CN115424383A - 一种智能门禁管理系统及方法 - Google Patents
一种智能门禁管理系统及方法 Download PDFInfo
- Publication number
- CN115424383A CN115424383A CN202211239768.5A CN202211239768A CN115424383A CN 115424383 A CN115424383 A CN 115424383A CN 202211239768 A CN202211239768 A CN 202211239768A CN 115424383 A CN115424383 A CN 115424383A
- Authority
- CN
- China
- Prior art keywords
- biological information
- image
- module
- access control
- personnel
- 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.)
- Granted
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
- G07C9/20—Individual registration on entry or exit involving the use of a pass
- G07C9/22—Individual registration on entry or exit involving the use of a pass in combination with an identity check of the pass holder
- G07C9/25—Individual registration on entry or exit involving the use of a pass in combination with an identity check of the pass holder 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及门禁管理技术领域,公开了一种智能门禁管理系统及方法,包括录入模块、第一信息处理模块、第二信息处理模块、深度特征提取模块、门禁采集模块、权限确认模块、门禁控制模块、记录模块和人员信息数据库。将人员的生物信息录入智能门禁管理系统,将生物信息投射到灰度色彩空间,提取目标图像,构建多层级强分类器,判断目标图像是否为生物信息图像;构建深度特征提取网络,对人员的生物信息图像进行特征提取,对待验证人员的生物信息进行权限确认,生成权限指令控制电控锁进行开、关锁。本发明解决了现有技术没有考虑节能,当获取的图像中不含待识别信息时,继续计算将大大提高能耗,提高计算复杂度,不利于实现高效门禁管理的问题。
Description
技术领域
本发明涉及门禁管理技术领域,尤其涉及一种智能门禁管理系统及方法。
背景技术
门禁终端系统作为重要服务系统,为人们的生活带来了极大的便利。智能门禁管理系统是现代化安全管理系统,集微机自动识别技术和现代安全管理措施为一体,可用于身份识别、智能大厦、物业楼宇、小区物业、车辆管理、消费餐饮、商业物流等多方面;对区域内安防和管理起到了极大的积极作用,预防杜绝了一些安全隐患;现有的智能门禁管理系统中,进行验证识别的方式有很多种,例如卡片识别、密码识别、生物识别。
我国专利申请号CN202210028756.1公开了一种智能门禁管理系统,包括智能管理服务器、智能模块、读卡设备、电控锁和通讯设备:智能管理服务器用于智能模块的认证、配置、开门控制指令下发;智能模块通过无线网络连接智能管理服务器,用于存储管理服务器下发的配置参数,控制电控锁开门;智能模块还用于控制电控锁的启闭;读卡设备向智能模块提供开门门卡ID;通讯设备包括通过无线网络连接的门禁通讯设备和住户通讯设备,门禁通讯设备用于向住户通讯设备传递信息,住户通讯设备与智能模块连接,用于下发开锁指令给智能模块。通过智能管理服务器配置门禁信息,实现门禁各类数据统一收集和分析,通讯设备为来访人员和内部住户建立通信。
但在实现上述申请实施例中技术方案的过程中,发现上述技术至少存在如下问题:现有技术没有考虑节能问题,当获取的图像中不含待识别信息时,继续计算将大大提高能耗,提高计算复杂度,不利于实现高效门禁管理,且对于待识别信息的识别效果和识别速度仍有待提高。
