CN116416665A - 基于安防系统的人脸识别方法、装置及存储介质 - Google Patents

基于安防系统的人脸识别方法、装置及存储介质 Download PDF

Info

Publication number
CN116416665A
CN116416665A CN202310352183.2A CN202310352183A CN116416665A CN 116416665 A CN116416665 A CN 116416665A CN 202310352183 A CN202310352183 A CN 202310352183A CN 116416665 A CN116416665 A CN 116416665A
Authority
CN
China
Prior art keywords
face
recognition
information data
security
security system
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
CN202310352183.2A
Other languages
English (en)
Inventor
王鑫
林森
杜海鹏
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.)
Jiangxi Jiaxinjie Electronics Co ltd
Original Assignee
Jiangxi Jiaxinjie Electronics 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 Jiangxi Jiaxinjie Electronics Co ltd filed Critical Jiangxi Jiaxinjie Electronics Co ltd
Priority to CN202310352183.2A priority Critical patent/CN116416665A/zh
Publication of CN116416665A publication Critical patent/CN116416665A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V8/00—Prospecting or detecting by optical means
    • G01V8/10—Detecting, e.g. by using light barriers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • 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
    • G06V40/172—Classification, e.g. identification
    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于安防系统的人脸识别方法、装置及存储介质，当有人员靠近安防区域时，安防系统自动开启人脸识别功能，采集人脸信息数据；将采集的人脸信息数据进行预处理后上传至云端，基于智能人脸数据库进行人脸识别，输出识别结果；当识别结果为1时，则人脸身份认证通过，人员可进入安防区域，当识别结果为0时，识别结果显示于终端并发出对应的警告提醒。该安防系统的人脸识别方法具有人工智能的特点，即无需安排额外的人员进行操作，安防系统根据所设定的识别结果，自行判断和处理所出现的状况；安防系统的人脸识别方法采用对应的算法准确可靠，能够正确区分可进入安防区域人员和陌生人。

Description

基于安防系统的人脸识别方法、装置及存储介质
技术领域
本发明涉及人脸识别技术领域，尤其涉及一种基于安防系统的人脸识别方法、装置及存储介质。
背景技术
当今社会，人们对于一些实际场景下的安防监控系统要求越来越高，如工业生产中的船舶上的甲板、工厂的室内加工车间、居民生活小区等实际情景，目前已不仅仅满足于通过人力对室内外场景进行监控，这种传统的安防视频监控方式成本高，需要雇佣指派指定的人员全天候不间断地对视频画面进行监督，耗费大量的人力和物力，而且安防工作人员长时间注视电子设备屏幕画面后，人眼的认知感知能力的敏锐程度也会下降，非常容易造成误判、漏判的情况，这种情况在某些涉及高度机密，高危险性的场景下是极其危险的，不仅可能造成财产上的巨大损失，而且很可能对人们的生命安全造成威胁，这有悖于视频监控的存在的初衷。而且目前传统的视频监控系统，大多都只实现了对实时视频的获取，并且保存至本地文件，在发生一些突发的意外情况后，通过事后调取历史存档视频进行检验核实，这样的监控系统的效率是十分低下的，其中保存的大多数视频都是一些无用信息，只会耗费更多的本地存储空间，系统的自动化程度也不高，人脸识别技术也是有限的，无法及时准确的对当前人员进行判断。此外，在深度学习等主流技术快速发展的时代潮流下，目前的数据体量已经远远大于之前，即使是频繁的更换监控视频画面的人员，也很难达到较为理想的安防监控的效果。
