CN113076919A - 基于人脸识别的智能门禁管理系统 - Google Patents

基于人脸识别的智能门禁管理系统 Download PDF

Info

Publication number
CN113076919A
CN113076919A CN202110425392.6A CN202110425392A CN113076919A CN 113076919 A CN113076919 A CN 113076919A CN 202110425392 A CN202110425392 A CN 202110425392A CN 113076919 A CN113076919 A CN 113076919A
Authority
CN
China
Prior art keywords
face
face recognition
module
lbp
access control
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
Application number
CN202110425392.6A
Other languages
English (en)
Inventor
彭滔
赵若愚
宋家松
肖汉光
周鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Technology
Original Assignee
Chongqing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Technology filed Critical Chongqing University of Technology
Priority to CN202110425392.6A priority Critical patent/CN113076919A/zh
Publication of CN113076919A publication Critical patent/CN113076919A/zh
Pending legal-status Critical Current

Links

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
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人脸识别技术领域，具体涉及基于人脸识别的智能门禁管理系统，包括门禁模块和人脸识别模块；还包括：人脸检测模块，用于检测识别区域内是否存在人脸，并能够在识别区域内存在人脸时获取对应的人脸图像信息；休眠模块，用于控制系统进入休眠状态；控制模块，用于在识别区域内不存在人脸时启动休眠模块使得系统进入休眠状态；还用于在人脸检测模块获取到人脸图像信息时启动人脸识别模块，以使得人脸识别模块对人脸图像信息进行人脸识别，并能够根据人脸识别模块的人脸识别结果对应控制门禁模块的工作状态。本发明中的智能门禁管理系统能够兼顾人脸识别效率和能耗管理效果，从而提升门禁管理系统的使用效果。