发明内容
本发明通过提供一种智能门禁管理系统及方法,解决了现有技术没有考虑节能,当获取的图像中不含待识别信息时,继续计算将大大提高能耗,提高计算复杂度,不利于实现高效门禁管理,且对于待识别信息的识别效果和识别速度仍有待提高的问题,达到了降低能耗、降低计算复杂度、提高门禁管理效率的效果。
本发明具体包括以下技术方案:
一种智能门禁管理系统,包括以下部分:
录入模块、第一信息处理模块、第二信息处理模块、深度特征提取模块、门禁采集模块、权限确认模块、门禁控制模块、记录模块和人员信息数据库;
所述第一信息处理模块,用于对生物信息进行预处理,并将生物信息投射到灰度色彩空间,提取目标图像,所第一信息处理模块通过数据传输的方式与所第二信息处理模块相连;
所述第二信息处理模块,用于构建多层级强分类器,判断目标图像是否为生物信息图像,所第二信息处理模块通过数据传输的方式与所深度特征提取模块相连;
所述深度特征提取模块,用于构建深度特征提取网络,将生物信息图像输入所述深度特征提取网络中,输出生物信息图像的特征,所深度特征提取模块通过数据传输的方式与所权限确认模块和所人员信息数据库相连;
所述权限确认模块,用于将当前人员的生物信息图像特征与人员信息数据库中存储的生物信息图像特征进行匹配,对人员的权限进行确认,生成权限指令,所权限确认模块通过数据传输的方式与所门禁控制模块、所记录模块和所人员信息数据库相连;
一种智能门禁管理方法,包括以下步骤:
S1.将人员的生物信息录入智能门禁管理系统中,将生物信息投射到灰度色彩空间,提取目标图像,构建多层级强分类器,判断目标图像是否为生物信息图像;
S2.构建深度特征提取网络,对人员的生物信息图像进行特征提取,对待验证人员的生物信息进行权限确认,生成权限指令控制电控锁进行开、关锁。
进一步,所述步骤S1具体包括:
将生物信息投射到灰度色彩空间,得到生物信息中图像不同区域的色彩明暗度,根据不同区域的色彩明暗度计算哈尔特征因子,根据哈尔特征因子提取目标图像。
进一步,所述步骤S1具体包括:
构建多层级强分类器,多层级强分类器用于判断目标图像是否为生物信息图像,获取2N个训练样本用于对多层级强分类器进行训练,2N个训练样本包括N个生物信息图像和N个非生物信息图像。对每个训练样本进行权重赋值,计算每个训练样本的哈尔特征因子,得到弱分类误差值,再由多个层级的弱分类误差值组成多层级强分类器。
进一步,所述步骤S2具体包括:
构建深度特征提取网络,将生物信息图像输入深度特征提取网络中,输出生物信息图像的特征。从多个维度提取生物信息图像的深度特征。深度特征提取网络由多个卷积层、池化层、交互层、全连接层组成,是具有自适应性的无监督训练方法。
进一步,所述步骤S2具体包括:
深度特征提取网络设立M个输入通道,生物信息图像输入到深度特征提取网络后,进入各个输入通道,输送到不同卷积层,每个卷积层的卷积核数均不同,从而得到M个通道输出的M个图像特征;然后经过池化层对数据进行降维,用更高层次的特征表示图像;对降维后的M维图像特征进行交互,对交互后的图像特征进行两两融合,将融合后的图像特征输送到全连接层,将卷积输出的二维特征图转化成一维的一个向量,输出当前生物信息图像的特征集合。
进一步,所述步骤S2具体包括:
权限确认模块将当前人员的生物信息图像特征与人员信息数据库中存储的生物信息图像特征进行匹配,若匹配结果d符合预设阈值范围,则当前人员为已录入信息人员,具有开门权限;否则无开门权限。
进一步,所述步骤S2具体包括:
权限确认模块生成权限指令,由门禁控制模块根据权限指令对电控锁进行开、关锁控制,并由记录模块记录人员出入情况,存储到人员信息数据库中。
本发明至少具有如下技术效果或优点:
1、采用哈尔特征因子提取目标图像,反映了图像的灰度变化情况,只需遍历一次图像,大大提高了计算效率;构建多层级强分类器进行图像判别,当判断属于非生物信息图像时,无需进行后续计算,且门禁摄像头可以进入休眠状态,降低能耗,降低计算复杂度,提高门禁管理效率。
2、构建深度特征提取网络,对人员的生物信息图像进行特征提取,深度挖掘生物信息图像的特征信息,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特征,更能突出人脸图像中的细节特征,从而能够有效的辅助提升智能门禁管理系统的识别效果。