因此研发智能安防系统的人脸识别技术是十分有意义的，通过人脸识别保证了用户的使用自主性，同时对识别结果可做到及时感知和判断，增加了安防私密性和可靠性。
发明内容
本发明提供了一种基于安防系统的人脸识别方法、装置及存储介质，以解决现有技术中存在的当今社会，人们对于一些实际场景下的安防监控系统要求越来越高，如工业生产中的船舶上的甲板、工厂的室内加工车间、居民生活小区等实际情景，目前已不仅仅满足于通过人力对室内外场景进行监控，这种传统的安防视频监控方式成本高，需要雇佣指派指定的人员全天候不间断地对视频画面进行监督，耗费大量的人力和物力，而且安防工作人员长时间注视电子设备屏幕画面后，人眼的认知感知能力的敏锐程度也会下降，非常容易造成误判、漏判的情况，这种情况在某些涉及高度机密，高危险性的场景下是极其危险的，不仅可能造成财产上的巨大损失，而且很可能对人们的生命安全造成威胁，这有悖于视频监控的存在的初衷。而且目前传统的视频监控系统，大多都只实现了对实时视频的获取，并且保存至本地文件，在发生一些突发的意外情况后，通过事后调取历史存档视频进行检验核实，这样的监控系统的效率是十分低下的，其中保存的大多数视频都是一些无用信息，只会耗费更多的本地存储空间，系统的自动化程度也不高，人脸识别技术也是有限的，无法及时准确的对当前人员进行判断。此外，在深度学习等主流技术快速发展的时代潮流下，目前的数据体量已经远远大于之前，即使是频繁的更换监控视频画面的人员，也很难达到较为理想的安防监控的效果的上述问题。
为了达到上述目的，本发明提供如下技术方案：
基于安防系统的人脸识别方法，包括：
S101：当有人员靠近安防区域时，安防系统自动开启人脸识别功能，采集人脸信息数据；
S102：将采集的人脸信息数据进行预处理后上传至云端，基于智能人脸数据库进行人脸识别，输出识别结果；
S103：当识别结果为1时，则人脸身份认证通过，人员可进入安防区域，当识别结果为0时，将识别结果显示于终端并发出对应的警告提醒。
其中，所述S101步骤包括：
S1011：安防区域入口处安装人体红外感应器，当有人员靠近安防区域时，人体红外感应器检测到人员靠近，安防系统自动开启摄像头采集图像功能；
S1012：通过摄像头采集图像功能采集当前人员的原始信息数据；
S1013：对原始信息数据中的人脸区域进行检测和截取，去除原始信息数据中无用的背景部分进行去除，获取人脸信息数据。
其中，所述S102步骤包括：
S1021：对采集的人脸信息数据进行归一化、灰度化的预处理操作，将预处理后的人脸信息数据上传至云端；
S1022：通过指定的特征提取方式，对上传至云端的人脸信息数据进行降维处理，获取待识别人脸信息数据；
S1023：基于智能人脸数据库进行人脸图像识别训练，获取对应的智能分类识别模型，基于智能分类识别模型对待识别人脸信息数据进行分类识别，输出识别结果。
其中，所述S103步骤包括：
S1031：安防工作者通过终端查看人脸图像信息数据、分析数据、识别结果，识别结果包括1或0；
S1032：若识别结果为1时，则人脸身份认证通过，人员可进入安防区域，进入安防区域人员信息记录于云端的数据记录版块；
S1033：若识别结果为0时，则人脸身份认证失败，终端发出对应的警告提醒，安防工作者对当前人员进行再次识别和确认。
其中，所述S1022步骤包括：在对上传至云端的人脸信息数据进行降维处理过程中，先对预处理后的人脸信息数据进行特征空间维数降低和人脸识别特征优化处理，压缩原始高维特征集，计算人脸图像在特征子空间的维度，在特征子空间上提取有判别性的特征，进一步地降低特征维数。
其中，所述S1023步骤中基于智能人脸数据库进行人脸图像识别训练获取对应的智能分类识别模型包括：采集可进入安防区域的人脸信息和若干陌生人员的人脸信息后进行归一化、灰度化的预处理操作，将预处理后的人脸信息数据存储于智能人脸数据库，对预处理后的人脸信息数据提取双层MB-LBP特征，并统计MB-LBP的直方图特征，再利用直方图特征计算欧氏距离，通过欧氏距离获取最佳区分阈值，还利用直方图特征获取OC-SVM模型的参数，基于OC-SVM模型的参数和最佳区分阈值获取专用于识别陌生人脸的第一识别分类器；
基于第一识别分类器的训练流程，通过可进入安防区域的人脸信息以及个人身份信息获取可用于识别进入安防区域人员身份信息的第二类分类器。
其中，所述S1023步骤中基于智能分类识别模型对待识别人脸信息数据进行分类识别输出识别结果包括：先对待识别的人脸图像信息进行归一化、灰度化的预处理操作，再对完成预处理后的人脸图像做双层MB-LBP特征特征提取，并统计双层MB-LBP的直方图数据，将直方图数据输出至第一识别分类器中识别，若第一识别分类器识别结果为陌生人，则直接输出结果0，停止下一步操作，将此识别结果判定为人脸身份认证失败，作为待识别人脸的身份存储于智能人脸数据库；若识别结果为可进入安防区域人员，则输出结果为1并通过第二类分类器识别该可进入安防区域人员身份信息，身份信息显示于终端。
