CN115862210B - 一种访客关联方法与系统 - Google Patents
一种访客关联方法与系统 Download PDFInfo
- Publication number
- CN115862210B CN115862210B CN202211391906.1A CN202211391906A CN115862210B CN 115862210 B CN115862210 B CN 115862210B CN 202211391906 A CN202211391906 A CN 202211391906A CN 115862210 B CN115862210 B CN 115862210B
- Authority
- CN
- China
- Prior art keywords
- verified
- personnel
- person
- identity
- verification
- 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.)
- Active
Links
Abstract
本发明提供一种访客关联方法与系统,属于门禁技术领域,具体包括:基于门禁的人脸识别装置进行待验证人员的面部特征提取;基于面部特征与人员身份数据库进行关联得到特征验证结果,当属于物业工作人员或者业主或者租客且近一周的验证次数大于第一阈值,则进行门禁的开启,其他情况下则采用基于GWO‑CNN算法的人脸识别模型对待验证人员的身份进行进一步验证得到人脸验证结果,当且仅当人脸验证结果与特征验证结果一致且待验证人员的身份存在门禁开启权限时进行门禁的开启,否则则通过面部特征以及通缉人脸识别模型实现对是否为通缉人员的识别,当且仅当不属于通缉人员时才予以登记放行,从而进一步提升了小区的安全性以及门禁验证的效率。
Description
技术领域
本发明属于门禁技术领域,具体涉及一种访客关联方法与系统。
背景技术
随着信息技术的快速发展,推动了各行各业信息化建设的速度,信息技术已经成为人们日常生产生活必不可少的重要手段。信息技术的应用必须依靠于强大的计算机服务器,随着信息技术应用的更加广泛,服务器的更新速度越来越快,其精密程度和性能也在不断发展当中,这就对服务器的状态监测和管理提出了更高的要求。
随着智慧城市的快速建设,同时也随着人们物质生活水平的不断提高,居住软环境的改善已经成为提升居民幸福感和满意度的重要议题之一,而对于小区居住环境而言,其最核心的问题即为安全问题,如何实现对访客的自动智慧管理成为亟待解决的技术问题。
为了实现对访客的自动管理,在授权发明专利授权公告号CN111508118B《一种访客管理方法、设备、系统及计算机可读存储介质》通过基于身份信息以及目标健康状态信息查询来访者是否具有访客权限;当检测到来访者具有访客权限时,向到访请求对应的门禁子系统发送开门指令,以供来访者进入门禁;当检测到来访者进入门禁时,获取来访者的到访信息,将该到访信息发送至被访者的被访终端,但是却存在一下技术问题:
1、未关联公安通缉人员信息,对于小区的安全来说,公安通缉人员信息对于小区的安全威胁程度明显要大于一般人员,若不能对公安通缉人员信息在门禁处就进行识别处理,很有可能会造成不必要的人员伤亡或者
2、未根据人群的类别、出入频繁度的不同采用不同的人脸识别方式,对于小区居住且同时每日都进出小区的人员,其对于人脸识别的效率的要求明显要高于对识别准确性的要求,而对于未在小区居住且出入次数较少的人员,其对于识别准确性的要求明显更高,若不能在人群划分的基础上实现对人脸识别方式的区分,从而会导致用户的体验度、通行的效率和准确性都会受到很大的影响。
基于上述技术问题,需要设计及一种访客关联方法与系统。
发明内容
本发明的目的是提供一种访客关联方法与系统。
为了解决上述技术问题,本发明第一方面提供了一种访客关联方法,包括:
S11基于门禁的人脸识别装置获取待验证人员的面部图像,并基于所述待验证人员的面部图像进行面部特征提取;
S12基于所述面部特征与人员身份数据库进行关联得到特征验证结果,并基于特征验证结果确定所述待验证人员的身份,并基于所述待验证人员的身份确定是否属于物业工作人员或者业主或者租客,若是则进入步骤S13,若否,则进入步骤S14;
S13基于所述待验证人员的身份判断所述待验证人员的近一周的验证次数是否大于第一阈值,若是,则进入步骤S16,若否,则进入步骤S14;
S14采用基于GWO-CNN算法的人脸识别模型对所述待验证人员的身份进行进一步验证得到人脸验证结果,当且仅当所述人脸验证结果与所述特征验证结果一致且待验证人员的身份存在门禁开启权限时进入步骤S16,否则则进入步骤S15;