Description

基于人脸识别的智能门禁管理系统
技术领域
本发明涉及人脸识别技术领域，具体涉及基于人脸识别的智能门禁管理系统。
背景技术
门禁管理系统是对出入口通道进行管制的系统，是在传统门锁的基础上发展演变而来的。随着近年来感应卡技术、生物识别技术的发展，门禁管理系统得到了飞跃发展，进入了成熟期。进而出现了感应卡式门禁管理系统、指纹门禁管理系统、虹膜门禁管理系统、人脸(面部)识别门禁管理系统、指静脉识别门禁管理系统、乱序键盘门禁管理系统等，这些门禁管理系统在安全性、方便性等方面都各有特长，同时门禁管理系统的应用领域越来越广。
其中，人脸识别门禁管理系统具有使用方便、安全性高的优势，使其在现有技术中得到了较为广泛的应用。例如，公开号CN111599072A为的中国专利就公开了《一种人脸识别门禁系统》，其包括控制模块，与控制模块相连的用于输入系统模式切换指令、临时密码的输入模块，与控制模块相连的用于采集人脸图像的摄像头，控制模块与用于对摄像头采集的人脸图像进行拟合并生成三维人脸模型的人脸模型拟合模块相连，人脸模型拟合模块与用于对三维人脸模型进行表情调整以获取不同表情的三维人脸模型并发送给控制模块存储的人脸模型表情添加模块相连。该现有方案中的门禁系统能够在三维人脸模型上添加不同表情，从而能够在一定程度上提升后期识别的准确性。
现有的门禁管理系统一般包括用于控制出入口通道开启或关闭的门禁模块，用于进行人脸识别的人脸识别模块；其中，人脸识别模块用于对识别区域内用户的人脸图像信息进行人脸识别，人脸图像识别成功后，控制门禁模块执行开门动作。申请人发现，一般的门禁管理系统仅会在某些固定时段存在使用需求，而在一天中的大部分时间都处于没有用户的“空闲状态”，人脸识别模块仅需要“非空闲状态”下(即存在用户使用时)工作即可。但是，现有门禁管理系统的人脸识别模块却是一直在工作的，这是为了保证人脸识别的即时性，即保证门禁管理系统的人脸识别效率。然而，这种工作方式使得门禁管理系统在“空闲状态”时，造成了大量电能的无用损耗和设备的无用磨损，导致门禁管理系统的能耗管理效果不好。因此，申请人想到设计一种能够兼顾人脸识别效率和能耗管理效果的智能门禁管理系统。
发明内容
针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种能够兼顾人脸识别效率和能耗管理效果的智能门禁管理系统，从而提升门禁管理系统的使用效果。
为了解决上述技术问题，本发明采用了如下的技术方案：
基于人脸识别的智能门禁管理系统，包括门禁模块和人脸识别模块；还包括：
人脸检测模块，用于检测识别区域内是否存在人脸，并能够在识别区域内存在人脸时获取对应的人脸图像信息；
休眠模块，用于控制系统进入休眠状态；
控制模块，用于在识别区域内不存在人脸时启动休眠模块使得系统进入休眠状态；还用于在人脸检测模块获取到人脸图像信息时启动人脸识别模块，以使得人脸识别模块对人脸图像信息进行人脸识别，并能够根据人脸识别模块的人脸识别结果对应控制门禁模块的工作状态。
优选的，通过如下步骤控制系统进入休眠状态：
S01：获取识别区域的图像，并判断区域的图像中是否存在人脸：若连续n帧图像中存在人脸，则进入步骤S02；若连续m帧图像中不存在人脸，则进入步骤S03；
S02：获取对应的人脸图像信息供人脸识别模块识别；
S03：控制系统进入休眠状态，经过设置的休眠时间后唤醒系统，并返回步骤S01。
优选的，人脸检测模块通过如下步骤检测识别区域内是否存在人脸：
S11：获取识别区域内的区域图像信息；
S12：提取区域图像信息中的Haar特征；
S13：将提取的Haar特征输入经过预先训练的AdaBoost级联分类模型中，以对应的从Haar特征中筛选出属于人脸的人脸Haar特征；
S14：若筛选得到人脸Haar特征，则识别区域内存在人脸；否则，识别区域内不存在人脸。