其中，再利用直方图特征计算欧氏距离通过欧氏距离获取最佳区分阈值包括：在人脸特征点信息检测与匹配的过程中，通过欧式距离进行判别，将计算获取的欧式距离与预设的欧氏距离阈值进行比较，从而进行人员身份的识别；
其中，对人员身份的识别规则包括：若人脸数据库中存在一个人脸的特征信息与实际特征信息的欧式距离小于设定值，则说明此时检测到的人脸在智能人脸数据库中；若在智能人脸数据库中的各个人脸特征向量与已检测到的人脸特征向量间欧氏距离均大于设定欧氏距离值，则说明此时检测到的人脸不在智能人脸数据库中，人员身份未识别成功。
其中，基于安防系统的人脸识别装置，包括：
人脸识别启动装置用于当有人员靠近安防区域时，安防系统自动开启人脸识别功能，采集人脸信息数据；
人脸信息数据识别装置用于将采集的人脸信息数据进行预处理后上传至云端，基于智能人脸数据库进行人脸识别，输出识别结果；
识别结果输出装置用于当识别结果为1时，则人脸身份认证通过，人员可进入安防区域，当识别结果为0时，识别结果显示于终端并发出对应的警告提醒。
其中，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权利要求1～8任一项所述的方法。
与现有技术相比，本发明具有以下优点：
当有人员靠近安防区域时，安防系统自动开启人脸识别功能，采集人脸信息数据；将采集的人脸信息数据进行预处理后上传至云端，基于智能人脸数据库进行人脸识别，输出识别结果；当识别结果为1时，则人脸身份认证通过，人员可进入安防区域，当识别结果为0时，识别结果显示于终端并发出对应的警告提醒。该安防系统的人脸识别方法具有人工智能的特点，即无需安排额外的人员进行操作，安防系统根据所设定的识别结果，自行判断和处理所出现的状况；安防系统的人脸识别方法采用对应的算法准确可靠，能够正确区分可进入安防区域人员和陌生人员；此外，在因为各种原因而导致人脸识别认证无法有效进行时，安防系统应能提供其他认证方式，使系统能够继续运行。
本发明的其它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可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中基于安防系统的人脸识别方法的流程图；
图2为本发明实施例中防系统自动开启人脸识别功能的流程图；
图3为本发明实施例中基于智能人脸数据库进行人脸识别的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种基于安防系统的人脸识别方法，包括：
S101：当有人员靠近安防区域时，安防系统自动开启人脸识别功能，采集人脸信息数据；
S102：将采集的人脸信息数据进行预处理后上传至云端，基于智能人脸数据库进行人脸识别，输出识别结果；
S103：当识别结果为1时，则人脸身份认证通过，人员可进入安防区域，当识别结果为0时，识别结果显示于终端并发出对应的警告提醒。
上述技术方案的工作原理为：安防区域边界处安装人体红外感应器，开启人体红外感功能，当人体红外感应器检测到人员时，安防系统自动开启人脸识别功能(通过开启摄像头的图像采集功能进行人脸识别)，采集到的人脸信息数据(即摄像头采集的人脸图像数据)经过预处理后再传至云端中，云端对采集到的人脸信息数据进行集中处理分析，完成人脸检测、识别等任务(基于智能人脸数据库进行人脸识别)，待人脸身份认证通过后(当识别结果为1时即为身份认证通过，当识别结果为0则表示人脸身份认证未通过)，安防系统的控制模块将门锁打开，人员可进入安防区域。其中，识别结果上传至云端(云端用于存储人脸信息数据和对人脸信息数据进行分析、识别、检测等)，由云端的数据记录版块保存人员进入安防区域的历史记录，供安防工作者通过终端随时査看；而在识别到陌生人员时，安防系统将阻止陌生人员进入安防区域内，并及时通过终端通知安防工作者。在特殊情况下，安防工作者可通过密码认证来验证陌生人员身份，以此打开安防区域边界处的门锁，此为安防系统备用的身份认证方案。
上述技术方案的有益效果为：当有人员靠近安防区域时，安防系统自动开启人脸识别功能，采集人脸信息数据；将采集的人脸信息数据进行预处理后上传至云端，基于智能人脸数据库进行人脸识别，输出识别结果；当识别结果为1时，则人脸身份认证通过，人员可进入安防区域，当识别结果为0时，识别结果显示于终端并发出对应的警告提醒。该安防系统的人脸识别方法具有人工智能的特点，即无需安排额外的人员进行操作，安防系统根据所设定的识别结果，自行判断和处理所出现的状况；安防系统的人脸识别方法采用对应的算法准确可靠，能够正确区分可进入安防区域人员和陌生人员；此外，在因为各种原因而导致人脸识别认证无法有效进行时，安防系统应能提供其他认证方式，使系统能够继续运行。
在另一实施例中，所述S101步骤包括：
