别的人脸图像的N维向量，Ψ为训练集中人脸图像的平均图像；

所述训练集的特征脸权重向量Ω为：

Ω^T＝[ω₁,ω₂,...,ω_n,...,ω_M]

其中，ω_n为训练集中第n个图像的特征脸的权重，n＝1,2,…,M；Γ_n为训练集中第n张图片的N维向量，

u_n为L矩阵的第n个正交单位向量，Φ_k为训练集中第k张图像和平均图像的差值，v_n为L矩阵的第n个特征向量；

L矩阵的m行q列的元素为：

Φ_m为训练集中第m张图像和平均图像的差值,Φ_q为训练集中第q张图像和平均图像的差值；

Φ_k＝Γ_k-Ψ，Φ_m＝Γ_m-Ψ，Φ_q＝Γ_q-Ψ

Γ_k为训练集中第k张图片的N维向量，Γ_m为训练集中第m张图片的N维向量，Γ_q为训练集中第q张图片的N维向量。

进一步的，要识别的人脸图像的特征脸权重与训练集的特征脸权重向量中值的欧式距离为：

ε_n＝||ω₀-ω_n||²

其中，ε_n为要识别的人脸图像的特征脸权重与训练集中第n张图像的特征脸权重之间的欧式距离。

一种智能安防管理系统，包括：智能监控终端、ZigBee无线传输模块和监控及感应模块；智能监控终端通过ZigBee无线传输模块与监控及感应模块进行无线连接；

监控及感应模块包括：安全帽检测装置、门禁装置、监控器和安装在门禁装置上的人脸识别装置；所述监控器，用于实时监控区域内的人员信息，并将信息发送给安全帽检测装置和人脸识别装置；安全帽检测装置，用于捕捉人员头部，识别获取安全帽信息，判断人员是否佩戴安全帽，对未佩戴安全帽的人员进行识别记录；人脸识别装置，用于在门禁装置处进行人脸识别认证，通过认证后，门禁装置打开，否则关闭；

智能监控终端包括：报警模块、显示模块、主控模块、图像处理模块、阈值判断模块、广播模块和路径规划模块；图像处理模块接收处理安全帽检测装置和监控器的图像信息进行处理后显示图像在显示模块中；阈值判断模块接收监控及感应模块的数据信息，并根据阈值判断是否有异常状况，如有异常状况需要通知主控模块，主控模块调用报警模块进行报警；若有火灾情况，调用路径规划模块和广播模块为仓库人员提示信息帮助逃离。

进一步的，人脸识别装置包括：

欧式距离计算模块，用于计算要识别的人脸图像的特征脸权重，再计算要识别的人脸图像的特征脸权重与训练集的特征脸权重向量中每个值的欧式距离；

人脸识别模块，若某个欧氏距离小于等于预先设置的相似脸阈值，则判断为同一人脸，若所有欧式距离均大于等于预先设置的非人脸阈值，则认为是非人脸，若所有欧式距离均在相似脸阈值和非人脸阈值之间，则认为是新人脸。

进一步的，所述要识别的人脸图像的特征脸权重ω₀为：

u₀为要识别的人脸图像矩阵的特征向量，Γ为要识别的人脸图像的N维向量，Ψ为训练集中人脸图像的平均图像；

所述训练集的特征脸权重向量Ω为：

Ω^T＝[ω₁,ω₂,...,ω_n,...,ω_M]

