CN113673381A - 一种用于智慧校园的门禁管理系统 - Google Patents
一种用于智慧校园的门禁管理系统 Download PDFInfo
- Publication number
- CN113673381A CN113673381A CN202110898159.XA CN202110898159A CN113673381A CN 113673381 A CN113673381 A CN 113673381A CN 202110898159 A CN202110898159 A CN 202110898159A CN 113673381 A CN113673381 A CN 113673381A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- face image
- feature vector
- global
- 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
- 239000013598 vector Substances 0.000 claims abstract description 70
- 238000000605 extraction Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000010276 construction Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 210000000746 body region Anatomy 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000001815 facial effect Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及门禁管理系统,具体涉及一种用于智慧校园的门禁管理系统,利用图像预处理单元能够准确地从图像采集模块采集的图像中提取人脸图像,并通过第一特征向量提取单元、第二特征向量提取单元分别从人脸图像中提取全局特征向量、局部特征向量,并基于全局特征向量、局部特征向量对人脸图像进行匹配,从而能够输出更加准确的人脸图像匹配结果,实现对校园门禁的有效管控;本发明提供的技术方案能够有效克服现有技术所存在的对人脸识别准确度较低的缺陷。
Description
技术领域
本发明涉及门禁管理系统,具体涉及一种用于智慧校园的门禁管理系统。
背景技术
当今社会,校园安全已经成为一个高度关注的社会热点问题,有效解决当前校园存在的安全问题,已经成为创建平安社会的重要工作内容。校园安防工程是全面加强安全管理工作,维护学校正常教学和生活秩序,保证师生人身财产安全的一项基础性工作。运用先进的技术手段,在校园门口一定区域内警戒可能发生的入侵行为,并及时捕获、记录相关影像,对重要场所进出情况进行自动记录等,都是校园安防工程追求的目标。
目前,校园以及办公室、实验室、会议室、宿舍等都涉及人员进出,而在这些场合中大部分仍然沿用钥匙进行管理,校园管理面临着向信息化转变的需求,这一转变需要强大的基础技术提供支撑,采用信息化技术和校园联网管理手段,合理利用资源,提高服务质量。但是,现有的校园门禁管理系统对人脸识别的准确度较低,无法满足智慧校园信息化安全管理的需求。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了一种用于智慧校园的门禁管理系统,能够有效克服现有技术所存在的对人脸识别准确度较低的缺陷。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种用于智慧校园的门禁管理系统,包括服务器,图像预处理单元,第一特征向量提取单元,第二特征向量提取单元和数据匹配模块;
图像预处理单元,用于对图像采集模块采集的图像中人体区域进行识别,并提取人脸图像;
第一特征向量提取单元,构建用于识别人脸图像全局特征的全局识别模型,并从人脸图像中提取全局特征向量;
第二特征向量提取单元,构建用于识别人脸图像中眼部区域的眼部分类器,并从人脸图像中提取局部特征向量;
数据匹配模块,基于全局特征向量、局部特征向量对人脸图像进行匹配,服务器根据匹配结果控制门禁装置。
优选地,所述图像预处理单元包括分析判断模块、图像裁剪模块;
分析判断模块,用于对图像采集模块采集的连续帧图像进行识别,并基于连续帧图像的识别结果确定采集图像中的人体区域;
图像裁剪模块,基于各方位人体面部轮廓图形对采集图像中的人体区域进行人脸边缘识别,并裁剪出人脸图像。
优选地,所述分析判断模块对图像采集模块采集的连续帧图像中的动态变化部分进行识别,并将该动态变化部分作为确定采集图像中人体区域的依据。
优选地,所述第一特征向量提取单元包括数据采集处理模块、识别模型构建模块、识别模型训练模块和第一特征向量提取模块;
数据采集处理模块,收集人脸数据并对人脸特征点进行标定,将标定后的人脸数据分为训练集和测试集;
识别模型构建模块,构建基于图形推理的识别人脸图像全局特征的全局识别模型,并将全局识别模型连接到深度学习网络中;
识别模型训练模块,利用训练集和测试集对连接到深度学习网络中的全局识别模型进行训练优化;
第一特征向量提取模块,基于优化后的全局识别模型从图像预处理单元裁剪的人脸图像中提取全局特征向量。
优选地,所述识别模型构建模块通过残差连接方式集成到深度学习网络中。
优选地,所述第二特征向量提取单元包括眼部分类器构建模块、识别区域划分模块和第二特征向量提取模块;
