CN117894107A - 智能建筑安防监控系统及方法 - Google Patents

Abstract

本申请涉及建筑安防的智能监控领域，其具体地公开了一种智能建筑安防监控系统及方法，其首先使用摄像头采集待识别人员的人脸图像；接着对人脸图像进行特征分析；同时，使用目标检测网络获取待识别人员的眼部区域图像，并通过显著目标检测器对其眼部特征进行提取和分析；然后结合待识别人员的面部特征和眼部特征对该人员的身份进行监控和分析，从而得到用于表示是否允许待识别人员进入的分类结果。这样，结合人脸识别和虹膜识别方式对人员进行多重身份验证，能够有效提高身份验证的安全性。这样，有助于保障居住环境的安全。

Description

智能建筑安防监控系统及方法

技术领域

本申请涉及建筑安防的智能监控领域，且更为具体地，涉及一种智能建筑安防监控系统及方法。

背景技术

随着经济发展，人们的生活水平不断提高，对居住环境的安全要求也随之提升。智能建筑安防在保障居住环境安全方面发挥着至关重要的作用。智能建筑安防通过全方位监控、及时预警、联动控制和远程管理等功能，可以有效提升安全管理效率，为居民营造一个安全、舒适的居住环境。智能建筑安防是一个综合性的系统，门禁系统是其中不可或缺的一部分。通过与其他安防系统联动，门禁系统可以有效提高智能建筑的安全性，保护人员和财产安全。然而，传统的门禁系统通常采用刷卡或密码方式进行身份验证，这种单一身份验证方式容易被盗用或破解。

因此，期待一种智能建筑安防监控系统及方法，结合人脸识别和虹膜识别方式对人员进行多重身份验证，以提高身份验证的安全性，从而降低未经授权人员进入的风险。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智能建筑安防监控系统及方法，其首先使用摄像头采集待识别人员的人脸图像；接着对人脸图像进行特征分析；同时，使用目标检测网络获取待识别人员的眼部区域图像，并通过显著目标检测器对其眼部特征进行提取和分析；然后结合待识别人员的面部特征和眼部特征对该人员的身份进行监控和分析，从而得到用于表示是否允许待识别人员进入的分类结果。这样，结合人脸识别和虹膜识别方式对人员进行多重身份验证，能够有效提高身份验证的安全性。这样，有助于保障居住环境的安全。

根据本申请的第一方面，提供了一种智能建筑安防监控系统，其包括：

待识别人员图像采集模块，用于采集待识别人员的人脸图像；

图像预处理模块，用于使用去遮挡生成器对所述待识别人员的人脸图像进行预处理操作以得到生成人脸图像；

待识别人员特征提取模块，用于分别提取所述生成人脸图像中待识别人员的面部特征和眼部特征以得到待识别人员人脸特征图和待识别人员眼球区域特征图；

待识别人员特征融合模块，用于计算所述待识别人员人脸特征图相对于所述待识别人员眼球区域特征图的概率密度域维度衍生一致性投影以得到待识别人员身份特征图；

待识别人员身份分类结果生成模块，用于基于所述待识别人员身份特征图，以得到用于表示是否允许待识别人员进入的分类结果。

结合本申请的第一方面，在本申请的第一方面的一种智能建筑安防监控系统中，所述去遮挡生成器为对抗生成网络。

结合本申请的第一方面，在本申请的第一方面的一种智能建筑安防监控系统中，所述待识别人员特征提取模块，包括：待识别人员面部特征提取单元，用于使用包含深浅特征融合模块的人脸特征提取器对所述生成人脸图像进行面部特征提取操作以得到所述待识别人员人脸特征图；待识别人员眼部特征提取单元，用于获取所述生成人脸图像中待识别人员的眼球特征并进行分析以得到所述待识别人员眼球区域特征图。

其中，所述待识别人员面部特征提取单元，用于：从所述人脸特征提取器的第i层提取浅层特征图，所述第i层为所述人脸特征提取器的第一层至第六层；从所述人脸特征提取器的第j层提取深层特征图，所述第j层与所述第i层之间的比值大于等于5；以及使用所述深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述待识别人员人脸特征图。

其中，所述待识别人员眼部特征提取单元，包括：眼球区域获取子单元，用于将所述生成人脸图像通过基于目标检测网络的眼球区域获取模块以得到待识别人员眼球感兴趣区域；图像增强子单元，用于将所述待识别人员眼球感兴趣区域通过作为像素增强器的生成器模型以得到待识别人员眼球区域增强图像；眼球特征获取子单元，用于将所述待识别人员眼球区域增强图像通过基于显著目标检测器的眼球特征提取模块以得到所述待识别人员眼球区域特征图。

