CN118334758A - 应用于楼宇门禁系统的图像识别方法及系统 - Google Patents

Abstract

本申请提供一种应用于楼宇门禁系统的图像识别方法及系统，首先获取目标楼宇门禁采集图像及其对应的参考门禁节点，然后根据参考楼宇门禁节点和目标楼宇门禁节点获取已经完成知识学习的图像识别网络。通过该图像识别网络，对目标楼宇门禁采集图像中的活体特征进行高效映射，生成特定的门禁验证知识矢量序列。接下来，利用同一图像识别网络对门禁验证知识矢量序列进行分簇，得再对这些分簇结果进行门禁验证标签的预测，从而得到门禁验证标签的预测结果，据此对目标楼宇门禁采集图像进行快速准确的门禁验证输出。由此，不仅提高了门禁系统的安全性和验证准确性，还优化了用户体验。

Description

应用于楼宇门禁系统的图像识别方法及系统

技术领域

本申请涉及人工智能技术领域，具体而言，涉及一种应用于楼宇门禁系统的图像识别方法及系统。

背景技术

随着社会的快速发展和城市化进程的推进，楼宇安全问题日益受到人们的关注。门禁系统作为楼宇安全的第一道防线，其重要性不言而喻。传统的门禁系统主要依赖于刷卡、密码或生物识别技术（如指纹识别、虹膜识别等）进行身份验证。然而，这些方法在实际应用中存在一定的局限性，如卡片易丢失、密码易忘记或被破解、生物识别技术可能受到生理变化或伪造等因素的影响。

发明内容

鉴于上述提及的问题，结合本申请的第一方面，本申请实施例提供一种应用于楼宇门禁系统的图像识别方法，所述方法包括：

获取目标楼宇门禁采集图像及所述目标楼宇门禁采集图像的参考楼宇门禁节点；

获取所述参考楼宇门禁节点和目标楼宇门禁节点对应的完成知识学习的图像识别网络；

利用所述完成知识学习的图像识别网络对所述目标楼宇门禁采集图像的活体特征空间表示进行门禁验证知识网络映射，生成所述目标楼宇门禁采集图像在所述目标楼宇门禁节点中的目标门禁验证知识矢量序列；

利用所述完成知识学习的图像识别网络对所述目标门禁验证知识矢量序列进行分簇，生成所述目标楼宇门禁采集图像的分簇结果；

利用所述完成知识学习的图像识别网络对所述分簇结果进行门禁验证标签预测，生成所述目标楼宇门禁采集图像的门禁验证标签预测结果；

基于所述门禁验证标签预测结果，对所述目标楼宇门禁采集图像进行门禁验证输出。

在第一方面的一种可能的实施方式中，在获取所述参考楼宇门禁节点和目标楼宇门禁节点对应的完成知识学习的图像识别网络的步骤之前，所述方法还包括：

获取样例学习数据，所述样例学习数据包括第一楼宇门禁节点下的第一无监督楼宇门禁采集图像和第一监督楼宇门禁采集图像、以及第二楼宇门禁节点下的第二无监督楼宇门禁采集图像和第二监督楼宇门禁采集图像，所述第一监督楼宇门禁采集图像的规模大于所述第二监督楼宇门禁采集图像的规模，所述第一楼宇门禁节点包括所述目标楼宇门禁节点，所述第二楼宇门禁节点包括所述参考楼宇门禁节点；

获取初始化的图像识别网络；

基于所述样例学习数据对所述初始化的图像识别网络进行知识学习，生成所述完成知识学习的图像识别网络。

在第一方面的一种可能的实施方式中，所述初始化的图像识别网络包括门禁特征映射子网络、图像特征分簇子网络和门禁验证标签预测子网络，所述基于所述样例学习数据对所述初始化的图像识别网络进行知识学习，生成所述完成知识学习的图像识别网络的步骤，包括：

对所述第一无监督楼宇门禁采集图像和第一监督楼宇门禁采集图像进行编码，生成第一图像编码特征表示；

对所述第二无监督楼宇门禁采集图像和第二监督楼宇门禁采集图像进行编码，生成第二图像编码特征表示；

基于所述门禁特征映射子网络对所述第二图像编码特征表示进行门禁特征映射，生成第三图像编码特征表示；

基于所述图像特征分簇子网络对所述第一图像编码特征表示和所述第三图像编码特征表示进行分簇，生成分簇结果；

基于所述分簇结果确定第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇结果，所述分簇结果包括楼宇门禁采集图像对应的分簇归属置信度；

基于所述第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇结果和对应的门禁验证标签标注数据，对所述门禁特征映射子网络和所述门禁验证标签预测子网络进行联动知识学习，生成完成知识学习的门禁特征映射子网络和完成知识学习的门禁验证标签预测子网络；

将所述完成知识学习的门禁特征映射子网络、所述图像特征分簇子网络和所述完成知识学习的门禁验证标签预测子网络输出为所述图像识别网络。

在第一方面的一种可能的实施方式中，所述基于所述第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇结果和对应的门禁验证标签标注数据，对所述门禁特征映射子网络和所述门禁验证标签预测子网络进行联动知识学习，生成完成知识学习的门禁特征映射子网络和完成知识学习的门禁验证标签预测子网络的步骤，包括：

基于相同门禁验证标签标注数据的楼宇门禁采集图像的分簇结果，对所述门禁特征映射子网络进行知识学习，生成完成知识学习的门禁特征映射子网络；

基于所述第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇结果和门禁验证标签标注数据的映射联系，对所述门禁验证标签预测子网络进行知识学习，生成完成知识学习的门禁验证标签预测子网络。