眼部分类器构建模块,提取图像预处理单元裁剪的人脸图像中类Haar特征,根据类Haar特征构建眼部强分类器;
识别区域划分模块,利用眼部强分类器从人脸图像中检测出眼部区域,并基于预设关键点对眼部区域进行图像划分,得到识别区域图像;
第二特征向量提取模块,利用深度卷积神经网络提取出识别区域图像的局部特征向量。
优选地,所述根据类Haar特征构建眼部强分类器,包括:
对应类Haar特征,计算简单分类器的错误率,选择错误率最低的简单分类器作为弱分类器,并更新权重;
根据自适应增强算法对弱分类器进行循环迭代,得到强分类器,并将所有强分类器级联。
优选地,所述数据匹配模块计算全局特征向量、局部特征向量的余弦距离向量,并根据余弦距离向量,求出分类器决策函数,利用分类器决策函数评估图像预处理单元裁剪的人脸图像与信息存储模块中存储人脸图像的相似性,并将分类器决策分最高且高于决策分阈值的存储人脸图像作为匹配结果输出。
优选地,还包括用于存储可进入人员对应人脸图像的信息存储模块,以及用于数据匹配模块输出匹配结果时记录时间的时间记录模块;
所述数据匹配模块输出匹配结果后,所述服务器将图像预处理单元裁剪的人脸图像与时间记录模块记录的时间打包存储至信息存储模块中,并控制门禁装置打开。
(三)有益效果
与现有技术相比,本发明所提供的一种用于智慧校园的门禁管理系统,利用图像预处理单元能够准确地从图像采集模块采集的图像中提取人脸图像,并通过第一特征向量提取单元、第二特征向量提取单元分别从人脸图像中提取全局特征向量、局部特征向量,并基于全局特征向量、局部特征向量对人脸图像进行匹配,从而能够输出更加准确的人脸图像匹配结果,实现对校园门禁的有效管控。
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为本发明的系统示意图;
图2为本发明的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
一种用于智慧校园的门禁管理系统,如图1所示,包括服务器,图像预处理单元,第一特征向量提取单元,第二特征向量提取单元和数据匹配模块。
图像预处理单元,用于对图像采集模块采集的图像中人体区域进行识别,并提取人脸图像。图像预处理单元包括分析判断模块、图像裁剪模块:
分析判断模块,用于对图像采集模块采集的连续帧图像进行识别,并基于连续帧图像的识别结果确定采集图像中的人体区域;
图像裁剪模块,基于各方位人体面部轮廓图形对采集图像中的人体区域进行人脸边缘识别,并裁剪出人脸图像。
分析判断模块对图像采集模块采集的连续帧图像中的动态变化部分进行识别,并将该动态变化部分作为确定采集图像中人体区域的依据。
本申请技术方案中,分析判断模块通过对连续帧采集图像的动态变化判断识别出人体区域,并基于各方位人体面部轮廓图形对采集图像中的人体区域进行人脸边缘识别,准确提取人脸图像。
第一特征向量提取单元,构建用于识别人脸图像全局特征的全局识别模型,并从人脸图像中提取全局特征向量。第一特征向量提取单元包括数据采集处理模块、识别模型构建模块、识别模型训练模块和第一特征向量提取模块:
数据采集处理模块,收集人脸数据并对人脸特征点进行标定,将标定后的人脸数据分为训练集和测试集;
识别模型构建模块,构建基于图形推理的识别人脸图像全局特征的全局识别模型,并将全局识别模型连接到深度学习网络中;
识别模型训练模块,利用训练集和测试集对连接到深度学习网络中的全局识别模型进行训练优化;
第一特征向量提取模块,基于优化后的全局识别模型从图像预处理单元裁剪的人脸图像中提取全局特征向量。
识别模型构建模块通过残差连接方式集成到深度学习网络中,本申请技术方案中可以集成到集成到Resnet网络中。
识别模型训练模块利用训练集对全局识别模型进行模型训练,再利用测试集对训练后的全局识别模型进行测试优化,以便对全局识别模型中的网络参数进行调整,使得全局识别模型的识别结果趋于收敛,得到优化后的全局识别模型。
第二特征向量提取单元,构建用于识别人脸图像中眼部区域的眼部分类器,并从人脸图像中提取局部特征向量。第二特征向量提取单元包括眼部分类器构建模块、识别区域划分模块和第二特征向量提取模块:
眼部分类器构建模块,提取图像预处理单元裁剪的人脸图像中类Haar特征,根据类Haar特征构建眼部强分类器;
识别区域划分模块,利用眼部强分类器从人脸图像中检测出眼部区域,并基于预设关键点对眼部区域进行图像划分,得到识别区域图像;
第二特征向量提取模块,利用深度卷积神经网络提取出识别区域图像的局部特征向量。
根据类Haar特征构建眼部强分类器,包括:
对应类Haar特征,计算简单分类器的错误率,选择错误率最低的简单分类器作为弱分类器,并更新权重;
根据自适应增强算法对弱分类器进行循环迭代,得到强分类器,并将所有强分类器级联。
数据匹配模块,基于全局特征向量、局部特征向量对人脸图像进行匹配,服务器根据匹配结果控制门禁装置。
数据匹配模块计算全局特征向量、局部特征向量的余弦距离向量,并根据余弦距离向量,求出分类器决策函数,利用分类器决策函数评估图像预处理单元裁剪的人脸图像与信息存储模块中存储人脸图像的相似性,并将分类器决策分最高且高于决策分阈值的存储人脸图像作为匹配结果输出。
本申请技术方案中,还包括用于存储可进入人员对应人脸图像的信息存储模块,以及用于数据匹配模块输出匹配结果时记录时间的时间记录模块。数据匹配模块输出匹配结果后,服务器将图像预处理单元裁剪的人脸图像与时间记录模块记录的时间打包存储至信息存储模块中,并控制门禁装置打开。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种用于智慧校园的门禁管理系统,其特征在于:包括服务器,图像预处理单元,第一特征向量提取单元,第二特征向量提取单元和数据匹配模块;
