CN116343383A - 一种基于物联网的校园出入管理方法及系统 - Google Patents

一种基于物联网的校园出入管理方法及系统 Download PDF

Info

Publication number
CN116343383A
CN116343383A CN202310617652.9A CN202310617652A CN116343383A CN 116343383 A CN116343383 A CN 116343383A CN 202310617652 A CN202310617652 A CN 202310617652A CN 116343383 A CN116343383 A CN 116343383A
Authority
CN
China
Prior art keywords
attendance
information
time
internet
current
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
CN202310617652.9A
Other languages
English (en)
Inventor
郝明华
蒋先勇
李志刚
薛方俊
魏长江
李财
胡晓晨
税强
曹尔成
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.)
Sichuan Sanside Technology Co ltd
Original Assignee
Sichuan Sanside 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 Sichuan Sanside Technology Co ltd filed Critical Sichuan Sanside Technology Co ltd
Priority to CN202310617652.9A priority Critical patent/CN116343383A/zh
Publication of CN116343383A publication Critical patent/CN116343383A/zh
Pending legal-status Critical Current

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V10/70—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
    • 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
    • G06V40/10—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
    • G06V40/168—Feature extraction; Face representation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Oral & Maxillofacial Surgery (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于物联网的校园出入管理方法及系统，涉及校园安全技术领域，在现有的考勤系统与门禁系统通过物联网进行相互运作的统一监管基础上，进行方法上的改进，判断行人经过校园闸机的时刻信息是否为学校上课期间，在学校非考勤时刻，只进行个人信息的验证，不进行考勤验证；只在学校考勤时刻启动考勤验证机制，以学校考勤时间的开始和结束作为考勤验证机制的启动和关闭，使得考勤验证机制能够灵活化启动和封闭，减少网络资源浪费。

