CN115620377A - 一种非公共区域的安防控制方法、装置及可读存储介质 - Google Patents

一种非公共区域的安防控制方法、装置及可读存储介质 Download PDF

Info

Publication number
CN115620377A
CN115620377A CN202211405598.3A CN202211405598A CN115620377A CN 115620377 A CN115620377 A CN 115620377A CN 202211405598 A CN202211405598 A CN 202211405598A CN 115620377 A CN115620377 A CN 115620377A
Authority
CN
China
Prior art keywords
time
area
portrait data
video image
exit
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
CN202211405598.3A
Other languages
English (en)
Inventor
李青
裴军
陈弘昊
李德芳
彭潜
窦博文
沈燕
万波
胡文兴
李毅
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.)
Shenzhen Storage Generating Co ltd
Original Assignee
Shenzhen Storage Generating 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 Shenzhen Storage Generating Co ltd filed Critical Shenzhen Storage Generating Co ltd
Priority to CN202211405598.3A priority Critical patent/CN115620377A/zh
Publication of CN115620377A publication Critical patent/CN115620377A/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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (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)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种非公共区域的安防控制方法、装置及可读存储介质，包括建立第一数据库，建立第二数据库，获取第一视频图像进行人像识别，得到出区人像数据和出区时间；获取第二视频图像进行人像识别，得到入区人像数据和入区时间；匹配为同一人的出区人像数据和入区人像数据，并计算出区时间与入区时间的时间差，若不满足，则移至异常存储区域；本发明通过建立第二数据库，并通过第一视频图像和第二视频图像分析计算获得内部员工在有权限区域内的移动时间，并通过对移动时间的判断，判断其是否超时，从而可以判断其是否移动至无权限区域，实现了对内部人员的防控。

Description

一种非公共区域的安防控制方法、装置及可读存储介质
技术领域
本发明涉及安防领域，具体涉及一种非公共区域的安防控制方法、装置及可读存储介质。
背景技术
现阶段，部分需要保密的场所出现泄密的可能性包括：外部人员私自进入，通过观察、拍照等方式泄密；内部人员进入非允许区域，通过观察、拍照等方式泄密。
对于上述可能出现泄密的情况，现阶段较多的采用门禁卡的方式进行安防控制，即未有权限的情况下，无法打开对应区域的门禁。
针对外部人员，可以通过大门管控来防止进入，但是针对内部人员，仍然存在下述难以防控的情况：
内部人员尾随其余有权限的员工，进入非允许区域。其原因是，一般情况下员工不会严格拒绝其他人跟随自己进入保密区域。
保密区域不可能处于完全封闭的状态，可能在不进入保密区域的情况下，在保密区域外对内部进行拍摄。
发明内容
本发明所要解决的技术问题是通过门禁卡对保密区域实现防泄密可能存在难以防控的情况，目的在于提供一种非公共区域的安防控制方法、装置及可读存储介质，提升了对保密区域的保密能力。
本发明通过下述技术方案实现：
一种非公共区域的安防控制方法，包括：
建立第一数据库，所述第一数据库内包含所有员工的人像数据；
建立第二数据库，所述第二数据库内包含所有内部区域的进口通道和出口通道；以及员工进入某一内部区域的进入权限；
获取第一视频图像，所述第一视频图像的获取点为第一区域的出口通道，所述第一区域为任意内部区域；
对第一视频图像进行人像识别，得到出区人像数据，同时记录获取第一视频图像的出区时间；
判断出区人像数据是否属于第一数据库，若不属于则将出区人像数据和出区时间存储至异常存储区域；若属于则将出区人像数据和出区时间存储至临时存储区域；
获取第二视频图像，所述第二视频图像的获取点为第二区域的进口通道，所述第二区域为任意内部区域；
对第二视频图像进行人像识别，得到入区人像数据，同时记录获取第二视频图像的入区时间；
判断入区人像数据是否属于第一数据库，若不属于则将入区人像数据和入区时间存储至异常存储区域；若属于则将入区人像数据和入区时间存储至临时存储区域；
匹配为同一人的出区人像数据和入区人像数据，并计算出区时间与入区时间的时间差；
判断时间差是否满足预设范围，所述预设范围为员工从第一区域移动至第二区域所需的时间范围；若满足，则将出区人像数据、入区人像数据、出区时间和入区时间移出临时存储区域；若不满足，则将出区人像数据、入区人像数据、出区时间和入区时间移至异常存储区域。
优选地，判断是否需要将数据全部存储，若需要，则将满足预设范围的出区人像数据、入区人像数据、出区时间和入区时间移动至正常存储区域；
若不需要，则将满足预设范围的出区人像数据、入区人像数据、出区时间和入区时间删除。
可选地，若第一视频图像中包含多个员工，则获得多个出区人像数据；若第二视频图像中包含多个员工，则获得多个入区人像数据；