图像预处理单元,用于对图像采集模块采集的图像中人体区域进行识别,并提取人脸图像;
第一特征向量提取单元,构建用于识别人脸图像全局特征的全局识别模型,并从人脸图像中提取全局特征向量;
第二特征向量提取单元,构建用于识别人脸图像中眼部区域的眼部分类器,并从人脸图像中提取局部特征向量;
数据匹配模块,基于全局特征向量、局部特征向量对人脸图像进行匹配,服务器根据匹配结果控制门禁装置。
2.根据权利要求1所述的用于智慧校园的门禁管理系统,其特征在于:所述图像预处理单元包括分析判断模块、图像裁剪模块;
分析判断模块,用于对图像采集模块采集的连续帧图像进行识别,并基于连续帧图像的识别结果确定采集图像中的人体区域;
图像裁剪模块,基于各方位人体面部轮廓图形对采集图像中的人体区域进行人脸边缘识别,并裁剪出人脸图像。
3.根据权利要求2所述的用于智慧校园的门禁管理系统,其特征在于:所述分析判断模块对图像采集模块采集的连续帧图像中的动态变化部分进行识别,并将该动态变化部分作为确定采集图像中人体区域的依据。
4.根据权利要求1所述的用于智慧校园的门禁管理系统,其特征在于:所述第一特征向量提取单元包括数据采集处理模块、识别模型构建模块、识别模型训练模块和第一特征向量提取模块;
数据采集处理模块,收集人脸数据并对人脸特征点进行标定,将标定后的人脸数据分为训练集和测试集;
识别模型构建模块,构建基于图形推理的识别人脸图像全局特征的全局识别模型,并将全局识别模型连接到深度学习网络中;
识别模型训练模块,利用训练集和测试集对连接到深度学习网络中的全局识别模型进行训练优化;
第一特征向量提取模块,基于优化后的全局识别模型从图像预处理单元裁剪的人脸图像中提取全局特征向量。
5.根据权利要求4所述的用于智慧校园的门禁管理系统,其特征在于:所述识别模型构建模块通过残差连接方式集成到深度学习网络中。
6.根据权利要求1所述的用于智慧校园的门禁管理系统,其特征在于:所述第二特征向量提取单元包括眼部分类器构建模块、识别区域划分模块和第二特征向量提取模块;
眼部分类器构建模块,提取图像预处理单元裁剪的人脸图像中类Haar特征,根据类Haar特征构建眼部强分类器;
识别区域划分模块,利用眼部强分类器从人脸图像中检测出眼部区域,并基于预设关键点对眼部区域进行图像划分,得到识别区域图像;
第二特征向量提取模块,利用深度卷积神经网络提取出识别区域图像的局部特征向量。
7.根据权利要求6所述的用于智慧校园的门禁管理系统,其特征在于:所述根据类Haar特征构建眼部强分类器,包括:
对应类Haar特征,计算简单分类器的错误率,选择错误率最低的简单分类器作为弱分类器,并更新权重;
根据自适应增强算法对弱分类器进行循环迭代,得到强分类器,并将所有强分类器级联。
8.根据权利要求1所述的用于智慧校园的门禁管理系统,其特征在于:所述数据匹配模块计算全局特征向量、局部特征向量的余弦距离向量,并根据余弦距离向量,求出分类器决策函数,利用分类器决策函数评估图像预处理单元裁剪的人脸图像与信息存储模块中存储人脸图像的相似性,并将分类器决策分最高且高于决策分阈值的存储人脸图像作为匹配结果输出。
9.根据权利要求8所述的用于智慧校园的门禁管理系统,其特征在于:还包括用于存储可进入人员对应人脸图像的信息存储模块,以及用于数据匹配模块输出匹配结果时记录时间的时间记录模块;
所述数据匹配模块输出匹配结果后,所述服务器将图像预处理单元裁剪的人脸图像与时间记录模块记录的时间打包存储至信息存储模块中,并控制门禁装置打开。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110898159.XA CN113673381A (zh) | 2021-08-05 | 2021-08-05 | 一种用于智慧校园的门禁管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110898159.XA CN113673381A (zh) | 2021-08-05 | 2021-08-05 | 一种用于智慧校园的门禁管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113673381A true CN113673381A (zh) | 2021-11-19 |
Family
ID=78541643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110898159.XA Pending CN113673381A (zh) | 2021-08-05 | 2021-08-05 | 一种用于智慧校园的门禁管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673381A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216885A (zh) * | 2008-01-04 | 2008-07-09 | 中山大学 | 一种基于视频的行人人脸检测与跟踪算法 |
CN104978550A (zh) * | 2014-04-08 | 2015-10-14 | 上海骏聿数码科技有限公司 | 基于大规模人脸数据库的人脸识别方法及系统 |
CN106355138A (zh) * | 2016-08-18 | 2017-01-25 | 电子科技大学 | 基于深度学习和关键点特征提取的人脸识别方法 |