其中，ω_n为训练集中第n个图像的特征脸的权重，n＝1,2,…,M；Γ_n为训练集中第n张图片的N维向量，

u_n为L矩阵的第n个正交单位向量，Φ_k为训练集中第k张图像和平均图像的差值，v_n为L矩阵的第n个特征向量；

L矩阵的m行q列的元素为：

Φ_m为训练集中第m张图像和平均图像的差值,Φ_q为训练集中第q张图像和平均图像的差值；

Φ_k＝Γ_k-Ψ，Φ_m＝Γ_m-Ψ，Φ_q＝Γ_q-Ψ

Γ_k为训练集中第k张图片的N维向量，Γ_m为训练集中第m张图片的N维向量，Γ_q为训练集中第q张图片的N维向量。

进一步的，要识别的人脸图像的特征脸权重与训练集的特征脸权重向量中值的欧式距离为：

ε_n＝||ω₀-ω_n||²

其中，ε_n为要识别的人脸图像的特征脸权重与训练集中第n张图像的特征脸权重之间的欧式距离。

本发明所达到的有益效果：

本发明通过计算特征脸权重，计算要识别的人脸图像的特征脸权重与训练集中特征脸权重之间的欧氏距离，实现对非人脸和没有门禁权限的人脸进行有效识别；

本发明的智能安防管理系统，能够实现远程监控、自动报警、门禁管理、智能识别人脸、智能识别安全帽、安全预警、视频抓图等功能，解放了人的工作压力，规范仓库人员的工作行为。系统安全性极高，方便人员管理应用、监控查看等，操作起来还十分方便。

附图说明

图1是本发明实施例中系统模块图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种智能安防管理系统，包括：智能监控终端、ZigBee无线传输模块和监控及感应模块；智能监控终端通过ZigBee无线传输模块与监控及感应模块进行无线连接；

监控及感应模块包括：安全帽检测装置、门禁装置、监控器和安装在门禁装置上的人脸识别装置；

所述监控器，用于实时监控区域内的人员信息，并将信息发送给安全帽检测装置和人脸识别装置；

安全帽检测装置，用于捕捉人员头部，识别获取安全帽信息，判断人员是否佩戴安全帽，对未佩戴安全帽的人员进行识别记录；

人脸识别装置，用于在门禁装置处进行人脸识别认证，通过认证后，门禁装置打开，否则关闭；

智能监控终端包括：报警模块、显示模块、主控模块、图像处理模块、阈值判断模块、广播模块、路径规划模块；

图像处理模块接收处理安全帽检测装置和监控器的图像信息进行处理最后显示图像在显示模块中。

阈值判断模块接收监控及感应模块的数据信息，并根据阈值判断是否有异常状况。如有异常状况需要通知主控模块。主控模块调用报警模块进行报警，若有火灾情况，调用路径规划模块和广播模块为仓库人员提示信息帮助逃离。

路径规划模块用于在灾难情况下提示哪些路径可以逃生；

采用上述智能安防管理系统，能够实现远程监控、自动报警、门禁管理、智能识别人脸、智能识别安全帽、安全预警、视频抓图等功能，解放了人的工作压力，规范仓库人员的工作行为。系统安全性极高，方便人员管理应用、监控查看等，操作起来还十分方便。

ZigBee技术是一种应用于短距离和低速率下的无线通信技术，主要用于距离短、功耗低且传输速率不高的各种电子设备之间进行数据传输以及典型的有周期性数据、间歇性数据和低反应时间数据传输的应用。

视频监控器遍布仓库所有角落，确保全方位地监控着仓库内的情况。

当人员进入仓库之后，安全帽检测装置实时获取人员信息，捕捉人员头部模块，识别获取安全帽信息，确认人员是否按照规定佩戴安全帽，对未佩戴安全帽的人员进行识别记录，并记录其个人信息推送至管理人员。