在第一方面的一种可能的实施方式中，所述基于所述第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇结果和门禁验证标签标注数据的映射联系，对所述门禁验证标签预测子网络进行知识学习，生成完成知识学习的门禁验证标签预测子网络的步骤，包括：

基于所述第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇结果和门禁验证标签标注数据的映射联系，构建目标样例学习数据；

获取所述目标样例学习数据的分簇结果和真实门禁验证标签标注数据；

将所述目标样例学习数据的分簇结果加载到所述门禁验证标签预测子网络中，生成所述目标样例学习数据的第一预测门禁验证标签数据；

基于所述第一预测门禁验证标签数据和所述真实门禁验证标签标注数据，对所述门禁验证标签预测子网络进行知识学习，生成完成知识学习的门禁验证标签预测子网络。

在第一方面的一种可能的实施方式中，所述基于相同门禁验证标签标注数据的楼宇门禁采集图像的分簇结果，对所述门禁特征映射子网络进行知识学习，生成完成知识学习的门禁特征映射子网络的步骤，包括：

将相同门禁验证标签标注数据的楼宇门禁采集图像的分簇结果加载到所述门禁验证标签预测子网络中，生成所述相同门禁验证标签标注数据的楼宇门禁采集图像的第二预测门禁验证标签数据；

基于所述第二预测门禁验证标签数据和所述相同门禁验证标签标注数据，对所述门禁特征映射子网络进行知识学习，生成完成知识学习的门禁特征映射子网络。

在第一方面的一种可能的实施方式中，在所述获取目标楼宇门禁采集图像的步骤之后，还包括：

对所述目标楼宇门禁采集图像进行关键特征区域定位，生成所述目标楼宇门禁采集图像所包括的关键特征；

对所述关键特征进行自注意力处理，生成所述关键特征对应的自注意力特征；

基于所述关键特征对应的自注意力特征，生成所述目标楼宇门禁采集图像的活体特征空间表示。

在第一方面的一种可能的实施方式中，所述利用所述完成知识学习的图像识别网络对所述目标楼宇门禁采集图像的活体特征空间表示进行门禁验证知识网络映射，生成所述目标楼宇门禁采集图像在所述目标楼宇门禁节点中的目标门禁验证知识矢量序列的步骤，包括：

利用人脸检测和关键点定位算法对所述目标楼宇门禁采集图像进行关键特征区域定位，生成关键特征区域；

对定位出的关键特征区域进行自注意力处理，将提取出的自注意力特征进行融合，形成活体特征空间表示；

将生成的活体特征空间表示作为输入，传递给已经加载的完成知识学习的图像识别网络中的门禁特征映射子网络，以通过所述门禁特征映射子网络将接收到的活体特征空间表示进行非线性变换，映射到一个新的特征空间，通过多层的卷积操作、池化操作和激活函数的非线性变换，提取出高阶特征表示，作为所述目标门禁验证知识矢量序列。

在第一方面的一种可能的实施方式中，所述利用人脸检测和关键点定位算法对所述目标楼宇门禁采集图像进行关键特征区域定位，生成关键特征区域的步骤，包括：

利用Haar级联分类器对所述目标楼宇门禁采集图像进行扫描，识别出所述目标楼宇门禁采集图像中的人脸区域；

获取所述人脸区域的坐标信息，基于所述人脸区域的坐标信息，通过关键点定位算法在所述人脸区域上定位面部的关键特征点；

基于定位出的关键特征点，确定关键特征区域。

再一方面，本申请实施例还提供一种应用于楼宇门禁系统的图像识别系统，包括处理器、机器可读存储介质，所述机器可读存储介质和所述处理器连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以实现上述的方法。

基于以上方面，通过获取目标楼宇门禁采集图像及其参考楼宇门禁节点，再获取与这些节点对应的已经过知识学习的图像识别网络，使得门禁系统能够根据实际情况选择最适合的图像识别模型，从而提高了识别的准确性。其次，利用完成知识学习的图像识别网络对目标楼宇门禁采集图像的活体特征空间表示进行门禁验证知识网络映射，生成目标门禁验证知识矢量序列。这种方法不仅能够有效提取图像中的活体特征，还能将这些特征映射到门禁验证的知识空间中，进一步增强了验证的精确性和可靠性。再者，通过对目标门禁验证知识矢量序列进行分簇，生成目标楼宇门禁采集图像的分簇结果，能够更细致地划分图像特征，有助于后续的门禁验证标签预测。接着，利用图像识别网络对分簇结果进行门禁验证标签预测，能够准确生成目标楼宇门禁采集图像的门禁验证标签预测结果，基于门禁验证标签预测结果，对目标楼宇门禁采集图像进行门禁验证输出，实现了高效、准确的门禁控制，提升了楼宇的安全性。由此，本申请实施例显著提高了楼宇门禁系统的识别准确性和验证效率。

附图说明

图1是本申请实施例提供的应用于楼宇门禁系统的图像识别方法的执行流程示意图。

图2是本申请实施例提供的应用于楼宇门禁系统的图像识别系统硬件架构示意图。

具体实施方式

下面结合说明书附图对本申请进行具体说明，图1是本申请一种实施例提供的应用于楼宇门禁系统的图像识别方法的流程示意图，下面对该应用于楼宇门禁系统的图像识别方法进行详细介绍。