3、本发明的技术方案能够有效解决现有技术没有考虑节能,当获取的图像中不含待识别信息时,继续计算将大大提高能耗,提高计算复杂度,不利于实现高效门禁管理,且对于待识别信息的识别效果和识别速度仍有待提高的问题,最终能够降低能耗、降低计算复杂度、提高门禁管理效率。
附图说明
图1为本发明所述的一种智能门禁管理系统结构图;
图2为本发明所述的一种智能门禁管理方法流程图。
具体实施方式
本申请实施例通过提供一种智能门禁管理系统及方法,解决了现有技术没有考虑节能,当获取的图像中不含待识别信息时,继续计算将大大提高能耗,提高计算复杂度,不利于实现高效门禁管理,且对于待识别信息的识别效果和识别速度仍有待提高的问题。
本申请实施例中的技术方案为解决上述问题,总体思路如下:
采用哈尔特征因子提取目标图像,反映了图像的灰度变化情况,只需遍历一次图像,大大提高了计算效率;构建多层级强分类器进行图像判别,当判断属于非生物信息图像时,无需进行后续计算,且门禁摄像头可以进入休眠状态,降低能耗,降低计算复杂度,提高门禁管理效率;构建深度特征提取网络,对人员的生物信息图像进行特征提取,深度挖掘生物信息图像的特征信息,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特征,更能突出人脸图像中的细节特征,从而能够有效的辅助提升智能门禁管理系统的识别效果。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1,本发明所述的一种智能门禁管理系统,包括以下部分:
录入模块10、第一信息处理模块20、第二信息处理模块30、深度特征提取模块40、门禁采集模块50、权限确认模块60、门禁控制模块70、记录模块80和人员信息数据库90。
所述录入模块10,用于将人员的信息录入智能门禁管理系统中,录入模块10通过数据传输的方式与第一信息处理模块20和人员信息数据库90相连;
所述第一信息处理模块20,用于对生物信息进行预处理,并将生物信息投射到灰度色彩空间,提取目标图像,第一信息处理模块20通过数据传输的方式与第二信息处理模块30相连;
所述第二信息处理模块30,用于构建多层级强分类器,判断目标图像是否为生物信息图像,第二信息处理模块30通过数据传输的方式与深度特征提取模块40相连;
所述深度特征提取模块40,用于构建深度特征提取网络,将生物信息图像输入所述深度特征提取网络中,输出生物信息图像的特征,深度特征提取模块40通过数据传输的方式与权限确认模块60和人员信息数据库90相连;
所述门禁采集模块50,用于获取待验证人员的生物信息,也可以采集IC卡的电磁信号或者用于验证识别的信息,门禁采集模块50通过数据传输的方式与第一信息处理模块20相连;
所述权限确认模块60,用于将当前人员的生物信息图像特征与人员信息数据库90中存储的生物信息图像特征进行匹配,对人员的权限进行确认,生成权限指令,权限确认模块60通过数据传输的方式与门禁控制模块70、记录模块80和人员信息数据库90相连;
所述门禁控制模块70,用于根据权限指令对电控锁进行开、关锁控制;
所述记录模块80,用于记录人员出入情况,记录模块80通过数据传输的方式与人员信息数据库90相连;
所述人员信息数据库90,用于存储人员信息、特征信息和出入信息。
参照附图2,本发明所述的一种智能门禁管理方法,包括以下步骤:
S1.将人员的生物信息录入智能门禁管理系统中,将生物信息投射到灰度色彩空间,提取目标图像,构建多层级强分类器,判断目标图像是否为生物信息图像。
管理员通过录入模块10将人员的信息录入智能门禁管理系统中,保存到人员信息数据库90;所述录入的信息可以是人员的生物信息或者卡片的电磁信号、密钥等信息;所述生物信息可以包括人脸图像信息、指纹信息、声音信息、虹膜信息等。本发明以获取待验证人员的生物信息作为一个具体实施例。
当录入新的人员生物信息到智能门禁管理系统时,需要对生物信息进行处理和特征提取,以便后续对当前生物信息进行权限识别。第一信息处理模块20对生物信息进行预处理,所述预处理方法采用现有技术,例如灰度变换、去噪、图像增强等技术。在经过预处理后,第一信息处理模块20从生物信息图像中分离出目标图像,即去除背景图像;所述目标图像可以是人脸图像、指纹图像、瞳孔图像等。