S1011：安防区域入口处安装人体红外感应器，当有人员靠近安防区域时，人体红外感应器检测到人员靠近，安防系统自动开启摄像头采集图像功能；
S1012：通过摄像头采集图像功能采集当前人员的原始信息数据；
S1013：对原始信息数据中的人脸区域进行检测和截取，去除原始信息数据中无用的背景部分进行去除，获取人脸信息数据。
上述技术方案的工作原理为：安防区域入口处安装人体红外感应器，当有人员靠近安防区域时，人体红外感应器检测到人员靠近，安防系统自动开启摄像头采集图像功能；通过摄像头采集图像功能采集当前人员的原始信息数据；对原始信息数据中的人脸区域进行检测和截取，去除原始信息数据中无用的背景部分进行去除，获取人脸信息数据。通过采集人脸信息数据为后续的人脸识别做准备工作。
上述技术方案的有益效果为：安防区域入口处安装人体红外感应器，当有人员靠近安防区域时，人体红外感应器检测到人员靠近，安防系统自动开启摄像头采集图像功能；通过摄像头采集图像功能采集当前人员的原始信息数据；对原始信息数据中的人脸区域进行检测和截取，去除原始信息数据中无用的背景部分进行去除，获取人脸信息数据。通过采集人脸信息数据为后续的人脸识别做准备工作。
在另一实施例中，所述S102步骤包括：
S1021：对采集的人脸信息数据进行归一化、灰度化的预处理操作，将预处理后的人脸信息数据上传至云端；
S1022：通过指定的特征提取方式，对上传至云端的人脸信息数据进行降维处理，获取待识别人脸信息数据；
S1023：基于智能人脸数据库进行人脸图像识别训练，获取对应的智能分类识别模型，基于智能分类识别模型对待识别人脸信息数据进行分类识别，输出识别结果。
上述技术方案的工作原理为：对采集的人脸信息数据进行归一化、灰度化的预处理操作，将预处理后的人脸信息数据上传至云端；通过指定的特征提取方式，对上传至云端的人脸信息数据进行降维处理，获取待识别人脸信息数据；基于智能人脸数据库进行人脸图像识别训练，获取对应的智能分类识别模型，基于智能分类识别模型对待识别人脸信息数据进行分类识别，输出识别结果。
上述技术方案的有益效果为：对采集的人脸信息数据进行归一化、灰度化的预处理操作，将预处理后的人脸信息数据上传至云端；通过指定的特征提取方式，对上传至云端的人脸信息数据进行降维处理，获取待识别人脸信息数据；基于智能人脸数据库进行人脸图像识别训练，获取对应的智能分类识别模型，基于智能分类识别模型对待识别人脸信息数据进行分类识别，输出识别结果。
在另一实施例中，所述S103步骤包括：
S1031：安防工作者通过终端查看人脸图像信息数据、分析数据、识别结果，识别结果包括1或0；
S1032：若识别结果为1时，则人脸身份认证通过，人员可进入安防区域，进入安防区域人员信息记录于云端的数据记录版块；
S1033：若识别结果为0时，则人脸身份认证失败，终端发出对应的警告提醒，安防工作者对当前人员进行再次识别和确认。
上述技术方案的工作原理为：安防工作者通过终端查看人脸图像信息数据、分析数据、识别结果，识别结果包括1或0；若识别结果为1时，则人脸身份认证通过，人员可进入安防区域，进入安防区域人员信息记录于云端的数据记录版块；若识别结果为0时，则人脸身份认证失败，终端发出对应的警告提醒，安防工作者对当前人员进行再次识别和确认，若当前人员属于未及时登录系统的可进入安防区域的人员，则对当前人员进行身份注册以及人脸信息登记，将该人员的人脸信息存储至智能人脸数据库。
上述技术方案的有益效果为：安防工作者通过终端查看人脸图像信息数据、分析数据、识别结果，识别结果包括1或0；若识别结果为1时，则人脸身份认证通过，人员可进入安防区域，进入安防区域人员信息记录于云端的数据记录版块；若识别结果为0时，则人脸身份认证失败，终端发出对应的警告提醒，安防工作者对当前人员进行再次识别和确认。该安防系统的人脸识别方法具有人工智能的特点，即无需安排额外的人员进行操作，安防系统根据所设定的识别结果，自行判断和处理所出现的状况；安防系统的人脸识别方法采用对应的算法准确可靠，能够正确区分可进入安防区域人员和陌生人员。
在另一实施例中，所述S1022步骤包括：在对上传至云端的人脸信息数据进行降维处理过程中，先对预处理后的人脸信息数据进行特征空间维数降低和人脸识别特征优化处理，压缩原始高维特征集，计算人脸图像在特征子空间的维度，在特征子空间上提取有判别性的特征，进一步地降低特征维数。
上述技术方案的工作原理为：虽然由小波变换得到的几何图像像素越高，其对应的频域信息也越多，但是一张三维人脸图像对应的512x512几何图像，其小波特征量级达到106左右，计算复杂度太高，不利于实际应用。因此需要降维处理。在对上传至云端的人脸信息数据进行降维处理过程中，先对预处理后的人脸信息数据进行特征空间维数降低和人脸识别特征优化处理，压缩原始高维特征集，计算人脸图像在特征子空间的维度，在特征子空间上提取有判别性的特征，进一步地降低特征维数。