优选的，Haar特征的特征值为白色区域的像素和减去黑色区域的像素和；并且通过积分图求特征值的方式计算Haar特征的特征值。
优选的，通过如下步骤训练AdaBoost级联分类模型：
S21：选取包括人脸样本和非人脸样本的训练样本集，并初始化训练样本集中各个样本的权重，使得人脸样本和非人脸样本的权重值相同；然后基于训练样本集训练一个弱分类器；
S22：通过弱分类器对训练样本集进行分类，并计算相应的分类误差值；
S23：根据弱分类器的分类结果调整训练样本集中各个样本的权重，并使得被分类错误的样本得到更高的权重；然后基于调整后的训练样本集训练一个新的弱分类器，并返回步骤S22；
S24：重复执行步骤S22至步骤S23，以得到若干个弱分类器；然后选取多个分类误差值较小的弱分类器作为最优弱分类器，并将多个最优弱分类器线性组合得到一个强分类器；
S25：重复执行步骤S22至步骤S24，以得到若干个强分类器；然后将若干个强分类器串联组合得到训练后的AdaBoost级联分类模型。
优选的，步骤S21中，初始化各个样本的权重后，通过如下公式对各个样本的权重进行归一化处理：
Figure BDA0003029178100000031
式中：wt,i表示第t次迭代中第i个样本的权重；wt,j表示第t次迭代中第j个Haar特征所占比重；i表示样本的编号；j表示Haar特征的编号；n表示训练样本集的样本总数量；t表示迭代次数。
优选的，步骤S22中，通过如下公式计算分类误差值：
Figure BDA0003029178100000032
式中：εj表示第j个Haar特征的分类误差值；wt,j表示第t次迭代中第j个Haar特征所占比重；hj表示第j个Haar特征的弱分类器；xi表示第i个样本；yi表示xi是否为人脸样本：若yi＝1，则xi为人脸样本，若yi＝0，则xi为非人脸样本。
优选的，步骤S24中，通过如下公式表示强分类器：
Figure BDA0003029178100000033
式中：h(x)表示强分类器；ht(x)表示最优弱分类器；
并结合公式
Figure BDA0003029178100000034
计算：εt表示最优弱分类器的分类误差值。
优选的，人脸识别模块通过如下步骤进行人脸识别：
S31：提取人脸图像信息中的改进LBP特征；改进LBP特征是基于改进LBP算子提取的LBP特征，而改进LBP算子是将LBP特征的LBP算子从正方形扩展成圆形；
S32：将提取的改进LBP特征输入经过预先训练的SVM模型中进行特征分类；
S33：根据SVM模型的特征分类的结果对应判断人脸图像信息是否为已有的人脸信息。
优选的，步骤S31中，改进LBP算子使用LBP算子的3X3模板，并通过如下步骤计算改进LBP算子的LBP值：
S41：计算改进LBP算子的3X3模板九个像素的算子方差；
S42：判断算子方差是否小于设置的阈值：若是，则进入步骤S43；否则，进入步骤S44；
S43：将改进LBP算子的3x3模板中像素值的最大值与最小值的平均值替代中心值，进而计算改进LBP算子的LBP值；
S44：以LBP算子3X3模板的LBP值作为改进LBP算法的LBP值。
优选的，步骤S41中，通过如下公式计算算子方差：
Figure BDA0003029178100000041
式中：V表示算子方差；M表示九个像素值的平均值；Pi表示像素值；I表示灰度值；其中，九个像素值的平均值M通过如下公式
Figure BDA0003029178100000042
计算。
本发明中的智能门禁管理系统与现有技术相比，具有如下有益效果：
1、本发明中，识别区域内不存在人脸(没有用户)时控制系统进入休眠状态，即“空闲状态”下人脸识别模块不工作，使得能够避免电能的无用损耗和设备的无用磨损，这能够提升智能门禁管理系统的能耗管理效果。其次，当识别区域内存在人脸即获取到人脸图像信息时，人脸识别模块能够对人脸图像信息进行人脸识别，这能够保证智能门禁管理系统的人脸识别效率，因此本发明能够兼顾人脸识别效率和能耗管理效果，从而能够提升门禁管理系统的使用效果。
