CN112489278A - 一种门禁识别方法及系统 - Google Patents
一种门禁识别方法及系统 Download PDFInfo
- Publication number
- CN112489278A CN112489278A CN202011291840.XA CN202011291840A CN112489278A CN 112489278 A CN112489278 A CN 112489278A CN 202011291840 A CN202011291840 A CN 202011291840A CN 112489278 A CN112489278 A CN 112489278A
- Authority
- CN
- China
- Prior art keywords
- analysis model
- facial expression
- expression data
- data
- expression analysis
- 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
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
- G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
-
- 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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06V40/174—Facial expression recognition
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/38—Individual registration on entry or exit not involving the use of a pass with central registration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种门禁识别方法及系统,所述门禁识别方法包括:预先采集不同的人脸表情数据;对所述人脸表情数据进行预处理,包括对所述人脸表情数据进行筛选和分类;构建表情分析模型,并使用训练集对所述表情分析模型进行训练;使用验证集对所述表情分析模型进行验证,并保存最优表情分析模型;采集需检测的所述人脸表情数据;通过所述最优表情分析模型对所述人脸表情数据进行识别,判断所述人脸表情数据是否为异常表情,当所述人脸表情数据为异常表情时,则输出异常告警信息。通过本发明公开的一种门禁识别方法及系统,提高了门禁的准确性和安全性。
Description
技术领域
本发明涉及图像处理技术领域,具体来说是一门禁识别方法及系统。
背景技术
在现有的门禁系统中,用户预先在智能锁上定义异常开锁时使用的指纹并保存在异常存储模块中,当用户遇到异常开门的情况时,输入预先定义的指纹信息并传送给异常指纹比对模块比对,一旦识别出该输入的指纹为异常指纹后向事先绑定的手机APP发送告警。还存在一种门禁系统,将门禁机预先设置的异常密码和登记的用户人脸保存在所述门禁机的存储器中,若用户输入正确异常密码并且人脸识别验证通过时,系统发出报警。
现有的门禁系统中,异常密码和异常指纹门禁存在人员被异常时忘记异常密码、指纹识别失败及准确率低等问题。与此同时,在一些特定场合,例如军营内部主流门禁机,门禁系统通常为人脸识别门禁机,现有的门禁系统无法对被异常行为进行有效识别。
发明内容
本发明的目的在于提供一种门禁识别方法及系统,解决现有技术中准确率低、无法识别是否为异常表情的问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明提供一种门禁识别方法,所述门禁识别方法包括:
预先采集不同的人脸表情数据;
对所述人脸表情数据进行预处理,包括对所述人脸表情数据进行筛选和分类;
构建表情分析模型,并使用训练集对所述表情分析模型进行训练;
使用验证集对所述表情分析模型进行验证集,并保存最优表情分析模型;
采集需检测的所述人脸表情数据;
通过所述最优表情分析模型对所述人脸表情数据进行识别,判断所述人脸表情数据是否为异常表情,当所述人脸表情数据为异常表情时,则输出异常告警信息。