Description

一种基于物联网的校园出入管理方法及系统
技术领域
本发明涉及校园安全技术领域，具体涉及一种基于物联网的校园出入管理方法及系统。
背景技术
目前，学校的考勤系统与门禁系统已经实现相互运作，形成统一监管系统，门禁系统能够根据考勤信息进行人脸识别和考勤数据记录，考勤管理平台根据门禁系统很快的读取考勤数据与考勤规则的匹配结果，打通了考勤管理平台与门禁系统，形成统一的考勤管理系统，实现数据互通共享，使门禁系统形成智能物联，与考勤管理平台互联操作。
发明内容
本发明所要解决的技术问题是：在考勤系统与门禁系统通过物联网进行相互运作形成统一监管的情形下，系统存在大量无用功，不仅浪费网络资源，在行人高峰期还会加重系统负担；本发明目的在于提供一种基于物联网的校园出入管理方法及系统，在现有的考勤系统与门禁系统相互运作的统一监管基础上，进行方法上的改进，判断行人经过校园闸机的时刻信息是否为学校上课期间（即学校考勤时刻），在学校非考勤时刻，只进行个人信息的验证，不进行考勤验证；只在学校考勤时刻启动考勤验证机制，减少网络资源的浪费，释放网络空间。
本发明通过下述技术方案实现：
本方案提供一种基于物联网的校园出入管理方法，包括：
S1，采集进入或离开校园闸机行人的个人信息及对应的时刻信息；
S2，判断时刻信息是否属于学校上课期间，若是，则进入S3，否则进入S4；
S3，判定个人信息正常的情形下，放行当前行人，并启动考勤验证机制：依据当前行人的考勤规则对时刻信息进行验证，将异常的时刻信息录入当前行人的考勤日志；
S4，判定行人信息正常的情形下，放行当前行人。
本方案工作原理： 在考勤系统与门禁系统通过物联网进行相互运作形成统一监管的情形下，虽然能实时掌握考勤情况信息，限制校外人员的随意进出，但是行人每经过一次校园闸机，考勤系统与门禁系统都需要相互匹配验证，在非考勤时刻，进行考勤匹配验证会做大量无用功，增加网络负担，不仅浪费网络资源，在网络流量高峰期时还会影响网络稳定。本方案提供一种基于物联网的校园出入管理方法，通过物联网将考勤系统与门禁系统关联，在现有的考勤系统与门禁系统通过物联网相互运作的统一监管基础上，进行方法上的改进，判断行人经过校园闸机的时刻信息是否为学校上课期间（即学校考勤时刻），在学校非考勤时刻，只进行个人信息的验证，不进行考勤验证；只在学校考勤时刻启动考勤验证机制，减少网络资源的浪费，释放网络空间。
另一方面，校园闸机的行人流动高峰期主要集中在学校考勤时间前后，即早上开课前和下午下课后，在这段时间内考勤与门禁通过物联网进行匹配验证机制所需的网络资源占比会大幅度提升，可能影响校园的其他网络系统的正常运行；而本方案在学校非考勤时刻，只进行个人信息的验证，不进行考勤验证，在行人流动高峰期释放了网络空间。
本方案提供了一种新的发明构思：本方案通过物联网将考勤系统与门禁系统进行关联，通过校园内的各种信息传感器、射频识别、定位系统、红外感应器、人脸闸机等装置与技术，实时采集门禁系统的信息；以学校考勤时间的开始和结束作为考勤验证机制的启动和关闭，实现考勤系统与门禁系统的关联，使得考勤验证机制能够灵活化启动和封闭，减少网络资源的浪费。
进一步优化方案为，步骤S3包括以下子步骤：
S31，调取当前行人的日考勤规则和免考勤请求，所述日考勤规则包括单个或多个考勤时间段；
S32，按照时间先后顺序，依次搜寻包含时刻信息的考勤时间段：若未搜寻到包含时刻信息的考勤时间段，则判定时刻信息正常；否则在当前时刻信息无免考勤请求的情形下，判定时刻信息异常。
在学校考勤时刻，对于学生或老师的日考勤规则不一定包含所有的上课时间段（上课时间段A、上课时间段B、上课时间段C、上课时间段D...），可能会出现学生A（或老师A）当日只有上课时间段A和上课时间段C有考勤，而在其他上课时间段无考勤，因此本方案在当前时刻信息无免考勤请求的情形下，若搜寻到包含时刻信息的考勤时间段A，就判定时刻信息异常；将异常的时刻信息录入当前行人的考勤日志。这样就相当于还以个人考勤时间作为考勤验证机制的启动时间，以学生A（或老师A）个人当日的考勤时间作为考勤验证机制的启动时间，在学校考勤时间启动考勤验证机制的环境下，又避免了个人非考勤时间网络资源的浪费。
进一步优化方案为，S32还包括：