2、本发明中，采用改进后的LBP特征和LBP算子实现人脸识别，相比于普通的LBP特征和LBP算子，改进后的LBP特征和LBP算子具有识别准确性高、识别速度快和占用存储空间小的优势，能够很好的描述人脸图像的局部纹理，更能突出人脸图像中的细节特征，还能够减小图像噪声所带来的影响，从而能够有效的辅助提升智能门禁管理系统的人脸识别效果。
附图说明
为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为实施例中智能门禁管理系统的逻辑框图；
图2为实施例中人脸检测模块工作时的流程图；
图3为实施例中控制模块工作时的流程图；
图4为实施例中人脸图片的特征值序列示意图；
图5为实施例中非人脸图片的特征值序列示意图；
图6为实施例中AdaBoost级联分类模型工作时的流程图；
图7为实施例中LBP算子的示意图；
图8和图9均为实施例中改进LBP算子的示意图。
具体实施方式
下面通过具体实施方式进一步详细的说明：
实施例：
本实施例中公开了一种基于人脸识别的智能门禁管理系统
如图1所示，基于人脸识别的智能门禁管理系统，包括门禁模块和人脸识别模块。
智能门禁管理系统还包括：
人脸检测模块，用于检测识别区域内是否存在人脸，并能够在识别区域内存在人脸时获取对应的人脸图像信息。
休眠模块，用于控制系统进入休眠状态。休眠状态是指系统进入低功耗模式。
控制模块，用于在识别区域内不存在人脸时启动休眠模块使得系统进入休眠状态；还用于在人脸检测模块获取到人脸图像信息时启动人脸识别模块，以使得人脸识别模块对人脸图像信息进行人脸识别，并能够根据人脸识别模块的人脸识别结果对应控制门禁模块的工作状态。
具体的，门禁模块为现有的门锁装置，其用于控制出入口通道开启或关闭；人脸识别模块通过改进LBP特征提取结合SVM模型分类的方式实现人脸识别。人脸检测模块通过Haar特征提取和AdaBoost级联分类模型分类的方式检测人脸。控制模块为现有的服务器。整个智能门禁管理系统的工作原理及流程结合图3所示，其中，数据1所包含有数据类型、下位机编号、人脸图像等信息。并且，如图2所示，通过如下步骤控制系统进入休眠状态：
S01：获取识别区域的图像，并判断区域的图像中是否存在人脸：若连续n帧图像中存在人脸，则进入步骤S02；若连续m帧图像中不存在人脸，则进入步骤S03；
S02：获取对应的人脸图像信息供人脸识别模块识别；
S03：控制系统进入休眠状态，经过设置的休眠时间后唤醒系统，并返回步骤S01。
本发明中，识别区域内不存在人脸(没有用户)时控制系统进入休眠状态，即“空闲状态”下人脸识别模块不工作，使得能够避免电能的无用损耗和设备的无用磨损，这能够提升智能门禁管理系统的能耗管理效果。其次，当识别区域内存在人脸即获取到人脸图像信息时，人脸识别模块能够对人脸图像信息进行人脸识别，这能够保证智能门禁管理系统的人脸识别效率，因此本发明能够兼顾人脸识别效率和能耗管理效果，从而能够提升门禁管理系统的使用效果。
具体实施过程中，人脸检测模块通过如下步骤检测识别区域内的人脸：
S11：获取识别区域内的区域图像信息。
S12：提取区域图像信息中的Haar特征。具体的，Haar特征实际上是将人脸投射到灰度色彩空间后，由于人脸上独特的构造，人脸上不同区域的色彩明暗对比就会不一样，例如眉毛部分的色彩比眉毛上部分皮肤颜色深。Haar特征的特征值为白色区域的像素和减去黑色区域的像素和；并且通过积分图求特征值的方式计算Haar特征的特征值，目的是加快运算效率。
S13：将提取的Haar特征输入经过预先训练的AdaBoost级联分类模型中，以对应的从Haar特征中筛选出属于人脸的人脸Haar特征。
S14：若筛选得到人脸Haar特征，则识别区域内存在人脸；否则，识别区域内不存在人脸。