在本发明一实施例中,对所述人脸表情数据进行分类包括:定义正常、快乐类的所述人脸表情数据为正类人脸表情数据,定义害怕、悲伤类的所述人脸表情数据为负类人脸表情数据,所述正类人脸表情数据为正常表情,所述负类人脸表情数据为异常表情。
在本发明一实施例中,对所述人脸表情数据进行预处理包括:按照一定比例将所述人脸表情数据划分为所述训练集、所述验证集和测试集。
在本发明一实施例中,使用所述测试集测试所述最优表情分析模型的准确率。
在本发明一实施例中,所述表情分析模型包括多个残差单元。
在本发明一实施例中,所述残差单元包括多个卷积层。
在本发明一实施例中,每一所述残差单元的第一个所述卷积层的快捷连接一平均池化层。
在本发明一实施例中,每个所述卷积层包括多个卷积单元,每个所述卷积层的第一个所述卷积单元具有一1×1的卷积核。
在本发明一实施例中,使用教师模型结合数据集,来对所述表情分析模型进行蒸馏。
本发明还提供一种门禁识别系统,所述门禁识别系统包括:
数据采集单元,其电性连接于外网,用于采集人脸表情数据;
数据预处理单元,其电性连接于所述数据采集单元,用于对所述人脸表情数据进行预处理,包括对所述人脸表情数据进行筛选和分类
表情分析模型单元,其电性连接于所述数据预处理单元,用于构建表情分析模型,并使用训练集对所述表情分析模型进行训练;
最优表情分析模型单元,其电性连接于所述表情分析模型单元与所述数据预处理单元,用于使用验证集对所述表情分析模型进行验证集,并保存最优表情分析模型;
门禁机,其电性连接于所述最优表情分析模型单元,用于采集需检测的所述人脸表情数据;
后台系统,其电性连接于所述最优表情分析模型单元,用于输出异常告警信息。
如上所述本发明提供的一种门禁识别方法及系统,通过预先采集不同的所述人脸表情数据,并将所述人脸表情数据分类,通过所述表情分析模型提取出所述异常表情的特征;通过残差单元的第一个所述卷积层的快捷连接一平均池化层,设置所述残差单元中卷积核的步长;通过使用教师模型结合ImageNet-1k和ImageNet-22k数据集对所述表情分析模型进行蒸馏,提高所述表情分析模型的准确率;通过本发明提供的一种门禁识别方法及系统,提高了门禁识别的准确率和安全性。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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为一种门禁识别方法流程图。
图2为一种表情分析模型结构图。
图3为一种门禁识别系统结构图。
图4为第一残差单元结构图。
图5为第二残差单元结构图。
图6为第三残差单元结构图。
图7为第四残差单元结构图。
图8为一种计算机可读存储介质的框图。
图9为一种电子设备的结构原理框图。
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它实施例,都属于本发明保护的范围。
在一些特殊场所,例如军队等国家级重要的特殊场所,其高度敏感区域性特点决定其安全级别的强烈需求。现有的门禁系统包括密码门禁机、刷卡门禁机、指纹门禁机,目前军营主要使用的是人脸识别门禁机。人脸门禁操作简单、安全、识别率高,不用担心忘记密码、磁卡消磁或丢失、指纹识别率低等问题的发生。但人脸门禁机目前无法像密码、指纹门禁机一样设置异常密码或者异常指纹,当被异常事件发生时,军营入库人员无法输入事先设定的异常密码或异常指纹从而触发报警。本发明提供了一种门禁识别方法及系统,采用优化的残差网络,精准进行人脸表情识别,提高门禁识别的准确率,判断人脸表情是否为异常表情。
请参阅图1所示,在本发明的一实施例中,所述门禁识别方法具体包括以下步骤:
S10:预先采集不同的人脸表情数据;
S20:对所述人脸表情数据进行预处理,包括对所述人脸表情数据进行筛选和分类;
S30:构建表情分析模型,并使用训练集对所述表情分析模型进行训练;
S40:使用验证集对所述表情分析模型进行验证,并保存最优表情分析模型;
S50:采集需检测的所述人脸表情数据;
S60:通过所述最优表情分析模型对所述人脸表情数据进行识别,判断所述人脸表情数据是否为异常表情,当所述人脸表情数据为异常表情时,则输出异常告警信息。
请参阅图1所示,在本发明一实施例中,在步骤S10中,需要预先采集不同的人脸表情数据,并提取所述人脸表情数据的特征。其中,可在fear2013及ck+48人脸表情数据集中预先采集不同的所述人脸表情数据,例如可在fear2013人脸表情数据集中提取正常(normal)、快乐(happy)类的所述人脸表情数据,在ck+48人脸表情数据集中提取害怕(fear)、悲伤(sadness)类的所述人脸表情数据。