近年来，随着计算机视觉和深度学习技术的飞速发展，基于图像识别的门禁系统逐渐成为研究热点。这类系统通过摄像头捕捉到的图像进行身份验证，具有非接触性、便捷性和高效性等优点。然而，现有的图像识别门禁系统在实际应用中仍面临一些挑战，如光照条件变化、人脸表情和姿态的多样性、遮挡问题以及防伪能力等。

为了解决上述问题，本申请实施例提出了一种应用于楼宇门禁系统的图像识别方法，通过获取目标楼宇门禁采集图像及其参考楼宇门禁节点，并利用完成知识学习的图像识别网络进行一系列处理，最终基于门禁验证标签预测结果进行门禁验证输出。这种方法旨在提高门禁系统的准确性和可靠性，为楼宇安全提供更加坚实的保障。

具体来说，传统的门禁系统在面对复杂多变的环境和个体特征时，往往难以保证识别的稳定性和准确性。而本发明通过引入完成知识学习的图像识别网络，能够更好地适应各种场景和个体变化，提高识别性能。同时，通过对目标门禁验证知识矢量序列进行分簇和标签预测，本申请能够更精细地划分和识别不同个体的特征，从而进一步提升门禁系统的安全性和用户体验。具体而言，本申请实施例可以包括下述步骤：

步骤S110，获取目标楼宇门禁采集图像及所述目标楼宇门禁采集图像的参考楼宇门禁节点。

详细地，所述目标楼宇门禁采集图像是指在某个具体的楼宇门禁系统前，通过摄像头或其他图像采集设备捕获到的图像，可以包含尝试通过门禁的人员的面部或其他生物特征信息，用于后续的验证和识别。

所述参考楼宇门禁节点是指与目标楼宇门禁节点相关联的、用于提供参考信息的门禁节点，包含了与目标楼宇门禁节点相似或相关的历史数据、验证记录等，这些信息可以用于增强目标楼宇门禁节点的验证准确性。例如，假设一个大型园区内有多栋楼宇，每栋楼宇都有自己的门禁系统。当员工尝试进入其中一栋楼宇（目标楼宇）时，为了更准确地验证其身份，可以参考该员工在过去一段时间内进入其他楼宇（参考楼宇）的门禁记录，这些记录就存储在参考楼宇门禁节点中。

也即，在本实施例中，服务器接收来自目标楼宇门禁系统的请求，该请求包含最新捕获的目标楼宇门禁采集图像。同时，服务器还获取到与该目标楼宇门禁采集图像相关联的参考楼宇门禁节点的信息。例如，在一个大型企业园区内，有多个楼宇，每个楼宇都有自己的门禁系统。当一个员工尝试进入某个楼宇（目标楼宇）时，该楼宇的门禁系统会拍摄下员工的面部图像（目标楼宇门禁采集图像），并将该目标楼宇门禁采集图像以及该楼宇的门禁节点信息（目标楼宇门禁节点）发送到服务器。同时，服务器还可以根据历史数据或管理员设置，确定一个或多个参考楼宇门禁节点，这些参考楼宇门禁节点可能包含与该员工之前进入其他楼宇时的门禁记录相关的数据。

步骤S120，获取所述参考楼宇门禁节点和目标楼宇门禁节点对应的完成知识学习的图像识别网络。

详细地，所述完成知识学习的图像识别网络是一个经过训练的深度学习模型，专门用于图像识别任务，通过大量的训练数据学习到了如何从图像中提取有用的特征，并根据这些特征进行分类或识别。在门禁系统的上下文中，这个图像识别网络被训练来识别门禁采集图像中的人脸或其他生物特征，并判断其是否符合进入的权限。例如，假设公司为了提高门禁系统的安全性，开发了一个深度学习模型来识别员工的面部特征，该模型在开发过程中，使用了大量的员工面部图像作为训练数据，并学习到了如何从这些图像中识别出不同的面部特征。一旦模型训练完成并达到了预期的识别准确率，就可以被部署到实际的门禁系统中，作为一个完成知识学习的图像识别网络来使用。

由此，在本实施例中，服务器根据目标楼宇门禁节点和参考楼宇门禁节点的信息，从自身的存储或云端服务中检索出与这些楼宇门禁节点相对应的、已经完成知识学习的图像识别网络，该图像识别网络可以是一个深度学习模型，经过了大量的训练，能够识别并验证门禁图像中的特征。例如，服务器可能存储了多个针对不同楼宇门禁系统的图像识别网络，每个图像识别网络都针对其对应的楼宇环境和门禁系统的特点进行了优化。在这个步骤中，服务器可以加载与目标楼宇门禁节点和参考楼宇门禁节点相匹配的网络模型。

步骤S130，利用所述完成知识学习的图像识别网络对所述目标楼宇门禁采集图像的活体特征空间表示进行门禁验证知识网络映射，生成所述目标楼宇门禁采集图像在所述目标楼宇门禁节点中的目标门禁验证知识矢量序列。

详细地，活体特征指的是从生物体（如人脸）上实时捕获的特征，用于区分真实生物体和伪造物（如照片、面具等）。而空间表示则是指将这些特征转换为一个数学上的向量或矩阵形式，便于后续的计算机处理和分析。因此，活体特征空间表示就是指将从生物体上捕获的活体特征转换为一个可用于计算机处理的数学形式。例如，在门禁系统中，为了防止使用照片或视频等伪造物进行欺骗，系统会尝试从采集的图像中提取出活体特征。例如，系统可能会分析图像中的人脸区域，提取出眼睛的眨眼频率、嘴唇的微动等细微的动态特征，这些特征会被转换为一个数学上的向量或矩阵（即空间表示），以便于后续的图像识别网络进行处理和分析。