具体的，本实施例中基于统计的方法实现人脸检测(录入大量的人脸，构造人脸像素空间，在此空间上大量应用统计方法，根据相似度来判断一张新的图片中是否存在人脸)。Haar特征值反映了图像的灰度变化情况，通过改变特征模板的大小和位置，可在图像子窗口中穷举出大量的Haar特征。
本实施例中，假设训练集有200张图片，每张图片都含有特征(T1,T2,......Tn)，因此每个特征都会有一个特征值分布(人脸图片上以及非人脸图片上)，并且假设现在训练集有100张人脸图片，100张非人脸图片。提取特征T1，然后将人脸图片上以及非人脸图片上的所有T1的特征值分别从小到大排序，得到如图4和图5所示的两个特征值序列(横轴为图片数量序列(1-100)，纵轴为T1特征值)。
结合图4和图5可知：T1就出现在人脸图片与非人脸图片上的分布有明显不同。但如果仅按照一个特征或者一个Haar特征模板来判断人脸准确率并不高，所以可以根据实际情况引入适量Haar特征模板。Haar特征模板由边缘特征、线性特征、对角线特征(中心特征)这三种类型特征组成。
本发明中，提取的Haar特征能够有效的反映人脸灰度变化，即能够很好的实现对图像中人脸的检测以及定位，而AdaBoost级联分类模型能够对Haar特征进行层层过滤，因此本发明通过Haar特征提取和AdaBoost级联分类模型分类的方式，能够准确、有效的检测识别区域内是否存在人脸，进而能够控制系统(人脸识别模块)进入工作状态或休眠状态，从而能够有效的提升智能门禁管理系统的能耗管理效果。
具体实施过程中，结合图6所示，AdaBoost级联分类模型工作起来就像在过滤，可以把每一个强分类器看做滤纸，AdaBoost级联分类模型就是多张滤纸(强分类器)叠起来的过滤器。越靠前的滤纸(强分类器)孔隙越大，即所包含的特征越少，因为只需要少量的特征就可以将大量与人脸区别较大的非人脸图像过滤掉，减轻后续计算量。而越靠后的滤纸(强分类器)孔隙越小，即包含特征越多，因为剩下的少量与人脸相似的非人脸区域需要更多的特征用以区分。样本经过级联分类器的层层过滤后最终得到的就是人脸，通过如下步骤训练AdaBoost级联分类模型：
S21：选取包括人脸样本和非人脸样本的训练样本集，并初始化训练样本集中各个样本的权重，使得人脸样本和非人脸样本的权重值相同；然后基于训练样本集训练一个弱分类器。
具体的，初始化各个样本的权重后，通过公式
Figure BDA0003029178100000061
对各个样本的权重进行归一化处理；式中：wt,i表示第t次迭代中第i个样本的权重；wt,j表示第t次迭代中第j个Haar特征所占比重；i表示样本的编号；j表示Haar特征的编号；n表示训练样本集的样本总数量；t表示迭代次数。
S22：通过弱分类器对训练样本集进行分类，并计算相应的分类误差值。
具体的，通过公式
Figure BDA0003029178100000071
计算分类误差值；式中：εj表示第j个Haar特征的分类误差值；wt,j表示第t次迭代中第j个Haar特征所占比重；hj表示第j个Haar特征的弱分类器；xi表示第i个样本；yi表示xi是否为人脸样本：若yi＝1，则xi为人脸样本，若yi＝0，则xi为非人脸样本。
S23：根据弱分类器的分类结果调整训练样本集中各个样本的权重，并使得被分类错误的样本得到更高的权重；然后基于调整后的训练样本集训练一个新的弱分类器，并返回步骤S22。
S24：重复执行步骤S22至步骤S23，以得到若干个弱分类器；然后选取多个分类误差值较小的弱分类器作为最优弱分类器，并将多个最优弱分类器线性组合得到一个强分类器。
具体的，通过公式
Figure BDA0003029178100000072
表示强分类器；式中：h(x)表示强分类器；ht(x)表示最优弱分类器；并结合公式
Figure BDA0003029178100000073
计算：εt表示最优弱分类器的分类误差值。