在考勤时间段t内判定时刻信息异常后，判断当日考勤时间段t之后是否存在考勤时间段，若不存在，则封锁当前行人在当天的考勤验证机制。
对于学生B（或老师B）只有当天的上课时间段A有考勤，而剩下的其他上课时间段均无考勤的现象，就可以通过封锁当前行人在当天的考勤验证机制，避免个人非考勤时间网络资源的浪费；比如，在上课时间段A以外的其他上课时间段，短时间内学生B（或老师B）多次经过校园闸机时，考勤与门禁的匹配验证机制进行多次重复的无效验证，不仅浪费网络资源，若在行人流动高峰期，还会加重系统负担，本方案通过封锁当前行人在当天的考勤验证机制，避免个人非考勤时间网络资源的浪费。
进一步优化方案为，S32还包括：
当搜寻到考勤时间段n不包含时刻信息时，封锁当前行人在考勤时间段n的考勤验证机制。
对于在考勤时间段n无个人考勤的学生C(或老师C），出现短时间内多次经过校园闸机的现象时，考勤与门禁的匹配验证机制进行多次重复的无效验证，本方案通过封锁学生C(或老师C）在考勤时间段n的考勤验证机制，避免个人非考勤时间网络资源的浪费；若在考勤时间段n之后还有个人考勤时间，到时考勤验证机制已可以重新调动。
进一步优化方案为，步骤S3包括以下子步骤：
S31，调取当前行人的日考勤规则和免考勤请求，所述日考勤规则包括单个或多个考勤时间段；
S32，判断免考勤请求是否包含当天日考勤规则的所有考勤时间段，若是，则判定时刻信息正常并封锁当前行人在当天的考勤验证机制。
在学生D(或老师D）具有免考勤请求时，如请假或被委派任务出行时，其进出校园闸机不计入考勤，因此本方案为避免个人非考勤时间网络资源的浪费，封锁当前行人在当天的考勤验证机制。
进一步优化方案为，个人信息基于改进型yoloV5算法进行判定，包括步骤：
T1，获取当前行人的人脸图像并进行预处理；
T2，将预处理后的人脸图像输入基准检测网络结构：先提取人脸图像切片的特征图和特征映射，再基于特征映射进行多尺度的特征图融合，对融合后的特征图进行一次全局平均池化压缩得到特征向量，将特征向量进行通道权重相乘得到合并结果，最后将合并结果送入Neck网络得到预测框；
T3，以EIOU损失函数为边界框回归损失函数，根据预测框与实际框的交并比最大的界限值进行人脸检测。
yoloV5算法由输入端、基准网络、Neck网络以及输出端四个部分组成；基准网络部分主要包括是Focus结构和CSP结构以及空间金字塔池化结构组成，完成上述T2的操作。
进一步优化方案为，所述预处理过程包括：将人脸图像放缩并进行马赛克数据增强，再通过随机裁剪、随机排布和随机缩放的方式对输入图像进行拼接。预处理过程不仅能提高对小目标的检测效果，还可以丰富检测目标的背景。
进一步优化方案为，所述EIOU损失函数表示为：
Figure SMS_1
；
其中bgt是实际框的中心点，b是预测框的中心点，ρ代表实际框与预测框两中心点之间的欧氏距离，c代表包含实际框与预测框的最小闭合框的对角线距离，ω和h分别是预测框的宽度和高度，wgt和hgt分别是真实框的宽度和高度，Cw和Ch分别是覆盖实际框与预测框的最小外接边框的宽度和高度；IOU表示实际框与预测框的交并比。
本方案通过在现有yoloV5算法的损失函数中引入实际框与预测框中心点间的欧式距离、实际框与预测框的长比及宽比作为损失惩罚项以加快函数收敛速度和提高回归精度，另外本方案的yoloV5算法还在基准网络结构中对融合后的特征图进行一次全局平均池化压缩得到特征向量，并对特征向量进行通道权重相乘得到合并结果，相当于在基准网络结构的最后一层增加了残差注意力模块，提升参数量，使检测模型更加关注识别物体。当预测框和实际框呈包含状态时，可以很好的预测两框之间相对位置关系以及在垂直和水平方向上收敛速度慢的问题，提升了回归精度的同时保证了人脸检测过程中要求的实时性。
本方案还提供一种基于物联网的校园出入管理系统，用于实现上述的基于物联网的校园出入管理方法，包括：
采集模块，用于采集进入或离开校园闸机行人的个人信息及对应的时刻信息；所述采集模块包括人脸识别系统，人脸识别系统用于采集进入或离开校园闸机行人的人脸信息并与数据库中的用户信息数据进行比对，判断个人信息是否正常；
判断模块，用于判断时刻信息是否属于学校上课期间，若是，则进入S3，否则进入S4；