第一信息处理模块20将生物信息投射到灰度色彩空间,得到生物信息中图像不同区域的色彩明暗度,根据不同区域的色彩明暗度计算哈尔特征因子,根据哈尔特征因子提取目标图像,具体计算方法为:
其中,δH表示哈尔特征因子,fw(i,j)表示白色区域的像素,∑i,jfw(i,j)表示白色区域的像素和,fb(i,j)表示黑色区域的像素,∑i,jfb(i,j)表示黑色区域的像素和,(i,j)表示像素坐标,fH表示目标图像,f(i,j)表示当前像素图像,表示各帧图像中当前坐标(i,j)的像素灰度均值。
第二信息处理模块30构建多层级强分类器,所述多层级强分类器用于判断目标图像是否为生物信息图像,具体实现过程如下:
获取2N个训练样本用于对多层级强分类器进行训练,2N个训练样本包括N个生物信息图像和N个非生物信息图像。对每个训练样本进行权重赋值,计算每个训练样本的哈尔特征因子,得到弱分类误差值,再由多个层级的弱分类误差值组成多层级强分类器:
其中,εr表示第r层级的弱分类误差值,α表示超参数,ωn表示第n个训练样本的权重,pr表示第r层级的弱分类概率,表示第n个训练样本的哈尔特征因子,n∈[1,2N],∈r表示弱分类误差因子,R表示层级总数,r∈[1,R],h表示多层级强分类器。当h=1时,表示当前图像为生物信息图像;当h=0时,表示当前图像为非生物信息图像。
所述步骤S1的有益效果为:采用哈尔特征因子提取目标图像,反映了图像的灰度变化情况,只需遍历一次图像,大大提高了计算效率;构建多层级强分类器进行图像判别,当判断属于非生物信息图像时,无需进行后续计算,且门禁摄像头可以进入休眠状态,降低能耗,降低计算复杂度,提高门禁管理效率。
S2.构建深度特征提取网络,对人员的生物信息图像进行特征提取,对待验证人员的生物信息进行权限确认,生成权限指令控制电控锁进行开、关锁。
深度特征提取模块40对人员的生物信息图像进行特征提取,并保存图像特征。构建深度特征提取网络,将生物信息图像输入所述深度特征提取网络中,输出生物信息图像的特征。为了提高图像识别的精准度,需要提取生物信息图像的深度特征,因此,从多个维度进行特征提取。所述深度特征提取网络由多个卷积层、池化层、交互层、全连接层组成,是具有自适应性的无监督训练方法。
深度特征提取网络通过将空间维度和通道维度相结合,转化为特征提取深度,减少了卷积计算的复杂度,能够有效地提高特征提取的执行效率。在深度特征提取网络的多个通道上,分别对生物信息图像进行卷积,以得到多个通道输出的多个深度特征图。在根据目标融合特征,确定与生物信息图像对应的多个深度特征图后,可以根据目标融合特征,对多个深度特征图进行融合处理,以得到融合后的特征向量。
进一步,深度特征提取网络设立M个输入通道,生物信息图像输入到深度特征提取网络后,进入各个输入通道,输送到不同卷积层,每个卷积层的卷积核数均不同,从而得到M个通道输出的M个图像特征。然后经过池化层对数据进行降维,用更高层次的特征表示图像。
对降维后的M维图像特征进行交互,具体计算公式为:
其中,X′m是交互后的m维图像特征,Xm是交互前的m维图像特征,μ表示交互因子,β表示调节因子,m∈[1,M]。
对交互后的图像特征进行两两融合,具体计算公式为:
其中,Xm,k表示第m维度和第k维度的图像特征融合后的特征,k∈[1,M],m≠k,表示第m维度中的第l个图像特征,表示第m维度的图像特征均值,表示第k维度中的第l个图像特征,表示第k维度的图像特征均值。
将融合后的图像特征输送到全连接层,将卷积输出的二维特征图转化成一维的一个向量,输出当前生物信息图像的特征集合,存储到人员信息数据库90中。
当有人员需要进行门禁验证时,门禁采集模块50获取待验证人员的生物信息,也可以采集IC卡的电磁信号或者其他用于验证识别的信息;门禁采集模块50将获取的生物信息上传到第一信息处理模块20,由第一信息处理模块20对生物信息进行预处理,并提取目标图像;再由第二信息处理模块30判断目标图像是否为生物信息图像;然后,深度特征提取模块40对人员的生物信息图像进行特征提取,由权限确认模块60根据图像特征对人员的权限进行确认,所述权限确认方法的具体实现过程如下:
权限确认模块60将当前人员的生物信息图像特征与人员信息数据库90中存储的生物信息图像特征进行匹配,匹配计算公式为:
其中,d表示匹配结果,表示当前人员生物信息图像的第m维度第l个特征,表示人员信息数据库90中任意一个人员的生物信息图像的第k维度第s个特征。若匹配结果d符合预设阈值范围,则当前人员为已录入信息人员,具有开门权限;否则无开门权限。