所述目标门禁验证知识矢量序列是指在门禁验证过程中，通过图像识别网络处理活体特征空间表示后得到的一系列矢量，包含了图像中的关键特征信息，并用于最终的验证决策。例如，当员工站在门禁摄像头前时，捕获其面部图像并提取活体特征空间表示，该表示随后会被输入到图像识别网络中，经过一系列计算和处理后，输出一个或多个矢量（即目标门禁验证知识矢量序列），这些矢量实际上是对输入图像的一种高度抽象的数学描述，包含了足够的信息来支持系统做出是否允许该员工进入的决策。

由此，在本实施例中，服务器首先会对目标楼宇门禁采集图像进行处理，提取出目标楼宇门禁采集图像中的活体特征（如人脸的细微表情、皮肤纹理等），并将这些活体特征转换为一个空间表示（活体特征空间表示）。然后，服务器可以利用加载的图像识别网络，将这个活体特征空间表示映射到一个特定的知识空间，生成一个门禁验证知识矢量序列，该门禁验证知识矢量序列包含了述目标楼宇门禁采集图像中关键特征的抽象表示，将用于后续的门禁验证过程。

步骤S140，利用所述完成知识学习的图像识别网络对所述目标门禁验证知识矢量序列进行分簇，生成所述目标楼宇门禁采集图像的分簇结果，利用所述完成知识学习的图像识别网络对所述分簇结果进行门禁验证标签预测，生成所述目标楼宇门禁采集图像的门禁验证标签预测结果。

详细地，分簇：是指将数据集中的样本按照某种相似性度量（如距离、密度等）进行分组，使得同一组（即簇）内的样本尽可能相似，而不同组的样本尽可能不同。在本实施例中，分簇被用于对目标门禁验证知识矢量序列进行分类，以便进一步分析和处理。例如，每个目标门禁验证知识矢量序列，都代表了不同的门禁采集图像的特征。通过分簇算法，可以将这些目标门禁验证知识矢量序列分成几个簇，比如“已授权人员簇”、“未授权人员簇”和“不确定人员簇”，这样，就可以根据分簇结果对不同的门禁采集图像进行不同的处理。

门禁验证标签预测是指利用完成知识学习的图像识别网络对分簇后的门禁采集图像进行分类标签的预测，这里的分类标签可以包括“已授权”、“未授权”等，用于表示图像中的人员是否有权限通过门禁。例如，在门禁系统中，当通过分簇算法对门禁验证知识矢量序列进行分类后，可以利用图像识别网络对每个簇的标签进行预测。比如，对于“已授权人员簇”，网络可能会预测出其标签为“已授权”，表示这个簇中的人员有权限通过门禁。

也即，本实施例中，服务器接下来会使用图像识别网络中的聚类算法，对目标门禁验证知识矢量序列进行分簇，该过程会将相似的矢量分组在一起，形成一个个的簇。每个簇代表了一种特定的特征组合或模式。完成分簇后，服务器可以利用网络的预测功能，为每个簇分配一个门禁验证标签（如“允许进入”、“拒绝进入”等），这样，服务器就得到了目标楼宇门禁采集图像的门禁验证标签预测结果。

步骤S150，基于所述门禁验证标签预测结果，对所述目标楼宇门禁采集图像进行门禁验证输出。

本实施例中， 门禁验证输出是指基于门禁验证标签预测结果，对目标楼宇门禁采集图像做出的最终验证决策，可以包括允许通过、拒绝通过或者请求进一步验证等。例如，在门禁系统的实际应用中，当图像识别网络对门禁采集图像的标签进行预测后，可以根据预测结果做出相应的验证输出。比如，如果预测标签为“已授权”，则系统会控制门禁打开，允许人员通过；如果预测标签为“未授权”，则系统会拒绝人员通过，并可能触发警报或者进行进一步的处理。

也即，在最后，服务器可以根据门禁验证标签预测结果，对目标楼宇门禁采集图像做出相应的门禁验证输出。如果预测标签是“允许进入”，则服务器可以向目标楼宇的门禁系统发送一个开锁信号，允许员工进入。如果预测标签是“拒绝进入”，则服务器可以发送一个保持门锁状态的信号，并可能触发警报或通知管理员，这样，通过整个流程，服务器能够实现对目标楼宇门禁采集图像的快速、准确的验证。

基于以上步骤，通过获取目标楼宇门禁采集图像及其参考楼宇门禁节点，再获取与这些节点对应的已经过知识学习的图像识别网络，使得门禁系统能够根据实际情况选择最适合的图像识别模型，从而提高了识别的准确性。其次，利用完成知识学习的图像识别网络对目标楼宇门禁采集图像的活体特征空间表示进行门禁验证知识网络映射，生成目标门禁验证知识矢量序列。这种方法不仅能够有效提取图像中的活体特征，还能将这些特征映射到门禁验证的知识空间中，进一步增强了验证的精确性和可靠性。再者，通过对目标门禁验证知识矢量序列进行分簇，生成目标楼宇门禁采集图像的分簇结果，能够更细致地划分图像特征，有助于后续的门禁验证标签预测。接着，利用图像识别网络对分簇结果进行门禁验证标签预测，能够准确生成目标楼宇门禁采集图像的门禁验证标签预测结果，基于门禁验证标签预测结果，对目标楼宇门禁采集图像进行门禁验证输出，实现了高效、准确的门禁控制，提升了楼宇的安全性。由此，本申请实施例显著提高了楼宇门禁系统的识别准确性和验证效率。