当仓库人员进行作业需要进入库区中去，需要在门禁处进行人脸识别认证，只有认证通过之后才能进入库区。

采用人脸识别速度快、准确率高依靠人脸深度学习算法，人脸比对时间<＝0.5S/人，人脸验证准确率>99％。

人脸识别装置采用双目摄像头，结合本发明的深度学习人脸算法，可有效辨识图片、视频里的“假脸”，有效防止以假乱真，保障门禁管理安全。

本发明的人脸识别方法，包括步骤：

步骤一：首先收集M张人脸图像的集合S作为训练集。每张人脸图像都可以转换成一个N维的向量，将这M个向量放到一个集合S中，如下式所示：

S＝{Γ₁,Γ₂,Γ₃,....Γ_M}

Γ₁,Γ₂,Γ₃,....Γ_M分别为第1,2,…,M张图片的N维向量；

步骤二：在获取到人脸图像集合S后，计算得到平均图像Ψ，公式如下所示：

Γ_n为第n张图片的N维向量，n＝1～M；

步骤三：计算每张图像和平均图像的差值，得到差值集合：Φ＝(Φ₁,....,Φ_n,...,Φ_M)；

用S集合中的每个元素减去平均值Ψ，公式如下所示：

Φ_n＝Γ_n-Ψ

其中，Φ_n为第n张图像和平均图像的差值；

步骤四：根据所述差值求解正交单位向量，根据正交单位向量求解特征脸权重，得到训练集的特征脸权重向量；

根据以下公式可以找到M个正交单位向量，这些单位向量是用来描述所述差值集合Φ分布的。正交单位向量中的第k(k＝1,2,3,...M)个向量u_k可以通过下式计算：

当特征值λ_k取最小值时，u_k就确定了。因为M个正交单位向量是相互正交而且是有单位长度的，所以u_k还要满足下式：

u_l为第l个正交单位向量；

上面的等式使得u_k为正交单位向量，计算上面的u_k其实就是计算如下协方差矩阵C的特征向量：

其中，A＝{Φ₁,Φ₂,...,Φ_n,...,Φ_M}；

对于一个N×N(比如100×100)维的图像来说，计算C的特征向量的计算量太大了，本发明提出如下简单计算。

如果训练图像的数量小于图像的维数比如(M<N^2)，那么起训练作用的特征向量只有M-1个而不是N^2个(因为其他特征向量对应的特征值为0)，所以求解特征向量只需要求解一个N×N的矩阵。这个矩阵就是AA^T,假设AA^T矩阵为L，那么矩阵的m行q列的元素就可以表示为：

Φ_m为第m张图像和平均图像的差值,Φ_q为第q张图像和平均图像的差值；通过上述矩阵L可以找到L矩阵的M个特征向量，那么协方差矩阵的特征向量即正交单位向量表示为：

u_n为第n个正交单位向量，Φ_k为第k张图像和平均图像的差值，v_n为第n个L矩阵的特征向量；

上面是对人脸进行降维找到表征人脸的合适向量u_n的，根据正交单位向量求解特征脸权重：

其中，ω_n为第n个图像的特征脸的权重，n＝1,2,…,M，，M个权重可以构成训练集的特征脸权重向量Ω：

Ω^T＝[ω₁,ω₂,....,ω_M]

步骤五，计算要识别的人脸图像的特征脸权重，再计算要识别的人脸图像的特征脸权重与训练集的特征脸权重向量中每个值的欧式距离，若某个欧氏距离小于等于预先设置的相似脸阈值，则判断为同一人脸，若所有欧式距离均大于等于非人脸阈值，则认为是非人脸，若所有欧式距离均在相似脸阈值和非人脸阈值之间，则认为是新人脸。

要识别的人脸图像的特征脸权重ω₀为：

u₀为要识别的人脸图像矩阵的特征向量，Γ为要识别的人脸图像的N维向量，Ψ为训练集中人脸图像的平均图像；

人脸识别欧式距离公式如下：

ε_n＝||ω₀-ω_n||²

其中，ε_n为要识别的人脸图像的特征脸权重与训练集中第n张图像的特征脸权重之间的欧式距离。上述公式是对两者求欧式距离，当距离小于相似脸阈值时说明要判别的脸和训练集中的第n个脸是同一个人的。当遍历所有训练集特征脸权重后，ε_n都大于阈值时，根据距离值的大小又可分为是新的人脸或者不是人脸的两种情况。收集不是人脸的信息做训练，通过上述步骤计算不是人脸情况下的欧氏距离，把这个距离作为非人脸阈值，当大于等于这个阈值的情况下，说明不是人脸。根据训练集的不同，阈值设定并不是固定的。

本发明还提供一种人脸识别装置，包括：

欧式距离计算模块，用于计算要识别的人脸图像的特征脸权重，再计算要识别的人脸图像的特征脸权重与训练集的特征脸权重向量中每个值的欧式距离；

人脸识别模块，若某个欧氏距离小于等于预先设置的相似脸阈值，则判断为同一人脸，若所有欧式距离均大于等于预先设置的非人脸阈值，则认为是非人脸，若所有欧式距离均在相似脸阈值和非人脸阈值之间，则认为是新人脸。

进一步的，所述要识别的人脸图像的特征脸权重ω₀为：

u₀为要识别的人脸图像矩阵的特征向量，Γ为要识别的人脸图像的N维向量，Ψ为训练集中人脸图像的平均图像；

所述训练集的特征脸权重向量Ω为：

Ω^T＝[ω₁,ω₂,...,ω_n,...,ω_M]

