CN113743270A - 门禁控制方法、装置、计算机设备和存储介质 - Google Patents

门禁控制方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113743270A
CN113743270A CN202110988372.XA CN202110988372A CN113743270A CN 113743270 A CN113743270 A CN 113743270A CN 202110988372 A CN202110988372 A CN 202110988372A CN 113743270 A CN113743270 A CN 113743270A
Authority
CN
China
Prior art keywords
access control
recognized
pass
features
face
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
CN202110988372.XA
Other languages
English (en)
Inventor
王桂玲
王芷薇
吴梦梅
王楠
郑艳涛
李翔
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202110988372.XA priority Critical patent/CN113743270A/zh
Publication of CN113743270A publication Critical patent/CN113743270A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及控制领域，特别是涉及一种门禁控制方法、装置、计算机设备和存储介质，所述方法包括：获取待处理视频，所述待处理视频中包含待统计对象；基于所述待处理视频，获取允许通过门禁的对象的第一步态特征以及第一人脸特征；基于所述第一步态特征对允许通过门禁的对象分类；获取待识别对象的第二步态特征以及第二人脸特征；基于所述第二步态特征确定待识别对象所属的类别；将所述第二人脸特征与待识别对象所属类别所对应的第一人脸特征进行匹配，并根据匹配结果控制所述门禁设备。本发明将第二人脸特征与待识别对象所属类别所对应的第一人脸特征进行匹配，而不是与数据库中的所有第一人脸特征进行匹配，减少了数据运算，减少了匹配时间。

Description

门禁控制方法、装置、计算机设备和存储介质
技术领域
本申请涉及控制领域，特别是涉及一种门禁控制方法、装置、计算机设备和存储介质。
背景技术
门禁装置在不断地创新，融入了各项智能技术，常用的基于人脸识别的门禁系统是利用高清摄像机抓拍人脸图片，将图片发送至人脸识别模块，提取人脸图片的特征，通过算法对所提取的特征与人脸底库进行比对分析，比对成功时门禁开门，构成了一个人脸识别的门禁装置。
现有的基于人脸识别的门禁装置含有大量人脸数据的人脸底库，传统的模式识别算法在大量数据库的前提下很难进行快速识别，会存在耗时久的缺点。
发明内容
基于此，有必要针对上述技术问题，提供一种门禁控制方法、装置、计算机设备和存储介质。
第一方面，本发明实施例提出一种门禁控制方法，该方法应用于门禁设备，所述方法包括：
获取允许通过门禁的对象的第一步态特征以及第一人脸特征；
基于所述第一步态特征对允许通过门禁的对象分类；
获取待识别对象的第二步态特征以及第二人脸特征；
基于所述第二步态特征确定待识别对象所属的类别；
将所述第二人脸特征与待识别对象所属类别所对应的第一人脸特征进行匹配，并根据匹配结果控制所述门禁设备。
在一实施例中，所述获取允许通过门禁的对象的第一步态特征包括：
获取待处理视频流，所述待处理视频流中包含所述允许通过门禁的对象；
基于所述待处理视频流，利用训练得到的步态特征提取模型，得到所述允许通过门禁的对象的第一步态特征。
在一实施例中，所述基于所述第一步态特征对允许通过门禁的对象分类包括：
基于所述允许通过门禁的对象的第一步态特征，建立决策树模型；
基于所述决策树模型，对允许通过门禁的对象分类。
在一实施例中，所述基于允许通过门禁的对象的第一步态特征，建立决策树模型包括：
获取所述第一步态特征所包含的各信息的增益率；
基于所述各信息的增益率，确定各信息的节点顺序；
基于各信息的节点顺序，建立决策树模型。
在一实施例中，所述各信息的增益率满足以下公式：
Figure BDA0003231481410000021
Figure BDA0003231481410000022