验证模块，用于在时刻信息属于学校上课期间，且个人信息正常的情形下，放行当前行人，并启动考勤验证机制：依据当前行人的考勤规则对时刻信息进行验证，将异常的时刻信息录入当前行人的考勤日志；
放行模块，用于在时刻信息不属于学校上课期间，且行人信息正常的情形下，放行当前行人。
进一步优化方案为，所述数据库为HBase 分布式数据库。
HBase分布式数据库是构建在HDFS之上的分布式存储系统，只需在集群中添加节点就可以扩充数据库容量，而不用像传统的关系型数据库需要将数据迁徙到新硬件之上的数据库系统来实现其扩容的目标，因此对于学校日常这种存储海量的用户数据有着较大的优势。通过将用户信息数据保存到HBase中，当采集的人脸数据通过系统检测后连接到HBase，就能够快速读取HBase中的人脸数据用来进行特征提取。通过把图片的所有相关属性信息同时存储在 HBase的一个大表中，直接对图片的各种相关属性进行综合查询。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明提供的一种基于物联网的校园出入管理方法，通过物联网将考勤系统与门禁系统关联，在现有的考勤系统与门禁系统相互运作的统一监管基础上，进行方法上的改进，判断行人经过校园闸机的时刻信息是否为学校上课期间（即学校考勤时刻），在学校非考勤时刻，只进行个人信息的验证，不进行考勤验证；只在学校考勤时刻启动考勤验证机制，以学校考勤时间的开始和结束作为考勤验证机制的启动和关闭，使得考勤验证机制能够灵活化启动和封闭，减少网络资源浪费；
2、本发明提供的一种基于物联网的校园出入管理方法，通过物联网将考勤系统与门禁系统关联，在学校考勤时间启动考勤验证机制的环境下，还以个人考勤时间作为考勤验证机制的启动时间，避免了个人非考勤时间网络资源的浪费；
3、本发明提供的一种基于物联网的校园出入管理方法及系统，用 HBase数据库存储用户身份数据并与人脸识别系统进行衔接，实现人脸识别系统所需的用户信息数据访问功能，只需在集群中添加节点就可以扩充数据库容量，而不用像传统的关系型数据库需要将数据迁徙到新硬件之上的数据库系统来实现扩容。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：
图1为一种基于物联网的校园出入管理方法流程示意图；
图2为启动考勤验证机制流程示意图。
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，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
在考勤系统与门禁系统相互运作形成统一监管的情形下，虽然能实时掌握考勤情况信息，限制校外人员的随意进出，但是行人每经过一次校园闸机，考勤系统与门禁系统都需要相互匹配验证，在非考勤时刻，进行考勤匹配验证就是在做无用功，不仅浪费网络资源。鉴于此，本发明提供以下实施例解决上述技术问题：
实施例1
本实施例提供一种基于物联网的校园出入管理方法，如图1所示，包括：
S1，采集进入或离开校园闸机行人的个人信息及对应的时刻信息；
S2，判断时刻信息是否属于学校上课期间，若是，则进入S3，否则进入S4；
S3，在个人信息正常的情形下，放行当前行人，并启动考勤验证机制：依据当前行人的考勤规则对时刻信息进行验证，将异常的时刻信息录入当前行人的考勤日志；
S4，在行人信息正常的情形下，放行当前行人。
本实施例通过物联网将考勤系统与门禁系统关联，在现有的考勤系统与门禁系统相互运作的统一监管基础上，进行方法上的改进，判断行人经过校园闸机的时刻信息是否为学校上课期间（即学校考勤时刻），在学校非考勤时刻，只进行个人信息的验证，不进行考勤验证；只在学校考勤时刻启动考勤验证机制，减少网络资源的浪费，释放网络空间。个人信息包括人脸信息，
另一方面，校园闸机的行人流动高峰期主要集中在学校考勤时间前后，即早上开课前和下午下课后，在这段时间内考勤与门禁的匹配验证机制所需的网络资源占比会大幅度提升，可能影响校园的其他网络系统的正常运行；而本方案在学校非考勤时刻，只进行个人信息的验证，不进行考勤验证，在行人流动高峰期释放了网络空间。