获取任意内部区域内的实时人数N，每获得一个出区人像数据，便执行N＝N-1；每获得一个入区人像数据，便执行N＝N+1。
可选地，所述第二数据库还包含总区域的进口通道和出口通道；
上班途中的安防控制方法包括：
获取第三视频图像，所述第三视频图像的获取点为总区域的进口通道；
对第三视频图像进行人像识别，得到上班人像数据，同时记录获取第三视频图像的上班时间；
判断上班人像数据是否属于第一数据库，若不属于则将上班人像数据和上班时间存储至异常存储区域；若属于则将上班人像数据和上班时间存储至临时存储区域；
获取第四视频图像，所述第四视频图像的获取点为任意内部区域的进口通道；
对第四视频图像进行人像识别，得到进入人像数据，同时记录获取第四视频图像的进入时间；
判断进入人像数据是否属于第一数据库，若不属于则将进入人像数据和进入时间存储至异常存储区域；若属于则将进入人像数据和进入时间存储至临时存储区域；
匹配为同一人的上班人像数据和进入人像数据，并计算上班时间与进入时间的时间差；
判断时间差是否满足预设范围，所述预设范围为员工从总区域进口通道移动至任意内部区域所需的时间范围；若满足，则将上班人像数据、上班人像数据、进入时间和进入时间移出临时存储区域；若不满足，则将上班人像数据、上班人像数据、进入时间和进入时间移至异常存储区域；
下班途中的安防控制方法包括：
获取第五视频图像，所述第五视频图像的获取点为总区域的出口通道；
对第五视频图像进行人像识别，得到下班人像数据，同时记录获取第五视频图像的下班时间；
判断下班人像数据是否属于第一数据库，若不属于则将下班人像数据和下班时间存储至异常存储区域；若属于则将下班人像数据和下班时间存储至临时存储区域；
在临时存储区域中匹配同一人的出区人像数据，并获得出区时间，并计算出区时间与下班时间的时间差；
判断时间差是否满足预设范围，所述预设范围为员工从任意内部区域移动至总区域出口通道所需的时间范围；若满足，则将下班人像数据、下班人像数据、出区时间和入区时间移出临时存储区域；若不满足，则将下班人像数据、下班人像数据、出区时间和入区时间移至异常存储区域。
具体地，总区域的进口通道和总区域的出口通道为开关站大门，其他内部区域包括主厂房、主变廊道、尾闸室、休息室、车间办公楼、远控中心大楼。
可选地，对第一视频图像/第二视频图像/第三视频图像/第四视频图像/第五视频图像进行人像识别的方法包括：
对人脸关键点进行检测，并判断是否佩戴口罩；若为否，则获取人脸图片；若为是，则获取恢复后的组合人脸图片；
构建ResNet残差网络模型，并将人脸特征图输入后获得人像数据；
确定ArcFace损失函数为分类函数，并将人像数据与第一数据库内的数据对比，获得识别结果；
其中，需要对ResNet残差网络模型中的节点函数Sinmoid进行优化，优化方法包括：
确定Sigmoid函数表达式
Figure BDA0003936960280000051
设定阶次y，其中0＜y＜1；
确定y的第一取值，并求解Sigmoid函数的y阶导数：
Figure BDA0003936960280000052
构建Sigmid函数图像、Sigmid函数的y阶导数图像；
变更y为第二取值，求解后构建Sigmid函数图像、Sigmid函数的y阶导数图像；
筛选收敛速度最块的y值，并通过分数阶对Sigmid函数进行处理。
可选地，恢复后的组合人脸图片的获取方法包括：
构建采用CGAN结构的边缘生成网络，其中边缘生成网络包括生成器G1和判断器D1；
通过边缘生成网络获得组合边缘图，其中组合边缘图中无遮挡区域的边缘来自真实的无遮挡人脸图片，组合边缘图中遮挡区域的边缘通过生成器G1预测生成；
构建采用CGAN结构的区域填充网络，其中区域填充网络包括生成器G2和判断器D2；
通过区域填充网络获得组合人脸图片，其中组合人脸图片中无遮挡区域来自真实的无遮挡人脸图片，组合人脸图片中遮挡区域通过生成器G2预测生成。
可选地，边缘生成网络的模型训练方法包括：
获取戴口罩的人脸图片Xw，并初步获取口罩的位置和形状，生成口罩掩码M；
获得口罩区域缺失的人脸图片Xm：
Figure BDA0003936960280000061
其中
Figure BDA0003936960280000062
为hadamrd乘积；
获取Xm的灰度图Xgm，利用Canny边缘检测器获得Xm的边缘图Cm；
将Xgm作为G1的输入特征，将Cm作为G1的条件，生成无遮挡的边缘图Cp；
通过D1判断Cp与真实无遮挡人脸图片的灰度图Xg的匹配度，若不满足匹配要求，则重新生成Cp；
若满足匹配要求，则获得组合边缘图Cc：
Figure BDA0003936960280000071
其中Cgt为真实的无遮挡人脸图片的边缘图；
区域填充网络的模型训练方法包括：
将Xm作为G2的输入特征，将Cc作为G2的条件，生成无遮挡的人脸图片Xp；
通过D2判断Xp与Cc的匹配度，若不满足匹配要求，则重新生成Xp；
若满足匹配要求，则获得人脸组合图片Xc：
Figure BDA0003936960280000072
一种非公共区域的安防控制系统，包括：
第一数据库模块，其用于建立第一数据库，所述第一数据库内包含所有员工的人像数据；
第二数据库模块，其用于建立第二数据库，所述第二数据库内包含所有内部区域的进口通道和出口通道；以及员工进入某一内部区域的进入权限；
第一视频采集模块，其用于获取第一视频图像，所述第一视频图像的获取点为第一区域的出口通道，所述第一区域为任意内部区域；
第一识别模块，其用于对第一视频图像进行人像识别，得到出区人像数据，同时记录获取第一视频图像的出区时间；
第一判断模块，其用于判断出区人像数据是否属于第一数据库，若不属于则将出区人像数据和出区时间存储至异常存储区域；若属于则将出区人像数据和出区时间存储至临时存储区域；
第二视频采集模块，其用于获取第二视频图像，所述第二视频图像的获取点为第二区域的进口通道，所述第二区域为任意内部区域；
第二识别模块，其用于对第二视频图像进行人像识别，得到入区人像数据，同时记录获取第二视频图像的入区时间；
第二判断模块，其用于判断入区人像数据是否属于第一数据库，若不属于则将入区人像数据和入区时间存储至异常存储区域；若属于则将入区人像数据和入区时间存储至临时存储区域；