在一种可能的实施方式中，在获取所述参考楼宇门禁节点和目标楼宇门禁节点对应的完成知识学习的图像识别网络的步骤之前，所述方法还包括：

步骤S101，获取样例学习数据，所述样例学习数据包括第一楼宇门禁节点下的第一无监督楼宇门禁采集图像和第一监督楼宇门禁采集图像、以及第二楼宇门禁节点下的第二无监督楼宇门禁采集图像和第二监督楼宇门禁采集图像，所述第一监督楼宇门禁采集图像的规模大于所述第二监督楼宇门禁采集图像的规模，所述第一楼宇门禁节点包括所述目标楼宇门禁节点，所述第二楼宇门禁节点包括所述参考楼宇门禁节点。

步骤S102，获取初始化的图像识别网络。

步骤S103，基于所述样例学习数据对所述初始化的图像识别网络进行知识学习，生成所述完成知识学习的图像识别网络。

本实施例中，服务器从多个楼宇门禁系统中收集样例学习数据，这些数据包括两个楼宇门禁节点的数据：第一楼宇门禁节点（包含目标楼宇门禁节点）和第二楼宇门禁节点（包含参考楼宇门禁节点）。

从第一楼宇门禁节点，服务器获取了第一无监督楼宇门禁采集图像和第一监督楼宇门禁采集图像，这些楼宇门禁采集图像可以是在不同时间段、不同光照条件下捕获的，包含了各种角度和表情的人脸图像。第一监督楼宇门禁采集图像是带有标签的，标签指明了图像中的人员是否有权限进入楼宇。由于是第一楼宇门禁节点的数据，因此其监督图像的规模相对较大，提供了丰富的训练样本。

从第二楼宇门禁节点，服务器获取了第二无监督楼宇门禁采集图像和第二监督楼宇门禁采集图像，这些数据的特点和第一楼宇门禁节点的数据类似，但由于是第二楼宇门禁节点的数据，其监督图像的规模相对较小。

服务器从预先构建的模型库中获取一个初始化的图像识别网络，该网络是一个深度学习模型，设计用于图像分类和识别任务。在初始化阶段，网络的权重和参数是随机设置的，需要通过训练来进行优化。

服务器利用收集到的样例学习数据对初始化的图像识别网络进行训练。首先，服务器将第一无监督楼宇门禁采集图像和第二无监督楼宇门禁采集图像输入到网络中，让网络学习如何从这些无标签的图像中提取有用的特征，该过程被称为无监督学习，它有助于网络理解图像的基本结构和内容。接下来，服务器利用第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像对网络进行有监督训练，这些图像带有标签，指明了图像中的人员是否有楼宇进入权限。网络通过学习这些标签与图像特征之间的关系，逐渐优化其权重和参数，从而提高对门禁采集图像的识别准确率。

在训练过程中，服务器还采用了迁移学习的策略。由于第一监督楼宇门禁采集图像的规模大于第二监督楼宇门禁采集图像的规模，服务器首先使用第一楼宇门禁节点的数据进行训练，然后将学到的知识迁移到第二楼宇门禁节点的数据上，这种迁移学习的方式有助于充分利用有限的监督数据，提高网络的泛化能力。

经过上述训练过程，服务器得到了一个完成知识学习的图像识别网络，该网络已经学会了如何从门禁采集图像中提取有用的特征，并根据这些特征判断图像中的人员是否有权限进入楼宇。服务器将这个训练好的网络保存起来，以便后续在门禁验证任务中使用。

在一种可能的实施方式中，所述初始化的图像识别网络包括门禁特征映射子网络、图像特征分簇子网络和门禁验证标签预测子网络，步骤S103包括：

步骤S1031，对所述第一无监督楼宇门禁采集图像和第一监督楼宇门禁采集图像进行编码，生成第一图像编码特征表示。

本实施例中，服务器首先使用编码技术对第一楼宇门禁节点（包含目标楼宇门禁节点）收集到的无监督和监督门禁采集图像进行编码处理，该过程涉及将图像数据转换为一种数学表示形式，即第一图像编码特征表示，它能够捕捉到图像中的关键信息，如人脸的轮廓、眼睛、鼻子等特征的位置和形状，同时忽略掉不重要的细节。

步骤S1032，对所述第二无监督楼宇门禁采集图像和第二监督楼宇门禁采集图像进行编码，生成第二图像编码特征表示。

与步骤S1031类似，服务器对第二楼宇门禁节点（包含参考楼宇门禁节点）的无监督和监督门禁采集图像进行编码，生成第二图像编码特征表示，这些第二图像编码特征表示将作为后续门禁特征映射、图像特征分簇和门禁验证标签预测的基础。

步骤S1033，基于所述门禁特征映射子网络对所述第二图像编码特征表示进行门禁特征映射，生成第三图像编码特征表示。

本实施例中，服务器接下来利用门禁特征映射子网络，对第二图像编码特征表示进行进一步处理，该门禁特征映射子网络被设计用来学习如何将第二楼宇门禁节点的图像特征映射到第一楼宇门禁节点的特征空间。通过这种映射，服务器可以生成与第一楼宇门禁节点更为一致的第三图像编码特征表示，从而消除不同楼宇门禁节点间的数据差异。