请参阅图1所示,在本发明一实施例中,在步骤S20中,对所述人脸表情数据进行预处理,包括对所述人脸表情数据进行筛选和分类。其中,所述人脸表情的分类包括:定义正常(normal)、快乐(happy)类的所述人脸表情数据为正类人脸表情数据,定义害怕(fear)、悲伤(sadness)类的所述人脸表情数据为负类人脸表情数据。其中,所述正类人脸表情数据为正常表情,所述负类人脸表情数据为被异常表情。所述人脸表情数据的筛选包括:将所述正类人脸表情数据和所述人脸表情数据中的不清晰图片以及重复图片删除。
请参阅图1所示,在本发明一实施例中,在步骤S20中,对所述人脸表情数据进行预处理还包括将按照一定比例将所述人脸表情数据划分为训练集、验证集和测试集;其中所述训练集、所述验证集、所述测试集的比例例如可以是8:1:1。所述训练集用于训练所述表情分析模型,所述验证集用于验证所述表情分析模型的准确率,所述测试集用于测试所述最优表情分析模型的准确率。
请参阅图1至图2所示,在本发明一实施例中,在步骤S30中,所述表情分析模型首先利用输入卷积层100对输入的所述人脸表情数据进行特征抽取,之后使用残差单元对所述人脸表情数据进行特征提取,最后利用输出平均池化层106以及输出卷积层107进行全连接操作以便于进行分类任务。其中,对所述人脸表情数据进行特征抽取的输入卷积层100例如为3个3x3的卷积核,且卷积层100的所述卷积核的步长为例如为2,使得所述人脸表情数据的长宽降低为原先的1/2。随后,再经过一个最大池化层101,进一步降低图像的分辨率。
请参阅图2所示,在本发明一实施例中,所述表情分析模型的包括多个残差单元,所述残差单元的个数例如为4个。所述表情分析模型包括第一残差单元102、第二残差单元103、第三残差单元104和第四残差单元105,其中,第一残差单元102包含例如3个卷积层,第二残差单元103包含例如4个卷积层,第三残差单元104包括例如6个卷积层,第四残差单元105包括例如3个卷积层。所述卷积层是由若干个卷积单元组成,每个所述卷积单元的参数都是通过反向传播算法最佳化得到的,卷积运算的目的是提取输入的不同特征,第一层卷积层只提取一些低级的特征,更多层的卷积层能从低级特征中迭代提取更复杂的特征。其中,每个所述卷积层的第一个卷积单元为1x1的卷积,降低通道数量,从而降低了参数数量。其中,每个所述残差单元的第一个所述卷积层的快捷连接一平均池化层,将所述快捷里的卷积核的步长例如设置为1,第四残差单元105中3×3卷积核的步长例如设置为2。其中,所述快捷(shortcut)为解决深度神经网络的梯度发散问题,在不同的卷积单元之间增加的(带权的)shortcut,在本实施例中,每个所述卷积层设置一shortcut。在本实施例中,使用教师模型结合ImageNet-1k和ImageNet-22k数据集对所述表情分析模型进行蒸馏,提高所述表情分析模型的准确率。
请参阅图1所示,在本发明一实施例中,在步骤S30至步骤S40中,使用所述训练集对所述表情分析模型进行训练,其中,使用所述训练集的全部数据对所述表情分析模型进行一次完整的训练,被称为“一代训练”,记作epoch。在本实施例中,训练的epoch为25次,每轮训练完成后使用所述验证集验证所述表情分析模型的准确率,保存准确率高的述表情分析模型作为最优述表情分析模型。
请参阅图1所示,在本发明一实施例中,所述门禁识别方法还包括对所述最优表情分析模型测试,使用所述测试集对所述最优表情分析模型测试。在本实施例中,所述最优表情分析模型的准确率可达99.2%。
请参阅图1所示,在本发明一实施例中,在步骤S50至步骤S60中,当军队人员入库操作时,门禁机可拍摄入库人员的人脸图片并保存,即实时采集需检测的所述人脸表情数据。采用所述最优人脸识别模型识别所述人脸图片分析人脸图片中的所述人脸表情数据是否为异常表情,当所述人脸表情数据为异常表情时,则输出异常告警信息至后台系统16;当所述人脸表情数据为正常表情时,则开启门禁,允许人员进入。
请参阅图3所示,在本发明一实施例中,本发明还提供一种门禁识别系统,所述门禁识别系统包括数据采集单元10、数据预处理单元11、表情分析模型单元12、表情分析模型测试单元14、最优表情分析模型单元13、门禁机以15及后台系统16。
请参阅图3所示,在本发明一实施例中,数据采集单元10连接于外网,数据采集单元10在外网中的fear2013人脸表情数据集及ck+48人脸表情数据集中预先采集不同的所述人脸表情数据。例如数据采集单元10可在fear2013人脸表情数据集中提取normal、happy类的所述人脸表情数据,在ck+48人脸表情数据集中提取fear、sadness类的所述人脸表情数据。