第一计算模块，其用于匹配为同一人的出区人像数据和入区人像数据，并计算出区时间与入区时间的时间差；
第二计算模块，其用于判断时间差是否满足预设范围，所述预设范围为员工从第一区域移动至第二区域所需的时间范围；若满足，则将出区人像数据、入区人像数据、出区时间和入区时间移出临时存储区域；若不满足，则将出区人像数据、入区人像数据、出区时间和入区时间移至异常存储区域。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述的一种非公共区域的安防控制方法的步骤。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明通过建立第一数据库，并通过获取人像数据后与数据库进行对比，可以判断是否为内部员工，实现了对外部人员的防控；
本发明通过建立第二数据库，并通过第一视频图像和第二视频图像分析计算获得内部员工在有权限区域内的移动时间，并通过对移动时间的判断，判断其是否超时，从而可以判断其是否移动至无权限区域，实现了对内部人员的防控。
附图说明
附图示出了本发明的示例性实施方式，并与其说明一起用于解释本发明的原理，其中包括了这些附图以提供对本发明的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分，并不构成对本发明实施例的限定。
图1是根据本发明所述的一种非公共区域的安防控制方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合附图和实施方式对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本发明的限定。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分。
在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本发明。
在本发明中，所有的内部区域包括但不限于包括主厂房、主变廊道、尾闸室、休息室、车间办公楼、远控中心大楼等。
对于不同的内部人员，拥有不同的权限，例如：
工人A有车间A的权限、有休息室A的权限、有走廊A的权限；
工人B有车间B的权限、有休息室B的权限、有走廊B的权限；
正常情况下是，工人A无法进入车间B，因此工人A对车间B内的秘密无法了解。
但是，现阶段可能出现的情况是，工人B需要进入车间B，因此通过工作卡等打开车间B的门禁，工人B进去车间B，此时门禁未关闭，工人A尾随工人B进入车间B，则工人A可以对车间B进行观察、拍照等，从而可能通过内部员工泄密。
实施例一
为了避免出现上述情况，本实施例提供一种非公共区域的安防控制方法，包括：
建立第一数据库，第一数据库内包含所有员工的人像数据；在有新员工入职时，获取所有员工的人像数据，并建立相关数据库。
建立第二数据库，第二数据库内包含所有内部区域的进口通道和出口通道；以及员工进入某一内部区域的进入权限；即所有内部区域的位置，还在各个区域之间移动所需的时间，例如：车间A与车间B相邻，则从车间A移动至车间B需要2-8min；车间A与休息室距离较远，则从车间A移动至休息室需要10-20min。
第一步，获取第一视频图像，第一视频图像的获取点为第一区域的出口通道，第一区域为任意内部区域；对每个内部区域的出口进行视频采集，并实时将图像进行传输。
第二步，对第一视频图像进行人像识别，得到出区人像数据，同时记录获取第一视频图像的出区时间；通过人像识别，获得从第一区域出去的员工的人像数据，并且根据时间戳同步记录离开时间，例如：员工A在9：45离开第一区域。
第三步，判断出区人像数据是否属于第一数据库，若不属于则将出区人像数据和出区时间存储至异常存储区域；即证明此人为外部人员，则将其相关数据进行存储，同时可以发出报警，通知安保部门对此人进行询问。
若属于则将出区人像数据和出区时间存储至临时存储区域，记录出区人员和出区时间，
需要说明的是，在同一时间内，包含多个出区人员，因此需要将出区人员与出区时间绑定。
第四步，获取第二视频图像，第二视频图像的获取点为第二区域的进口通道，第二区域为任意内部区域；对每个内部区域的进口进行视频采集，并实时将图像进行传输。
第五步，对第二视频图像进行人像识别，得到入区人像数据，同时记录获取第二视频图像的入区时间；通过人像识别，获得从进入第二区域的人像数据，并且根据时间戳同步记录进入时间，例如：员工A在10：45进入第二区域。
第六步，判断入区人像数据是否属于第一数据库，若不属于则将入区人像数据和入区时间存储至异常存储区域；即证明此人为外部人员，则将其相关数据进行存储，同时可以发出报警，通知安保部门对此人进行询问。
若属于则将入区人像数据和入区时间存储至临时存储区域；记录入区人员和入区时间。
需要说明的是，在同一时间内，包含多个入区人员，因此需要将入区人员与入区时间绑定。
另外，在本实施例中，第一步、第二步、第三步为顺序执行，第四步、第五步和第六步为顺序执行。第一步和第四步可以同步执行，不具有先后顺序。
第七步，实时的在临时存储区域中匹配为同一人的出区人像数据和入区人像数据，并计算出区时间与入区时间的时间差。
例如匹配均为员工A的两个数据，并计算出区时间和入区时间的时间差，9：45-10：45的1小时。
第八步，判断时间差是否满足预设范围，预设范围为员工从第一区域移动至第二区域所需的时间范围。
若满足，则将出区人像数据、入区人像数据、出区时间和入区时间移出临时存储区域，即证明员工A正常在不同区域之间移动。
若不满足，则将出区人像数据、入区人像数据、出区时间和入区时间移至异常存储区域，即证明员工A的移动间隔有异常，将其进行存储，可进行后续的问询。
实施例二
本实施例是对实施例一中的第八步进行进一步优化，其第一步至第七步均相同。
第八步，判断时间差是否满足预设范围，预设范围为员工从第一区域移动至第二区域所需的时间范围。
若满足，则将出区人像数据、入区人像数据、出区时间和入区时间移出临时存储区域。
若不满足，则将出区人像数据、入区人像数据、出区时间和入区时间移至异常存储区域。