上述技术方案的有益效果为：在对上传至云端的人脸信息数据进行降维处理过程中，先对预处理后的人脸信息数据进行特征空间维数降低和人脸识别特征优化处理，压缩原始高维特征集，计算人脸图像在特征子空间的维度，在特征子空间上提取有判别性的特征，进一步地降低特征维数。从而提高了计算效率。
在另一实施例中，所述S1023步骤中基于智能人脸数据库进行人脸图像识别训练获取对应的智能分类识别模型包括：采集可进入安防区域的人脸信息和若干陌生人员的人脸信息后进行归一化、灰度化的预处理操作，将预处理后的人脸信息数据存储于智能人脸数据库，对预处理后的人脸信息数据提取双层MB-LBP特征，并统计MB-LBP的直方图特征，再利用直方图特征计算欧氏距离，通过欧氏距离获取最佳区分阈值，还利用直方图特征获取OC-SVM模型的参数，基于OC-SVM模型的参数和最佳区分阈值获取专用于识别陌生人脸的第一识别分类器；
基于第一识别分类器的训练流程，通过可进入安防区域的人脸信息以及个人身份信息获取可用于识别进入安防区域人员身份信息的第二类分类器。
上述技术方案的工作原理为：理论上待识别的陌生人脸数量远多于可进入安防区域人员的人脸的数量，安防系统易出现误将陌生人错识别为可进入安防区域人员的情况。因此为进一步提高系统对陌生人脸识别的可靠性，采用基于最佳阈值的距离度量与OC-SVM两类算法融合的方式进行陌生人脸识别。只有待识别人脸同时通过两类识别算法后才将其判定为可进入安防区域人员，否则将其判定为陌生人脸。
其中，在采用最佳阈值的距离度量过程中，利用特征参数计算出两类人脸的最佳区分阈值，计算公式表示为：
Figure BDA0004161962960000091
其中，θ表示最佳区分阈值，μ1表示为可进入安防区域人员的人脸图像统计后的欧式距离均值，σ1表示为可进入安防区域人员的人脸图像统计后的欧式距离均方差值，μ2表示为陌生人脸图像统计后的欧式距离均值，σ2表示为陌生人脸图像统计后的欧式距离均方差值。
上述技术方案的有益效果为：采集可进入安防区域的人脸信息和若干陌生人员的人脸信息后进行归一化、灰度化的预处理操作，将预处理后的人脸信息数据存储于智能人脸数据库，对预处理后的人脸信息数据提取双层MB-LBP特征，并统计MB-LBP的直方图特征，再利用直方图特征计算欧氏距离，通过欧氏距离获取最佳区分阈值，还利用直方图特征获取OC-SVM模型的参数，基于OC-SVM模型的参数和最佳区分阈值获取专用于识别陌生人脸的第一识别分类器；基于第一识别分类器的训练流程，通过可进入安防区域的人脸信息以及个人身份信息获取可用于识别进入安防区域人员身份信息的第二类分类器。通过第一识别分类器和第二类分类器提高了安防系统对陌生人脸识别的可靠性。
在另一实施例中，所述S1023步骤中基于智能分类识别模型对待识别人脸信息数据进行分类识别输出识别结果包括：先对待识别的人脸图像信息进行归一化、灰度化的预处理操作，再对完成预处理后的人脸图像做双层MB-LBP特征特征提取，并统计双层MB-LBP的直方图数据，将直方图数据输出至第一识别分类器中识别，若第一识别分类器识别结果为陌生人，则直接输出结果0，停止下一步操作，将此识别结果判定为人脸身份认证失败，作为待识别人脸的身份存储于智能人脸数据库；若识别结果为可进入安防区域人员，则输出结果为1并通过第二类分类器识别该可进入安防区域人员身份信息，身份信息显示于终端。
上述技术方案的工作原理为：先对待识别的人脸图像信息进行归一化、灰度化的预处理操作，再对完成预处理后的人脸图像做双层MB-LBP特征特征提取，并统计双层MB-LBP的直方图数据，将直方图数据输出至第一识别分类器中识别，若第一识别分类器识别结果为陌生人，则直接输出结果0，停止下一步操作，将此识别结果判定为人脸身份认证失败，作为待识别人脸的身份存储于智能人脸数据库；若识别结果为可进入安防区域人员，则输出结果为1并通过第二类分类器识别该可进入安防区域人员身份信息，身份信息显示于终端。通过第一识别分类器和第二类分类器提高了安防系统对陌生人脸识别的可靠性。
上述技术方案的有益效果为：先对待识别的人脸图像信息进行归一化、灰度化的预处理操作，再对完成预处理后的人脸图像做双层MB-LBP特征特征提取，并统计双层MB-LBP的直方图数据，将直方图数据输出至第一识别分类器中识别，若第一识别分类器识别结果为陌生人，则直接输出结果0，停止下一步操作，将此识别结果判定为人脸身份认证失败，作为待识别人脸的身份存储于智能人脸数据库；若识别结果为可进入安防区域人员，则输出结果为1并通过第二类分类器识别该可进入安防区域人员身份信息，身份信息显示于终端。通过第一识别分类器和第二类分类器提高了安防系统对陌生人脸识别的可靠性。
在另一实施例中，在人脸特征点信息检测与匹配的过程中，通过欧式距离进行判别，将计算获取的欧式距离与预设的欧氏距离阈值进行比较，从而进行人员身份的识别；
其中，对人员身份的识别规则包括：若人脸数据库中存在一个人脸的特征信息与实际特征信息的欧式距离小于设定值，则说明此时检测到的人脸在智能人脸数据库中；若在智能人脸数据库中的各个人脸特征向量与已检测到的人脸特征向量间欧氏距离均大于设定欧氏距离值，则说明此时检测到的人脸不在智能人脸数据库中，人员身份未识别成功。