S15基于所述待验证人员的面部特征,与通缉人员的面部特征库进行关联,得到关联结果,基于所述待验证人员的面部图像,采用基于ABC-ResNet算法的通缉人脸识别模型,得到人脸识别结果,当且仅当所述关联结果且所述人脸识别结果均不为通缉人员时,则通过门禁管理人员对所述待验证人员进行验证并登记,登记完毕后进入步骤S16;
S16输出验证正确结果,并基于所述验证正确结果进行门禁的开启。
通过首先基于面部特征对待验证人员的身份进行确定,并确定为物业工作人员或者业主或者租客时,进一步对待验证人员的近一周的验证次数进行确定,从而使得身份类型可靠且验证次数较多的人员进行简化,在保证安全的基础上提升了验证效率,从而使得用户的体验得到进一步的提升。
通过对于人员身份不可靠或者验证次数不达标的待验证人员,采用基于GWO-CNN算法的人脸识别模型对所述待验证人员的身份进行进一步验证,从而进一步保证了验证的准确性和一致性,并通过CNN算法,不仅考虑到了门禁的人脸识别装置的内存需要,而且具有较高的效率,并通过GWO算法对CNN算法的初始值进行寻优,从而进一步保证了验证的效率。
通过基于关联结果以及人脸识别结果实现对通缉人员的识别,从而保证通缉人员不能进入小区,从而保证了小区的安全性,防止不法分子进入小区导致的安全隐患问题。
进一步的技术方案在于,基于面部特征确定待验证人员的身份的具体步骤为:
S21基于所述待验证人员的面部图像进行Haar特征的提取得到人员Haar特征;
S22基于所述人员Haar特征与人员身份数据库的Haar特征进行匹配,得到特征验证结果;
S23基于特征验证结果确定待验证人员的身份。
进一步的技术方案在于,所述第一阈值基于小区的人数、小区的门禁数量确定,其中小区的人数越多,小区的门禁数量越少,则第一阈值越小,但均大于基础阈值,所述基础阈值为14次。
进一步的技术方案在于,基于所述待验证人员的身份、待验证人员的近一周的验证次数得到所述待验证人员的人员特征值,所述人员特征值的计算公式为:
其中J、J1、T1分别为待验证人员的近一周的验证次数、验证次数基础阈值、根据待验证人员的身份确定的权值,其中T1取值在0,1,2,3,分别对应与其他人群、租客、业主、物业管理人员,J1为14次,K1、K2、K3为常数,取值在0到1之间,均根据门禁的人流量确定,人流量越大,取值越大。
通过人员特征值的构建,从而可以实现从多角度对待验证人员特征的构建,不仅仅单纯的考虑单方面的因素,而是从验证次数以及待验证人员的身份出发,从而进一步保证了可靠性较高的待验证人员的验证效率,提升了用户体验。
进一步的技术方案在于,基于所述待验证人员的人员特征值进行验证方式的区分,进行区分的具体步骤为:
S31基于特征验证结果确定所述待验证人员的身份,并进一步基于所述待验证人员的身份、待验证人员的近一周的验证次数得到所述待验证人员的人员特征值;
S32基于所述待验证人员的人员特征值,判断所述人员特征值是否大于第一特征值阈值,若是,则进入步骤S33,若否,则采用基于GWO-CNN算法的人脸识别模型对所述待验证人员的身份进行进一步验证;
S33输出验证正确结果,并基于所述验证正确结果进行门禁的开启。
通过基于人员特征值进行验证方式的区分,改变了原有的仅仅依靠单一方式进行人脸方式识别的效率较低的技术问题,并进一步将两步的判断缩减至一次,进一步提升了验证的效率,
进一步的技术方案在于,所述第一特征值阈值根据小区的住户人数进行动态调整,住户人数越多,该第一特征值阈值越小。
进一步的技术方案在于,对GWO算法中的灰狼的位置更新进行优化,位置更新的计算公式为:
其中f(Xi)为灰狼原位置的适应度值;f(Xi,new)为灰狼新位置的适应度值;vmax和vmin分别为解空间的上限和下限;r为随机向量,其元素取值在[-1,1]区间内;w为搜索因子;D1为迭代次数。
通过对灰狼的位置更新进行优化,不仅可以使得灰狼位置的更新随着迭代次数的增加搜索因子能够逐渐变小,保证了算法的稳定性,同时通过适应度值的比较,也使得每只灰狼在自身一定范围内的随机搜索能力,从而使算法有能力跳出局部极值和避免过早收敛。
进一步的技术方案在于,基于所述关联结果以及所述人脸识别结果实现对通缉人员身份的确定,其中确定的具体步骤为:
S41基于所述人员Haar特征与通缉人员的面部特征库进行匹配,得到关联结果;
S42基于ABC-ResNet算法的通缉人脸识别模型,基于所述面部图像,得到人脸识别结果;
S43当且仅当所述关联结果以及人脸识别结果均不为通缉人员时,则所述待验证人员不属于通缉人员,当所述关联结果或者人脸识别结果任意一项属于通缉人员时,则所述待验证人员属于通缉人员。