并判断是否需要将相关数据进行保存，即部分员工或公司可能考虑到员工隐私的问题，不愿意将员工在公司内的移动情况进行过渡限制，因此为了避免出现相关纠纷，有下述步骤：
第九步，判断是否需要将数据全部存储。
若需要，则将满足预设范围的出区人像数据、入区人像数据、出区时间和入区时间移动至正常存储区域；
若不需要，则将满足预设范围的出区人像数据、入区人像数据、出区时间和入区时间删除。即在满足员工A未异常移动，则将相关的记录进行删除。
实施例三
另外，部分公司可能还需要统计不同区域内的员工人数，因此本实施例在实施例一的基础上，进行相关功能的拓展。
若第一视频图像中包含多个员工，则获得多个出区人像数据；若第二视频图像中包含多个员工，则获得多个入区人像数据；
获取任意内部区域内的实时人数N，每获得一个出区人像数据，便执行N＝N-1；每获得一个入区人像数据，便执行N＝N+1。
实施例四
在实施例一中，实现了内部各区域之间的安防控制。
但其中还有一个情况未进行管控，即：员工A在上班的途中，进去总区域后，不直接进入有权限的内部区域，而去无权限的区域进行观察、拍照等。
员工A在下班途中，离开有权限的内部区域后，不直接离开总区域，而去无权限的区域进行观察、拍照等。
因此为了避免上述情况，本实施例提供一个针对上述情况的方法。
在第二数据库中增设相关数据，第二数据库还包含总区域的进口通道和出口通道；总区域的进口通道和总区域的出口通道为开关站大门。
上班途中的安防控制方法包括：
获取第三视频图像，第三视频图像的获取点为总区域的进口通道；
对第三视频图像进行人像识别，得到上班人像数据，同时记录获取第三视频图像的上班时间；
判断上班人像数据是否属于第一数据库，若不属于则将上班人像数据和上班时间存储至异常存储区域；若属于则将上班人像数据和上班时间存储至临时存储区域；
获取第四视频图像，第四视频图像的获取点为任意内部区域的进口通道；
对第四视频图像进行人像识别，得到进入人像数据，同时记录获取第四视频图像的进入时间；
判断进入人像数据是否属于第一数据库，若不属于则将进入人像数据和进入时间存储至异常存储区域；若属于则将进入人像数据和进入时间存储至临时存储区域；
匹配为同一人的上班人像数据和进入人像数据，并计算上班时间与进入时间的时间差；
判断时间差是否满足预设范围，预设范围为员工从总区域进口通道移动至任意内部区域所需的时间范围；若满足，则将上班人像数据、上班人像数据、进入时间和进入时间移出临时存储区域；若不满足，则将上班人像数据、上班人像数据、进入时间和进入时间移至异常存储区域。
上班途中的具体工作原理与实施例一类似，其大致方法为：确定上班人员进入总区域进口通道的时间，并获得其进入内部区域的时间，通过计算两个时间的时间差，判断上班人员是否存在时间过长，如果时间过长则可能去了不允许的区域，因此将其存储为异常，可以进行后续处理。如果时长合适，则证明没有移动至其他内部区域。
下班途中的安防控制方法包括：
获取第五视频图像，第五视频图像的获取点为总区域的出口通道；
对第五视频图像进行人像识别，得到下班人像数据，同时记录获取第五视频图像的下班时间；
判断下班人像数据是否属于第一数据库，若不属于则将下班人像数据和下班时间存储至异常存储区域；若属于则将下班人像数据和下班时间存储至临时存储区域；
在临时存储区域中匹配同一人的出区人像数据，并获得出区时间，并计算出区时间与下班时间的时间差；
判断时间差是否满足预设范围，预设范围为员工从任意内部区域移动至总区域出口通道所需的时间范围；若满足，则将下班人像数据、下班人像数据、出区时间和入区时间移出临时存储区域；若不满足，则将下班人像数据、下班人像数据、出区时间和入区时间移至异常存储区域。
员工下班的话，必然是从其中一个内部区域离开，然后从总区域出口通道离开，因此计算两个时间点的时间差即可以判断是否在离开内部区域后直接移动至总区域出口通道。
即当检测到第五视频图像后，直接在临时存储区域检测出区人像数据，然后计算时间差即可。
实施例四
在现实生活中，通过设置视频采集设备，例如摄像机等采集
设备捕捉到的人脸图像受到自然光照、人物姿态表情、环境背景等因素的影响,或是在当前环境下,佩戴口罩造成的人脸遮挡,这些现象使得人脸识别依然面临着一些挑战，因此本实施例提供对第一视频图像/第二视频图像/第三视频图像/第四视频图像/第五视频图像进行人像识别的方法包括：
第一步，对人脸关键点进行检测，并判断是否佩戴口罩；若为否，则获取人脸图片；若为是，则获取恢复后的组合人脸图片；
判断被检测人员是否有佩戴口罩，如果佩戴了，则通过算法将戴口罩部分补足，获得人脸图片。
第二步，构建ResNet残差网络模型，并将人脸特征图输入后获得人像数据；以ResNet残差网络作为特征提取结构,在提取丰富的人脸特征的同时简化对更深层网络结构的训练,避免在加深模型结构深度时造成的模型退化问题。
通过将传统的整数阶导数的阶次扩展到分数以及复数域，并将其运用到信号处理等领域取得了非常好的效果由于分数阶微分相较于整数阶特有的记忆性和遗传性，在图像处理中能够捕捉到更多的边缘和纹理信息，同时在卷积神经网络模型中能够提取到更多的特征，所以将分数阶微分应用到神经网络模型中对于提升模型训练精度，加快模型收敛速度都有显著的效果。
因此需要对ResNet残差网络模型中的节点函数Sinmoid进行优化，优化方法包括：
确定Sigmoid函数表达式
Figure BDA0003936960280000161
设定阶次y，其中0＜y＜1；y的取值可以为0.1、0.3、0.5、0.8等；
确定y的第一取值，并求解Sigmoid函数的y阶导数：
Figure BDA0003936960280000162
构建Sigmid函数图像、Sigmid函数的y阶导数图像；
变更y为第二取值，求解后构建Sigmid函数图像、Sigmid函数的y阶导数图像；y的取值可以为0.1、0.3、0.5、0.8等；一般情况下第二取值与第一取值不相等，且将第二步重复多次。
筛选收敛速度最块的y值，并通过分数阶对Sigmid函数进行处理。
相较于Sigmoid的整数阶微分,在使用分数阶微分处理节点函数时,函数的0.5阶导数相对于1阶导数在函数的0和1处值的变化非常快,这可以显著加快网络模型在训练过程中的收敛速度,同时减少由于增加网络模型深度所花费的时间代价.