特别地，所述目标检测网络是基于锚窗的目标检测网络。所述眼球区域获取子单元，用于：使用所述基于锚窗的目标检测网络以如下公式对所述生成人脸图像进行处理以得到所述待识别人员眼球感兴趣区域；其中，所述公式为：

;

其中，为生成人脸图像，/>为锚框，/>为待识别人员眼球感兴趣区域，表示分类，/>表示回归。所述眼球特征获取子单元，用于：使用所述基于显著目标检测器的眼球特征提取模块的各层在层的正向传递中分别对输入数据进行：使用第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用第二卷积核对所述第一卷积特征图进行卷积处理以得到第二卷积特征图，其中，所述第一卷积核的尺寸大于所述第二卷积核的尺寸；对所述第二卷积特征图进行池化处理以得到池化特征图；以及对所述池化特征图进行激活处理以得到激活特征图；其中，所述眼球特征提取模块的最后一层的输出为所述待识别人员眼球区域特征图，所述眼球特征提取模块的第一层的输入为所述待识别人员眼球区域增强图像。

结合本申请的第一方面，在本申请的第一方面的一种智能建筑安防监控系统中，所述待识别人员特征融合模块，用于：以如下公式计算所述待识别人员人脸特征图相对于所述待识别人员眼球区域特征图的概率密度域维度衍生一致性投影以得到待识别人员身份特征图；其中，所述公式为：

;

其中，和/>分别表示所述待识别人员人脸特征图和所述待识别人员眼球区域特征图，/>表示所述待识别人员人脸特征图和所述待识别人员眼球区域特征图之间的按位置均值特征图，/>和/>分别表示所述待识别人员人脸特征图和所述待识别人员眼球区域特征图中/>位置的特征值，/>表示按位置相加，/>表示按位置相减，/>表示以2为底的对数函数值，/>表示计算所述待识别人员人脸特征图的每个特征矩阵的各个位置的特征值集合的方差，/>表示计算所述待识别人员眼球区域特征图的每个特征矩阵的各个位置的特征值集合的方差，/>表示所述待识别人员身份特征图。

根据本申请的第二方面，提供了一种智能建筑安防监控方法，其包括：

采集待识别人员的人脸图像；

使用去遮挡生成器对所述待识别人员的人脸图像进行预处理操作以得到生成人脸图像；

分别提取所述生成人脸图像中待识别人员的面部特征和眼部特征以得到待识别人员人脸特征图和待识别人员眼球区域特征图；

计算所述待识别人员人脸特征图相对于所述待识别人员眼球区域特征图的概率密度域维度衍生一致性投影以得到待识别人员身份特征图；

基于所述待识别人员身份特征图，以得到用于表示是否允许待识别人员进入的分类结果。

结合本申请的第二方面，在本申请的第二方面的一种智能建筑安防监控方法中，基于所述待识别人员身份特征图，以得到用于表示是否允许待识别人员进入的分类结果，包括：待识别人员身份特征获取单元，用于将所述待识别人员身份特征图通过基于卷积神经网络模型的人员身份特征提取模块以得到待识别人员身份分类特征图；待识别人员身份分类单元，用于将所述待识别人员身份分类特征图通过分类器以得到所述用于表示是否允许待识别人员进入的分类结果。

与现有技术相比，本申请提供的一种智能建筑安防监控系统及方法，其首先使用摄像头采集待识别人员的人脸图像；接着对人脸图像进行特征分析；同时，使用目标检测网络获取待识别人员的眼部区域图像，并通过显著目标检测器对其眼部特征进行提取和分析；然后结合待识别人员的面部特征和眼部特征对该人员的身份进行监控和分析，从而得到用于表示是否允许待识别人员进入的分类结果。这样，结合人脸识别和虹膜识别方式对人员进行多重身份验证，能够有效提高身份验证的安全性。这样，有助于保障居住环境的安全。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的智能建筑安防监控系统的示意性框图。

图2图示了根据本申请实施例的智能建筑安防监控系统中待识别人员特征提取模块的示意性框图。

图3图示了根据本申请实施例的智能建筑安防监控系统中待识别人员特征提取模块中待识别人员眼部特征提取单元的示意性框图。

图4图示了根据本申请实施例的智能建筑安防监控系统中待识别人员身份分类结果生成模块的示意性框图。

图5图示了根据本申请实施例的智能建筑安防监控方法的流程图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