通过采用多种方式实现对通缉人员的确认,从而保证了通缉人员能够更加的准确的实现对通缉人员的识别,保证了能够准确的实现对通缉人员的识别和确认,从而进一步保证了小区业主和物品的安全。
进一步的技术方案在于,当所述待验证人员属于通缉人员时,所述门禁通过告警装置输出告警信号。
另一方面,本发明提供了一种访客关联系统,采用上述的一种访客关联方法,包括图像获取模块,图像处理模块,身份验证模块,门禁控制模块;
其中所述图像获取模块负责获取待验证人员的面部图像;
所述图像处理模块负责进行面部特征提取;
所述身份验证模块负责基于面部特征或者面部图像实现对待验证人员的身份的识别;
所述门禁控制模块负责基于对待验证人员的身份的识别的结果,对门禁进行控制。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1是根据实施例1的一种访客关联方法的流程图;
图2是根据实施例1的一种基于待验证人员的人员特征值进行验证方式的区分的流程图;
图3是实施例2中的一种访客关联系统的框架图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
实施例1
为解决上述问题,根据本发明的一个方面,如图1所示,提供了一种访客关联方法,包括:
S11基于门禁的人脸识别装置获取待验证人员的面部图像,并基于所述待验证人员的面部图像进行面部特征提取;
具体的举个例子,所述面部特征可以为图像的颜色特征、纹理特征、形状特征和空间关系特征其中的任意一种或者多种特征的组合。
具体的举个例子,所述面部特征可以为三种特征的任意一种:Haar特征、LBP特征及HOG特征分别描述了三种不同的局部信息:
1)Haar描述的是图像在局部范围内像素值明暗变换信息;
2)LBP描述的是图像在局部范围内对应的纹理信息;
3)HOG描述的则是图像在局部范围内对应的形状边缘梯度信息。
S12基于所述面部特征与人员身份数据库进行关联得到特征验证结果,并基于特征验证结果确定所述待验证人员的身份,并基于所述待验证人员的身份确定是否属于物业工作人员或者业主或者租客,若是则进入步骤S13,若否,则进入步骤S14;
具体的举个例子,人员身份数据库中存储有业主/物业管理人员等人员的面部特征,通过匹配可以实现对待验证人员的身份的确定。
具体的举个例子,待验证人员的身份可以划分为物业工作人员、业主、租客、其他人员四种。
S13基于所述待验证人员的身份判断所述待验证人员的近一周的验证次数是否大于第一阈值,若是,则进入步骤S16,若否,则进入步骤S14;
具体的举个例子,当确认待验证人员的身份后,对其身份对应的近一周的验证次数进行读取。
具体的举个例子,验证次数必须为验证成功的次数,且不同的验证次数之间至少间隔一个小时以上。
S14采用基于GWO-CNN算法的人脸识别模型对所述待验证人员的身份进行进一步验证得到人脸验证结果,当且仅当所述人脸验证结果与所述特征验证结果一致且待验证人员的身份存在门禁开启权限时进入步骤S16,否则则进入步骤S15;
具体的举个例子,卷积神经网络的核心是卷积,在CNN的卷积层中存在一个个填充着数字的正方形小格子,他们被称为卷积核。原始图片经过输入层后会变为灰度或是RGB数值填充的矩阵。将卷积核与图片矩阵对齐,对应格子中的数字相乘后再相加,再将得到的数字填入新矩阵,这就是卷积。卷积核以一定的距离在图像上移动运算,这被称为步长,得到的新矩阵能反映图像的部分特征,因此被称为特征图。他们既是这一层的输出,又是下一层的输入。设定不同的卷积核,我们就能找到各种各样的特征。训练就是根据已有的数据和标签,自动确定卷积核中的数字。池化层能选取图像的主要特征,矩阵被池化后,参数能大量减少。全连接层通常在网络的最后,能将提取到的特征集合在一起。给出图片是某种事物的概率。
具体的举个例子,通过先对人脸识别模型进行训练,训练集的基础即为本小区居住的人员以及物业工作人员的面部图像,训练完成后,基于该人脸识别模型可以实现对人员身份的确定。
具体的举个例子,灰狼优化算法(Grey Wolf Optimizer,GWO)由澳大利亚格里菲斯大学学者Mirjalili等人于2014年提出来的一种群智能优化算法。该算法受到了灰狼捕食猎物活动的启发而开发的一种优化搜索方法,它具有较强的收敛性能、参数少、易实现等特点。近年来受到了学者的广泛关注,它己被成功地应用到了车间调度、参数优化、图像分类等领域中,可以实现对CNN算法的卷积层数的寻优。
S15基于所述待验证人员的面部特征,与通缉人员的面部特征库进行关联,得到关联结果,基于所述待验证人员的面部图像,采用基于ABC-ResNet算法的通缉人脸识别模型,得到人脸识别结果,当且仅当所述关联结果且所述人脸识别结果均不为通缉人员时,则通过门禁管理人员对所述待验证人员进行验证并登记,登记完毕后进入步骤S16;