其中，D表示数据集；a表示数据列表；DN表示第N个分支结点中包含了数据集D中在数据列表a上取值为an的样本；Gain(D，a)表示信息增益；IV(a)表示属性a的固有值。
在一实施例中，所述将所述第二人脸特征与待识别对象所属类别所对应的第一人脸特征进行匹配，并根据匹配结果控制所述门禁设备包括：
若第二人脸特征与待识别对象所属类别所对应的任一第一人脸特征匹配，则控制所述门禁设备打开；
若第二人脸特征与待识别对象所属类别所对应的第一人脸特征不匹配，则不控制所述门禁设备打开。
在一实施例中，所述方法还包括：
获取所述待识别对象的行进速度以及待识别对象与门禁设备的距离；
基于所述待识别对象的行进速度以及待识别对象与门禁设备的距离，确定控制门禁设备打开的时间。
第二方面，本发明实施例提出一种门禁控制装置，所述装置包括：
第一获取模块，用于获取允许通过门禁的对象的第一步态特征以及第一人脸特征；
分类模块，用于基于所述第一步态特征对允许通过门禁的对象分类；
第二获取模块，用于获取待识别对象的第二步态特征以及第二人脸特征；
确定模块，用于基于所述第二步态特征确定待识别对象所属的类别；
匹配模块，用于将所述第二人脸特征与待识别对象所属类别所对应的第一人脸特征进行匹配，并根据匹配结果控制所述门禁设备。
第三方面，本发明实施例提出一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取允许通过门禁的对象的第一步态特征以及第一人脸特征；
基于所述第一步态特征对允许通过门禁的对象分类；
获取待识别对象的第二步态特征以及第二人脸特征；
基于所述第二步态特征确定待识别对象所属的类别；
将所述第二人脸特征与待识别对象所属类别所对应的第一人脸特征进行匹配，并根据匹配结果控制所述门禁设备。
第四方面，本发明实施例提出一种计算机可读存储介质，其上存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取允许通过门禁的对象的第一步态特征以及第一人脸特征；
基于所述第一步态特征对允许通过门禁的对象分类；
获取待识别对象的第二步态特征以及第二人脸特征；
基于所述第二步态特征确定待识别对象所属的类别；
将所述第二人脸特征与待识别对象所属类别所对应的第一人脸特征进行匹配，并根据匹配结果控制所述门禁设备。
上述方法、装置、计算机设备和存储介质，通过获取允许通过门禁的对象的第一步态特征以及第一人脸特征；基于所述第一步态特征对允许通过门禁的对象分类；获取待识别对象的第二步态特征以及第二人脸特征；基于所述第二步态特征确定待识别对象所属的类别；将所述第二人脸特征与待识别对象所属类别所对应的第一人脸特征进行匹配，并根据匹配结果控制所述门禁设备。本发明将第二人脸特征与待识别对象所属类别所对应的第一人脸特征进行匹配，而不是与数据库中的所有第一人脸特征进行匹配，减少了数据运算，减少了匹配时间。
附图说明
图1为一个实施例中门禁控制方法的应用环境图；
图2为一个实施例中门禁控制方法的流程示意图；
图3为一个实施例中步态特征获取方法的流程示意图；
图4为一个实施例中分类方法的流程示意图；
图5为一个实施例中控制门禁设备方法的流程示意图；
图6为一个实施例中门禁设备打开时间控制方法的流程示意图；
图7为一个实施例中门禁控制装置的结构示意图；
图8为一个实施例中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。
本申请提供的一种门禁控制方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102首先获取允许通过门禁的对象的第一步态特征以及第一人脸特征，基于所述第一步态特征对允许通过门禁的对象分类，获取待识别对象的第二步态特征以及第二人脸特征，基于所述第二步态特征确定待识别对象所属的类别，将所述第二人脸特征与待识别对象所属类别所对应的第一人脸特征进行匹配，并根据匹配结果控制所述门禁设备，终端102再将门禁控制结果发送到服务器104。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑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。
在一实施例中，如图2所示，提供了一种门禁控制方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
S202：获取允许通过门禁的对象的第一步态特征以及第一人脸特征。
步态特征包括静态特征和动态特征，静态特征包括身高体型、腿骨、关节、肌肉、穿着等特征，动态特征包括走路姿态、动作等特征，例如手臂摆幅，走路速度、步频等特征。