本实施例提供了一种新的发明构思：本方案通过物联网将考勤系统与门禁系统进行关联，通过校园内的各种信息传感器、射频识别、定位系统、红外感应器、人脸闸机等装置与技术，实时采集门禁系统的信息；以学校考勤时间的开始和结束作为考勤验证机制的启动和关闭，使得考勤系统与物联网系统相连接，实现考勤系统与门禁系统的关联，以学校考勤时间的开始和结束作为考勤验证机制的启动和关闭，使得考勤验证机制能够灵活化启动和封闭，减少网络资源浪费。
步骤S3包括以下子步骤：
S31，调取当前行人的日考勤规则和免考勤请求，所述日考勤规则包括单个或多个考勤时间段；
S32，按照时间先后顺序，依次搜寻包含时刻信息的考勤时间段：若未搜寻到包含时刻信息的考勤时间段，则判定时刻信息正常；否则在当前时刻信息无免考勤请求的情形下，判定时刻信息异常。
如图2所示，判断考勤时间段Ti(i=1,2,3,...)是否包含时刻信息v，若是则在时刻信息v无免考勤请求的情形下，判定时刻信息v异常；否则判定时刻信息v正常。
在学校考勤时刻，对于学生或老师的日考勤规则不一定包含所有的上课时间段（上课时间段A、上课时间段B、上课时间段C、上课时间段D...），可能会出现学生A（或老师A）当日只有上课时间段A和上课时间段C有考勤，而在其他上课时间段无考勤，因此本方案在当前时刻信息无免考勤请求的情形下，若搜寻到包含时刻信息的考勤时间段A，就判定时刻信息异常；将异常的时刻信息录入当前行人的考勤日志。这样就相当于还以个人考勤时间作为考勤验证机制的启动时间，以学生A（或老师A）个人当日的考勤时间作为考勤验证机制的启动时间，在学校考勤时间启动考勤验证机制的环境下，又避免了个人非考勤时间网络资源的浪费。
S32还包括：
在考勤时间段t内判定时刻信息异常后，判断当日考勤时间段t之后是否存在考勤时间段，若不存在，则封锁当前行人在当天的考勤验证机制。
对于学生B（或老师B）只有当天的上课时间段A有考勤，而剩下的其他上课时间段均无考勤的现象，就可以通过封锁当前行人在当天的考勤验证机制，避免个人非考勤时间网络资源的浪费；比如，在上课时间段A以外的其他上课时间段，短时间内学生B（或老师B）多次经过校园闸机时，考勤与门禁的匹配验证机制进行多次重复的无效验证，不仅浪费网络资源，若在行人流动高峰期，还会加重系统负担，本方案通过封锁当前行人在当天的考勤验证机制，避免个人非考勤时间网络资源的浪费。
S32还包括：
当搜寻到考勤时间段n不包含时刻信息时，封锁当前行人在考勤时间段n的考勤验证机制。
对于在考勤时间段n无个人考勤的学生C(或老师C），出现短时间内多次经过校园闸机的现象时，考勤与门禁的匹配验证机制进行多次重复的无效验证，造成网络资源浪费，加重系统负担，本方案通过封锁学生C(或老师C）在考勤时间段n的考勤验证机制，避免个人非考勤时间网络资源的浪费；若在考勤时间段n之后还有个人考勤时间，到时考勤验证机制已可以调动。
实施例2
本实施例的步骤S3包括以下子步骤：
S31，调取当前行人的日考勤规则和免考勤请求，所述日考勤规则包括单个或多个考勤时间段；
S32，判断免考勤请求是否包含当天日考勤规则的所有考勤时间段，若是，则判定时刻信息正常并封锁当前行人在当天的考勤验证机制。
在学生D(或老师D）具有免考勤请求时，如请假或被委派任务出行时，其进出校园闸机不计入考勤，因此本方案为避免个人非考勤时间网络资源的浪费，封锁当前行人在当天的考勤验证机制。
实施例3
本实施例中个人信息基于yoloV5算法进行人脸检测，包括步骤：
T1，获取当前行人的人脸图像并进行预处理；
T2，将预处理后的人脸图像输入基准检测网络结构：先提取人脸图像切片的特征图和特征映射，再基于特征映射进行多尺度的特征图融合，对融合后的特征图进行一次全局平均池化压缩得到特征向量，将特征向量进行通道权重相乘得到合并结果，最后将合并结果送入Neck网络得到预测框；（将对特征图进行一次全局平均池化进行压缩，经过压缩后输出一个特征向量，该特征向量通过激励后进行Scale操作，将特征向量进行通道权重相乘，即将各通道权重值分别和原特征图对应通道的二维矩阵相乘，得到合并结果，这一过程虽然增加了总计算量，但是提升了参数量，使检测模型更加关注识别物体。）
T3，以EIOU损失函数为边界框回归损失函数，根据预测框与实际框的交并比最大的界限值进行人脸检测。当预测框与实际框的交并比最大的界限值满足要求，则当前个人信息正常，否则判定当前个人信息异常。