具体的举个例子,通缉人脸识别模型通过采用通缉人员的面部图像采用训练集,实现对通缉人脸识别模型的构建。
具体的举个例子,当待验证人员不属于通缉人员时,则对其个人信息进行登记后,由门禁管理人员确定是否予以放行。
S16输出验证正确结果,并基于所述验证正确结果进行门禁的开启。
通过首先基于面部特征对待验证人员的身份进行确定,并确定为物业工作人员或者业主或者租客时,进一步对待验证人员的近一周的验证次数进行确定,从而使得身份类型可靠且验证次数较多的人员进行简化,在保证安全的基础上提升了验证效率,从而使得用户的体验得到进一步的提升。
通过对于人员身份不可靠或者验证次数不达标的待验证人员,采用基于GWO-CNN算法的人脸识别模型对所述待验证人员的身份进行进一步验证,从而进一步保证了验证的准确性和一致性,并通过CNN算法,不仅考虑到了门禁的人脸识别装置的内存需要,而且具有较高的效率,并通过GWO算法对CNN算法的初始值进行寻优,从而进一步保证了验证的效率。
通过基于关联结果以及人脸识别结果实现对通缉人员的识别,从而保证通缉人员不能进入小区,从而保证了小区的安全性,防止不法分子进入小区导致的安全隐患问题。
在另外一种可能的实施例中,基于面部特征确定待验证人员的身份的具体步骤为:
S21基于所述待验证人员的面部图像进行Haar特征的提取得到人员Haar特征;
具体的举个例子,哈尔特征(Haar)是用于物体识别的一种数字图像特征。它们因为与哈尔小波转换极为相似而得名,是第一种即时的人脸检测运算。
历史上,直接使用图像的强度(就是图像每一个像素点的RGB值)使得特征的计算强度很大。帕帕乔治奥等人提出可以使用基于哈尔小波的特征而不是图像强度。维奥拉和琼斯进而提出了哈尔特征。哈尔特征使用检测窗口中指定位置的相邻矩形,计算每一个矩形的像素和并取其差值。然后用这些差值来对图像的子区域进行分类。
S22基于所述人员Haar特征与人员身份数据库的Haar特征进行匹配,得到特征验证结果;
S23基于特征验证结果确定待验证人员的身份。
在另外一种可能的实施例中,所述第一阈值基于小区的人数、小区的门禁数量确定,其中小区的人数越多,小区的门禁数量越少,则第一阈值越小,但均大于基础阈值,所述基础阈值为14次。
具体的举个例子,小区的人数为500人,小区的门禁数量为1个,则第一阈值可以基于500/20除以1构建即为25次。
在另外一种可能的实施例中,基于所述待验证人员的身份、待验证人员的近一周的验证次数得到所述待验证人员的人员特征值,所述人员特征值的计算公式为:
其中J、J1、T1分别为待验证人员的近一周的验证次数、验证次数基础阈值、根据待验证人员的身份确定的权值,其中T1取值在0,1,2,3,分别对应与其他人群、租客、业主、物业管理人员,J1为14次,K1、K2、K3为常数,取值在0到1之间,均根据门禁的人流量确定,人流量越大,取值越大。
具体的举个例子,K1、K2、K3的取值分别为0.7,0.1,0.2。
通过人员特征值的构建,从而可以实现从多角度对待验证人员特征的构建,不仅仅单纯的考虑单方面的因素,而是从验证次数以及待验证人员的身份出发,从而进一步保证了可靠性较高的待验证人员的验证效率,提升了用户体验。
在另外一种可能的实施例中,如图2所示,基于所述待验证人员的人员特征值进行验证方式的区分,进行区分的具体步骤为:
S31基于特征验证结果确定所述待验证人员的身份,并进一步基于所述待验证人员的身份、待验证人员的近一周的验证次数得到所述待验证人员的人员特征值;
S32基于所述待验证人员的人员特征值,判断所述人员特征值是否大于第一特征值阈值,若是,则进入步骤S33,若否,则采用基于GWO-CNN算法的人脸识别模型对所述待验证人员的身份进行进一步验证;
S33输出验证正确结果,并基于所述验证正确结果进行门禁的开启。
通过基于人员特征值进行验证方式的区分,改变了原有的仅仅依靠单一方式进行人脸方式识别的效率较低的技术问题,并进一步将两步的判断缩减至一次,进一步提升了验证的效率,
在另外一种可能的实施例中,所述第一特征值阈值根据小区的住户人数进行动态调整,住户人数越多,该第一特征值阈值越小。
具体的举个例子,当住户人数从500人增加至600人时,则将原始的第一特征阈值从5调低至4。
在另外一种可能的实施例中,对GWO算法中的灰狼的位置更新进行优化,位置更新的计算公式为:
其中f(Xi)为灰狼原位置的适应度值;f(Xi,new)为灰狼新位置的适应度值;vmax和vmin分别为解空间的上限和下限;r为随机向量,其元素取值在[-1,1]区间内;w为搜索因子;D1为迭代次数。