上述技术方案的工作原理为：在人脸特征点信息检测与匹配的过程中，通过欧式距离进行判别，将计算获取的欧式距离与预设的欧氏距离阈值进行比较，从而进行人员身份的识别；其中，对人员身份的识别规则包括：若人脸数据库中存在一个人脸的特征信息与实际特征信息的欧式距离小于设定值，则说明此时检测到的人脸在智能人脸数据库中；若在智能人脸数据库中的各个人脸特征向量与已检测到的人脸特征向量间欧氏距离均大于设定欧氏距离值，则说明此时检测到的人脸不在智能人脸数据库中，人员身份未识别成功。该安防系统的人脸识别方法具有人工智能的特点，即无需安排额外的人员进行操作，安防系统根据所设定的识别结果，自行判断和处理所出现的状况；安防系统的人脸识别方法采用对应的算法准确可靠，能够正确区分可进入安防区域人员和陌生人员；此外，在因为各种原因而导致人脸识别认证无法有效进行时，安防系统应能提供其他认证方式，使系统能够继续运行。
上述技术方案的有益效果为：在人脸特征点信息检测与匹配的过程中，通过欧式距离进行判别，将计算获取的欧式距离与预设的欧氏距离阈值进行比较，从而进行人员身份的识别；其中，对人员身份的识别规则包括：若人脸数据库中存在一个人脸的特征信息与实际特征信息的欧式距离小于设定值，则说明此时检测到的人脸在智能人脸数据库中；若在智能人脸数据库中的各个人脸特征向量与已检测到的人脸特征向量间欧氏距离均大于设定欧氏距离值，则说明此时检测到的人脸不在智能人脸数据库中，人员身份未识别成功。该安防系统的人脸识别方法具有人工智能的特点，即无需安排额外的人员进行操作，安防系统根据所设定的识别结果，自行判断和处理所出现的状况；安防系统的人脸识别方法采用对应的算法准确可靠，能够正确区分可进入安防区域人员和陌生人员；此外，在因为各种原因而导致人脸识别认证无法有效进行时，安防系统应能提供其他认证方式，使系统能够继续运行。
在另一实施例中，基于安防系统的人脸识别装置，包括：
人脸识别启动装置用于当有人员靠近安防区域时，安防系统自动开启人脸识别功能，采集人脸信息数据；
人脸信息数据识别装置用于将采集的人脸信息数据进行预处理后上传至云端，基于智能人脸数据库进行人脸识别，输出识别结果；
识别结果输出装置用于当识别结果为1时，则人脸身份认证通过，人员可进入安防区域，当识别结果为0时，识别结果显示于终端并发出对应的警告提醒。
上述技术方案的工作原理为：人脸识别启动装置用于当有人员靠近安防区域时，安防系统自动开启人脸识别功能，采集人脸信息数据；人脸信息数据识别装置用于将采集的人脸信息数据进行预处理后上传至云端，基于智能人脸数据库进行人脸识别，输出识别结果；识别结果输出装置用于当识别结果为1时，则人脸身份认证通过，人员可进入安防区域，当识别结果为0时，识别结果显示于终端并发出对应的警告提醒。该安防系统的人脸识别方法具有人工智能的特点，即无需安排额外的人员进行操作，安防系统根据所设定的识别结果，自行判断和处理所出现的状况；安防系统的人脸识别方法采用对应的算法准确可靠，能够正确区分可进入安防区域人员和陌生人员；此外，在因为各种原因而导致人脸识别认证无法有效进行时，安防系统应能提供其他认证方式，使系统能够继续运行。
上述技术方案的有益效果为：人脸识别启动装置用于当有人员靠近安防区域时，安防系统自动开启人脸识别功能，采集人脸信息数据；人脸信息数据识别装置用于将采集的人脸信息数据进行预处理后上传至云端，基于智能人脸数据库进行人脸识别，输出识别结果；识别结果输出装置用于当识别结果为1时，则人脸身份认证通过，人员可进入安防区域，当识别结果为0时，识别结果显示于终端并发出对应的警告提醒。该安防系统的人脸识别方法具有人工智能的特点，即无需安排额外的人员进行操作，安防系统根据所设定的识别结果，自行判断和处理所出现的状况；安防系统的人脸识别方法采用对应的算法准确可靠，能够正确区分可进入安防区域人员和陌生人员；此外，在因为各种原因而导致人脸识别认证无法有效进行时，安防系统应能提供其他认证方式，使系统能够继续运行。
在另一实施例中，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权利要求1～8任一项所述的方法。
上述技术方案的工作原理为：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权利要求1～8任一项所述的方法。
上述技术方案的有益效果为：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权利要求1～8任一项所述的方法。通过存储介质实现安防系统的人脸识别方法的运行，是安防系统具有人工智能的特点，即无需安排额外的人员进行操作，安防系统根据所设定的识别结果，自行判断和处理所出现的状况；安防系统的人脸识别方法采用对应的算法准确可靠，能够正确区分可进入安防区域人员和陌生人员；此外，在因为各种原因而导致人脸识别认证无法有效进行时，安防系统应能提供其他认证方式，使系统能够继续运行。