示例性系统

图1图示了根据本申请实施例的智能建筑安防监控系统的示意性框图。如图1所示，根据本申请实施例的智能建筑安防监控系统100，包括：待识别人员图像采集模块110，用于采集待识别人员的人脸图像；图像预处理模块120，用于使用去遮挡生成器对所述待识别人员的人脸图像进行预处理操作以得到生成人脸图像；待识别人员特征提取模块130，用于分别提取所述生成人脸图像中待识别人员的面部特征和眼部特征以得到待识别人员人脸特征图和待识别人员眼球区域特征图；待识别人员特征融合模块140，用于计算所述待识别人员人脸特征图相对于所述待识别人员眼球区域特征图的概率密度域维度衍生一致性投影以得到待识别人员身份特征图；待识别人员身份分类结果生成模块150，用于基于所述待识别人员身份特征图，以得到用于表示是否允许待识别人员进入的分类结果。

智能建筑安防对于保护人员安全、财产安全、建筑安全、维护公共秩序、提高建筑管理效率、提升建筑形象以及满足法律法规要求等方面都具有重要意义。

如上述背景技术所述，智能建筑安防是一个综合性的系统，门禁系统是其中不可或缺的一部分。通过与其他安防系统联动，门禁系统可以有效提高智能建筑的安全性，保护人员和财产安全。然而，传统的门禁系统通常采用刷卡或密码方式进行身份验证，这种单一身份验证方式容易被盗用或破解。因此，期待一种智能建筑安防监控系统及方法，结合人脸识别和虹膜识别方式对人员进行多重身份验证，以提高身份验证的安全性，从而降低未经授权人员进入的风险。

特别地，人脸识别技术是一种通过分析人脸特征来识别身份的技术。它通过采集待识别人员的人脸图像，提取人脸中的关键特征点，并将其与存储在系统中的已知人脸特征库进行比较，从而判断待识别人员的身份。虹膜识别技术是一种通过分析虹膜特征来识别身份的技术。它通过采集待识别人员的虹膜图像，提取虹膜中的唯一特征，并将其与存储在系统中的已知虹膜特征库进行比较，从而判断待识别人员的身份。通过结合这两种技术，能够实现对人员的多重身份验证。这有助于提高身份验证的安全性，降低了未经授权人员进入的风险。

机器学习技术近年来取得了飞速发展，主要体现在以下几个方面：1、算法的进步：机器学习算法不断进步，新的算法层出不穷，如深度学习算法、强化学习算法等，这些算法大大提高了机器学习模型的性能。2、数据的增长：随着互联网的普及和物联网的发展，数据量呈爆炸式增长，这为机器学习模型提供了丰富的训练数据，从而提高了模型的性能。3、计算能力的提升：随着计算机硬件的不断发展，计算能力不断提升，这使得机器学习模型能够在更短的时间内完成训练和推理，从而提高了机器学习技术的实用性。

机器学习技术的发展为建筑安防系统带来了新的机遇，使建筑安防系统变得更加智能、高效和可靠。因此，在本申请实施例中，使用机器学习技术对输入数据进行特征提取和分析操作。

在本申请实施例中，所述待识别人员图像采集模块110，用于采集待识别人员的人脸图像。应可以理解，单一身份验证方式（如刷卡或密码）容易被盗用或破解，而多重身份验证方式增加了身份验证的难度，能够降低了未经授权人员进入的风险。另外，人脸识别和虹膜识别都是生物特征识别技术，具有很高的准确性和可靠性。结合使用这两种技术可以进一步提高身份验证的准确性，减少误识和漏识。也就是，在智慧建筑安防过程中，为了提高人员身份验证的安全性、准确性，通过人脸识别和虹膜识别方式对人员进行多重身份验证。因此，在本申请实施例的智能建筑安防监控系统中，首先采集待识别人员的人脸图像作为输入数据。