步骤S1034，基于所述图像特征分簇子网络对所述第一图像编码特征表示和所述第三图像编码特征表示进行分簇，生成分簇结果。

本实施例中，服务器使用图像特征分簇子网络对第一图像编码特征表示和第三图像编码特征表示进行分簇，该分簇过程是根据图像特征之间的相似性将它们分组，使得同一组（即簇）内的图像特征尽可能相似。分簇结果揭示了不同图像之间的内在联系，有助于后续的门禁验证标签预测。

步骤S1035，基于所述分簇结果确定第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇结果，所述分簇结果包括楼宇门禁采集图像对应的分簇归属置信度。

基于分簇结果，服务器确定了第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇归属，并为每个图像分配了一个分簇归属置信度，该置信度反映了图像被正确归入某个簇的可信度，为后续的门禁验证提供了重要依据。

步骤S1036，基于所述第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇结果和对应的门禁验证标签标注数据，对所述门禁特征映射子网络和所述门禁验证标签预测子网络进行联动知识学习，生成完成知识学习的门禁特征映射子网络和完成知识学习的门禁验证标签预测子网络。

服务器利用第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇结果以及对应的门禁验证标签标注数据，对门禁特征映射子网络和门禁验证标签预测子网络进行联动知识学习。在这个过程中，两个子网络通过反向传播算法不断优化其权重和参数，以提高门禁验证的准确性。通过联动学习，这两个子网络能够更好地协同工作，从而提高整个图像识别网络的性能。

步骤S1037，将所述完成知识学习的门禁特征映射子网络、所述图像特征分簇子网络和所述完成知识学习的门禁验证标签预测子网络输出为所述图像识别网络。

最后，服务器将完成知识学习的门禁特征映射子网络、图像特征分簇子网络和完成知识学习的门禁验证标签预测子网络整合在一起，输出为一个完整的图像识别网络，该图像识别网络现在已经具备了从门禁采集图像中提取特征、进行特征映射、图像分簇和门禁验证标签预测的能力，可以应用于实际的楼宇门禁系统中进行身份验证和安全管理。

在一种可能的实施方式中，步骤S1036可以包括：

步骤S1036-1，基于相同门禁验证标签标注数据的楼宇门禁采集图像的分簇结果，对所述门禁特征映射子网络进行知识学习，生成完成知识学习的门禁特征映射子网络。

步骤S1036-2，基于所述第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇结果和门禁验证标签标注数据的映射联系，对所述门禁验证标签预测子网络进行知识学习，生成完成知识学习的门禁验证标签预测子网络。

本实施例中，服务器首先关注那些具有相同门禁验证标签标注数据的楼宇门禁采集图像的分簇结果。例如，有一组图像都被标注为“已授权人员”，并且这些图像在分簇过程中被归入了同一个簇。服务器利用这些具有相同标签且被归入同一簇的图像，对门禁特征映射子网络进行训练。

训练过程中，服务器可以不断调整门禁特征映射子网络的参数，使得该网络能够更好地将不同楼宇门禁节点的图像特征映射到相同的特征空间，这样，无论图像来自哪个楼宇门禁节点，门禁特征映射子网络都能将其转换为具有一致性的特征表示。

通过多次迭代训练，当门禁特征映射子网络在处理具有相同标签的图像时能够产生更为一致的特征映射结果时，服务器认为该网络已经完成了知识学习。此时，服务器将保存训练好的网络参数，生成完成知识学习的门禁特征映射子网络。

在完成门禁特征映射子网络的知识学习后，服务器接下来关注第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇结果与门禁验证标签标注数据之间的映射联系。

服务器将已经过门禁特征映射子网络处理的图像特征输入到门禁验证标签预测子网络中，并同时提供这些图像对应的门禁验证标签标注数据（如“已授权”或“未授权”）。然后，服务器通过反向传播算法等优化技术，调整门禁验证标签预测子网络的权重和参数。

在训练过程中，门禁验证标签预测子网络会逐渐学习到如何从图像特征中准确预测出门禁验证标签。例如，当网络接收到一个特征表示时，它能够根据学习到的映射关系，判断出这个特征对应的图像是属于“已授权人员”还是“未授权人员”。

通过多次迭代训练，并不断调整网络参数以最小化预测标签与实际标签之间的差异，服务器最终能够生成一个完成知识学习的门禁验证标签预测子网络，该网络在处理经过门禁特征映射子网络转换的图像特征时，能够准确地预测出对应的门禁验证标签。

在一种可能的实施方式中，步骤S1036-2包括：

步骤S1036-21，基于所述第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇结果和门禁验证标签标注数据的映射联系，构建目标样例学习数据。

本实施例中，服务器首先根据第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇结果，以及这些第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像对应的门禁验证标签标注数据，来构建目标样例学习数据，这些数据点不仅包含了图像的编码特征（即分簇的结果），还附带了真实的门禁验证标签，如“允许进入”或“拒绝进入”。

例如，服务器可能会将某个分簇中的所有图像及其对应的标签整合起来，形成一个数据集，该数据集就是目标样例学习数据，它将用于训练门禁验证标签预测子网络。

步骤S1036-22，获取所述目标样例学习数据的分簇结果和真实门禁验证标签标注数据。

在构建了目标样例学习数据后，服务器可以提取这些数据中的分簇结果和真实的门禁验证标签。分簇结果代表了图像的特征归类，而真实门禁验证标签则是这些图像在实际门禁系统中的验证结果。