所述预处理过程包括：将人脸图像放缩并进行马赛克数据增强，再通过随机裁剪、随机排布和随机缩放的方式对输入图像进行拼接。预处理过程不仅能提高对小目标的检测效果，还可以丰富检测目标的背景。
所述EIOU损失函数表示为：
Figure SMS_2
；
其中bgt是实际框的中心点，b是预测框的中心点，ρ代表实际框与预测框两中心点之间的欧氏距离，c代表包含实际框与预测框的最小闭合框的对角线距离，ω和h分别是预测框的宽度和高度，wgt和hgt分别是真实框的宽度和高度，Cw和Ch分别是覆盖实际框与预测框的最小外接边框的宽度和高度。
本实施例通过在yoloV5算法的损失函数中引入实际框与预测框中心点间的欧式距离、实际框与预测框的长比及宽比作为损失惩罚项以加快函数收敛速度和提高回归精度，另外本方案还在基准网络结构中对融合后的特征图进行一次全局平均池化压缩得到特征向量，并对特征向量进行通道权重相乘得到合并结果，相当于在基准网络结构的最后一层增加了残差注意力模块，提升参数量，使检测模型更加关注识别物体。当预测框和实际框呈包含状态时，可以很好的预测两框之间相对位置关系以及在垂直和水平方向上收敛速度慢的问题，提升了回归精度的同时保证了人脸检测过程中要求的实时性。
实施例4
本实施例提供一种基于物联网的校园出入管理系统，其特征在于，用于实现上述实施例的基于物联网的校园出入管理方法，包括：
采集模块，用于采集进入或离开校园闸机行人的个人信息及对应的时刻信息；所述采集模块包括人脸识别系统，人脸识别系统用于采集进入或离开校园闸机行人的人脸信息并与数据库中的用户信息数据进行比对，判断个人信息是否正常；
判断模块，用于判断时刻信息是否属于学校上课期间，若是，则进入S3，否则进入S4；
验证模块，用于在时刻信息属于学校上课期间，且个人信息正常的情形下，放行当前行人，并启动考勤验证机制：依据当前行人的考勤规则对时刻信息进行验证，将异常的时刻信息录入当前行人的考勤日志；
放行模块，用于在时刻信息不属于学校上课期间，且行人信息正常的情形下，放行当前行人。
所述数据库为HBase 分布式数据库。
HBase分布式数据库是构建在HDFS之上的分布式存储系统，只需在集群中添加节点就可以扩充数据库容量，而不用像传统的关系型数据库需要将数据迁徙到新硬件之上的数据库系统来实现其扩容的目标，因此对于学校日常这种存储海量的用户数据有着较大的优势。通过将用户信息数据保存到HBase中，当采集的人脸数据通过系统检测后连接到HBase，就能够快速读取HBase中的人脸数据用来进行特征提取。通过把图片的所有相关属性信息同时存储在 HBase的一个大表中，直接对图片的各种相关属性进行综合查询。
个人信息的验证过程如下：当采集到行人的人脸图片后，系统根据Adaboost算法计算并得到处理后的数据，然后将数据存储到 Hadoop中的 HDFS中。HDFS的高可用机制与容错机制可以保证这些数据不易丢失。将HDFS中的人脸数据通过 Sqoop传输到 HBase中，HBase拥有海量存储、极易拓展和高并发的特性，大量数据同时写入也能保障系统的稳定性。Spark是基于 Hadoop框架的高速数据处理平台，相比MapReuce的数据处理能力有了极大的提升，通过Spark对图像进行处理，然后将结果存入基于HBase的存储系统中。
采集模块除了包括人脸识别系统，还包括物联网中的射频识别、红外感应器、定位、激光扫描器等信息传感设备。通过物联网技术将考勤系统与门禁系统进行关联，通过校园内的各种信息传感器、射频识别、定位系统、红外感应器、人脸闸机等装置与技术，实时采集门禁系统的信息；以学校考勤时间的开始和结束作为考勤验证机制的启动和关闭，使得考勤系统与物联网系统相连接，实现考勤系统与门禁系统的关联。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于物联网的校园出入管理方法，其特征在于，包括：
S1，采集进入或离开校园闸机行人的个人信息及对应的时刻信息；
S2，判断时刻信息是否属于学校上课期间，若是，则进入S3，否则进入S4；
S3，判定个人信息正常的情形下，放行当前行人，并启动考勤验证机制：依据当前行人的考勤规则对时刻信息进行验证，将异常的时刻信息录入当前行人的考勤日志；
S4，判定行人信息正常的情形下，放行当前行人。