请参阅图3所示,在本发明一实施例中,数据预处理单元11电性连接于数据采集单元10,数据预处理单元11将数据采集单元10中的所述人脸表情数据分为正常表情(正类人脸表情数据)和异常表情(负类人脸表情数据),并将所述正类人脸表情数据和所述人脸表情数据中的不清晰图片以及重复图片删除。数据预处理单元11将所述人脸表情数据按照一定比例将所述人脸表情数据划分为训练集、验证集和测试集;其中所述训练集、所述验证集、所述测试集的比例例如可以是8:1:1。所述训练集用于训练所述表情分析模型,所述验证集用于验证所述表情分析模型的准确率,所述测试集用于测试所述最优所述表情分析模型的准确率。
请参阅图2至图3所示,在本发明一实施例中,表情分析模型单元12电性连接于数据预处理单元11,表情分析模型单元12可构建表情分析模型,并使用所述训练集对所述表情分析模型进行训练。所述表情分析模型包括多个残差单元,在本实施例中所述表情分析模型包括第一残差单元102、第二残差单元103、第三残差单元104和第四残差单元105,其中,第一残差单元102包含例如3个卷积层,第二残差单元103包含例如4个卷积层,第三残差单元104包括例如6个卷积层,第四残差单元105包括例如3个卷积层。
请参阅图4所示,在本发明一实施例中,第一残差单元102包括例如3个所述卷积层,每个卷积层中包括例如3个所述卷积单元,第一个卷积单元的卷积核为1×1,通道数量为例如为64,第二个卷积单元的卷积核为3×3,通道数量例如为64,第三个卷积单元的卷积核为1×1,通道数量例如为256。
请参阅图5所示,在本发明一实施例中,第二残差单元103包括例如3个所述卷积层,每个卷积层中包括例如3个所述卷积单元,第一个卷积单元的卷积核为1×1,通道数量为例如为128,第二个卷积单元的卷积核为3×3,通道数量例如为128,第三个卷积单元的卷积核为1×1,通道数量例如为512。
请参阅图6所示,在本发明一实施例中,第三残差单元104包括例如3个所述卷积层,每个卷积层中包括例如3个所述卷积单元,第一个卷积单元的卷积核为1×1,通道数量为例如为256,第二个卷积单元的卷积核为3×3,通道数量例如为256,第三个卷积单元的卷积核为1×1,通道数量例如为1024。
请参阅图7所示,在本发明一实施例中,第四残差单元105包括例如3个所述卷积层,每个卷积层中包括例如3个所述卷积单元,第一个卷积单元的卷积核为1×1,通道数量为例如为512,第二个卷积单元的卷积核为3×3,通道数量例如为512,第三个卷积单元的卷积核为1×1,通道数量例如为2048。
请参阅图3所示,在本发明一实施例中,最优表情分析模型单元13电性连接于表情分析模型单元以及数据预处理单元11,最优表情分析模型单元13采用所述验证集对所述表情分析模型进行验证,并保存准确率高的述表情分析模型作为最优述表情分析模型。
请参阅图3所示,在本发明一实施例中,表情分析模型测试单元14电性连接于数据预处理单元11和最优表情分析模型单元13,表情分析模型测试单元14使用所述测试集对所述最优表情分析模型测试。
请参阅图3所示,在本发明一实施例中,门禁机15电性连接于最优表情分析模型单元13,门禁机15上设置有摄像装置。当军队人员入库操作时,门禁机15上的摄像装置可拍摄入库人员的人脸图片并保存,即采集需检测的所述人脸表情数据。最优表情分析模型单元13中识别所述人脸图片,并采用其中的所述最优人脸识别模型分析人脸图片中的所述人脸表情数据是否为异常表情,当所述人脸表情数据为异常表情时,则输出异常告警信息至与最优表情分析模型单元13连接的后台系统16;当所述人脸表情数据为正常表情时,则开启门禁,允许人员进入。
请参阅图8所示,本实施例还提出一种计算机可读存储介质20,所述计算机可读存储介质20存储有计算机指令200,计算机指令200用于使用所述门禁识别方法。计算机可读存储介质20可以是,电子介质、磁介质、光介质、电磁介质、红外介质或半导体系统或传播介质。计算机可读存储介质6还可以包括半导体或固态存储器、磁带、可移动计算机磁盘、随机存取存储器(RAM)、只读存储器(ROM)、硬磁盘和光盘。光盘可以包括光盘-只读存储器(CD-ROM)、光盘-读/写(CD-RW)和DVD。