第三步，确定ArcFace损失函数为分类函数，并将人像数据与第一数据库内的数据对比，获得识别结果；Arcface是softmax损失函数的改进方法。
实施例五
本实施例提供实施例四中，恢复后的组合人脸图片的获取方法包括先通过算法恢复人脸边缘，然后再通过算法对缺失区域进行填充，具体方法包括：
构建采用CGAN结构的边缘生成网络，其中边缘生成网络包括生成器G1和判断器D1；
通过边缘生成网络获得组合边缘图，其中组合边缘图中无遮挡区域的边缘来自真实的无遮挡人脸图片，组合边缘图中遮挡区域的边缘通过生成器G1预测生成；
其中，边缘生成网络的模型训练方法包括：
通过公共数据库CASIA-WebFace和LFW，获得多个训练样本和测试样本。
获取戴口罩的人脸图片Xw，并初步获取口罩的位置和形状，生成口罩掩码M；利用人脸关键点信息，结合先验知识初步获取口罩的位置和形状。由于每张图片中的头部姿势和脸部大小不同，在算法中对口罩形状的大小以及角度进行自动调整。根据获取的口罩位置和形状信息，该掩码口罩区域像素值为1，其余区域像素值为0。
获得口罩区域缺失的人脸图片Xm：
Figure BDA0003936960280000181
其中
Figure BDA0003936960280000182
为hadamrd乘积；然后利用边缘生成网络还原缺失区域的人脸边缘，通过生成器G1与判别器D1的动态博弈，生成尽可能真实的无遮挡边缘图。
获取Xm的灰度图Xgm，利用Canny边缘检测器获得Xm的边缘图Cm；
将Xgm作为G1的输入特征，将Cm作为G1的条件，生成无遮挡的边缘图Cp；
通过D1判断Cp与真实无遮挡人脸图片的灰度图Xg的匹配度，若不满足匹配要求，则重新生成Cp；
若满足匹配要求，则获得组合边缘图Cc：
Figure BDA0003936960280000183
其中Cgt为真实的无遮挡人脸图片的边缘图；组合边缘图中无遮挡区域的边缘来自真实的无遮挡人脸图片，组合边缘图中遮挡区域的边缘通过生成器G1预测生成。
构建采用CGAN结构的区域填充网络，其中区域填充网络包括生成器G2和判断器D2；
通过区域填充网络获得组合人脸图片，其中组合人脸图片中无遮挡区域来自真实的无遮挡人脸图片，组合人脸图片中遮挡区域通过生成器G2预测生成。
其中，区域填充网络的模型训练方法包括：
将Xm作为G2的输入特征，将Cc作为G2的条件，生成无遮挡的人脸图片Xp；
通过D2判断Xp与Cc的匹配度，若不满足匹配要求，则重新生成Xp；
若满足匹配要求，则获得人脸组合图片Xc：
Figure BDA0003936960280000191
组合人脸图片中无遮挡区域来自真实的无遮挡人脸图片，组合人脸图片中遮挡区域通过生成器G2预测生成。
实施例六
一种非公共区域的安防控制系统，包括：
第一数据库模块，其用于建立第一数据库，第一数据库内包含所有员工的人像数据；
第二数据库模块，其用于建立第二数据库，第二数据库内包含所有内部区域的进口通道和出口通道；以及员工进入某一内部区域的进入权限；
第一视频采集模块，其用于获取第一视频图像，第一视频图像的获取点为第一区域的出口通道，第一区域为任意内部区域；
第一识别模块，其用于对第一视频图像进行人像识别，得到出区人像数据，同时记录获取第一视频图像的出区时间；
第一判断模块，其用于判断出区人像数据是否属于第一数据库，若不属于则将出区人像数据和出区时间存储至异常存储区域；若属于则将出区人像数据和出区时间存储至临时存储区域；
第二视频采集模块，其用于获取第二视频图像，第二视频图像的获取点为第二区域的进口通道，第二区域为任意内部区域；
第二识别模块，其用于对第二视频图像进行人像识别，得到入区人像数据，同时记录获取第二视频图像的入区时间；
第二判断模块，其用于判断入区人像数据是否属于第一数据库，若不属于则将入区人像数据和入区时间存储至异常存储区域；若属于则将入区人像数据和入区时间存储至临时存储区域；
第一计算模块，其用于匹配为同一人的出区人像数据和入区人像数据，并计算出区时间与入区时间的时间差；
第二计算模块，其用于判断时间差是否满足预设范围，预设范围为员工从第一区域移动至第二区域所需的时间范围；若满足，则将出区人像数据、入区人像数据、出区时间和入区时间移出临时存储区域；若不满足，则将出区人像数据、入区人像数据、出区时间和入区时间移至异常存储区域。
上述各个模块可以为单一的模块，也可以为一个芯片模块中的多个功能分区。
实施例七
一种非公共区域的安防控制终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种天线接口单元测试方法的步骤。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行终端的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的执行程序等。
存储数据区可存储根据终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件、或其他易失性固态存储器件。
一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的一种非公共区域的安防控制方法的步骤。
不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令数据结构,程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储技术,CD-ROM、DVD或其他光学存储﹑磁带盒﹑磁带﹑磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器和大容量存储设备可以统称为存储器。
在本说明书的描述中，参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本发明，而并非是对本发明的范围进行限定。对于所属领域的技术人员而言，在上述发明的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本发明的范围内。

Claims (10)