2.根据权利要求1所述的一种基于物联网的校园出入管理方法，其特征在于，步骤S3包括以下子步骤：
S31，调取当前行人的日考勤规则和免考勤请求，所述日考勤规则包括单个或多个考勤时间段；
S32，按照时间先后顺序，依次搜寻包含时刻信息的考勤时间段：若未搜寻到包含时刻信息的考勤时间段，则判定时刻信息正常；否则在当前时刻信息无免考勤请求的情形下，判定时刻信息异常。
3.根据权利要求2所述的一种基于物联网的校园出入管理方法，其特征在于，S32还包括：
在考勤时间段t内判定时刻信息异常后，判断当日考勤时间段t之后是否存在考勤时间段，若不存在，则封锁当前行人在当天的考勤验证机制。
4.根据权利要求2所述的一种基于物联网的校园出入管理方法，其特征在于，S32还包括：
当搜寻到考勤时间段n不包含时刻信息时，封锁当前行人在考勤时间段n的考勤验证机制。
5.根据权利要求1所述的一种基于物联网的校园出入管理方法，其特征在于，步骤S3包括以下子步骤：
S31，调取当前行人的日考勤规则和免考勤请求，所述日考勤规则包括单个或多个考勤时间段；
S32，判断免考勤请求是否包含当天日考勤规则的所有考勤时间段，若是，则判定时刻信息正常并封锁当前行人在当天的考勤验证机制。
6.根据权利要求1所述的一种基于物联网的校园出入管理方法，其特征在于，个人信息基于改进型yoloV5算法进行判定，包括步骤：
T1，获取当前行人的人脸图像并进行预处理；
T2，将预处理后的人脸图像输入基准检测网络结构：先提取出人脸图像切片的特征图和特征映射，再基于特征映射进行多尺度的特征图融合，对融合后的特征图进行一次全局平均池化压缩得到特征向量，将特征向量进行通道权重相乘得到合并结果，最后将合并结果送入Neck网络得到预测框；
T3，以EIOU损失函数为边界框回归损失函数，根据预测框与实际框的交并比最大的界限值进行人脸检测。
7.根据权利要求1所述的一种基于物联网的校园出入管理方法，其特征在于，所述预处理过程包括：将人脸图像放缩并进行马赛克数据增强，再通过随机裁剪、随机排布和随机缩放的方式对输入图像进行拼接。
8.根据权利要求7所述的一种基于物联网的校园出入管理方法，其特征在于，所述EIOU损失函数表示为：
Figure QLYQS_1
；
其中bgt是实际框的中心点，b是预测框的中心点，ρ代表实际框与预测框两中心点之间的欧氏距离，c代表包含实际框与预测框的最小闭合框的对角线距离，ω和h分别是预测框的宽度和高度，wgt和hgt分别是真实框的宽度和高度，Cw和Ch分别是覆盖实际框与预测框的最小外接边框的宽度和高度，IOU表示实际框与预测框的交并比。
9.一种基于物联网的校园出入管理系统，其特征在于，用于实现权利要求1-8任意一项所述的基于物联网的校园出入管理方法，包括：
采集模块，用于采集进入或离开校园闸机行人的个人信息及对应的时刻信息；所述采集模块包括人脸识别系统，人脸识别系统用于采集进入或离开校园闸机行人的人脸信息并与数据库中的用户信息数据进行比对，判断个人信息是否正常；
判断模块，用于判断时刻信息是否属于学校上课期间，若是，则进入S3，否则进入S4；
验证模块，用于在时刻信息属于学校上课期间，且个人信息正常的情形下，放行当前行人，并启动考勤验证机制：依据当前行人的考勤规则对时刻信息进行验证，将异常的时刻信息录入当前行人的考勤日志；
放行模块，用于在时刻信息不属于学校上课期间，且行人信息正常的情形下，放行当前行人。
10.根据权利要求9所述的一种基于物联网的校园出入管理系统，其特征在于，所述数据库为HBase 分布式数据库。
CN202310617652.9A 2023-05-30 2023-05-30 一种基于物联网的校园出入管理方法及系统 Pending CN116343383A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310617652.9A CN116343383A (zh) 2023-05-30 2023-05-30 一种基于物联网的校园出入管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310617652.9A CN116343383A (zh) 2023-05-30 2023-05-30 一种基于物联网的校园出入管理方法及系统