请参阅图9所示,本发明还提供一种电子设备,包括处理器30和存储器40,存储器40存储有程序指令,处理器30运行程序指令实现上述的一种门禁识别方法。处理器10可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable GateArray,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件;存储器40可能包含随机存取存储器(RandomAccess Memory,简称RAM),也可能还包括非易失性存储器(Non-VolatileMemory),例如至少一个磁盘存储器。存储器40也可以为随机存取存储器(Random AccessMemory,RAM)类型的内部存储器,处理器30、存储器40可以集成为一个或多个独立的电路或硬件,如:专用集成电路(Application SpecificIntegrated Circuit,ASIC)。需要说明的是,存储器40中的计算机程序可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
综上所述,本发明提供的一种门禁识别方法及系统,通过与外网连接采集所述人脸表情数据,并对所述人脸表情数据进行预处理获取所述训练集、所述验证集;使用所述训练集训练所述表情分析模型,并通过所述验证集验证获取所述最优表情分析模型;使用所述最优表情分析模型对所述实时采集的所述人脸表情数据进行判断,当所述人脸表情数据为异常表情时,输出警告信息。本发明通过分析实时采集的所述人脸表情数据进行判断,在实现门禁功能的同时,判断是否为被胁迫开启门禁,相对于传统的胁迫密码、胁迫指纹,通过胁迫表情判断入库人员是否发生被胁迫行为更加的智能化,适用于军队人脸门禁机场景。
以上公开的本发明实施例只是用于帮助。
阐述本发明。实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种门禁识别方法,其特征在于,所述人脸识别方法包括以下步骤:
预先采集不同的人脸表情数据;
对所述人脸表情数据进行预处理,包括对所述人脸表情数据进行筛选和分类;
构建表情分析模型,并使用训练集对所述表情分析模型进行训练;
使用验证集对所述表情分析模型进行验证集,并保存最优表情分析模型;
采集需检测的所述人脸表情数据;
通过所述最优表情分析模型对所述人脸表情数据进行识别,判断所述人脸表情数据是否为异常表情,当所述人脸表情数据为异常表情时,则输出异常告警信息。
2.根据权利要求1所述的一种门禁识别方法,其特征在于,对所述人脸表情数据进行分类包括:定义正常、快乐类的所述人脸表情数据为正类人脸表情数据,定义害怕、悲伤类的所述人脸表情数据为负类人脸表情数据,所述正类人脸表情数据为正常表情,所述负类人脸表情数据为异常表情。
3.根据权利要求1所述的一种门禁识别方法,其特征在于,对所述人脸表情数据进行预处理包括:按照一定比例将所述人脸表情数据划分为所述训练集、所述验证集和测试集。
4.根据权利要求3所述的一种门禁识别方法,其特征在于,使用所述测试集测试所述最优表情分析模型的准确率。
5.根据权利要求1所述的一种门禁识别方法,其特征在于,所述表情分析模型包括多个残差单元。
6.根据权利要求5所述的一种门禁识别方法,其特征在于,所述残差单元包括多个卷积层。
7.根据权利要求6所述的一种门禁识别方法,其特征在于,每一所述残差单元的第一个所述卷积层的快捷连接一平均池化层。
8.根据权利要求6所述的一种门禁识别方法,其特征在于,每个所述卷积层包括多个卷积单元,每个所述卷积层的第一个所述卷积单元具有一1×1的卷积核。
9.根据权利要求1所述的一种门禁识别方法,其特征在于,使用教师模型结合数据集,来对所述表情分析模型进行蒸馏。
10.一种门禁识别系统,其特征在于,所述门禁识别系统包括:
数据采集单元,其电性连接于外网,用于采集人脸表情数据;
数据预处理单元,其电性连接于所述数据采集单元,用于对所述人脸表情数据进行预处理,包括对所述人脸表情数据进行筛选和分类
表情分析模型单元,其电性连接于所述数据预处理单元,用于构建表情分析模型,并使用训练集对所述表情分析模型进行训练;
最优表情分析模型单元,其电性连接于所述表情分析模型单元与所述数据预处理单元,用于使用验证集对所述表情分析模型进行验证集,并保存最优表情分析模型;
门禁机,其电性连接于所述最优表情分析模型单元,用于采集需检测的所述人脸表情数据;