在本实施例中，将所有对象分为允许通过门禁的对象以及待识别对象。允许通过门禁的对象能够通过识别通过门禁，例如某一幢寝室楼里面的学生。待识别对象指的是需要识别的对象，只有识别成功后才能通过门禁。
第一人脸特征可以利用人脸特征提取模型进行提取，基于人脸特征提取模型是现有技术，因此不再赘述。
S204：基于所述第一步态特征对允许通过门禁的对象分类。
可以理解的是，每个允许通过门禁的对象都有对应的第一步态特征，其中有些第一步态特征是相近的。在本实施例中，将相近的第一步态特征作为一个类别，得到多个类别，也就实现对允许通过门禁的对象分类。
S206：获取待识别对象的第二步态特征以及第二人脸特征。
S208：基于所述第二步态特征确定待识别对象所属的类别。
在步骤S204中已经对允许通过门禁的对象进行分类，在本步骤中确定第二步态特征所相近的类别，从而确定待识别对象所属的类别。
S210：将所述第二人脸特征与待识别对象所属类别所对应的第一人脸特征进行匹配，并根据匹配结果控制所述门禁设备。
在对允许通过门禁的对象分类之后，其对应的第一人脸特征也按照分类进行存储。在本实施例中，将第二人脸特征与待识别对象所属类别所对应的第一人脸特征进行匹配，而不是与数据库中的所有第一人脸特征进行匹配，减少了数据运算，减少了匹配时间。
在一实施例中，如图3所示，获取允许通过门禁的对象的第一步态特征包括以下步骤：
S302：获取待处理视频流，所述待处理视频流中包含所述允许通过门禁的对象。
可以理解的是，门禁设备都自带摄像装置，通过摄像装置获取包含允许通过门禁的对象的待处理视频流。
S304：基于所述待处理视频流，利用训练得到的步态特征提取模型，得到所述允许通过门禁的对象的第一步态特征。
步态特征提取模型用于提取允许通过门禁的对象的第一步态特征。首先，从样本视频流中获取对象的图像序列，利用图像序列进行训练得到步态特征提取模型。然后将从待处理视频流中提取的对象的图像序列，输入步态特征提取模型，得到允许通过门禁的对象的第一步态特征。
可以理解的是，步骤S206中，也可以采用同样的方法获取待识别对象的第二步态特征。
在一实施例中，如图4所示，基于所述第一步态特征对允许通过门禁的对象分类包括以下步骤：
S402：基于所述允许通过门禁的对象的第一步态特征，建立决策树模型。对每个人员的信息排列成一个数据列表，若列表为空，则重新获取信息。
首先，获取所述第一步态特征所包含的各信息的增益率；然后，基于所述各信息的增益率，确定各信息的节点顺序；最后，基于各信息的节点顺序，建立决策树模型。
具体的，首先需要构建根结点，根据增益率选择一个最优特征，按照最优特征将第一步态特征分割成子集；若子集能够正确进行分类，将构建叶结点，将子集分到各个叶结点中，反之，子集不能够正确分类，子集则需要选择新的最优特征继续进行分割，构建结点，直至第一步态特征中所有的子集被正确分类为止，形成一棵决策树。
信息增益是指在分割数据集前和分割数据集后的信息差值，分割第一步态特征是为了将无序的数据排列成一个有序的数据列表。计算信息增益率需要将全部的第一步态特征构成数据集，从数据集中取出一部分作为训练集D，将训练集D中第i类样本所占的比例为pi，训练集D的信息熵为：
Figure BDA0003231481410000081
信息熵越大，信息的不确定性就越大，纯度越低。
在一示例实施例中，将行进速度的数据列表设为a，数据列表a中有N个取值，使用a对数据集D进行划分，则产生N个分支结点。第N个分支结点中包含了数据集D中在数据列表a上取值为an的样本，该样本记为DN。通过信息熵的计算公式分别计算数据集D和分割后DN的信息熵，按照行进速度属性划分若干个子集，对每个子集熵进行加权，得到信息增益：
Figure BDA0003231481410000082
划分后的信息熵小才能保证数据的纯度高，信息的不确定性小。若某个特征取值较多时，该特征的信息熵较低，得到的信息增益会偏高，因此信息增益受特征取值个数的影响，按信息增益划分数据集缺少泛化能力。
为了减少不利因素，本方法将运用信息增益率的算法：
Figure BDA0003231481410000083
Figure BDA0003231481410000084
将身高、着装等其他信息按同样的方法计算信息增益率，比较数据列表中行进速度的信息增益率、身高数据的信息增益率和着装信息增益率的大小等，按照信息增益率从大到小的顺序将行进速度、身高和着装数据等作为数据结点划分数据集生成一棵完整的决策树模型。
S404：基于所述决策树模型，对允许通过门禁的对象分类。
基于生成的完整的决策树模型，实现对允许通过门禁的对象分类。