Publications (1)

Publication Number Publication Date
CN116343383A true CN116343383A (zh) 2023-06-27

Family

ID=86893324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310617652.9A Pending CN116343383A (zh) 2023-05-30 2023-05-30 一种基于物联网的校园出入管理方法及系统

Country Status (1)

Country Link
CN (1) CN116343383A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657889A (zh) * 2017-10-12 2019-04-19 阿里巴巴集团控股有限公司 考勤方法及装置
CN111612943A (zh) * 2020-04-24 2020-09-01 上海图丽信息技术有限公司 一种人脸识别门禁考勤系统
CN112184939A (zh) * 2020-09-03 2021-01-05 珠海格力电器股份有限公司 员工考勤情况的判定方法、装置、存储介质及电子设备
CN115546614A (zh) * 2022-12-02 2022-12-30 天津城建大学 一种基于改进yolov5模型的安全帽佩戴检测方法
CN115938002A (zh) * 2022-11-08 2023-04-07 深圳市巨龙创视科技有限公司 一种基于人脸识别的考勤管理方法及考勤管理系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657889A (zh) * 2017-10-12 2019-04-19 阿里巴巴集团控股有限公司 考勤方法及装置
CN111612943A (zh) * 2020-04-24 2020-09-01 上海图丽信息技术有限公司 一种人脸识别门禁考勤系统
CN112184939A (zh) * 2020-09-03 2021-01-05 珠海格力电器股份有限公司 员工考勤情况的判定方法、装置、存储介质及电子设备
CN115938002A (zh) * 2022-11-08 2023-04-07 深圳市巨龙创视科技有限公司 一种基于人脸识别的考勤管理方法及考勤管理系统
CN115546614A (zh) * 2022-12-02 2022-12-30 天津城建大学 一种基于改进yolov5模型的安全帽佩戴检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
史栋: "主动式无线网络接入管理考勤系统的设计与实现", 中国优秀硕士学位论文全文数据库社会科学Ⅱ辑, no. 9, pages 131 - 307 *
孙孚斌: "基于改进YOLOv5的人脸检测算法", 机电工程技术, vol. 52, no. 02, pages 172 - 176 *

Similar Documents

Publication Publication Date Title
Xu et al. Video structured description technology based intelligence analysis of surveillance videos for public security applications
Arietta et al. City forensics: Using visual elements to predict non-visual city attributes
US20220262162A1 (en) Face detection method, apparatus, and device, and training method, apparatus, and device for image detection neural network
KR102155182B1 (ko) 비디오 리코딩 방법, 서버, 시스템 및 저장 매체
CN111324774B (zh) 一种视频去重方法和装置
CN112232293A (zh) 图像处理模型训练、图像处理方法及相关设备
US20090289942A1 (en) Image learning, automatic annotation, retrieval method, and device
CN1613090A (zh) 脸部元数据的生成
CN113052039B (zh) 一种交通路网行人密度检测的方法、系统及服务器
US8204889B2 (en) System, method, and computer-readable medium for seeking representative images in image set
KR20220076398A (ko) Ar장치를 위한 객체 인식 처리 장치 및 방법
CN113408282B (zh) 主题模型训练和主题预测方法、装置、设备及存储介质
CN112101154B (zh) 视频分类方法、装置、计算机设备和存储介质
CN114329004A (zh) 数字指纹生成、数据推送方法、装置和存储介质
CN116343383A (zh) 一种基于物联网的校园出入管理方法及系统
CN112861474B (zh) 一种信息标注方法、装置、设备及计算机可读存储介质
CN115168609A (zh) 一种文本匹配方法、装置、计算机设备和存储介质
Meng et al. An optimization of deep sensor fusion based on generalized intersection over union
CN114581013A (zh) 基于非结构化区块链特征的物理可信溯源仓储管理装置
CN113689613A (zh) 门禁系统、门禁控制方法和存储介质
CN113627384A (zh) 考勤系统、方法和存储介质
CN113822521A (zh) 题库题目的质量检测方法、装置及存储介质
Zhao et al. Real-time object detector for low-end devices
Lee et al. Damage Detection and Safety Diagnosis for Immovable Cultural Assets Using Deep Learning Framework
CN110647864A (zh) 基于生成对抗网络的单人多图特征识别方法、设备及介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230627

RJ01 Rejection of invention patent application after publication