后台系统,其电性连接于所述最优表情分析模型单元,用于输出异常告警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011291840.XA CN112489278A (zh) | 2020-11-18 | 2020-11-18 | 一种门禁识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011291840.XA CN112489278A (zh) | 2020-11-18 | 2020-11-18 | 一种门禁识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112489278A true CN112489278A (zh) | 2021-03-12 |
Family
ID=74931502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011291840.XA Pending CN112489278A (zh) | 2020-11-18 | 2020-11-18 | 一种门禁识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112489278A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017014806A (ja) * | 2015-07-01 | 2017-01-19 | アイフォーコム株式会社 | 笑顔連動制御システム |
CN107358169A (zh) * | 2017-06-21 | 2017-11-17 | 厦门中控智慧信息技术有限公司 | 一种人脸表情识别方法及人脸表情识别装置 |
CN107392112A (zh) * | 2017-06-28 | 2017-11-24 | 中山职业技术学院 | 一种人脸表情识别方法及其应用的智能锁系统 |
TW201907329A (zh) * | 2017-07-03 | 2019-02-16 | 中華電信股份有限公司 | 具備臉部辨識之門禁系統 |
CN109815886A (zh) * | 2019-01-21 | 2019-05-28 | 南京邮电大学 | 一种基于改进YOLOv3的行人和车辆检测方法及系统 |
CN110121715A (zh) * | 2019-02-19 | 2019-08-13 | 深圳市汇顶科技股份有限公司 | 基于表情识别的呼救方法、装置、电子设备及存储介质 |
CN110188708A (zh) * | 2019-06-03 | 2019-08-30 | 西安工业大学 | 一种基于卷积神经网络的人脸表情识别方法 |
CN110503110A (zh) * | 2019-08-12 | 2019-11-26 | 北京影谱科技股份有限公司 | 特征匹配方法和装置 |
CN111209921A (zh) * | 2020-01-07 | 2020-05-29 | 南京邮电大学 | 基于改进的YOLOv3网络的车牌检测模型及构建方法 |
CN111695513A (zh) * | 2020-06-12 | 2020-09-22 | 长安大学 | 一种基于深度残差网络的人脸表情识别方法 |
-
2020
- 2020-11-18 CN CN202011291840.XA patent/CN112489278A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017014806A (ja) * | 2015-07-01 | 2017-01-19 | アイフォーコム株式会社 | 笑顔連動制御システム |
CN107358169A (zh) * | 2017-06-21 | 2017-11-17 | 厦门中控智慧信息技术有限公司 | 一种人脸表情识别方法及人脸表情识别装置 |
CN107392112A (zh) * | 2017-06-28 | 2017-11-24 | 中山职业技术学院 | 一种人脸表情识别方法及其应用的智能锁系统 |
TW201907329A (zh) * | 2017-07-03 | 2019-02-16 | 中華電信股份有限公司 | 具備臉部辨識之門禁系統 |
CN109815886A (zh) * | 2019-01-21 | 2019-05-28 | 南京邮电大学 | 一种基于改进YOLOv3的行人和车辆检测方法及系统 |
CN110121715A (zh) * | 2019-02-19 | 2019-08-13 | 深圳市汇顶科技股份有限公司 | 基于表情识别的呼救方法、装置、电子设备及存储介质 |
CN110188708A (zh) * | 2019-06-03 | 2019-08-30 | 西安工业大学 | 一种基于卷积神经网络的人脸表情识别方法 |