S25：重复执行步骤S22至步骤S24，以得到若干个强分类器；然后将若干个强分类器串联组合得到训练后的AdaBoost级联分类模型。
本发明中，通过上述训练方式能够得到分类准确的AdaBoost级联分类模型，这有利于准确、有效的检测识别区域内是否存在人脸，进而能够控制系统进入工作状态或休眠状态，从而能够有效的提升智能门禁管理系统的能耗管理效果。
具体实施过程中，人脸识别模块通过如下步骤进行人脸识别：
S31：提取人脸图像信息中的改进LBP特征；改进LBP特征是基于改进LBP算子提取的LBP特征，而改进LBP算子是将LBP特征的LBP算子从正方形扩展成圆形。具体的，LBP算子可通过图7表示。改进LBP算子可通过如图8和图9表示。
S32：将提取的改进LBP特征输入经过预先训练的SVM模型中进行特征分类。具体的，SVM模型是现有技术中的常规模型，本实施例中设置有大量的人脸训练样本，并通过现有技术中的成熟手段训练SVM模型。
S33：根据SVM模型的特征分类的结果对应判断人脸图像信息是否为已有的人脸信息。
具体实施过程中，步骤S31中，改进LBP算子使用LBP算子的3X3模板，并通过如下步骤计算改进LBP算子的LBP值：
S41：计算改进LBP算子的3X3模板九个像素的算子方差。
具体的，通过公式
Figure BDA0003029178100000081
计算算子方差；式中：V表示算子方差；M表示九个像素值的平均值；Pi表示像素值；I表示灰度值；其中，九个像素值的平均值M通过如下公式
Figure BDA0003029178100000082
计算。
S42：判断算子方差是否小于设置的阈值：若是，则进入步骤S43；否则，进入步骤S44；
S43：将改进LBP算子的3x3模板中像素值的最大值与最小值的平均值替代中心值，进而计算改进LBP算子的LBP值；
S44：以LBP算子3X3模板的LBP值作为改进LBP算法的LBP值。LBP算子的LBP值通过现有技术的成熟手段计算。
具体的，普通LBP特征当3x3模板的像素值波动范围较小时，特征会比较平缓，会出现中心像素值偏大或偏小的情况，会湮没部分细节特征，而当波动较大时则容易形成噪声。改进LBP特征其取3x3模板中九个像素值的方差，若方差在限定范围内，则将周围八个像素点的平均值作为阈值进行比较，能够突出图像细节避免细节特征湮没并减小噪声影响；若方差超出限定范围，则仍然取中间值为阈值进行比较，因此改进LBP特征不会出现上述情况，其能够描述的细节特征更多且图像噪声相对较小，从而使得人脸识别效果更好。
改进LBP特征只是改进了普通LBP特征计算方式，并没有增加描述其他特征的信息，改进LBP特征与普通LBP特征纬度相同，但相比于LBP_HOG结合特征和其它一些LBP扩展，改进LBP特征维度较小、计算量较小，因此计算速度相对较快。由于改进LBP特征维度较小，因此相比于普通LBP特征，改进LBP特征所占存储空间较小，在同一大小的存储空间内能够存储得更多。
本发明中，采用改进后的LBP特征和LBP算子实现人脸识别，相比于普通的LBP特征和LBP算子，改进后的LBP特征和LBP算子具有识别准确性高、识别速度快和占用存储空间小的优势，能够很好的描述人脸图像的局部纹理，更能突出人脸图像中的细节特征，还能够减小图像噪声所带来的影响，从而能够有效的辅助提升智能门禁管理系统的人脸识别效果。
进一步的，本发明还采用了其他识别方式来进行人脸识别的对比试验，并且使用ORL人脸库对人脸识别的效果进行测试，人脸识别方法识别准确度对比如表1所示。
表1 人脸识别方法识别准确度对比表
Figure BDA0003029178100000091
结合表1可知：本发明中基于改进LBP特征提取和SVM模型分类的人脸识别方式，相比于其他几种识别方式具有更好的人脸识别效果。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (10)