通过对灰狼的位置更新进行优化,不仅可以使得灰狼位置的更新随着迭代次数的增加搜索因子能够逐渐变小,保证了算法的稳定性,同时通过适应度值的比较,也使得每只灰狼在自身一定范围内的随机搜索能力,从而使算法有能力跳出局部极值和避免过早收敛。
在另外一种可能的实施例中,基于所述关联结果以及所述人脸识别结果实现对通缉人员身份的确定,其中确定的具体步骤为:
S41基于所述人员Haar特征与通缉人员的面部特征库进行匹配,得到关联结果;
S42基于ABC-ResNet算法的通缉人脸识别模型,基于所述面部图像,得到人脸识别结果;
具体的举个例子,人工蜂群(Artificial Bee Colony)是DervisKaraboga 2005年定义的算法之一,受蜜蜂智能行为的启发。它与粒子群优化(PSO)和差分进化(DE)算法一样简单,并且仅使用常见的控制参数,例如菌落大小和最大循环数。ABC作为一种优化工具,提供了一种基于种群的搜索过程,其中被称为食物位置的个体被人工蜜蜂随着时间的推移而修改,蜜蜂的目标是发现花蜜量高的食物来源地,最后发现最高的食物来源地。花蜜。在ABC系统中,人造蜜蜂在多维搜索空间中飞来飞去,一些(受雇和旁观的蜜蜂)根据自己和巢友的经验选择食物来源,并调整它们的位置。一些(侦察员)在没有使用经验的情况下随机飞行并选择食物来源。如果新来源的花蜜量在他们的记忆中高于前一个,他们就会记住新的位置而忘记前一个。因此,ABC系统将由雇佣蜂和旁观者蜜蜂执行的局部搜索方法与由旁观者和侦察员管理的全局搜索方法相结合,试图平衡探索和开发过程。
S43当且仅当所述关联结果以及人脸识别结果均不为通缉人员时,则所述待验证人员不属于通缉人员,当所述关联结果或者人脸识别结果任意一项属于通缉人员时,则所述待验证人员属于通缉人员。
通过采用多种方式实现对通缉人员的确认,从而保证了通缉人员能够更加的准确的实现对通缉人员的识别,保证了能够准确的实现对通缉人员的识别和确认,从而进一步保证了小区业主和物品的安全。
在另外一种可能的实施例中,当所述待验证人员属于通缉人员时,所述门禁通过告警装置输出告警信号。
具体的举个例子,告警装置是指表示发生故障、事故或危险情况的信息显示装置。按使用的代码特点和接收信息的感觉通道的性质,可分为视觉报警器、听觉报警器、触觉报警器和嗅觉报警器等。
实施例2
如图3所示,本申请实施例中提供本发明提供了一种访客关联系统,采用上述的一种访客关联方法,包括图像获取模块,图像处理模块,身份验证模块,门禁控制模块;
其中所述图像获取模块负责获取待验证人员的面部图像;
所述图像处理模块负责进行面部特征提取;
所述身份验证模块负责基于面部特征或者面部图像实现对待验证人员的身份的识别;
所述门禁控制模块负责基于对待验证人员的身份的识别的结果,对门禁进行控制。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (8)
1.一种访客关联方法,其特征在于,具体包括:
S11基于门禁的人脸识别装置获取待验证人员的面部图像,并基于所述待验证人员的面部图像进行面部特征提取;
S12基于所述面部特征与人员身份数据库进行关联得到特征验证结果,并基于特征验证结果确定所述待验证人员的身份,并基于所述待验证人员的身份确定是否属于物业工作人员或者业主或者租客,若是则进入步骤S13,若否,则进入步骤S14;
S13基于所述待验证人员的身份判断所述待验证人员的近一周的验证次数是否大于第一阈值,若是,则进入步骤S16,若否,则进入步骤S14;
基于所述待验证人员的身份、待验证人员的近一周的验证次数得到所述待验证人员的人员特征值,所述人员特征值的计算公式为:其中J、J1、T1分别为待验证人员的近一周的验证次数、验证次数基础阈值、根据待验证人员的身份确定的权值,其中T1取值在0,1,2,3,分别对应与其他人群、租客、业主、物业管理人员,J1为14次,K1、K2、K3为常数,取值在0到1之间,均根据门禁的人流量确定,人流量越大,取值越大;
基于所述待验证人员的人员特征值进行验证方式的区分,进行区分的具体步骤为:
S31基于特征验证结果确定所述待验证人员的身份,并进一步基于所述待验证人员的身份、待验证人员的近一周的验证次数得到所述待验证人员的人员特征值;
S32基于所述待验证人员的人员特征值,判断所述人员特征值是否大于第一特征值阈值,若是,则进入步骤S33,若否,则采用基于GWO-CNN算法的人脸识别模型对所述待验证人员的身份进行进一步验证;
S33输出验证正确结果,并基于所述验证正确结果进行门禁的开启;