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 (10)

1.基于安防系统的人脸识别方法，其特征在于，包括：
S101：当有人员靠近安防区域时，安防系统自动开启人脸识别功能，采集人脸信息数据；
S102：将采集的人脸信息数据进行预处理后上传至云端，基于智能人脸数据库进行人脸识别，输出识别结果；
S103：当识别结果为1时，则人脸身份认证通过，人员可进入安防区域，当识别结果为0时，将识别结果显示于终端并发出对应的警告提醒。
2.根据权利要求1所述的基于安防系统的人脸识别方法，其特征在于，所述S101步骤包括：
S1011：安防区域入口处安装人体红外感应器，当有人员靠近安防区域时，人体红外感应器检测到人员靠近，安防系统自动开启摄像头采集图像功能；
S1012：通过摄像头采集图像功能采集当前人员的原始信息数据；
S1013：对原始信息数据中的人脸区域进行检测和截取，去除原始信息数据中无用的背景部分进行去除，获取人脸信息数据。
3.根据权利要求1所述的基于安防系统的人脸识别方法，其特征在于，所述S102步骤包括：
S1021：对采集的人脸信息数据进行归一化、灰度化的预处理操作，将预处理后的人脸信息数据上传至云端；
S1022：通过指定的特征提取方式，对上传至云端的人脸信息数据进行降维处理，获取待识别人脸信息数据；
S1023：基于智能人脸数据库进行人脸图像识别训练，获取对应的智能分类识别模型，基于智能分类识别模型对待识别人脸信息数据进行分类识别，输出识别结果。
4.根据权利要求1所述的基于安防系统的人脸识别方法，其特征在于，所述S103步骤包括：
S1031：安防工作者通过终端查看人脸图像信息数据、分析数据、识别结果，识别结果包括1或0；
S1032：若识别结果为1时，则人脸身份认证通过，人员可进入安防区域，进入安防区域人员信息记录于云端的数据记录版块；
S1033：若识别结果为0时，则人脸身份认证失败，终端发出对应的警告提醒，安防工作者对当前人员进行再次识别和确认。
5.根据权利要求3所述的基于安防系统的人脸识别方法，其特征在于，所述S1022步骤包括：在对上传至云端的人脸信息数据进行降维处理过程中，先对预处理后的人脸信息数据进行特征空间维数降低和人脸识别特征优化处理，压缩原始高维特征集，计算人脸图像在特征子空间的维度，在特征子空间上提取有判别性的特征，进一步地降低特征维数。
6.根据权利要求3所述的基于安防系统的人脸识别方法，其特征在于，所述S1023步骤中基于智能人脸数据库进行人脸图像识别训练获取对应的智能分类识别模型包括：采集可进入安防区域的人脸信息和若干陌生人员的人脸信息后进行归一化、灰度化的预处理操作，将预处理后的人脸信息数据存储于智能人脸数据库，对预处理后的人脸信息数据提取双层MB-LBP特征，并统计MB-LBP的直方图特征，再利用直方图特征计算欧氏距离，通过欧氏距离获取最佳区分阈值，还利用直方图特征获取OC-SVM模型的参数，基于OC-SVM模型的参数和最佳区分阈值获取专用于识别陌生人脸的第一识别分类器；
基于第一识别分类器的训练流程，通过可进入安防区域的人脸信息以及个人身份信息获取可用于识别进入安防区域人员身份信息的第二类分类器。
7.根据权利要求3所述的基于安防系统的人脸识别方法，其特征在于，所述S1023步骤中基于智能分类识别模型对待识别人脸信息数据进行分类识别输出识别结果包括：先对待识别的人脸图像信息进行归一化、灰度化的预处理操作，再对完成预处理后的人脸图像做双层MB-LBP特征特征提取，并统计双层MB-LBP的直方图数据，将直方图数据输出至第一识别分类器中识别，若第一识别分类器识别结果为陌生人，则直接输出结果0，停止下一步操作，将此识别结果判定为人脸身份认证失败，作为待识别人脸的身份存储于智能人脸数据库；若识别结果为可进入安防区域人员，则输出结果为1并通过第二类分类器识别该可进入安防区域人员身份信息，身份信息显示于终端。
8.根据权利要求6所述的基于安防系统的人脸识别方法，其特征在于，再利用直方图特征计算欧氏距离通过欧氏距离获取最佳区分阈值包括：在人脸特征点信息检测与匹配的过程中，通过欧式距离进行判别，将计算获取的欧式距离与预设的欧氏距离阈值进行比较，从而进行人员身份的识别；
其中，对人员身份的识别规则包括：若人脸数据库中存在一个人脸的特征信息与实际特征信息的欧式距离小于设定值，则说明此时检测到的人脸在智能人脸数据库中；若在智能人脸数据库中的各个人脸特征向量与已检测到的人脸特征向量间欧氏距离均大于设定欧氏距离值，则说明此时检测到的人脸不在智能人脸数据库中，人员身份未识别成功。
9.基于安防系统的人脸识别装置，其特征在于，包括：
人脸识别启动装置用于当有人员靠近安防区域时，安防系统自动开启人脸识别功能，采集人脸信息数据；
人脸信息数据识别装置用于将采集的人脸信息数据进行预处理后上传至云端，基于智能人脸数据库进行人脸识别，输出识别结果；
识别结果输出装置用于当识别结果为1时，则人脸身份认证通过，人员可进入安防区域，当识别结果为0时，识别结果显示于终端并发出对应的警告提醒。