CN110503110A (zh) * | 2019-08-12 | 2019-11-26 | 北京影谱科技股份有限公司 | 特征匹配方法和装置 |
CN111209921A (zh) * | 2020-01-07 | 2020-05-29 | 南京邮电大学 | 基于改进的YOLOv3网络的车牌检测模型及构建方法 |
CN111695513A (zh) * | 2020-06-12 | 2020-09-22 | 长安大学 | 一种基于深度残差网络的人脸表情识别方法 |
Non-Patent Citations (3)
Title |
---|
栗科峰: "《人脸图像处理与识别技术》", 31 August 2018, 黄河水利出版社 * |
焦李成: "《深度神经网络FPGA设计与实现》", 31 October 2020, 西安电子科技大学出版社 * |
贺佳,等: "《医学统计学中的SAS统计分析》", 31 August 2002, 第二军医大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447597B (zh) | 多人共同进行考勤的方法、装置及人脸识别系统 | |
JP6427973B2 (ja) | 画像認識装置及び画像認識装置への特徴量データ登録方法 | |
CN100382093C (zh) | 生物测量认证系统的登记方法、生物测量认证系统 | |
CN108563978A (zh) | 一种情绪检测方法与装置 | |
CN106372572A (zh) | 监控方法和装置 | |
US20190147218A1 (en) | User specific classifiers for biometric liveness detection | |
CN106169075A (zh) | 身份验证方法及装置 | |
CN109389028A (zh) | 基于动作分析的人脸识别方法、装置、设备及存储介质 | |
CN109389098B (zh) | 一种基于唇语识别的验证方法以及系统 | |
CN103443772B (zh) | 基于多模态数据分析的个人性别验证的方法 | |
CN112788269A (zh) | 视频处理方法、装置、服务器及存储介质 | |
Rusli et al. | Evaluating the masked and unmasked face with LeNet algorithm | |
CN110826444A (zh) | 一种基于Gabor滤波器的人脸表情识别方法及系统 | |
CN116189063B (zh) | 一种用于智能视频监控的关键帧优化方法及装置 | |
CN110393539B (zh) | 心理异常检测方法、装置、存储介质及电子设备 | |
CN113221594A (zh) | 虹膜识别和吸毒检测方法、装置、可读存储介质及设备 | |
CN112489278A (zh) | 一种门禁识别方法及系统 | |
CN105897747A (zh) | 基于数字生物签名的数据存储方法、装置及智能设备 | |
Wild et al. | Impact of (segmentation) quality on long vs. short‐timespan assessments in iris recognition performance | |
CN115761842A (zh) | 一种人脸底库自动更新方法、装置 | |
KR20060068796A (ko) | 얼굴인식 시스템의 성능시험 방법 및 시스템 | |
Memon | Multi-layered multimodal biometric authentication for smartphone devices | |
Sehgal | Palm recognition using LBP and SVM | |
CN112016896A (zh) | 操作状态监控方法、装置及存储介质 | |
Shende et al. | Soft computing approach for feature extraction of palm biometric |
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: 20210312 |
|
RJ01 | Rejection of invention patent application after publication |