其中，ω_n为训练集中第n个图像的特征脸的权重，n＝1,2,…,M；Γ_n为训练集中第n张图片的N维向量，

u_n为L矩阵的第n个正交单位向量，Φ_k为训练集中第k张图像和平均图像的差值，v_n为L矩阵的第n个特征向量；

L矩阵的m行q列的元素为：

Φ_m为训练集中第m张图像和平均图像的差值,Φ_q为训练集中第q张图像和平均图像的差值；

Φ_k＝Γ_k-Ψ，Φ_m＝Γ_m-Ψ，Φ_q＝Γ_q-Ψ

Γ_k为训练集中第k张图片的N维向量，Γ_m为训练集中第m张图片的N维向量，Γ_q为训练集中第q张图片的N维向量。

进一步的，要识别的人脸图像的特征脸权重与训练集的特征脸权重向量中值的欧式距离为：

ε_n＝||ω₀-ω_n||²

其中，ε_n为要识别的人脸图像的特征脸权重与训练集中第n张图像的特征脸权重之间的欧式距离。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种人脸识别方法，其特征在于：

计算要识别的人脸图像的特征脸权重，再计算要识别的人脸图像的特征脸权重与训练集的特征脸权重向量中每个值的欧式距离，若某个欧氏距离小于等于预先设置的相似脸阈值，则判断为同一人脸，若所有欧式距离均大于等于预先设置的非人脸阈值，则认为是非人脸，若所有欧式距离均在相似脸阈值和非人脸阈值之间，则认为是新人脸。

2.根据权利要求1所述的一种人脸识别方法，其特征是：所述要识别的人脸图像的特征脸权重ω₀为：

u₀为要识别的人脸图像矩阵的特征向量，Γ为要识别的人脸图像的N维向量，Ψ为训练集中人脸图像的平均图像；

所述训练集的特征脸权重向量Ω为：

Ω^T＝[ω₁,ω₂,...,ω_n,...,ω_M]

其中，ω_n为训练集中第n个图像的特征脸的权重，n＝1,2,…,M；Γ_n为训练集中第n张图片的N维向量，

u_n为L矩阵的第n个正交单位向量，Φ_k为训练集中第k张图像和平均图像的差值，v_n为L矩阵的第n个特征向量；

L矩阵的m行q列的元素为：

Φ_m为训练集中第m张图像和平均图像的差值,Φ_q为训练集中第q张图像和平均图像的差值；

Φ_k＝Γ_k-Ψ，Φ_m＝Γ_m-Ψ，Φ_q＝Γ_q-Ψ

Γ_k为训练集中第k张图片的N维向量，Γ_m为训练集中第m张图片的N维向量，Γ_q为训练集中第q张图片的N维向量。

3.根据权利要求3所述的一种人脸识别方法，其特征是：要识别的人脸图像的特征脸权重与训练集的特征脸权重向量中值的欧式距离为：

ε_n＝||ω₀-ω_n||²

其中，ε_n为要识别的人脸图像的特征脸权重与训练集中第n张图像的特征脸权重之间的欧式距离。

4.一种人脸识别装置，其特征是：包括：

欧式距离计算模块，用于计算要识别的人脸图像的特征脸权重，再计算要识别的人脸图像的特征脸权重与训练集的特征脸权重向量中每个值的欧式距离；

人脸识别模块，若某个欧氏距离小于等于预先设置的相似脸阈值，则判断为同一人脸，若所有欧式距离均大于等于预先设置的非人脸阈值，则认为是非人脸，若所有欧式距离均在相似脸阈值和非人脸阈值之间，则认为是新人脸。

5.根据权利要求4所述的一种人脸识别装置，其特征是：所述要识别的人脸图像的特征脸权重ω₀为：

u₀为要识别的人脸图像矩阵的特征向量，Γ为要识别的人脸图像的N维向量，Ψ为训练集中人脸图像的平均图像；

所述训练集的特征脸权重向量Ω为：

Ω^T＝[ω₁,ω₂,...,ω_n,...,ω_M]