服务器可以将这些数据整理成适合门禁验证标签预测子网络训练的格式，确保数据的准确性和完整性。

步骤S1036-23，将所述目标样例学习数据的分簇结果加载到所述门禁验证标签预测子网络中，生成所述目标样例学习数据的第一预测门禁验证标签数据。

接下来，服务器将目标样例学习数据的分簇结果加载到门禁验证标签预测子网络中，该门禁验证标签预测子网络会根据输入的分簇结果，生成对应的第一预测门禁验证标签数据。

这些预测标签是门禁验证标签预测子网络基于当前的网络参数和权重做出的初步判断。它们可能与真实的门禁验证标签一致，也可能存在偏差。

步骤S1036-24，基于所述第一预测门禁验证标签数据和所述真实门禁验证标签标注数据，对所述门禁验证标签预测子网络进行知识学习，生成完成知识学习的门禁验证标签预测子网络。

最后，服务器可以利用第一预测门禁验证标签数据和真实门禁验证标签标注数据进行对比。通过计算两者之间的差异，服务器可以评估门禁验证标签预测子网络的性能。

基于这种评估，服务器可以使用优化算法（如梯度下降）来调整门禁验证标签预测子网络的参数和权重，该过程会反复进行，直到门禁验证标签预测子网络的预测性能达到一个预设的标准或不再有明显的提升。

当门禁验证标签预测子网络的预测准确率足够高时，服务器可以停止训练，并保存当前的网络参数和权重。此时，这个门禁验证标签预测子网络就被认为是完成了知识学习的门禁验证标签预测子网络，可以用于实际的楼宇门禁系统中进行门禁验证标签的预测。

在一种可能的实施方式中，步骤S1036-1包括：

步骤S1036-11，将相同门禁验证标签标注数据的楼宇门禁采集图像的分簇结果加载到所述门禁验证标签预测子网络中，生成所述相同门禁验证标签标注数据的楼宇门禁采集图像的第二预测门禁验证标签数据。

步骤S1036-12，基于所述第二预测门禁验证标签数据和所述相同门禁验证标签标注数据，对所述门禁特征映射子网络进行知识学习，生成完成知识学习的门禁特征映射子网络。

本实施例中，服务器首先选取那些具有相同门禁验证标签标注数据的楼宇门禁采集图像，并将这些楼宇门禁采集图像的分簇结果加载到门禁验证标签预测子网络中。例如，服务器选择了一组都被标注为“员工”的楼宇门禁采集图像，这些楼宇门禁采集图像在之前的步骤中已经被分簇处理。

当这些分簇结果输入到门禁验证标签预测子网络中时，网络会根据其当前学习到的权重和参数，为每一个分簇结果生成一个预测的门禁验证标签，这些标签被称为第二预测门禁验证标签数据。在这个过程中，服务器是在利用已有的网络模型对具有相同标签的数据进行预测，以检验模型的准确性。

一旦服务器获得了第二预测门禁验证标签数据，可以将这些预测标签与原始的、相同的门禁验证标签标注数据进行对比，该对比过程是为了找出预测标签与真实标签之间的差异。

例如，如果某个分簇的图像被真实标注为“员工”，但门禁验证标签预测子网络给出的预测标签是“访客”，那么服务器就会识别出一个错误。通过这种对比，服务器能够量化模型的预测性能，并找出模型需要改进的地方。

接下来，服务器可以使用这些差异信息（即预测错误）来对门禁特征映射子网络进行知识学习，这通常涉及到调整网络的权重和参数，以便在下一次预测时能够更准确地映射特征，并减少预测错误。服务器可能会采用诸如反向传播等优化算法来更新网络的权重。

这个过程会反复进行，每次迭代都会使门禁特征映射子网络的性能得到提升，直到其预测性能达到一个可接受的水平或不再有明显的改进空间。最终，服务器可以保存经过优化后的门禁特征映射子网络的权重和参数，这个网络现在被认为是完成了知识学习的门禁特征映射子网络，可以更有效地将不同楼宇门禁节点的图像特征映射到统一的特征空间，从而提高后续门禁验证的准确性。

在一种可能的实施方式中，在所述获取目标楼宇门禁采集图像的步骤之后，还包括：

步骤S111，对所述目标楼宇门禁采集图像进行关键特征区域定位，生成所述目标楼宇门禁采集图像所包括的关键特征。

步骤S112，对所述关键特征进行自注意力处理，生成所述关键特征对应的自注意力特征。

步骤S113，基于所述关键特征对应的自注意力特征，生成所述目标楼宇门禁采集图像的活体特征空间表示。

本实施例中，服务器在获取到目标楼宇门禁采集图像后，首先会对这些目标楼宇门禁采集图像进行关键特征区域定位，该过程中，服务器可能会利用计算机视觉技术，如深度学习模型中的目标检测或人脸识别算法，来识别图像中的关键区域，比如人脸的五官特征、皮肤纹理等。

例如，如果目标楼宇门禁采集图像中是一个人的脸部，服务器可以定位到眼睛、鼻子、嘴巴等关键特征区域，这些区域对于后续的身份验证和活体检测至关重要。

在定位到关键特征区域后，服务器可以进一步提取这些区域的具体特征，这可以包括眼睛的形状、瞳孔的大小和位置、鼻子的轮廓、嘴巴的形状和纹理等，这些特征被提取出来后，就形成了图像的关键特征集。