1.一种非公共区域的安防控制方法，其特征在于，包括：
建立第一数据库，所述第一数据库内包含所有员工的人像数据；
建立第二数据库，所述第二数据库内包含所有内部区域的进口通道和出口通道；以及员工进入某一内部区域的进入权限；
获取第一视频图像，所述第一视频图像的获取点为第一区域的出口通道，所述第一区域为任意内部区域；
对第一视频图像进行人像识别，得到出区人像数据，同时记录获取第一视频图像的出区时间；
判断出区人像数据是否属于第一数据库，若不属于则将出区人像数据和出区时间存储至异常存储区域；若属于则将出区人像数据和出区时间存储至临时存储区域；
获取第二视频图像，所述第二视频图像的获取点为第二区域的进口通道，所述第二区域为任意内部区域；
对第二视频图像进行人像识别，得到入区人像数据，同时记录获取第二视频图像的入区时间；
判断入区人像数据是否属于第一数据库，若不属于则将入区人像数据和入区时间存储至异常存储区域；若属于则将入区人像数据和入区时间存储至临时存储区域；
匹配为同一人的出区人像数据和入区人像数据，并计算出区时间与入区时间的时间差；
判断时间差是否满足预设范围，所述预设范围为员工从第一区域移动至第二区域所需的时间范围；若满足，则将出区人像数据、入区人像数据、出区时间和入区时间移出临时存储区域；若不满足，则将出区人像数据、入区人像数据、出区时间和入区时间移至异常存储区域。
2.根据权利要求1所述的一种非公共区域的安防控制方法，其特征在于，判断是否需要将数据全部存储，若需要，则将满足预设范围的出区人像数据、入区人像数据、出区时间和入区时间移动至正常存储区域；
若不需要，则将满足预设范围的出区人像数据、入区人像数据、出区时间和入区时间删除。
3.根据权利要求1所述的一种非公共区域的安防控制方法，其特征在于，若第一视频图像中包含多个员工，则获得多个出区人像数据；若第二视频图像中包含多个员工，则获得多个入区人像数据；
获取任意内部区域内的实时人数N，每获得一个出区人像数据，便执行N＝N-1；每获得一个入区人像数据，便执行N＝N+1。
4.根据权利要求1所述的一种非公共区域的安防控制方法，其特征在于，所述第二数据库还包含总区域的进口通道和出口通道；
上班途中的安防控制方法包括：
获取第三视频图像，所述第三视频图像的获取点为总区域的进口通道；
对第三视频图像进行人像识别，得到上班人像数据，同时记录获取第三视频图像的上班时间；
判断上班人像数据是否属于第一数据库，若不属于则将上班人像数据和上班时间存储至异常存储区域；若属于则将上班人像数据和上班时间存储至临时存储区域；
获取第四视频图像，所述第四视频图像的获取点为任意内部区域的进口通道；
对第四视频图像进行人像识别，得到进入人像数据，同时记录获取第四视频图像的进入时间；
判断进入人像数据是否属于第一数据库，若不属于则将进入人像数据和进入时间存储至异常存储区域；若属于则将进入人像数据和进入时间存储至临时存储区域；
匹配为同一人的上班人像数据和进入人像数据，并计算上班时间与进入时间的时间差；
判断时间差是否满足预设范围，所述预设范围为员工从总区域进口通道移动至任意内部区域所需的时间范围；若满足，则将上班人像数据、上班人像数据、进入时间和进入时间移出临时存储区域；若不满足，则将上班人像数据、上班人像数据、进入时间和进入时间移至异常存储区域；
下班途中的安防控制方法包括：
获取第五视频图像，所述第五视频图像的获取点为总区域的出口通道；
对第五视频图像进行人像识别，得到下班人像数据，同时记录获取第五视频图像的下班时间；
判断下班人像数据是否属于第一数据库，若不属于则将下班人像数据和下班时间存储至异常存储区域；若属于则将下班人像数据和下班时间存储至临时存储区域；
在临时存储区域中匹配同一人的出区人像数据，并获得出区时间，并计算出区时间与下班时间的时间差；
判断时间差是否满足预设范围，所述预设范围为员工从任意内部区域移动至总区域出口通道所需的时间范围；若满足，则将下班人像数据、下班人像数据、出区时间和入区时间移出临时存储区域；若不满足，则将下班人像数据、下班人像数据、出区时间和入区时间移至异常存储区域。
5.根据权利要求4所述的一种非公共区域的安防控制方法，其特征在于，总区域的进口通道和总区域的出口通道为开关站大门，其他内部区域包括主厂房、主变廊道、尾闸室、休息室、车间办公楼、远控中心大楼。
6.根据权利要求4所述的一种非公共区域的安防控制方法，其特征在于，对第一视频图像/第二视频图像/第三视频图像/第四视频图像/第五视频图像进行人像识别的方法包括：
对人脸关键点进行检测，并判断是否佩戴口罩；若为否，则获取人脸图片；若为是，则获取恢复后的组合人脸图片；
构建ResNet残差网络模型，并将人脸特征图输入后获得人像数据；
确定ArcFace损失函数为分类函数，并将人像数据与第一数据库内的数据对比，获得识别结果；
其中，需要对ResNet残差网络模型中的节点函数Sinmoid进行优化，优化方法包括：
确定Sigmoid函数表达式
Figure FDA0003936960270000041
设定阶次y，其中0＜y＜1；
确定y的第一取值，并求解Sigmoid函数的y阶导数：
Figure FDA0003936960270000042
构建Sigmid函数图像、Sigmid函数的y阶导数图像；
变更y为第二取值，求解后构建Sigmid函数图像、Sigmid函数的y阶导数图像；
筛选收敛速度最块的y值，并通过分数阶对Sigmid函数进行处理。
7.根据权利要求6所述的一种非公共区域的安防控制方法，其特征在于，恢复后的组合人脸图片的获取方法包括：
构建采用CGAN结构的边缘生成网络，其中边缘生成网络包括生成器G1和判断器D1；
通过边缘生成网络获得组合边缘图，其中组合边缘图中无遮挡区域的边缘来自真实的无遮挡人脸图片，组合边缘图中遮挡区域的边缘通过生成器G1预测生成；
构建采用CGAN结构的区域填充网络，其中区域填充网络包括生成器G2和判断器D2；
通过区域填充网络获得组合人脸图片，其中组合人脸图片中无遮挡区域来自真实的无遮挡人脸图片，组合人脸图片中遮挡区域通过生成器G2预测生成。
8.根据权利要求7所述的一种非公共区域的安防控制方法，其特征在于，边缘生成网络的模型训练方法包括：