其中，ω_n为训练集中第n个图像的特征脸的权重，n＝1,2,…,M；Γ_n为训练集中第n张图片的N维向量，

u_n为L矩阵的第n个正交单位向量，Φ_k为训练集中第k张图像和平均图像的差值，v_n为L矩阵的第n个特征向量；

L矩阵的m行q列的元素为：

Φ_m为训练集中第m张图像和平均图像的差值,Φ_q为训练集中第q张图像和平均图像的差值；

Φ_k＝Γ_k-Ψ，Φ_m＝Γ_m-Ψ，Φ_q＝Γ_q-Ψ

Γ_k为训练集中第k张图片的N维向量，Γ_m为训练集中第m张图片的N维向量，Γ_q为训练集中第q张图片的N维向量。

6.根据权利要求5所述的一种人脸识别装置，其特征是：要识别的人脸图像的特征脸权重与训练集的特征脸权重向量中值的欧式距离为：

ε_n＝||ω₀-ω_n||²

其中，ε_n为要识别的人脸图像的特征脸权重与训练集中第n张图像的特征脸权重之间的欧式距离。

7.一种智能安防管理系统，其特征是：包括：智能监控终端、ZigBee无线传输模块和监控及感应模块；智能监控终端通过ZigBee无线传输模块与监控及感应模块进行无线连接；

监控及感应模块包括：安全帽检测装置、门禁装置、监控器和安装在门禁装置上的人脸识别装置；所述监控器，用于实时监控区域内的人员信息，并将信息发送给安全帽检测装置和人脸识别装置；安全帽检测装置，用于捕捉人员头部，识别获取安全帽信息，判断人员是否佩戴安全帽，对未佩戴安全帽的人员进行识别记录；人脸识别装置，用于在门禁装置处进行人脸识别认证，通过认证后，门禁装置打开，否则关闭；

智能监控终端包括：报警模块、显示模块、主控模块、图像处理模块、阈值判断模块、广播模块和路径规划模块；图像处理模块接收处理安全帽检测装置和监控器的图像信息进行处理后显示图像在显示模块中；阈值判断模块接收监控及感应模块的数据信息，并根据阈值判断是否有异常状况，如有异常状况需要通知主控模块，主控模块调用报警模块进行报警；若有火灾情况，调用路径规划模块和广播模块为仓库人员提示信息帮助逃离。

8.根据权利要求7所述的一种智能安防管理系统，其特征是：人脸识别装置包括：

欧式距离计算模块，用于计算要识别的人脸图像的特征脸权重，再计算要识别的人脸图像的特征脸权重与训练集的特征脸权重向量中每个值的欧式距离；

人脸识别模块，若某个欧氏距离小于等于预先设置的相似脸阈值，则判断为同一人脸，若所有欧式距离均大于等于预先设置的非人脸阈值，则认为是非人脸，若所有欧式距离均在相似脸阈值和非人脸阈值之间，则认为是新人脸。

9.根据权利要求8所述的一种智能安防管理系统，其特征是：所述要识别的人脸图像的特征脸权重ω₀为：

u₀为要识别的人脸图像矩阵的特征向量，Γ为要识别的人脸图像的N维向量，Ψ为训练集中人脸图像的平均图像；

所述训练集的特征脸权重向量Ω为：

Ω^T＝[ω₁,ω₂,...,ω_n,...,ω_M]

其中，ω_n为训练集中第n个图像的特征脸的权重，n＝1,2,…,M；Γ_n为训练集中第n张图片的N维向量，

u_n为L矩阵的第n个正交单位向量，Φ_k为训练集中第k张图像和平均图像的差值，v_n为L矩阵的第n个特征向量；

L矩阵的m行q列的元素为：

Φ_m为训练集中第m张图像和平均图像的差值,Φ_q为训练集中第q张图像和平均图像的差值；

Φ_k＝Γ_k-Ψ，Φ_m＝Γ_m-Ψ，Φ_q＝Γ_q-Ψ

Γ_k为训练集中第k张图片的N维向量，Γ_m为训练集中第m张图片的N维向量，Γ_q为训练集中第q张图片的N维向量。

10.根据权利要求9所述的一种智能安防管理系统，其特征是：要识别的人脸图像的特征脸权重与训练集的特征脸权重向量中值的欧式距离为：

ε_n＝||ω₀-ω_n||²

其中，ε_n为要识别的人脸图像的特征脸权重与训练集中第n张图像的特征脸权重之间的欧式距离。

Images