1.基于人脸识别的智能门禁管理系统，包括门禁模块和人脸识别模块；其特征在于，还包括：
人脸检测模块，用于检测识别区域内是否存在人脸，并能够在识别区域内存在人脸时获取对应的人脸图像信息；
休眠模块，用于控制系统进入休眠状态；
控制模块，用于在识别区域内不存在人脸时启动休眠模块使得系统进入休眠状态；还用于在人脸检测模块获取到人脸图像信息时启动人脸识别模块，以使得人脸识别模块对人脸图像信息进行人脸识别；并能够根据人脸识别模块的人脸识别结果对应控制门禁模块的工作状态。
2.如权利要求1所述的基于人脸识别的智能门禁管理系统，其特征在于，通过如下步骤控制系统进入休眠状态：
S01：获取识别区域的图像，并判断区域的图像中是否存在人脸：若连续n帧图像中存在人脸，则进入步骤S02；若连续m帧图像中不存在人脸，则进入步骤S03；
S02：获取对应的人脸图像信息供人脸识别模块识别；
S03：控制系统进入休眠状态，经过设置的休眠时间后唤醒系统，并返回步骤S01。
3.如权利要求1所述的基于人脸识别的智能门禁管理系统，其特征在于：人脸检测模块通过如下步骤检测识别区域内是否存在人脸：
S11：获取识别区域内的区域图像信息；
S12：提取区域图像信息中的Haar特征；
S13：将提取的Haar特征输入经过预先训练的AdaBoost级联分类模型中，以对应的从Haar特征中筛选出属于人脸的人脸Haar特征；
S14：若筛选得到人脸Haar特征，则识别区域内存在人脸；否则，识别区域内不存在人脸。
4.如权利要求3所述的基于人脸识别的智能门禁管理系统，其特征在于：Haar特征的特征值为白色区域的像素和减去黑色区域的像素和；并且通过积分图求特征值的方式计算Haar特征的特征值。
5.如权利要求3所述的基于人脸识别的智能门禁管理系统，其特征在于，通过如下步骤训练AdaBoost级联分类模型：
S21：选取包括人脸样本和非人脸样本的训练样本集，并初始化训练样本集中各个样本的权重，使得人脸样本和非人脸样本的权重值相同；然后基于训练样本集训练一个弱分类器；
S22：通过弱分类器对训练样本集进行分类，并计算相应的分类误差值；
S23：根据弱分类器的分类结果调整训练样本集中各个样本的权重，并使得被分类错误的样本得到更高的权重；然后基于调整后的训练样本集训练一个新的弱分类器，并返回步骤S22；
S24：重复执行步骤S22至步骤S23，以得到若干个弱分类器；然后选取多个分类误差值较小的弱分类器作为最优弱分类器，并将多个最优弱分类器线性组合得到一个强分类器；
S25：重复执行步骤S22至步骤S24，以得到若干个强分类器；然后将若干个强分类器串联组合得到训练后的AdaBoost级联分类模型。
6.如权利要求5所述的基于人脸识别的智能门禁管理系统，其特征在于，步骤S21中，初始化各个样本的权重后，通过如下公式对各个样本的权重进行归一化处理：
Figure FDA0003029178090000021
式中：wt,i表示第t次迭代中第i个样本的权重；wt,j表示第t次迭代中第j个Haar特征所占比重；i表示样本的编号；j表示Haar特征的编号；n表示训练样本集的样本总数量；t表示迭代次数。
7.如权利要求5所述的基于人脸识别的智能门禁管理系统，其特征在于，步骤S22中，通过如下公式计算分类误差值：
Figure FDA0003029178090000022
式中：εj表示第j个Haar特征的分类误差值；wt,j表示第t次迭代中第j个Haar特征所占比重；hj表示第j个Haar特征的弱分类器；xi表示第i个样本；yi表示xi是否为人脸样本：若yi＝1，则xi为人脸样本，若yi＝0，则xi为非人脸样本。
8.如权利要求5所述的基于人脸识别的智能门禁管理系统，其特征在于，步骤S24中，通过如下公式表示强分类器：
Figure FDA0003029178090000023
式中：h(x)表示强分类器；ht(x)表示最优弱分类器；
并结合公式
Figure FDA0003029178090000024
计算：εt表示最优弱分类器的分类误差值。
9.如权利要求1所述的基于人脸识别的智能门禁管理系统，其特征在于，人脸识别模块通过如下步骤进行人脸识别：
S31：提取人脸图像信息中的改进LBP特征；改进LBP特征是基于改进LBP算子提取的LBP特征，而改进LBP算子是将LBP特征的LBP算子从正方形扩展成圆形；
S32：将提取的改进LBP特征输入经过预先训练的SVM模型中进行特征分类；
S33：根据SVM模型的特征分类的结果对应判断人脸图像信息是否为已有的人脸信息。
10.如权利要求9所述的基于人脸识别的智能门禁管理系统，其特征在于，步骤S31中，改进LBP算子使用LBP算子的3X3模板，并通过如下步骤计算改进LBP算子的LBP值：
S41：计算改进LBP算子的3X3模板九个像素的算子方差；
S42：判断算子方差是否小于设置的阈值：若是，则进入步骤S43；否则，进入步骤S44；
S43：将改进LBP算子的3x3模板中像素值的最大值与最小值的平均值替代中心值，进而计算改进LBP算子的LBP值；
S44：以LBP算子3X3模板的LBP值作为改进LBP算法的LBP值。
CN202110425392.6A 2021-04-20 2021-04-20 基于人脸识别的智能门禁管理系统 Pending CN113076919A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110425392.6A CN113076919A (zh) 2021-04-20 2021-04-20 基于人脸识别的智能门禁管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110425392.6A CN113076919A (zh) 2021-04-20 2021-04-20 基于人脸识别的智能门禁管理系统