在一实施例中，如图5所示，将所述第二人脸特征与待识别对象所属类别所对应的第一人脸特征进行匹配，并根据匹配结果控制所述门禁设备包括以下步骤：
S502：若第二人脸特征与待识别对象所属类别所对应的任一第一人脸特征匹配，则控制所述门禁设备打开；
S504：若第二人脸特征与待识别对象所属类别所对应的第一人脸特征不匹配，则不控制所述门禁设备打开。
若第二人脸特征与待识别对象所属类别所对应的任一第一人脸特征匹配，说明识别通过，则控制所述门禁设备打开；若第二人脸特征与待识别对象所属类别所对应的第一人脸特征不匹配，说明识别不通过，则不控制所述门禁设备打开。
在本实施例中，第二人脸特征只需与待识别对象所属类别所对应的第一人脸特征匹配，而不需要与数据库中的所有第一人脸特征进行匹配，减少了数据运算，减少了匹配时间，提高了识别效率。
在一实施例中，如图6所示，所述方法还包括：
S602：获取所述待识别对象的行进速度以及待识别对象与门禁设备的距离；
S604：基于所述待识别对象的行进速度以及待识别对象与门禁设备的距离，确定控制门禁设备打开的时间。
摄像装置通过视频流分析得到待识别对象的行进速度，再根据待识别对象的行进速度以及待识别对象与门禁设备的距离，计算待识别对象到达门禁设备的时间，若待识别对象识别成功，则到达门禁时立即开门。当待识别对象的行进速度发生变化时，重新计算达到时间进行开门操作。
在本实施例中，通过控制门禁设备打开的时间，可以实现待识别对象到达时立即开门，待识别对象快速通过，节省了待识别对象在门禁前等待开门的时间，提高了通过门禁的速度。
应该理解的是，虽然图1-6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1-6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一实施例中，如图7所示，本发明提供了一种门禁控制装置，所述装置包括：
第一获取模块702，用于获取允许通过门禁的对象的第一步态特征以及第一人脸特征；
分类模块704，用于基于所述第一步态特征对允许通过门禁的对象分类；
第二获取模块706，用于获取待识别对象的第二步态特征以及第二人脸特征；
确定模块708，用于基于所述第二步态特征确定待识别对象所属的类别；
匹配模块710，用于将所述第二人脸特征与待识别对象所属类别所对应的第一人脸特征进行匹配，并根据匹配结果控制所述门禁设备。
在一实施例中，第一获取模块包括：
视频流获取模块，用于获取待处理视频流，所述待处理视频流中包含所述允许通过门禁的对象；
步态特征获取模块，用于基于所述待处理视频流，利用训练得到的步态特征提取模型，得到所述允许通过门禁的对象的第一步态特征。
在一实施例中，分类模块包括：
模型建立模块，用于基于所述允许通过门禁的对象的第一步态特征，建立决策树模型；
分类子模块，用于基于所述决策树模型，对允许通过门禁的对象分类。
在一实施例中，模型建立模块具体用于：
获取所述第一步态特征所包含的各信息的增益率；
基于所述各信息的增益率，确定各信息的节点顺序；
基于各信息的节点顺序，建立决策树模型。
在一实施例中，所述各信息的增益率满足以下公式：
Figure BDA0003231481410000111
Figure BDA0003231481410000112
在一实施例中，匹配模块具体用于：
若第二人脸特征与待识别对象所属类别所对应的任一第一人脸特征匹配，则控制所述门禁设备打开；
若第二人脸特征与待识别对象所属类别所对应的第一人脸特征不匹配，则不控制所述门禁设备打开。
在一实施例中，所述装置还包括：
第三获取模块，用于获取所述待识别对象的行进速度以及待识别对象与门禁设备的距离；
控制模块，用于基于所述待识别对象的行进速度以及待识别对象与门禁设备的距离，确定控制门禁设备打开的时间。
关于门禁控制装置的具体限定可以参见上文中对于门禁控制方法的限定，在此不再赘述。上述门禁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8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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动作检测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述任一项门禁控制方法实施例中的步骤。
本领域技术人员可以理解，图8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。