具体地，采集待识别人员的人脸图像时，可以使用专门设计的人脸采集设备，如人脸识别门禁系统中的人脸采集器。也可以使用摄像头等设备进行采集。

在本申请实施例中，所述图像预处理模块120，用于使用去遮挡生成器对所述待识别人员的人脸图像进行预处理操作以得到生成人脸图像。其中，所述去遮挡生成器为对抗生成网络。应可以理解， 待识别人员可能会带着帽子、口罩、墨镜等能够遮挡面部的饰物，这可能会影响人脸识别的准确性，导致识别错误。因此，对采集到的待识别人员的人脸图像进行去除遮挡操作。这样，可以提高人脸识别系统的准确性。另外，考虑到对抗生成网络（GAN）是一种强大的生成模型，能够生成逼真的图像。借助GAN，可以生成与原始人脸图像相似但去除了遮挡的人脸图像，保持图像的真实性和准确性。因此，在本申请实施例中，使用基于对抗生成网络的去遮挡生成器对所述待识别人员的人脸图像进行去遮挡的预处理操作。

在本申请的一个具体实施例中，所述图像预处理模块120，具体的预处理操作步骤为：1、检测遮挡部分： 使用人脸检测算法检测人脸图像中的遮挡部分，如口罩、墨镜等。2、输入生成器： 将检测到的遮挡部分作为输入，同时保留未遮挡部分的人脸图像作为参考，输入到对抗生成网络的生成器中。3、生成去遮挡人脸图像： 生成器通过对抗生成网络的训练学习，生成去除了遮挡的人脸图像。

在本申请实施例中，所述待识别人员特征提取模块130，用于分别提取所述生成人脸图像中待识别人员的面部特征和眼部特征以得到待识别人员人脸特征图和待识别人员眼球区域特征图。应可以理解，对所述待识别人员的人脸图像进行图像去遮挡的预处理操作之后就可以进行对待识别人员的面部特征和眼部特征的提取和分析操作。

具体地，图2图示了根据本申请实施例的智能建筑安防监控系统中待识别人员特征提取模块的示意性框图。如图2所示，所述待识别人员特征提取模块130，包括：待识别人员面部特征提取单元131，用于使用包含深浅特征融合模块的人脸特征提取器对所述生成人脸图像进行面部特征提取操作以得到所述待识别人员人脸特征图；待识别人员眼部特征提取单元132，用于获取所述生成人脸图像中待识别人员的眼球特征并进行分析以得到所述待识别人员眼球区域特征图。

首先对所述待识别人员的面部特征进行提取和分析。应可以理解，所述生成人脸图像不仅包含皮肤颜色、纹理等浅层特征，还包含面部轮廓、眼睛、嘴巴等深层特征。而深浅特征融合能够综合利用深层次和浅层次的特征信息，使得系统能够全面理解和表达人脸图像的特征。因此，在本申请实施例中，使用包含深浅特征融合模块的人脸特征提取器对所述生成人脸图像进行深度卷积编码操作以得到所述待识别人员人脸特征图。

在本申请的一个具体实施例中，所述待识别人员面部特征提取单元131，用于：从所述人脸特征提取器的第i层提取浅层特征图，所述第i层为所述人脸特征提取器的第一层至第六层；从所述人脸特征提取器的第j层提取深层特征图，所述第j层与所述第i层之间的比值大于等于5；以及使用所述深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述待识别人员人脸特征图。

接着对所述待识别人员的眼部特征进行提取和分析。具体地，图3图示了根据本申请实施例的智能建筑安防监控系统中待识别人员特征提取模块中待识别人员眼部特征提取单元的示意性框图。如图3所示，所述待识别人员眼部特征提取单元132，包括：眼球区域获取子单元132-1，用于将所述生成人脸图像通过基于目标检测网络的眼球区域获取模块以得到待识别人员眼球感兴趣区域；图像增强子单元132-2，用于将所述待识别人员眼球感兴趣区域通过作为像素增强器的生成器模型以得到待识别人员眼球区域增强图像；眼球特征获取子单元132-3，用于将所述待识别人员眼球区域增强图像通过基于显著目标检测器的眼球特征提取模块以得到所述待识别人员眼球区域特征图。其中，所述目标检测网络是基于锚窗的目标检测网络。

应可以理解，使用目标检测网络能够有效地定位眼球区域，提高眼球感兴趣区域的准确性，从而确保虹膜识别的准确性和可靠性。另外，考虑到不同人员的眼球区域的大小可能不同，而锚窗技术可以检测不同尺度的目标，使系统能够适应不同大小和角度的眼球区域，增强系统的适应性和泛化能力。因此，在本申请实施例中，使用基于锚窗的目标检测网络对待识别人员的眼球区域进行获取。