权限确认模块60生成权限指令,由门禁控制模块70根据权限指令对电控锁进行开、关锁控制,并由记录模块80记录人员出入情况,存储到人员信息数据库90中。
所述步骤S2的有益效果为:构建深度特征提取网络,对人员的生物信息图像进行特征提取,深度挖掘生物信息图像的特征信息,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特征,更能突出人脸图像中的细节特征,从而能够有效的辅助提升智能门禁管理系统的识别效果。
综上所述,便完成了本发明所述的一种智能门禁管理系统及方法。
本发明是参照根据本发明实施例的方法、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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种智能门禁管理系统,其特征在于,包括以下部分:
录入模块、第一信息处理模块、第二信息处理模块、深度特征提取模块、门禁采集模块、权限确认模块、门禁控制模块、记录模块和人员信息数据库;
所述第一信息处理模块,用于对生物信息进行预处理,并将生物信息投射到灰度色彩空间,提取目标图像,所第一信息处理模块通过数据传输的方式与所第二信息处理模块相连;
所述第二信息处理模块,用于构建多层级强分类器,判断目标图像是否为生物信息图像,所第二信息处理模块通过数据传输的方式与所深度特征提取模块相连;
所述深度特征提取模块,用于构建深度特征提取网络,将生物信息图像输入所述深度特征提取网络中,输出生物信息图像的特征,所深度特征提取模块通过数据传输的方式与所权限确认模块和所人员信息数据库相连;
所述权限确认模块,用于将当前人员的生物信息图像特征与人员信息数据库中存储的生物信息图像特征进行匹配,对人员的权限进行确认,生成权限指令,所权限确认模块通过数据传输的方式与所门禁控制模块、所记录模块和所人员信息数据库相连。
2.一种智能门禁管理方法,其特征在于,包括以下步骤:
S1.将人员的生物信息录入智能门禁管理系统中,将生物信息投射到灰度色彩空间,提取目标图像,构建多层级强分类器,判断目标图像是否为生物信息图像;
S2.构建深度特征提取网络,对人员的生物信息图像进行特征提取,对待验证人员的生物信息进行权限确认,生成权限指令控制电控锁进行开、关锁。
3.如权利要求2所述的一种智能门禁管理方法,其特征在于,所述步骤S1具体包括:
将生物信息投射到灰度色彩空间,得到生物信息中图像不同区域的色彩明暗度,根据不同区域的色彩明暗度计算哈尔特征因子,根据哈尔特征因子提取目标图像。
4.如权利要求2所述的一种智能门禁管理方法,其特征在于,所述步骤S1具体包括:
构建多层级强分类器,多层级强分类器用于判断目标图像是否为生物信息图像,获取2N个训练样本用于对多层级强分类器进行训练,2N个训练样本包括N个生物信息图像和N个非生物信息图像;对每个训练样本进行权重赋值,计算每个训练样本的哈尔特征因子,得到弱分类误差值,再由多个层级的弱分类误差值组成多层级强分类器。
5.如权利要求2所述的一种智能门禁管理方法,其特征在于,所述步骤S2具体包括:
构建深度特征提取网络,将生物信息图像输入深度特征提取网络中,输出生物信息图像的特征;从多个维度提取生物信息图像的深度特征;深度特征提取网络由多个卷积层、池化层、交互层、全连接层组成,是具有自适应性的无监督训练方法。
6.如权利要求2所述的一种智能门禁管理方法,其特征在于,所述步骤S2具体包括:
深度特征提取网络设立M个输入通道,生物信息图像输入到深度特征提取网络后,进入各个输入通道,输送到不同卷积层,每个卷积层的卷积核数均不同,从而得到M个通道输出的M个图像特征;然后经过池化层对数据进行降维,用更高层次的特征表示图像;对降维后的M维图像特征进行交互,对交互后的图像特征进行两两融合,将融合后的图像特征输送到全连接层,将卷积输出的二维特征图转化成一维的一个向量,输出当前生物信息图像的特征集合。
7.如权利要求2所述的一种智能门禁管理方法,其特征在于,所述步骤S2具体包括:
权限确认模块将当前人员的生物信息图像特征与人员信息数据库中存储的生物信息图像特征进行匹配,若匹配结果d符合预设阈值范围,则当前人员为已录入信息人员,具有开门权限;否则无开门权限。