S14采用基于GWO-CNN算法的人脸识别模型对所述待验证人员的身份进行进一步验证得到人脸验证结果,当且仅当所述人脸验证结果与所述特征验证结果一致且待验证人员的身份存在门禁开启权限时进入步骤S16,否则则进入步骤S15;
S15基于所述待验证人员的面部特征,与通缉人员的面部特征库进行关联,得到关联结果,基于所述待验证人员的面部图像,采用基于ABC-ResNet算法的通缉人脸识别模型,得到人脸识别结果,当且仅当所述关联结果且所述人脸识别结果均不为通缉人员时,则通过门禁管理人员对所述待验证人员进行验证并登记,登记完毕后进入步骤S16;
S16输出验证正确结果,并基于所述验证正确结果进行门禁的开启。
2.如权利要求1所述的访客关联方法,其特征在于,基于面部特征确定待验证人员的身份的具体步骤为:
S21基于所述待验证人员的面部图像进行Haar特征的提取得到人员Haar特征;
S22基于所述人员Haar特征与人员身份数据库的Haar特征进行匹配,得到特征验证结果;
S23基于特征验证结果确定待验证人员的身份。
3.如权利要求1所述的访客关联方法,其特征在于,所述第一阈值基于小区的人数、小区的门禁数量确定,其中小区的人数越多,小区的门禁数量越少,则第一阈值越小,但均大于基础阈值,所述基础阈值为14次。
4.如权利要求1所述的访客关联方法,其特征在于,所述第一特征值阈值根据小区的住户人数进行动态调整,住户人数越多,该第一特征值阈值越小。
5.如权利要求1所述的访客关联方法,其特征在于,对GWO算法中的灰狼的位置更新进行优化,位置更新的计算公式为:其中f(X i )为灰狼原位置的适应度值;f(X i,new )为灰狼新位置的适应度值;vmax和vmin分别为解空间的上限和下限;r为随机向量,其元素取值在[-1,1]区间内;w为搜索因子;D1为迭代次数。
6.如权利要求1所述的访客关联方法,其特征在于,基于所述关联结果以及所述人脸识别结果实现对通缉人员身份的确定,其中确定的具体步骤为:
S41基于所述人员Haar特征与通缉人员的面部特征库进行匹配,得到关联结果;
S42基于ABC-ResNet算法的通缉人脸识别模型,基于所述面部图像,得到人脸识别结果;
S43当且仅当所述关联结果以及人脸识别结果均不为通缉人员时,则所述待验证人员不属于通缉人员,当所述关联结果或者人脸识别结果任意一项属于通缉人员时,则所述待验证人员属于通缉人员。
7.如权利要求1所述的访客关联方法,其特征在于,当所述待验证人员属于通缉人员时,所述门禁通过告警装置输出告警信号。
8.一种访客关联系统,采用权利要求1-7任意一项所述的一种访客关联方法,包括图像获取模块,图像处理模块,身份验证模块,门禁控制模块;
其中所述图像获取模块负责获取待验证人员的面部图像;
所述图像处理模块负责进行面部特征提取;
所述身份验证模块负责基于面部特征或者面部图像实现对待验证人员的身份的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211391906.1A CN115862210B (zh) | 2022-11-08 | 2022-11-08 | 一种访客关联方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211391906.1A CN115862210B (zh) | 2022-11-08 | 2022-11-08 | 一种访客关联方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115862210A CN115862210A (zh) | 2023-03-28 |
CN115862210B true CN115862210B (zh) | 2023-08-25 |
Family
ID=85662766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211391906.1A Active CN115862210B (zh) | 2022-11-08 | 2022-11-08 | 一种访客关联方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115862210B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937495A (zh) * | 2009-06-25 | 2011-01-05 | 株式会社日立制作所 | 生物特征验证装置、生物特征验证方法及其程序 |
CN204155327U (zh) * | 2014-09-01 | 2015-02-11 | 上海智达商投资管理合伙企业(有限合伙) | 一种基于人脸识别的来访人员登记查验装置 |