在本申请的一个具体实施例中，眼球区域获取子单元132-1，用于：使用所述基于锚窗的目标检测网络以如下公式对所述生成人脸图像进行处理以得到所述待识别人员眼球感兴趣区域；其中，所述公式为：，其中，/>生成人脸图像，/>为锚框，/>为待识别人员眼球感兴趣区域，/>表示分类，表示回归。

接着，考虑到图像增强操作可以改善图像质量，使得待识别人员眼球区域的图像更清晰、更具对比度，有助于后续特征提取模块更准确地捕获关键特征。因此，为了提高特征表征的质量，增强系统的准确性和安全性，进一步对所述待识别人员眼球感兴趣区域进行图像增强处理。

在本申请的一个具体实施例中，所述图像增强子单元132-2，具体的操作步骤为：1、输入待识别人员眼球感兴趣区域图像： 将通过目标检测网络获取的待识别人员眼球感兴趣区域图像作为输入。2、生成器模型输入： 将待识别人员眼球感兴趣区域图像输入生成器模型。生成器模型通常是一个神经网络，可以学习如何从输入图像中生成更高质量、更清晰的图像。3、图像增强生成： 生成器模型将对待识别人员眼球感兴趣区域图像进行处理，生成增强后的图像。这个过程可能涉及图像去噪、增加对比度、增强细节等操作，以提高图像质量。4、输出待识别人员眼球区域增强图像： 生成器模型处理完成后，输出的图像即为经过像素增强处理后的待识别人员眼球区域增强图像。5、后续处理：可以根据需要对增强后的图像进行进一步处理，如调整亮度、对比度等，以确保最终得到的图像质量符合需求。

进一步地，考虑到显著目标检测器能够识别图像中最显著的目标区域，帮助系统专注于眼球区域，提取关键特征，从而增强虹膜识别的准确性和鲁棒性。也就是，显著目标检测器可以过滤掉图像中的冗余信息和背景干扰，保留眼球区域的关键特征，有助于提高特征提取的效率和准确性。因此，为了更准确地捕捉到眼球区域的特征信息，进一步使用基于显著目标检测器的眼球特征提取模块对所述待识别人员眼球区域增强图像进行特征提取和分析操作。这样，可以更准确、高效地捕获眼球区域的关键特征，为多重身份验证提供更可靠的身份验证方式，降低未经授权人员进入的风险。

在本申请的一个具体实施例中，所述眼球特征获取子单元132-3，用于：使用所述基于显著目标检测器的眼球特征提取模块的各层在层的正向传递中分别对输入数据进行：使用第一卷积核对所述输入数据进行卷积处理以得到第一卷积特征图；使用第二卷积核对所述第一卷积特征图进行卷积处理以得到第二卷积特征图，其中，所述第一卷积核的尺寸大于所述第二卷积核的尺寸；对所述第二卷积特征图进行池化处理以得到池化特征图；以及对所述池化特征图进行激活处理以得到激活特征图；其中，所述眼球特征提取模块的最后一层的输出为所述待识别人员眼球区域特征图，所述眼球特征提取模块的第一层的输入为所述待识别人员眼球区域增强图像。

在本申请实施例中，所述待识别人员特征融合模块140，用于计算所述待识别人员人脸特征图相对于所述待识别人员眼球区域特征图的概率密度域维度衍生一致性投影以得到待识别人员身份特征图。应可以理解，人脸特征和虹膜特征代表了不同的生物特征信息，结合两者的特征可以提高身份验证系统的准确性。也就是，通过融合人脸和眼球区域的特征，可以综合利用不同特征的优势，降低误识别率，提高系统的准确性。因此，为了提高智能建筑安防监控系统的安全性和准确性，有效降低未经授权人员进入的风险，进一步将所述待识别人员人脸特征图和所述待识别人员眼球区域特征图进行特征融合。