在一实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述任一项门禁控制方法实施例中的步骤。
在一实施例中，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任一项门禁控制方法实施例中的步骤。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)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)

1.一种门禁控制方法，该方法应用于门禁设备，其特征在于，所述方法包括：
获取允许通过门禁的对象的第一步态特征以及第一人脸特征；
基于所述第一步态特征对允许通过门禁的对象分类；
获取待识别对象的第二步态特征以及第二人脸特征；
基于所述第二步态特征确定待识别对象所属的类别；
将所述第二人脸特征与待识别对象所属类别所对应的第一人脸特征进行匹配，并根据匹配结果控制所述门禁设备。
2.根据权利要求1所述的方法，其特征在于，所述获取允许通过门禁的对象的第一步态特征包括：
获取待处理视频流，所述待处理视频流中包含所述允许通过门禁的对象；
基于所述待处理视频流，利用训练得到的步态特征提取模型，得到所述允许通过门禁的对象的第一步态特征。
3.根据权利要求1所述的方法，其特征在于，所述基于所述第一步态特征对允许通过门禁的对象分类包括：
基于所述允许通过门禁的对象的第一步态特征，建立决策树模型；
基于所述决策树模型，对允许通过门禁的对象分类。
4.根据权利要求3所述的方法，其特征在于，所述基于允许通过门禁的对象的第一步态特征，建立决策树模型包括：
获取所述第一步态特征所包含的各信息的增益率；
基于所述各信息的增益率，确定各信息的节点顺序；
基于各信息的节点顺序，建立决策树模型。
5.根据权利要求4所述的方法，其特征在于，所述各信息的增益率满足以下公式：
Figure FDA0003231481400000021
Figure FDA0003231481400000022
其中，D表示数据集；a表示数据列表；DN表示第N个分支结点中包含了数据集D中在数据列表a上取值为an的样本；Gain(D，a)表示信息增益；IV(a)表示属性a的固有值。
6.根据权利要求1所述的方法，其特征在于，所述将所述第二人脸特征与待识别对象所属类别所对应的第一人脸特征进行匹配，并根据匹配结果控制所述门禁设备包括：
若第二人脸特征与待识别对象所属类别所对应的任一第一人脸特征匹配，则控制所述门禁设备打开；
若第二人脸特征与待识别对象所属类别所对应的第一人脸特征不匹配，则不控制所述门禁设备打开。
7.根据权利要求1～6任一项所述的方法，其特征在于，所述方法还包括：
获取所述待识别对象的行进速度以及待识别对象与门禁设备的距离；
基于所述待识别对象的行进速度以及待识别对象与门禁设备的距离，确定控制门禁设备打开的时间。
8.一种门禁控制装置，其特征在于，所述装置包括：
第一获取模块，用于获取允许通过门禁的对象的第一步态特征以及第一人脸特征；
分类模块，用于基于所述第一步态特征对允许通过门禁的对象分类；
第二获取模块，用于获取待识别对象的第二步态特征以及第二人脸特征；
确定模块，用于基于所述第二步态特征确定待识别对象所属的类别；
匹配模块，用于将所述第二人脸特征与待识别对象所属类别所对应的第一人脸特征进行匹配，并根据匹配结果控制所述门禁设备。
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7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7中任一项所述的方法的步骤。
CN202110988372.XA 2021-08-26 2021-08-26 门禁控制方法、装置、计算机设备和存储介质 Pending CN113743270A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110988372.XA CN113743270A (zh) 2021-08-26 2021-08-26 门禁控制方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110988372.XA CN113743270A (zh) 2021-08-26 2021-08-26 门禁控制方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN113743270A true CN113743270A (zh) 2021-12-03