10.一种计算机可读存储介质，其特征在于，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权利要求1～8任一项所述的方法。
CN202310352183.2A 2023-04-04 2023-04-04 基于安防系统的人脸识别方法、装置及存储介质 Pending CN116416665A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310352183.2A CN116416665A (zh) 2023-04-04 2023-04-04 基于安防系统的人脸识别方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310352183.2A CN116416665A (zh) 2023-04-04 2023-04-04 基于安防系统的人脸识别方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN116416665A true CN116416665A (zh) 2023-07-11

Family

ID=87055911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310352183.2A Pending CN116416665A (zh) 2023-04-04 2023-04-04 基于安防系统的人脸识别方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116416665A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117197876A (zh) * 2023-11-07 2023-12-08 深圳凯升联合科技有限公司 一种基于深度学习的人脸识别安防系统及其方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117197876A (zh) * 2023-11-07 2023-12-08 深圳凯升联合科技有限公司 一种基于深度学习的人脸识别安防系统及其方法
CN117197876B (zh) * 2023-11-07 2024-04-09 深圳凯升联合科技有限公司 一种基于深度学习的人脸识别安防系统及其方法

Similar Documents

Publication Publication Date Title
CN113158752A (zh) 一种电力员工进场作业智能安全管控系统
CN107392112A (zh) 一种人脸表情识别方法及其应用的智能锁系统
CN112052731B (zh) 一种智能人像识别打卡考勤系统及方法
CN112396658A (zh) 一种基于视频的室内人员定位方法及定位系统
CN209543514U (zh) 基于人脸识别的监控与报警系统
WO2022262257A1 (zh) 一种检察领域值班人员睡觉行为识别方法
CN111126219A (zh) 一种基于人工智能的变电站人员的身份识别系统和方法
CN111079694A (zh) 一种柜面助手履职监控装置和方法
CN115620471A (zh) 一种基于大数据筛查的图像识别安防系统
CN112183219A (zh) 一种基于人脸识别的公共安全视频监测方法及系统
CN116416665A (zh) 基于安防系统的人脸识别方法、装置及存储介质
CN111754669A (zh) 一种基于人脸识别技术的高校学生管理系统
KR20150112635A (ko) 사람의　얼굴　정보를 이용한 얼굴인식 도어락 시스템
CN117612107A (zh) 一种场所内异常人员检测方法
CN203287954U (zh) 基于人脸识别的打卡系统
CN109614916B (zh) 基于人脸识别的车站旅客状态实时监测预警计算机系统
CN115953815A (zh) 基建现场的监测方法及装置
CN111666780A (zh) 一种基于情绪识别技术的智能门控安防方法
CN115116119A (zh) 一种基于数字图像处理技术的人脸识别系统
CN115830294A (zh) 一种应用于基建作业现场人员管控的识别方法及装置
CN112070943B (zh) 基于有源rfid技术和人脸识别技术的门禁管理系统
CN114973135A (zh) 一种基于头肩的时序视频睡岗识别方法、系统及电子设备
CN112200145A (zh) 一种公共安全的远程识别方法
CN117376535B (zh) 智慧校园安防管控方法及系统
CN114241540B (zh) 一种基于步态识别的多模态追踪方法及装置

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