特别地，在本申请技术方案中，考虑到待识别人员人脸特征图是从原始人脸图像中提取的人脸特征，通常包括面部结构、轮廓等信息，并且，待识别人员人脸特征图通过深浅特征融合模块提取人脸特征，可能包括面部特征和纹理特征等。而待识别人员眼球区域特征图是从眼球感兴趣区域提取的特征，主要关注眼球部分的特征信息，例如瞳孔位置、眼球轮廓等，并且待识别人员眼球区域特征图则是通过眼球特征提取模块提取眼球区域的特征，主要关注眼部特征信息。由于由于人脸特征图和眼球区域特征图的数据来源和特征提取方式不同，它们在概率密度域中的维度表达也可能存在差异，所述待识别人员人脸特征图和所述待识别人员眼球区域特征图在概率密度域存在维度表达差异。例如，人脸特征图可能包含多种面部特征和纹理信息，这些信息在不同维度上表达人脸的特征。而眼球区域特征图则主要关注眼部的特征，如瞳孔位置、眼球轮廓等，因此在特征表达上更侧重于眼部特征。这种差异可能会在特征融合过程中引起维度不对齐问题，影响最终特征图的融合效果和分类结果的准确性。为了解决这个问题，在本申请的技术方案中，计算所述待识别人员人脸特征图相对于所述待识别人员眼球区域特征图的概率密度域维度衍生一致性投影以得到待识别人员身份特征图，以消除所述待识别人员人脸特征图和所述待识别人员眼球区域特征图在概率密度域上的维度差异。

具体地，在本申请的一个具体实施例中，所述待识别人员特征融合模块140，用于：以如下公式计算所述待识别人员人脸特征图相对于所述待识别人员眼球区域特征图的概率密度域维度衍生一致性投影以得到待识别人员身份特征图；其中，所述公式为：

;

其中，和/>分别表示所述待识别人员人脸特征图和所述待识别人员眼球区域特征图，/>表示所述待识别人员人脸特征图和所述待识别人员眼球区域特征图之间的按位置均值特征图，/>和/>分别表示所述待识别人员人脸特征图和所述待识别人员眼球区域特征图中/>位置的特征值，/>表示按位置相加，/>表示按位置相减，/>表示以2为底的对数函数值，/>表示计算所述待识别人员人脸特征图的每个特征矩阵的各个位置的特征值集合的方差，/>表示计算所述待识别人员眼球区域特征图的每个特征矩阵的各个位置的特征值集合的方差，/>表示所述待识别人员身份特征图。

也就是，由于所述待识别人员人脸特征图和所述待识别人员眼球区域特征图在概率密度域存在维度表达差异，这使得在融合所述待识别人员人脸特征图和所述待识别人员眼球区域特征图以得到所述待识别人员身份特征图的过程中，会导致融合得到的所述待识别人员身份特征图存在因维度不对齐而发生局部特征分布错配和病态崩塌，影响最终得到的待识别人员身份分类特征图通过分类器得到的分类结果的精准度。

基于此，在本申请的技术方案中，计算所述待识别人员人脸特征图相对于所述待识别人员眼球区域特征图的概率密度域维度衍生一致性投影，其以所述待识别人员人脸特征图和所述待识别人员眼球区域特征图之间的均值特征图作为转换锚点特征图，以使得变换后的所述待识别人员人脸特征图和所述待识别人员眼球区域特征图在概率密度域上的维度尽可能地逼近，这样，消除所述待识别人员人脸特征图和所述待识别人员眼球区域特征图在概率密度域上的维度差异，从而避免因为维度不对齐而导致的特征分布错配和病态崩塌，提高了分类结果的精准度。

在本申请实施例中，所述待识别人员身份分类结果生成模块150，用于基于所述待识别人员身份特征图，以得到用于表示是否允许待识别人员进入的分类结果。具体地，图4图示了根据本申请实施例的智能建筑安防监控系统中待识别人员身份分类结果生成模块的示意性框图。如图4所示，所述待识别人员身份分类结果生成模块150，包括：待识别人员身份特征获取单元151，用于将所述待识别人员身份特征图通过基于卷积神经网络模型的人员身份特征提取模块以得到待识别人员身份分类特征图；待识别人员身份分类单元152，用于将所述待识别人员身份分类特征图通过分类器以得到所述用于表示是否允许待识别人员进入的分类结果。

考虑到卷积神经网络（CNN）在图像处理领域表现出色，能够有效地从图像中提取特征。通过CNN模型，可以自动学习和提取待识别人员身份特征图中的关键特征，包括人脸和虹膜的特征，从而更好地表示人员的身份信息。因此，为了更有效地从待识别人员身份特征图中提取关键特征，使用基于卷积神经网络模型的人员身份特征提取模块对所述待识别人员身份特征图进行深度卷积编码。

在本申请的一个具体实施例中，所述待识别人员身份特征获取单元151，用于：使用所述卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述卷积神经网络模型的第一层的输入为所述待识别人员身份特征图，所述卷积神经网络模型的最后一层的输出为所述待识别人员身份分类特征图。