8.如权利要求2所述的一种智能门禁管理方法,其特征在于,所述步骤S2具体包括:
权限确认模块生成权限指令,由门禁控制模块根据权限指令对电控锁进行开、关锁控制,并由记录模块记录人员出入情况,存储到人员信息数据库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211239768.5A CN115424383B (zh) | 2022-10-10 | 2022-10-10 | 一种智能门禁管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211239768.5A CN115424383B (zh) | 2022-10-10 | 2022-10-10 | 一种智能门禁管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115424383A true CN115424383A (zh) | 2022-12-02 |
CN115424383B CN115424383B (zh) | 2023-07-18 |
Family
ID=84207120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211239768.5A Active CN115424383B (zh) | 2022-10-10 | 2022-10-10 | 一种智能门禁管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115424383B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095867A (zh) * | 2015-07-21 | 2015-11-25 | 哈尔滨多智科技发展有限公司 | 基于深度学习的快速动态人脸提取、识别方法 |
CN105303149A (zh) * | 2014-05-29 | 2016-02-03 | 腾讯科技(深圳)有限公司 | 人物图像的展示方法和装置 |
CN106934364A (zh) * | 2017-03-09 | 2017-07-07 | 腾讯科技(上海)有限公司 | 人脸图片的识别方法及装置 |
CN109543523A (zh) * | 2018-10-18 | 2019-03-29 | 安克创新科技股份有限公司 | 图像处理方法、装置、系统和存储介质 |
CN110211266A (zh) * | 2019-05-29 | 2019-09-06 | 甘肃万华金慧科技股份有限公司 | 一种门禁人脸识别系统及方法 |
CN111091056A (zh) * | 2019-11-14 | 2020-05-01 | 泰康保险集团股份有限公司 | 图像中的墨镜识别方法及装置、电子设备、存储介质 |
CN113076919A (zh) * | 2021-04-20 | 2021-07-06 | 重庆理工大学 | 基于人脸识别的智能门禁管理系统 |
-
2022
- 2022-10-10 CN CN202211239768.5A patent/CN115424383B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303149A (zh) * | 2014-05-29 | 2016-02-03 | 腾讯科技(深圳)有限公司 | 人物图像的展示方法和装置 |
CN105095867A (zh) * | 2015-07-21 | 2015-11-25 | 哈尔滨多智科技发展有限公司 | 基于深度学习的快速动态人脸提取、识别方法 |
CN106934364A (zh) * | 2017-03-09 | 2017-07-07 | 腾讯科技(上海)有限公司 | 人脸图片的识别方法及装置 |
CN109543523A (zh) * | 2018-10-18 | 2019-03-29 | 安克创新科技股份有限公司 | 图像处理方法、装置、系统和存储介质 |
CN110211266A (zh) * | 2019-05-29 | 2019-09-06 | 甘肃万华金慧科技股份有限公司 | 一种门禁人脸识别系统及方法 |