CN108734835A (zh) * | 2018-05-15 | 2018-11-02 | 温州伊诺韦特科技有限公司 | 一种门禁验证方法及其系统 |
US10599825B1 (en) * | 2019-07-18 | 2020-03-24 | Capital One Services, Llc | Authentication based on a physical key |
CN112102530A (zh) * | 2020-11-09 | 2020-12-18 | 兰和科技(深圳)有限公司 | 一种校园物联网智能云锁管理系统 |
CN112364733A (zh) * | 2020-10-30 | 2021-02-12 | 重庆电子工程职业学院 | 智能安防人脸识别系统 |
CN112562160A (zh) * | 2020-12-02 | 2021-03-26 | 杭州思源信息技术股份有限公司 | 一种人脸识别技术的智慧社区信息管理系统 |
US11004282B1 (en) * | 2020-04-02 | 2021-05-11 | Swiftlane, Inc. | Two-factor authentication system |
KR20210069380A (ko) * | 2019-12-03 | 2021-06-11 | 주식회사 포스코아이씨티 | 인증결과를 활용한 안면인식서버 및 안면인식시스템 |
CN114241649A (zh) * | 2021-12-21 | 2022-03-25 | 武汉理工光科股份有限公司 | 一种基于计算机的人工智能识别系统 |
CN115171260A (zh) * | 2022-07-21 | 2022-10-11 | 陈宇 | 一种基于人脸识别的智能门禁系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100438841B1 (ko) * | 2002-04-23 | 2004-07-05 | 삼성전자주식회사 | 이용자 검증 및 데이터 베이스 자동 갱신 방법, 및 이를이용한 얼굴 인식 시스템 |
US7817013B2 (en) * | 2003-09-05 | 2010-10-19 | Honeywell International Inc. | Distributed stand-off ID verification compatible with multiple face recognition systems (FRS) |
US20140341443A1 (en) * | 2013-05-16 | 2014-11-20 | Microsoft Corporation | Joint modeling for facial recognition |
CN108241836A (zh) * | 2016-12-23 | 2018-07-03 | 同方威视技术股份有限公司 | 用于安检的方法及装置 |
-
2022
- 2022-11-08 CN CN202211391906.1A patent/CN115862210B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937495A (zh) * | 2009-06-25 | 2011-01-05 | 株式会社日立制作所 | 生物特征验证装置、生物特征验证方法及其程序 |
CN204155327U (zh) * | 2014-09-01 | 2015-02-11 | 上海智达商投资管理合伙企业(有限合伙) | 一种基于人脸识别的来访人员登记查验装置 |
CN108734835A (zh) * | 2018-05-15 | 2018-11-02 | 温州伊诺韦特科技有限公司 | 一种门禁验证方法及其系统 |
US10599825B1 (en) * | 2019-07-18 | 2020-03-24 | Capital One Services, Llc | Authentication based on a physical key |
KR20210069380A (ko) * | 2019-12-03 | 2021-06-11 | 주식회사 포스코아이씨티 | 인증결과를 활용한 안면인식서버 및 안면인식시스템 |
US11004282B1 (en) * | 2020-04-02 | 2021-05-11 | Swiftlane, Inc. | Two-factor authentication system |
CN112364733A (zh) * | 2020-10-30 | 2021-02-12 | 重庆电子工程职业学院 | 智能安防人脸识别系统 |
CN112102530A (zh) * | 2020-11-09 | 2020-12-18 | 兰和科技(深圳)有限公司 | 一种校园物联网智能云锁管理系统 |
CN112562160A (zh) * | 2020-12-02 | 2021-03-26 | 杭州思源信息技术股份有限公司 | 一种人脸识别技术的智慧社区信息管理系统 |
CN114241649A (zh) * | 2021-12-21 | 2022-03-25 | 武汉理工光科股份有限公司 | 一种基于计算机的人工智能识别系统 |
CN115171260A (zh) * | 2022-07-21 | 2022-10-11 | 陈宇 | 一种基于人脸识别的智能门禁系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115862210A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A survey on an emerging area: Deep learning for smart city data | |
JP6080940B2 (ja) | 人物検索方法及びホーム滞留人物検索装置 | |
US10796514B2 (en) | System and method for optimizing a facial recognition-based system for controlling access to a building | |
CN103984915B (zh) | 一种监控视频中行人重识别方法 | |
CN105426820B (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
CN109376639B (zh) | 基于人像识别的伴随人员预警系统及方法 | |
KR20160091786A (ko) | 사용자 관리 방법 및 사용자 관리 장치 | |
CN105787472B (zh) | 一种基于时空拉普拉斯特征映射学习的异常行为检测方法 | |
CN110222640A (zh) | 监控场所中嫌疑人的识别方法、装置、方法和存储介质 | |
CN105868689A (zh) | 一种基于级联卷积神经网络的人脸遮挡检测方法 | |
CN104091176A (zh) | 人像比对在视频中的应用技术 | |
WO2020135079A1 (zh) | 电子闸门的开启方法、装置及服务器 | |
CN112183162A (zh) | 一种监控场景下人脸自动注册识别系统及方法 | |
Rajeshkumar et al. | Smart office automation via faster R-CNN based face recognition and internet of things | |
CN113792836A (zh) | 多层级安全智慧园区控制方法和系统 | |
O’Gorman et al. | Motion feature filtering for event detection in crowded scenes | |
CN114863528A (zh) | 一种基于物联网的小区智能安防监控方法 | |
CN117197726B (zh) | 一种重点人员精准化管控系统及方法 | |
JP2024040203A (ja) | 人物検出装置、人物追跡装置、人物追跡システム、人物検出方法、人物追跡方法、人物検出プログラム及び人物追跡プログラム | |
CN115862210B (zh) | 一种访客关联方法与系统 | |
Feris et al. | Case study: IBM smart surveillance system | |
CN109919023A (zh) | 一种基于人脸识别的联网报警方法 | |
KR102240495B1 (ko) | 신분 인증 부정 사용자 차등 관리 방법 및 서버 | |
JP6739115B6 (ja) | 危険度判別プログラム及びシステム | |
JP6739119B6 (ja) | 危険度判別プログラム及びシステム |
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 |