接着，考虑到分类器经过训练可以学习不同特征之间的复杂关系，提高系统对待识别人员身份的准确性和可靠性，减少误判的可能性。因此，为了更准确地判断待识别人员的身份，使用所述分类器对所述待识别人员身份分类特征图进行特征分类。

在本申请的一个具体实施例中，所述待识别人员身份分类单元152，用于：使用所述分类器以如下公式对所述待识别人员身份分类特征图进行处理以获得所述分类结果；其中，所述公式为：，其中/>表示将所述待识别人员身份分类特征图投影为向量，/>表示偏置向量，/>表示归一化指数函数，/>表示所述分类结果。

值得一提的是，除了使用分类器对所述待识别人员身份分类特征图进行特征分类之外，还可以使用阈值判定方法进行决策。这种方法基于设定的阈值来判断待识别人员是否被允许进入，以下是这种方法的工作原理：1、特征提取： 首先，系统通过人脸识别和虹膜识别方式获取待识别人员的身份特征，并将其表示为分类特征图。2、特征相似度计算： 系统会将待识别人员的特征图与已存储的授权人员特征进行比对，计算它们之间的相似度。3、阈值设定： 系统会设定一个阈值，用于判断待识别人员的特征与授权人员特征的相似度是否达到一定程度。4、决策制定：如果待识别人员的特征与授权人员特征的相似度超过设定的阈值，则系统判定其为合法人员，允许其进入；否则，系统判定其为未经授权人员，拒绝其进入。

这种基于阈值判定的方法相对简单直观，不需要复杂的分类器训练和模型部署过程，同时具有以下优点：1、简单快速：不需要复杂的模型训练和调优过程，判定过程直观简单，可以快速实施。2、适用性强：可根据实际情况设定不同的阈值，灵活应对不同安全要求。3、易于调整：可根据实际效果随时调整阈值，实现系统性能的动态调优。

综上，根据本申请实施例的所述智能建筑安防监控系统被阐明，其首先使用摄像头采集待识别人员的人脸图像；接着对人脸图像进行特征分析；同时，使用目标检测网络获取待识别人员的眼部区域图像，并通过显著目标检测器对其眼部特征进行提取和分析；然后结合待识别人员的面部特征和眼部特征对该人员的身份进行监控和分析，从而得到用于表示是否允许待识别人员进入的分类结果。这样，结合人脸识别和虹膜识别方式对人员进行多重身份验证，能够有效提高身份验证的安全性。这样，有助于保障居住环境的安全。

如上所述，根据本申请实施例的智能建筑安防监控系统100可以实现在各种无线终端中，例如用于智能建筑安防监控的服务器等。在一个示例中，根据本申请实施例的智能建筑安防监控系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该智能建筑安防监控系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该智能建筑安防监控系统100同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该智能建筑安防监控系统100与该无线终端也可以是分立的设备，并且智能建筑安防监控系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

示例性方法

图5图示了根据本申请实施例的智能建筑安防监控方法的流程图。如图5所示，根据本申请实施例的所述智能建筑安防监控方法，包括：S1，采集待识别人员的人脸图像；S2，使用去遮挡生成器对所述待识别人员的人脸图像进行预处理操作以得到生成人脸图像；S3，分别提取所述生成人脸图像中待识别人员的面部特征和眼部特征以得到待识别人员人脸特征图和待识别人员眼球区域特征图；S4，计算所述待识别人员人脸特征图相对于所述待识别人员眼球区域特征图的概率密度域维度衍生一致性投影以得到待识别人员身份特征图；S5，基于所述待识别人员身份特征图，以得到用于表示是否允许待识别人员进入的分类结果。

这里，本领域技术人员可以理解，上述智能建筑安防监控方法中的各个步骤的具体功能和操作已经在上面参考图1的智能建筑安防监控系统的描述中得到了详细介绍，并因此，将省略其重复描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

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、装置和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元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所述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-Only Memory )、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。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种智能建筑安防监控系统，其特征在于，包括：