获取戴口罩的人脸图片Xw，并初步获取口罩的位置和形状，生成口罩掩码M；
获得口罩区域缺失的人脸图片Xm：
Figure FDA0003936960270000051
其中
Figure FDA0003936960270000052
为hadamrd乘积；
获取Xm的灰度图Xgm，利用Canny边缘检测器获得Xm的边缘图Cm；
将Xgm作为G1的输入特征，将Cm作为G1的条件，生成无遮挡的边缘图Cp；
通过D1判断Cp与真实无遮挡人脸图片的灰度图Xg的匹配度，若不满足匹配要求，则重新生成Cp；
若满足匹配要求，则获得组合边缘图Cc：
Figure FDA0003936960270000061
其中Cgt为真实的无遮挡人脸图片的边缘图；
区域填充网络的模型训练方法包括：
将Xm作为G2的输入特征，将Cc作为G2的条件，生成无遮挡的人脸图片Xp；
通过D2判断Xp与Cc的匹配度，若不满足匹配要求，则重新生成Xp；
若满足匹配要求，则获得人脸组合图片Xc：
Figure FDA0003936960270000062
9.一种非公共区域的安防控制系统，其特征在于，包括：
第一数据库模块，其用于建立第一数据库，所述第一数据库内包含所有员工的人像数据；
第二数据库模块，其用于建立第二数据库，所述第二数据库内包含所有内部区域的进口通道和出口通道；以及员工进入某一内部区域的进入权限；
第一视频采集模块，其用于获取第一视频图像，所述第一视频图像的获取点为第一区域的出口通道，所述第一区域为任意内部区域；
第一识别模块，其用于对第一视频图像进行人像识别，得到出区人像数据，同时记录获取第一视频图像的出区时间；
第一判断模块，其用于判断出区人像数据是否属于第一数据库，若不属于则将出区人像数据和出区时间存储至异常存储区域；若属于则将出区人像数据和出区时间存储至临时存储区域；
第二视频采集模块，其用于获取第二视频图像，所述第二视频图像的获取点为第二区域的进口通道，所述第二区域为任意内部区域；
第二识别模块，其用于对第二视频图像进行人像识别，得到入区人像数据，同时记录获取第二视频图像的入区时间；
第二判断模块，其用于判断入区人像数据是否属于第一数据库，若不属于则将入区人像数据和入区时间存储至异常存储区域；若属于则将入区人像数据和入区时间存储至临时存储区域；
第一计算模块，其用于匹配为同一人的出区人像数据和入区人像数据，并计算出区时间与入区时间的时间差；
第二计算模块，其用于判断时间差是否满足预设范围，所述预设范围为员工从第一区域移动至第二区域所需的时间范围；若满足，则将出区人像数据、入区人像数据、出区时间和入区时间移出临时存储区域；若不满足，则将出区人像数据、入区人像数据、出区时间和入区时间移至异常存储区域。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的一种非公共区域的安防控制方法的步骤。
CN202211405598.3A 2022-11-10 2022-11-10 一种非公共区域的安防控制方法、装置及可读存储介质 Pending CN115620377A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211405598.3A CN115620377A (zh) 2022-11-10 2022-11-10 一种非公共区域的安防控制方法、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211405598.3A CN115620377A (zh) 2022-11-10 2022-11-10 一种非公共区域的安防控制方法、装置及可读存储介质

Publications (1)

Publication Number Publication Date
CN115620377A true CN115620377A (zh) 2023-01-17

Family

ID=84879406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211405598.3A Pending CN115620377A (zh) 2022-11-10 2022-11-10 一种非公共区域的安防控制方法、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN115620377A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115858831A (zh) * 2023-02-22 2023-03-28 北京阿玛西换热设备制造有限公司 一种数据库用数据存储方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8457354B1 (en) * 2010-07-09 2013-06-04 Target Brands, Inc. Movement timestamping and analytics
CN107992786A (zh) * 2016-10-27 2018-05-04 中国科学院沈阳自动化研究所 一种基于人脸的公共场所人流量统计方法和系统
CN108538000A (zh) * 2017-03-01 2018-09-14 中国医学科学院医学生物学研究所 一种基于位置与时间信息的实验室告警监控方法及系统
CN108960128A (zh) * 2018-06-29 2018-12-07 贵州省仁怀市西科电脑科技有限公司 一种用于仓库的安防监控系统
CN109858358A (zh) * 2018-12-28 2019-06-07 深圳供电局有限公司 楼宇间人员轨迹跟踪方法及其系统、计算机可读存储介质
CN212694479U (zh) * 2020-05-11 2021-03-12 大冶特殊钢有限公司 智慧厂区的管理系统
CN113132680A (zh) * 2019-12-31 2021-07-16 浙江宇视科技有限公司 防止人员走失的方法、装置、设备和介质
CN113254495A (zh) * 2021-04-06 2021-08-13 苏立双 一种基于人工智能的大数据服务平台