CN110472495A (zh) * | 2019-07-08 | 2019-11-19 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于图形推理全局特征的深度学习人脸识别方法 |
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 |
-
2021
- 2021-08-05 CN CN202110898159.XA patent/CN113673381A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216885A (zh) * | 2008-01-04 | 2008-07-09 | 中山大学 | 一种基于视频的行人人脸检测与跟踪算法 |
CN104978550A (zh) * | 2014-04-08 | 2015-10-14 | 上海骏聿数码科技有限公司 | 基于大规模人脸数据库的人脸识别方法及系统 |
CN106355138A (zh) * | 2016-08-18 | 2017-01-25 | 电子科技大学 | 基于深度学习和关键点特征提取的人脸识别方法 |
CN110472495A (zh) * | 2019-07-08 | 2019-11-19 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于图形推理全局特征的深度学习人脸识别方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105469065B (zh) | 一种基于递归神经网络的离散情感识别方法 | |
Kar et al. | Study of implementing automated attendance system using face recognition technique | |
Salimi et al. | Visual-based trash detection and classification system for smart trash bin robot | |
CN105354902B (zh) | 一种基于人脸识别的安保管理方法及系统 | |
CN105913528A (zh) | 门禁控制数据处理方法和装置、门禁控制方法和装置 | |
EP3118810A1 (en) | Information processing method and information processing system | |
US20040013286A1 (en) | Object recognition system | |
CN106919921B (zh) | 结合子空间学习与张量神经网络的步态识别方法及系统 | |
CN103886305B (zh) | 面向基层治安、维稳及反恐的特异人脸搜索方法 | |
CN109508700A (zh) | 一种人脸识别方法、系统及存储介质 | |
CN103839379A (zh) | 汽车及用于其的驾驶员疲劳预警检测方法和系统 | |
Huang et al. | Attendance system based on dynamic face recognition | |
CN116386120B (zh) | 一种用于智慧校园宿舍的无感监控管理系统 | |
Qezavati et al. | Partially covered face detection in presence of headscarf for surveillance applications | |
CN111862413A (zh) | 实现抗疫情非接触多维身份快速识别的方法及其系统 | |
CN107832721A (zh) | 用于输出信息的方法和装置 | |
CN114333011B (zh) | 网络训练、人脸识别方法、电子设备及存储介质 | |
CN111754669A (zh) | 一种基于人脸识别技术的高校学生管理系统 | |
Diyasa et al. | Multi-face Recognition for the Detection of Prisoners in Jail using a Modified Cascade Classifier and CNN | |
James et al. | Student monitoring system for school bus using facial recognition | |
Byeon et al. | A surveillance system using CNN for face recognition with object, human and face detection | |
Kadambari et al. | Automation of attendance system using facial recognition | |
CN113673381A (zh) | 一种用于智慧校园的门禁管理系统 | |
Li et al. | Face detection technology based on combining skin color model with improved adaboost algorithm | |
Karungaru et al. | Face recognition in colour images using neural networks and genetic algorithms |
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 |