Family

ID=78732991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110988372.XA Pending CN113743270A (zh) 2021-08-26 2021-08-26 门禁控制方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113743270A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926934A (zh) * 2022-06-09 2022-08-19 广州创显智能科技有限公司 一种基于ai的门禁识别方法和识别装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926934A (zh) * 2022-06-09 2022-08-19 广州创显智能科技有限公司 一种基于ai的门禁识别方法和识别装置

Similar Documents

Publication Publication Date Title
CN111860147B (zh) 行人重识别模型优化处理方法、装置和计算机设备
CN111950329B (zh) 目标检测及模型训练方法、装置、计算机设备和存储介质
US11062123B2 (en) Method, terminal, and storage medium for tracking facial critical area
CN109241903B (zh) 样本数据清洗方法、装置、计算机设备及存储介质
US10445562B2 (en) AU feature recognition method and device, and storage medium
WO2020199480A1 (zh) 一种人体动作的识别方法及设备
US10366595B2 (en) Surveillance method and system based on human behavior recognition
CN111950656B (zh) 图像识别模型生成方法、装置、计算机设备和存储介质
EP3757873A1 (en) Facial recognition method and device
US20040013286A1 (en) Object recognition system
CN110046577B (zh) 行人属性预测方法、装置、计算机设备和存储介质
US11335127B2 (en) Media processing method, related apparatus, and storage medium
KR102261054B1 (ko) 카메라에 연결되는 고속 얼굴 인식 장치
CN113505797B (zh) 模型训练方法、装置、计算机设备和存储介质
KR20220076398A (ko) Ar장치를 위한 객체 인식 처리 장치 및 방법
CN112001932A (zh) 人脸识别方法、装置、计算机设备和存储介质
CN113449586A (zh) 目标检测方法、装置、计算机设备和存储介质
CN111159476B (zh) 目标对象的搜索方法、装置、计算机设备及存储介质
CN108200087B (zh) web入侵检测方法、装置、计算机设备和存储介质
CN113743270A (zh) 门禁控制方法、装置、计算机设备和存储介质
Kadambari et al. Automation of attendance system using facial recognition
US20230386185A1 (en) Statistical model-based false detection removal algorithm from images
Poh et al. Heterogeneous information fusion: A novel fusion paradigm for biometric systems
CN111242951A (zh) 车辆检测方法、装置、计算机设备和存储介质
Ting et al. Performance analysis of single and combined bit-planes feature extraction for recognition in face expression database

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