CN113887445A (zh) * 2021-10-08 2022-01-04 山东可信云信息技术研究院 一种视频中驻足和徘徊行为识别方法及系统
CN114332768A (zh) * 2021-12-30 2022-04-12 江苏国盈信息科技有限公司 智慧型社区安防管理方法及系统
WO2022165685A1 (zh) * 2021-02-03 2022-08-11 京东方科技集团股份有限公司 一种确定人员危险性的方法、装置、系统及存储介质
CN115240264A (zh) * 2022-09-21 2022-10-25 上海有孚智数云创数字科技有限公司 访客风险值评估方法及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8457354B1 (en) * 2010-07-09 2013-06-04 Target Brands, Inc. Movement timestamping and analytics
CN107992786A (zh) * 2016-10-27 2018-05-04 中国科学院沈阳自动化研究所 一种基于人脸的公共场所人流量统计方法和系统
CN108538000A (zh) * 2017-03-01 2018-09-14 中国医学科学院医学生物学研究所 一种基于位置与时间信息的实验室告警监控方法及系统
CN108960128A (zh) * 2018-06-29 2018-12-07 贵州省仁怀市西科电脑科技有限公司 一种用于仓库的安防监控系统
CN109858358A (zh) * 2018-12-28 2019-06-07 深圳供电局有限公司 楼宇间人员轨迹跟踪方法及其系统、计算机可读存储介质
CN113132680A (zh) * 2019-12-31 2021-07-16 浙江宇视科技有限公司 防止人员走失的方法、装置、设备和介质
CN212694479U (zh) * 2020-05-11 2021-03-12 大冶特殊钢有限公司 智慧厂区的管理系统
WO2022165685A1 (zh) * 2021-02-03 2022-08-11 京东方科技集团股份有限公司 一种确定人员危险性的方法、装置、系统及存储介质
CN113254495A (zh) * 2021-04-06 2021-08-13 苏立双 一种基于人工智能的大数据服务平台
CN113887445A (zh) * 2021-10-08 2022-01-04 山东可信云信息技术研究院 一种视频中驻足和徘徊行为识别方法及系统
CN114332768A (zh) * 2021-12-30 2022-04-12 江苏国盈信息科技有限公司 智慧型社区安防管理方法及系统
CN115240264A (zh) * 2022-09-21 2022-10-25 上海有孚智数云创数字科技有限公司 访客风险值评估方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
彭朝霞，蒲亦非: "《基于分数阶微分的卷积神经网络人脸识别》", 四川大学学报（自然科学版）, vol. 59, no. 1, pages 35 - 42 *
李悦，钱亚冠，关晓惠: "《面向人脸识别的口罩区域修复算法》", 电信科学, vol. 37, no. 8, pages 66 - 76 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115858831A (zh) * 2023-02-22 2023-03-28 北京阿玛西换热设备制造有限公司 一种数据库用数据存储方法

Similar Documents

Publication Publication Date Title
CN109658554B (zh) 一种基于大数据的智能小区安防系统
CN112233300A (zh) 一种基于人工智能的社区通行防疫监控联防系统及其方法
CN108711208A (zh) 一种大数据门禁管理系统及其管理方法
CN109191767A (zh) 一种智慧安防管理方法及管理系统
CN109784231B (zh) 安防信息管理方法、装置及存储介质
KR102174784B1 (ko) 딥 러닝과 멀티 에이전트를 활용한 대규모 개체 식별 및 추적 방법
CN109286788A (zh) 一种基于云计算的安防监控系统
CN109272618A (zh) 基于物联网的智慧安防管理方法
CN115620377A (zh) 一种非公共区域的安防控制方法、装置及可读存储介质
CN108710827A (zh) 一种社区微警务巡查和信息自动分析系统及方法
CN112800910A (zh) 一种通讯机房维护作业效能评估方法及系统
CN113012374A (zh) 智慧园区安防系统及其控制方法
CN113065448A (zh) 人脸识别方法、系统、计算机设备及存储介质
CN107659754A (zh) 一种树叶扰动情况下监控视频的有效浓缩方法
CN109801416A (zh) 一种基于大数据分析的共建共维机房管理方法
CN115187439A (zh) 一种智慧园区综合运营管理方法及系统
CN114202839A (zh) 闸机通行的控制方法、装置、设备及存储介质
CN112381435A (zh) 水电站作业过程动态风险的网格化定向推送管理方法
CN110689694B (zh) 基于图像处理的智能监控系统及方法
CN111860308A (zh) 一种基于视频行为识别的学生归寝安全智能管理方法
CN116634101A (zh) 一种基于bim的视频监控方法和系统
CN110727688A (zh) 重点人员网格化服务管理系统
CN113256247A (zh) 一种基于三维实景的智慧园区管理系统及计算机存储介质
CN106127903A (zh) 电子设备探测门禁管控装置及其方法
CN116863580A (zh) 基于物联网的智慧门禁系统

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