CN111091056A (zh) * | 2019-11-14 | 2020-05-01 | 泰康保险集团股份有限公司 | 图像中的墨镜识别方法及装置、电子设备、存储介质 |
CN113076919A (zh) * | 2021-04-20 | 2021-07-06 | 重庆理工大学 | 基于人脸识别的智能门禁管理系统 |
Non-Patent Citations (2)
Title |
---|
LINXID: "人脸检测之Haar分类器", Retrieved from the Internet <URL:https://blog.csdn.net/linxid/article/details/70186258> * |
戴金波: "基于视觉信息的图像特征提取算法研究", 信息科技, no. 2013 * |
Also Published As
Publication number | Publication date |
---|---|
CN115424383B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106803301A (zh) | 一种基于深度学习的人脸识别门禁方法及系统 | |
CN105427421A (zh) | 基于人脸识别的门禁控制方法 | |
CN102629319B (zh) | 基于特定边界检测子的鲁棒虹膜区域分割方法 | |
CN107293011B (zh) | 一种智能家居的门禁系统 | |
CN107909040B (zh) | 一种租车验证方法及装置 | |
CN111104852B (zh) | 一种基于启发式高斯云变换的人脸识别技术 | |
US9378406B2 (en) | System for estimating gender from fingerprints | |
CN104700094A (zh) | 一种用于智能机器人的人脸识别方法及系统 | |
CN110276320A (zh) | 基于人脸识别的门禁方法、装置、设备和存储介质 | |
CN114218543A (zh) | 一种基于多场景表情识别的加密解锁系统及方法 | |
CN113221086A (zh) | 离线人脸认证方法、装置、电子设备及存储介质 | |
CN114612968A (zh) | 一种基于卷积神经网络的唇纹识别方法 | |
CN109508685A (zh) | 基于人脸识别技术的电力通信调度方法 | |
CN109377601A (zh) | 一种基于指纹识别的智能办公室门禁系统 | |
Yang et al. | A Face Detection Method Based on Skin Color Model and Improved AdaBoost Algorithm. | |
Kohlakala et al. | Ear-based biometric authentication through the detection of prominent contours | |
CN205644823U (zh) | 社保自助服务终端装置 | |
CN111582195B (zh) | 一种汉语唇语单音节识别分类器构建方法 | |
CN110555929B (zh) | 一种实验室门禁验证系统与验证方法 | |
CN115424383B (zh) | 一种智能门禁管理系统及方法 | |
Karungaru et al. | Face recognition in colour images using neural networks and genetic algorithms | |
CN111898400A (zh) | 一种基于多模态特征融合的指纹活性检测方法 | |
CN111553202B (zh) | 进行活体检测的神经网络的训练方法、检测方法及装置 | |
Falohun et al. | An access control system using bimodal biometrics | |
Khan et al. | Dorsal hand vein biometric using Independent Component Analysis (ICA) |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |