CN116189336A - 一种智能门锁安防系统 - Google Patents

一种智能门锁安防系统 Download PDF

Info

Publication number
CN116189336A
CN116189336A CN202310173139.5A CN202310173139A CN116189336A CN 116189336 A CN116189336 A CN 116189336A CN 202310173139 A CN202310173139 A CN 202310173139A CN 116189336 A CN116189336 A CN 116189336A
Authority
CN
China
Prior art keywords
personnel
module
security system
door lock
gesture
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
Application number
CN202310173139.5A
Other languages
English (en)
Other versions
CN116189336B (zh
Inventor
钟冰峰
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.)
Guangzhou Benzhi Electronic Technology Co ltd
Original Assignee
Guangzhou Benzhi Electronic 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 Guangzhou Benzhi Electronic Technology Co ltd filed Critical Guangzhou Benzhi Electronic Technology Co ltd
Priority to CN202310173139.5A priority Critical patent/CN116189336B/zh
Publication of CN116189336A publication Critical patent/CN116189336A/zh
Application granted granted Critical
Publication of CN116189336B publication Critical patent/CN116189336B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • 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
    • G06V10/82—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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • 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
    • 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
    • G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
    • G07C9/00563—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys using personal physical data of the operator, e.g. finger prints, retinal images, voicepatterns
    • 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
    • G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
    • G07C9/00571—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys operated by interacting with a central unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Social Psychology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Psychiatry (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Alarm Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及安防门锁技术领域，尤其为一种智能门锁安防系统，包括：采集模块：用于通过监测装置采集人员输入的人员信息图像或靠近人员的姿态图像；识别模块：用于对人员信息图像进行识别，同时对人员进行追踪和姿态识别；预警模块：用于对异常识别结果进行预警，识别为非安全人员时向公安系统报警；联网模块：用于连接公安系统进行报警；控制中心：用于接收各模块信息和控制门锁状态。本发明通过监测装置采集图像信息并进行识别，对于存在可疑姿态的人员通过预警模块进行预警，同时对识别为公安系统上传的非安全人员的情况进行报警处理，有效提高系统的安全性，即便使用者或是安保人员不在旁边，也能及时收到安防系统的预警信号，实现远程监控。

Description

一种智能门锁安防系统
技术领域
本发明涉及安防门锁技术领域，尤其是一种智能门锁安防系统。
背景技术
在我国快速的城市化进程中，城中村大量涌现，成了外来人口，尤其是中低收入外来务工人员的主要聚居地。这些地区历来是治安管理的重点和难点，恶性治安事件时有发生。由于外来人口流动性较大，民警人力有限等原因，民警无法逐一统计流动人口信息，使得城中村的治安存在潜在的威胁。现有技术中，通过指纹识别、面部识别等多种方式进行开门操作，保障了智能门锁的使用安全性，但对于未进行开门操作，但具有不正当意图的人员，如盗窃人员的提前踩点，标记等情况，使用者无法知晓潜在危险并采取措施，进而会造成对家中财产的损失。因此，本领域技术人员提供了一种智能门锁安防系统，以解决上述背景技术中提出的问题。
发明内容
本发明的目的是通过提出一种智能门锁安防系统，以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下：
提供一种智能门锁安防系统，包括：
采集模块：用于通过监测装置采集人员输入的人员信息图像或靠近人员的姿态图像；
识别模块：用于根据数据库对采集的人员信息图像进行识别，同时通过姿态识别算法进行人员追踪识别；
预警模块：用于根据识别模块的异常识别结果进行预警，对识别模块识别的非安全人员向公安系统报警；
联网模块：用于连接公安系统进行报警；
控制中心：用于接收各模块信息和控制门锁状态。
作为本发明的一种优选技术方案：所述人员信息图像包括人脸图像和人员指纹图像。
作为本发明的一种优选技术方案：所述采集模块的监测装置包括红外监测装置、摄像头和指纹采集装置；所述摄像头用于根据红外检测装置检测靠近人员的人脸图像或人员姿态图像。
作为本发明的一种优选技术方案：所述数据库中存储有人员信息图像、非安全人员信息图像及人员可疑姿态信息图像。
作为本发明的一种优选技术方案：所述识别模块中通过CNN网络结构对人员信息图像进行训练和识别。
作为本发明的一种优选技术方案：所述识别模块中，基于如下的关键帧提取算法进行关键帧的提取，将运动模型的速度与像素点的学习率相关联进行目标检测：
Figure BDA0004099918990000021
Figure BDA0004099918990000022
其中，Δt表示时间间隔，xt，yt代表t帧图像中运动目标点集的最小外接矩形的中心点像素点的行列序号，xt-1，yt-1代表t-1帧图像中运动目标点集的最小外接矩形的中心点像素点的行列序号，vx，y，t表示每个点的速度，D用于为判定当前点状态的判定值；
Figure BDA0004099918990000023
其中，v0表示速度临界阈值，cx，y，t表示像素点学习率，r表示学习参数。
作为本发明的一种优选技术方案：所述识别模块中，对于获取的图像通过矩形框进行标注，矩形框通过四个顶点的坐标确定如果人脸和身体属于同一个人，则人脸部分的矩形框在身体部分矩形框内部，否则人脸部分的矩形框不在身体部分矩形框内部；追踪步骤如下：
设人脸坐标为(x1，y1)，(x2，y2)，(x3，y3)，(x4，y4)，位于对角线两点的坐标为(x1，y1)，(x4，y4)，目标追踪结果矩形框的坐标是(a1，b1)，(a2，b2)，(a3，b3)，(a4，b4)，位于对角线两点的坐标分别是(a1，b1)，(a4，b4)，根据下式判断两个模块识别的目标是否为同一人：
x1＞a1∧y1＞b2∧x4＜a4∧y4＜b4
若以上表达式同时成立，则判断两个模块识别的目标是同一个人；如果有一个不成立，则判断不是同一个人。
作为本发明的一种优选技术方案：所述识别模块中，基于骨架建模算法进行人体状态向量的提取，以RGB图像数据作为模型输入，通过对图像特征提取得到特征图F，通过关节位置回归支路回归人体关节的位置向量集合u＝(U1，U2，…，Uu，…Uu)，Uu表示第u个关节位置的向量坐标，通过关节亲和力大小预测支路预测关节之间的亲和力场集合V＝(V1，V2，…，Vv，…Vn)，Vv表示第v组关节对之间的亲和力大小分布，两条支路的输出表达为：
Figure BDA0004099918990000031
其中，F是基于图像数据提取的特征图，分别表示在阶段τ的关节位置回归支路输出和关节亲和力大小预测支路输出，Uτ，Vτ分别表示在阶段τ的人体关节的位置向量集合输出和预测关节间的亲和力场集合输出；Uτ-1，Vτ-1分别表示在阶段τ-1的人体关节的位置向量集合输出和预测关节间的亲和力场集合输出；以人员后腰中心点为原点建立三维坐标轴，确定躯干与Z轴基准方向夹角，提取关节点坐标Ai＝(xi，yi，zi)，则躯干的空间长度di表达为：
Figure BDA0004099918990000032
利用两点法计算出躯干与Z轴基准方向夹角θi：
Figure BDA0004099918990000033
通过人员躯干夹角与保持时间的关系，初步判断人员姿态状态；再通过与数据库内存储的人员可疑姿态信息图像的骨架建模进行比对识别人员姿态是否为可疑姿态。
作为本发明的一种优选技术方案：所述骨架建模算法中，通过关节位置回归支路输出的关节坐标向量集合，并将关节坐标向量集合输入至神经网络模型中进行训练和学习实现对人员姿态的识别。
作为本发明的一种优选技术方案：所述识别模块识别人员姿态为可疑姿态时，通过预警模块向控制中心预警，当所述识别模块识别人员为非安全人员时，通过预警模块进行预警的同时通过联网模块连接公安系统进行报警。
本发明提供的智能门锁安防系统，与现有技术相比，其有益效果有：
本发明通过监测装置采集人员的人脸图像和指纹图像进行开门识别，同时对未采集人脸图像与指纹图像的人员进行姿态识别，对于存在可疑姿态的人员通过预警模块进行预警，同时联网公安系统对识别为公安系统上传的非安全人员的情况进行报警处理，有效提高系统的安全性，即便使用者或是安保人员不在旁边，也能及时收到安防系统的预警信号，实现远程监控。
附图说明
图1为本发明优选实施例的系统框图。
图中各个标记的意义为：100、采集模块；200、识别模块；300、预警模块；400、联网模块；500、控制中心。
具体实施方式
需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，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，所描述的实施例仅仅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做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。
参照图1，本发明优选实施例提供了一种智能门锁安防系统，包括：
采集模块100：用于通过监测装置采集人员输入的人员信息图像或靠近人员的姿态图像；
识别模块200：用于根据数据库对采集的人员信息图像进行识别，同时通过姿态识别算法进行人员追踪识别；
预警模块300：用于根据识别模块300的异常识别结果进行预警，对识别模块300识别的非安全人员向公安系统报警；
联网模块400：用于连接公安系统进行报警；
控制中心500：用于接收各模块信息和控制门锁状态。
所述采集模块100中的人员信息图像包括人脸图像和人员指纹图像。
所述采集模块100的监测装置包括红外监测装置、摄像头和指纹采集装置；所述摄像头用于根据红外检测装置检测靠近人员的人脸图像或人员姿态图像。
所述数据库中存储有人员信息图像、非安全人员信息图像及人员可疑姿态信息图像。
所述识别模块200中通过CNN网络结构对人员信息图像进行训练和识别。
所述识别模块200中，基于如下的关键帧提取算法进行关键帧的提取，将运动模型的速度与像素点的学习率相关联进行目标检测：
Figure BDA0004099918990000041
Figure BDA0004099918990000042
其中，Δt表示时间间隔，xt，yt代表t帧图像中运动目标点集的最小外接矩形的中心点像素点的行列序号，xt-1，yt-1代表t-1帧图像中运动目标点集的最小外接矩形的中心点像素点的行列序号，vx，y，t表示每个点的速度，D用于为判定当前点状态的判定值；
Figure BDA0004099918990000051
其中，v0表示速度临界阈值，cx，y，t表示像素点学习率，r表示学习参数。
所述识别模块200中，对于获取的图像通过矩形框进行标注，矩形框通过四个顶点的坐标确定如果人脸和身体属于同一个人，则人脸部分的矩形框在身体部分矩形框内部，否则人脸部分的矩形框不在身体部分矩形框内部；追踪步骤如下：
设人脸坐标为(x1，y1)，(x2，y2)，(x3，y3)，(x4，y4)，位于对角线两点的坐标为(x1，y1)，(x4，y4)，目标追踪结果矩形框的坐标是(a1，b1)，(a2，b2)，(a3，b3)，(a4，b4)，位于对角线两点的坐标分别是(a1，b1)，(a4，b4)，根据下式判断两个模块识别的目标是否为同一人：
x1＞a1∧y1＞b2∧x4＜a4∧y4＜b4
若以上表达式同时成立，则判断两个模块识别的目标是同一个人；如果有一个不成立，则判断不是同一个人。
所述识别模块200中，基于骨架建模算法进行人体状态向量的提取，以RGB图像数据作为模型输入，通过对图像特征提取得到特征图F，通过关节位置回归支路回归人体关节的位置向量集合U＝(U1，U2，…，Uu，…Uu)，Uu表示第u个关节位置的向量坐标，通过关节亲和力大小预测支路预测关节之间的亲和力场集合V＝(V1，V2，…，Vv，…Vn)，Vv表示第v组关节对之间的亲和力大小分布，两条支路的输出表达为：
Figure BDA0004099918990000052
其中，F是基于图像数据提取的特征图，分别表示在阶段τ的关节位置回归支路输出和关节亲和力大小预测支路输出，Uτ，Vτ分别表示在阶段τ的人体关节的位置向量集合输出和预测关节间的亲和力场集合输出；Uτ-1，Vτ-1分别表示在阶段τ-1的人体关节的位置向量集合输出和预测关节间的亲和力场集合输出；以人员后腰中心点为原点建立三维坐标轴，确定躯干与Z轴基准方向夹角，提取关节点坐标Ai＝(xi，yi，zi)，则躯干的空间长度di表达为：
Figure BDA0004099918990000053
利用两点法计算出躯干与Z轴基准方向夹角θi：
Figure BDA0004099918990000054
通过人员躯干夹角与保持时间的关系，初步判断人员姿态状态；再通过与数据库内存储的人员可疑姿态信息图像的骨架建模进行比对识别人员姿态是否为可疑姿态，具体的，通过如下方式来实现：
准备数据集：
训练集：包含已知的可疑姿态图像以及它们对应的骨架建模，用于训练机器学习模型；
测试集：包含待识别的可疑姿态图像，用于测试机器学习模型的性能。
所述骨架建模算法中，通过关节位置回归支路输出的关节坐标向量集合，并将关节坐标向量集合输入至神经网络模型中进行训练和学习实现对人员姿态的识别。
所述识别模块200识别人员姿态为可疑姿态时，通过预警模块300向控制中心500预警，当所述识别模块200识别人员为非安全人员时，通过预警模块300进行预警的同时通过联网模块400连接公安系统进行报警。
本实施例中，以安全人员以可疑姿态进入装置监测范围内为例。
采集模块100对靠近监测装置的安全人员进行图像采集，同时通过关键帧提取算法对识别视频中的关键帧进行提取，以间隔时间为1s，t＝7s，每1s替换1帧图像为例：
Figure BDA0004099918990000061
Figure BDA0004099918990000062
其中，xt，yt代表7帧图像中运动目标点集的最小外接矩形的中心点像素点的行列序号，xt-1，yt-1代表6帧图像中运动目标点集的最小外接矩形的中心点像素点的行列序号，vx,y,t表示每个点的速度，其中每一个点的速度均由相同的速度值来表示，D用于为判定当前点状态的判定值；
Figure BDA0004099918990000063
其中，v0表示速度临界阈值，当一个像素点满足t-1和t时刻所匹配的分布模型发生了变化，或连续5～10帧速度均为0时，当前像素点的学习率初始化为初值cx,y,0。
数据库根据联网模块连接的公安系统对安全人员信息图像进行实时更新，识别模块200根据数据库中更新的非安全人员信息以及数据库中存储的人员信息图像和人员可以姿态信息图像进行识别，若图像中采集到人员的人脸图像信息，则对于图像中采集的人脸图像信息通过CNN网络结构进行特征提取和识别，分别与非安全人员信息图像和人员信息图像进行识别比对，识别人员为安全人员则放弃通过联网模块向公安系统报警。继续对人员的姿态进行识别，通过矩形框对图像中的人员身体进行标注，同时通过对人员头像和人体的矩形框坐标判断是否为同一人，
设人脸坐标为(5，15)，(20，15)，(5，20)，(20，20)，位于对角线两点的坐标为(5，15)，(20，20)，目标追踪结果矩形框的坐标是(1，1)，(25，1)，(1，25)，(25，25)，位于对角线两点的坐标分别是(1，1)，(25，25)，根据下式判断两个模块识别的目标是否为同一人：
5＞1∧15＞1∧20＜25∧20＜25
以上表达式同时成立，则判断两个模块识别的目标是同一个人；通过骨架建模算法进行该安全人员的骨架建模，以RGB图像数据作为模型输入，通过对图像特征提取得到特征图F，通过关节位置回归支路回归人体关节的位置向量集合U＝(U1，U2，…，Uu，…Uu)，Uu表示第u个关节位置的向量坐标，通过关节亲和力大小预测支路预测关节之间的亲和力场集合V＝(V1，V2，…，Vv，…Vn)，Vv表示第v组关节对之间的亲和力大小分布，两条支路的输出表达为：
Figure BDA0004099918990000071
其中，F是基于图像数据提取的特征图，分别表示在阶段τ的关节位置回归支路输出和关节亲和力大小预测支路输出，Uτ，Vτ分别表示在阶段τ的人体关节的位置向量集合输出和预测关节间的亲和力场集合输出；Uτ-1，Vτ-1分别表示在阶段τ-1的人体关节的位置向量集合输出和预测关节间的亲和力场集合输出。
同时以人员后腰中心点为原点建立三维坐标轴，确定躯干与Z轴基准方向夹角，提取关节点坐标Ai＝(3，0，4)，则躯干的空间长度di表达为：
Figure BDA0004099918990000072
利用两点法计算出躯干与Z轴基准方向夹角θi：
Figure BDA0004099918990000073
判断人员为与直立状态夹36.9°角的弯腰状态，且长时间处于弯腰状态以躲避摄像头采集信息，不通过扫描人脸图像和指纹图像的方式进行开锁，则可将其判定为可疑人员，并通过预警模块300进行预警，工作人员或使用者及时进行查看，可设置门锁为紧急关闭状态，谢绝可疑人员的进入。
在具体实现过程中，由于人体弯曲度的不确定性，躯干与Z轴基准方向夹角θi往往具有局部夹角的影响而导致频繁的报警误判，所以本实施例中采用如下改进，将θi根据身体的维度向量数量分成T个序列，分别为θ1，θ2，...，θT，将序列输入到LSTM模型中的LSTM层中，将LSTM层的输出输入到全连接层中，得到分类结果，z＝[z1，z2，...，zk]，其中k表示类别数，使用softmax函数将其转换为概率分布，即：
Figure BDA0004099918990000081
其中，j表示索引变量，pi表示样本属于第i个类别的概率，e表示数据库中的概率判断常数，zi表示模型输出向量中第i个元素的值。最终将pi与标准概率pC进行对比，在大于pC时再触发警报，这样就能够大大减少误报概率。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种智能门锁安防系统，其特征在于：包括：
采集模块(100)：用于通过监测装置采集人员输入的人员信息图像或靠近人员的姿态图像；
识别模块(200)：用于根据数据库对采集的人员信息图像进行识别，同时通过姿态识别算法进行人员追踪识别；
预警模块(300)：用于根据识别模块(300)的异常识别结果进行预警，对识别模块(300)识别的非安全人员向公安系统报警；
联网模块(400)：用于连接公安系统进行报警；
控制中心(500)：用于接收各模块信息和控制门锁状态。
2.根据权利要求1所述的智能门锁安防系统，其特征在于：所述采集模块(100)中的人员信息图像包括人脸图像和人员指纹图像。
3.根据权利要求2所述的智能门锁安防系统，其特征在于：所述采集模块(100)的监测装置包括红外监测装置、摄像头和指纹采集装置；所述摄像头用于根据红外检测装置检测靠近人员的人脸图像或人员姿态图像。
4.根据权利要求1所述的智能门锁安防系统，其特征在于：所述数据库中存储有人员信息图像、非安全人员信息图像及人员可疑姿态信息图像。
5.根据权利要求4所述的智能门锁安防系统，其特征在于：所述识别模块(200)中通过CNN网络结构对人员信息图像进行训练和识别。
6.根据权利要求5所述的智能门锁安防系统，其特征在于：所述识别模块(200)中，基于如下的关键帧提取算法进行关键帧的提取，将运动模型的速度与像素点的学习率相关联进行目标检测：
Figure FDA0004099918980000011
Figure FDA0004099918980000012
其中，Δy表示时间间隔，xt，yt代表t帧图像中运动目标点集的最小外接矩形的中心点像素点的行列序号，xt-1，yt-1代表t-1帧图像中运动目标点集的最小外接矩形的中心点像素点的行列序号，vx,y,t表示每个点的速度，D用于为判定当前点状态的判定值；
Figure FDA0004099918980000021
其中，v0表示速度临界阈值，cx,y,t表示像素点学习率，r表示学习参数。
7.根据权利要求6所述的智能门锁安防系统，其特征在于：所述识别模块(200)中，对于获取的图像通过矩形框进行标注，矩形框通过四个顶点的坐标确定如果人脸和身体属于同一个人，则人脸部分的矩形框在身体部分矩形框内部，否则人脸部分的矩形框不在身体部分矩形框内部；追踪步骤如下：
设人脸坐标为(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)，位于对角线两点的坐标为(x1,y1)，(x4,y4)，目标追踪结果矩形框的坐标是(a1,b1)，(a2,b2)，(a3,b3)，(a4,b4)，位于对角线两点的坐标分别是(a1,b1)，(a4,b4)，根据下式判断两个模块识别的目标是否为同一人：
x1>a1∧y1>b2∧x4<a4∧y4<b4
若以上表达式同时成立，则判断两个模块识别的目标是同一个人；如果有一个不成立，则判断不是同一个人。
8.根据权利要求7所述的智能门锁安防系统，其特征在于：所述识别模块(200)中，基于骨架建模算法进行人体状态向量的提取，以RGB图像数据作为模型输入，通过对图像特征提取得到特征图F，通过关节位置回归支路回归人体关节的位置向量集合U＝(U1,U2,…,Uu,…Un)，Uu表示第u个关节位置的向量坐标，通过关节亲和力大小预测支路预测关节之间的亲和力场集合V＝(V1,V2,…,Vv,…Vn)，Vv表示第v组关节对之间的亲和力大小分布，两条支路的输出表达为：
Figure FDA0004099918980000022
其中，F是基于图像数据提取的特征图，分别表示在阶段τ的关节位置回归支路输出和关节亲和力大小预测支路输出，Uτ，Vτ分别表示在阶段τ的人体关节的位置向量集合输出和预测关节间的亲和力场集合输出；Uτ-1，Vτ-1分别表示在阶段τ-1的人体关节的位置向量集合输出和预测关节间的亲和力场集合输出；以人员后腰中心点为原点建立三维坐标轴，确定躯干与Z轴基准方向夹角，提取关节点坐标Ai＝(xi,yi,zi)，则躯干的空间长度di表达为：
Figure FDA0004099918980000023
利用两点法计算出躯干与Z轴基准方向夹角θi：
Figure FDA0004099918980000031
通过人员躯干夹角与保持时间的关系，初步判断人员姿态状态；再通过与数据库内存储的人员可疑姿态信息图像的骨架建模进行比对识别人员姿态是否为可疑姿态。
9.根据权利要求8所述的智能门锁安防系统，其特征在于：所述骨架建模算法中，通过关节位置回归支路输出的关节坐标向量集合，并将关节坐标向量集合输入至神经网络模型中进行训练和学习实现对人员姿态的识别。
10.根据权利要求9所述的智能门锁安防系统，其特征在于：所述识别模块(200)识别人员姿态为可疑姿态时，通过预警模块(300)向控制中心(500)预警，当所述识别模块(200)识别人员为非安全人员时，通过预警模块(300)进行预警的同时通过联网模块(400)连接公安系统进行报警。
CN202310173139.5A 2023-02-24 2023-02-24 一种智能门锁安防系统 Active CN116189336B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310173139.5A CN116189336B (zh) 2023-02-24 2023-02-24 一种智能门锁安防系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310173139.5A CN116189336B (zh) 2023-02-24 2023-02-24 一种智能门锁安防系统

Publications (2)

Publication Number Publication Date
CN116189336A true CN116189336A (zh) 2023-05-30
CN116189336B CN116189336B (zh) 2023-09-08

Family

ID=86434273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310173139.5A Active CN116189336B (zh) 2023-02-24 2023-02-24 一种智能门锁安防系统

Country Status (1)

Country Link
CN (1) CN116189336B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008039130A1 (de) * 2008-08-21 2010-02-25 Billy Hou Durch ein neurales Netzwerk gesteuertes automatisches Verfolgungs- und Erkennungssystem und Verfahren
CN108446664A (zh) * 2018-03-30 2018-08-24 广东华电网维信息科技有限公司 一种基于人脸识别的身份确认方法及装置
CN110175587A (zh) * 2019-05-30 2019-08-27 黄岩 一种基于人脸识别和步态识别算法的视频追踪方法
CN110674746A (zh) * 2019-09-24 2020-01-10 视云融聚（广州）科技有限公司 一种应用视频空间关系辅助实现高精度跨镜追踪的方法、装置、计算机设备以及存储介质
CN110942545A (zh) * 2019-11-20 2020-03-31 中船重工(武汉)凌久高科有限公司 基于人脸识别和视频围栏的人员密集出入口门禁控制系统及方法
CN111062239A (zh) * 2019-10-15 2020-04-24 平安科技（深圳）有限公司 人体目标检测方法、装置、计算机设备及存储介质
CN113963373A (zh) * 2021-09-23 2022-01-21 江苏博子岛智能产业技术研究院有限公司 一种基于视频图像动态检测与跟踪算法系统及方法
WO2022141376A1 (zh) * 2020-12-31 2022-07-07 华为技术有限公司 一种位姿估计方法及相关装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008039130A1 (de) * 2008-08-21 2010-02-25 Billy Hou Durch ein neurales Netzwerk gesteuertes automatisches Verfolgungs- und Erkennungssystem und Verfahren
CN108446664A (zh) * 2018-03-30 2018-08-24 广东华电网维信息科技有限公司 一种基于人脸识别的身份确认方法及装置
CN110175587A (zh) * 2019-05-30 2019-08-27 黄岩 一种基于人脸识别和步态识别算法的视频追踪方法
CN110674746A (zh) * 2019-09-24 2020-01-10 视云融聚（广州）科技有限公司 一种应用视频空间关系辅助实现高精度跨镜追踪的方法、装置、计算机设备以及存储介质
CN111062239A (zh) * 2019-10-15 2020-04-24 平安科技（深圳）有限公司 人体目标检测方法、装置、计算机设备及存储介质
CN110942545A (zh) * 2019-11-20 2020-03-31 中船重工(武汉)凌久高科有限公司 基于人脸识别和视频围栏的人员密集出入口门禁控制系统及方法
WO2022141376A1 (zh) * 2020-12-31 2022-07-07 华为技术有限公司 一种位姿估计方法及相关装置
CN113963373A (zh) * 2021-09-23 2022-01-21 江苏博子岛智能产业技术研究院有限公司 一种基于视频图像动态检测与跟踪算法系统及方法

Also Published As

Publication number Publication date
CN116189336B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
CN109819208B (zh) 一种基于人工智能动态监控的密集人群安防监控管理方法
CN111898514B (zh) 一种基于目标检测与动作识别的多目标视觉监管方法
WO2020253308A1 (zh) 矿井下皮带运输人员人机交互行为安全监控与预警方法
CN101465033B (zh) 一种自动追踪识别系统及方法
CN110781798B (zh) 一种基于树莓派和人脸识别的车载嫌疑犯锁定系统
CN113516076B (zh) 一种基于注意力机制改进的轻量化YOLO v4安全防护检测方法
CN106203274A (zh) 一种视频监控中行人实时检测系统及方法
CN106156688A (zh) 一种动态人脸识别方法及系统
CN109190475B (zh) 一种人脸识别网络与行人再识别网络协同训练方法
CN201278180Y (zh) 一种自动追踪识别系统
CN112396658B (zh) 一种基于视频的室内人员定位方法及定位系统
CN106204640A (zh) 一种运动目标检测系统及方法
CN113903081A (zh) 一种水电厂图像视觉识别人工智能报警方法及装置
CN109118617A (zh) 一种应用于变电站的门禁系统及其识别方法
CN116563797B (zh) 一种用于智慧校园的监控管理系统
WO2022121498A1 (zh) 身份识别方法、模型训练方法、装置、设备和存储介质
CN112614260A (zh) 一种基于人脸识别和定位的智能安防系统
CN116189336B (zh) 一种智能门锁安防系统
Shi et al. Recognition of abnormal human behavior in elevators based on CNN
CN111597919A (zh) 一种视频监控场景下的人体跟踪方法
TWI730795B (zh) 多目標人體體溫追蹤方法及系統
CN115169673A (zh) 一种智慧校园疫情风险监测与预警系统及方法
Ding et al. An Intelligent System for Detecting Abnormal Behavior in Students Based on the Human Skeleton and Deep Learning
CN111832451A (zh) 基于视频数据处理的适航监察流程监管系统及方法
CN113177453A (zh) 一种基于图像识别的智慧小区智能监管系统

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
GR01 Patent grant
GR01 Patent grant