待识别人员图像采集模块，用于采集待识别人员的人脸图像；

图像预处理模块，用于使用去遮挡生成器对所述待识别人员的人脸图像进行预处理操作以得到生成人脸图像；

待识别人员特征提取模块，用于分别提取所述生成人脸图像中待识别人员的面部特征和眼部特征以得到待识别人员人脸特征图和待识别人员眼球区域特征图；

待识别人员特征融合模块，用于计算所述待识别人员人脸特征图相对于所述待识别人员眼球区域特征图的概率密度域维度衍生一致性投影以得到待识别人员身份特征图；

待识别人员身份分类结果生成模块，用于基于所述待识别人员身份特征图，以得到用于表示是否允许待识别人员进入的分类结果。

2.根据权利要求1所述的智能建筑安防监控系统，其特征在于，所述去遮挡生成器为对抗生成网络。

3.根据权利要求2所述的智能建筑安防监控系统，其特征在于，所述待识别人员特征提取模块，包括：

待识别人员面部特征提取单元，用于使用包含深浅特征融合模块的人脸特征提取器对所述生成人脸图像进行面部特征提取操作以得到所述待识别人员人脸特征图；

待识别人员眼部特征提取单元，用于获取所述生成人脸图像中待识别人员的眼球特征并进行分析以得到所述待识别人员眼球区域特征图。

4.根据权利要求3所述的智能建筑安防监控系统，其特征在于，所述待识别人员面部特征提取单元，用于：

从所述人脸特征提取器的第i层提取浅层特征图，所述第i层为所述人脸特征提取器的第一层至第六层；

从所述人脸特征提取器的第j层提取深层特征图，所述第j层与所述第i层之间的比值大于等于5；以及

使用所述深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述待识别人员人脸特征图。

5.根据权利要求4所述的智能建筑安防监控系统，其特征在于，所述待识别人员眼部特征提取单元，包括：

眼球区域获取子单元，用于将所述生成人脸图像通过基于目标检测网络的眼球区域获取模块以得到待识别人员眼球感兴趣区域；

图像增强子单元，用于将所述待识别人员眼球感兴趣区域通过作为像素增强器的生成器模型以得到待识别人员眼球区域增强图像；

眼球特征获取子单元，用于将所述待识别人员眼球区域增强图像通过基于显著目标检测器的眼球特征提取模块以得到所述待识别人员眼球区域特征图。

6.根据权利要求5所述的智能建筑安防监控系统，其特征在于，所述目标检测网络是基于锚窗的目标检测网络。

7.根据权利要求6所述的智能建筑安防监控系统，其特征在于，所述眼球区域获取子单元，用于：使用所述基于锚窗的目标检测网络以如下公式对所述生成人脸图像进行处理以得到所述待识别人员眼球感兴趣区域；

其中，所述公式为：;

其中，为生成人脸图像，/>为锚框，/>为待识别人员眼球感兴趣区域，/>表示分类，/>表示回归。

8.根据权利要求7所述的智能建筑安防监控系统，其特征在于，所述待识别人员特征融合模块，用于：以如下公式计算所述待识别人员人脸特征图相对于所述待识别人员眼球区域特征图的概率密度域维度衍生一致性投影以得到待识别人员身份特征图；

其中，所述公式为：;

其中，和/>分别表示所述待识别人员人脸特征图和所述待识别人员眼球区域特征图，/>表示所述待识别人员人脸特征图和所述待识别人员眼球区域特征图之间的按位置均值特征图，/>和/>分别表示所述待识别人员人脸特征图和所述待识别人员眼球区域特征图中/>位置的特征值，/>表示按位置相加，/>表示按位置相减，/>表示以2为底的对数函数值，/>表示计算所述待识别人员人脸特征图的每个特征矩阵的各个位置的特征值集合的方差，/>表示计算所述待识别人员眼球区域特征图的每个特征矩阵的各个位置的特征值集合的方差，/>表示所述待识别人员身份特征图。

9.根据权利要求8所述的智能建筑安防监控系统，其特征在于，所述待识别人员身份分类结果生成模块，包括：

待识别人员身份特征获取单元，用于将所述待识别人员身份特征图通过基于卷积神经网络模型的人员身份特征提取模块以得到待识别人员身份分类特征图；

待识别人员身份分类单元，用于将所述待识别人员身份分类特征图通过分类器以得到所述用于表示是否允许待识别人员进入的分类结果。

10.一种智能建筑安防监控方法，其特征在于,包括：

采集待识别人员的人脸图像；

使用去遮挡生成器对所述待识别人员的人脸图像进行预处理操作以得到生成人脸图像；

分别提取所述生成人脸图像中待识别人员的面部特征和眼部特征以得到待识别人员人脸特征图和待识别人员眼球区域特征图；

计算所述待识别人员人脸特征图相对于所述待识别人员眼球区域特征图的概率密度域维度衍生一致性投影以得到待识别人员身份特征图；

基于所述待识别人员身份特征图，以得到用于表示是否允许待识别人员进入的分类结果。