Publications (1)

Publication Number Publication Date
CN113076919A true CN113076919A (zh) 2021-07-06

Family

ID=76618316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110425392.6A Pending CN113076919A (zh) 2021-04-20 2021-04-20 基于人脸识别的智能门禁管理系统

Country Status (1)

Country Link
CN (1) CN113076919A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115424383A (zh) * 2022-10-10 2022-12-02 广州睿泰智能设备科技股份有限公司 一种智能门禁管理系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202502458U (zh) * 2011-11-11 2012-10-24 北京思比科微电子技术股份有限公司 具有人脸检测识别功能的休眠唤醒系统
CN109583296A (zh) * 2018-10-23 2019-04-05 安克创新科技股份有限公司 一种防止误检测方法、装置、系统及计算机存储介质
CN111105544A (zh) * 2019-12-31 2020-05-05 深圳市哈希树科技有限公司 无人超市的人脸识别门禁系统及其控制方法
CN111382694A (zh) * 2020-03-06 2020-07-07 杭州宇泛智能科技有限公司 人脸识别方法、装置及电子设备
CN112562150A (zh) * 2020-11-23 2021-03-26 深圳华颐智能系统有限公司 一种基于人脸识别的学生公寓管理方法、装置、系统及介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202502458U (zh) * 2011-11-11 2012-10-24 北京思比科微电子技术股份有限公司 具有人脸检测识别功能的休眠唤醒系统
CN109583296A (zh) * 2018-10-23 2019-04-05 安克创新科技股份有限公司 一种防止误检测方法、装置、系统及计算机存储介质
CN111105544A (zh) * 2019-12-31 2020-05-05 深圳市哈希树科技有限公司 无人超市的人脸识别门禁系统及其控制方法
CN111382694A (zh) * 2020-03-06 2020-07-07 杭州宇泛智能科技有限公司 人脸识别方法、装置及电子设备
CN112562150A (zh) * 2020-11-23 2021-03-26 深圳华颐智能系统有限公司 一种基于人脸识别的学生公寓管理方法、装置、系统及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐超: "基于MLBP-HOG结合灰度共生矩阵特征的人脸识别方法", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
王锋: "基于Adaboost算法的人脸检测与识别技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115424383A (zh) * 2022-10-10 2022-12-02 广州睿泰智能设备科技股份有限公司 一种智能门禁管理系统及方法

Similar Documents

Publication Publication Date Title
Lwin et al. Automatic door access system using face recognition
Lin et al. Face recognition/detection by probabilistic decision-based neural network
CN103632132A (zh) 一种基于肤色分割和模板匹配的人脸检测与识别方法
Ahmed et al. Appearance-based arabic sign language recognition using hidden markov models
US20140133743A1 (en) Method, Apparatus and Computer Readable Recording Medium for Detecting a Location of a Face Feature Point Using an Adaboost Learning Algorithm
CN104318202A (zh) 通过人脸照片识别五官点的方法及系统
Yang et al. Auxiliary information regularized machine for multiple modality feature learning
Guo et al. Real-time hand detection based on multi-stage HOG-SVM classifier
CN105023006A (zh) 基于增强型非参数最大边缘准则的人脸识别方法
Lin et al. A new automatic recognition system of gender, age and ethnicity
Sahbi et al. From coarse to fine skin and face detection
CN113076919A (zh) 基于人脸识别的智能门禁管理系统
CN103942572A (zh) 一种基于双向压缩数据空间维度缩减的面部表情特征提取方法和装置
Zhou et al. Real-time Gender Recognition based on Eigen-features selection from Facial Images
Tofighi et al. A robust face recognition system in image and video
CN102147862B (zh) 一种基于生存指数熵的人脸特征提取方法
Sakarkaya et al. Comparison of several classification algorithms for gender recognition from face images
Rathinavel et al. Full shoe print recognition based on pass band DCT and partial shoe print identification using overlapped block method for degraded images
Navabifar et al. A short review paper on Face detection using Machine learning
Sankaran et al. A multi-view approach on modular PCA for illumination and pose invariant face recognition
Butler et al. Robust Face Localisation Using Motion, Colour and Fusion.
Belle Detection and recognition of human faces using random forests for a mobile robot
Albakri et al. Feature-Based Face Detection: a Survey
Wang et al. An Improved Face Recognition Algorithm based on Fisherface and Machine Learning
Wang et al. A robust and fast eyelash detection basted on expectation maximization and Gaussian mixture model

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: 20210706

RJ01 Rejection of invention patent application after publication