这些关键特征不仅包含了丰富的身份信息，还有助于在后续步骤中判断图像是否来自一个真实的、活体的人脸，而不是照片或视频等伪造物。

接下来，服务器可以对提取出的关键特征进行自注意力处理，该过程中，服务器可以利用自注意力机制来让模型自动学习到哪些特征对于身份验证和活体检测更为重要。

具体来说，自注意力机制会计算每个特征与其他特征之间的关联性，并根据这些关联性为每个特征分配不同的权重，这样，重要的特征会得到更多的关注，而次要的特征则会被相对忽视。

例如，在人脸识别中，眼睛的特征可能对于身份验证尤为重要，因此在进行自注意力处理后，眼睛的特征可能会被赋予更高的权重。

最后，基于自注意力处理后的关键特征，服务器可以生成目标楼宇门禁采集图像的活体特征空间表示，该表示是一个高维的向量，它编码了图像中的关键信息和特征之间的关联性。

这个活体特征空间表示将被用于后续的身份验证和活体检测任务。通过与预先存储的合法用户的特征进行比对，服务器可以判断当前采集的图像是否来自一个合法的、活体的用户，从而决定是否允许其通过楼宇门禁系统。

在一种可能的实施方式中，步骤S130可以包括：

步骤S131，利用人脸检测和关键点定位算法对所述目标楼宇门禁采集图像进行关键特征区域定位，生成关键特征区域。

步骤S132，对定位出的关键特征区域进行自注意力处理，将提取出的自注意力特征进行融合，形成活体特征空间表示。

步骤S133，将生成的活体特征空间表示作为输入，传递给已经加载的完成知识学习的图像识别网络中的门禁特征映射子网络，以通过所述门禁特征映射子网络将接收到的活体特征空间表示进行非线性变换，映射到一个新的特征空间，通过多层的卷积操作、池化操作和激活函数的非线性变换，提取出高阶特征表示，作为所述目标门禁验证知识矢量序列。

本实施例中，服务器首先利用先进的人脸检测和关键点定位算法对目标楼宇门禁采集图像进行处理。例如，当服务器接收到一张门禁系统的摄像头捕捉到的脸部图像时，它会运用算法迅速识别出图像中的人脸，并精确定位到脸部的关键特征区域，如眼睛、鼻子、嘴巴等部位的轮廓和位置。

这个过程中，服务器可以采用深度学习模型，如基于卷积神经网络（CNN）的人脸检测算法，这些算法经过大量数据的训练，能够准确地识别出人脸并定位其关键特征区域。

定位出关键特征区域后，服务器可以对这些关键特征区域进行自注意力处理，这意味着服务器可以分析每个关键特征区域的重要性，并为其分配不同的权重。例如，眼睛区域在人脸识别中通常具有较高的重要性，因此在自注意力处理过程中可能会被赋予更大的权重。

接下来，服务器将提取出的自注意力特征进行融合，该过程类似于将各个关键特征区域的信息进行汇总，以形成一个全面且具代表性的活体特征空间表示，该活体特征空间表示不仅包含了脸部的各个关键特征，还反映了这些特征之间的相对重要性和关联性。

一旦形成了活体特征空间表示，服务器可以将其作为输入，传递给已经加载的完成知识学习的图像识别网络中的门禁特征映射子网络，该子网络经过专门的训练，能够将接收到的活体特征空间表示进行非线性变换，映射到一个新的特征空间。

在这个过程中，门禁特征映射子网络会通过多层的卷积操作、池化操作和激活函数的非线性变换，逐步提取出图像中的高阶特征表示，这些高阶特征不仅包含了图像的局部信息，还捕捉到了图像的全局结构和上下文关系。

经过门禁特征映射子网络的非线性变换后，服务器可以提取出高阶特征表示，这个高阶特征表示就是目标门禁验证知识矢量序列，该目标门禁验证知识矢量序列编码了图像中的关键信息和特征之间的复杂关系，是后续门禁验证决策的重要依据。

服务器可以将这个目标门禁验证知识矢量序列存储在内存中，并与其他相关数据进行关联，以便后续的身份验证和门禁控制操作。例如，当有人尝试通过门禁系统时，服务器可以快速检索和比对存储的目标门禁验证知识矢量序列，以确定该人是否有权限通过。

在一种可能的实施方式中，步骤S131包括：

步骤S1311，利用Haar级联分类器对所述目标楼宇门禁采集图像进行扫描，识别出所述目标楼宇门禁采集图像中的人脸区域。

步骤S1312，获取所述人脸区域的坐标信息，基于所述人脸区域的坐标信息，通过关键点定位算法在所述人脸区域上定位面部的关键特征点。

步骤S1313，基于定位出的关键特征点，确定关键特征区域。

本实施例中，服务器首先启动Haar级联分类器，这是一种常用于人脸检测的机器学习算法。当服务器接收到目标楼宇门禁系统采集的图像时，它会使用Haar级联分类器对图像进行逐行扫描，该分类器通过训练学习到了人脸的特有特征，如眼睛、鼻子和嘴巴的相对位置和形状。

在扫描过程中，Haar级联分类器会快速识别出图像中可能存在的人脸区域，并初步标记出这些区域，这些区域通常是以矩形框的形式表示，框选出了图像中疑似人脸的部分。

一旦Haar级联分类器完成了对图像的扫描并识别出了人脸区域，服务器可以进一步处理这些数据。它会提取出每个人脸区域的坐标信息，这些信息包括人脸区域在图像中的位置（如左上角和右下角的坐标）以及区域的大小，这些坐标信息是后续处理的关键，因为它们为服务器提供了精确的位置指引，使得服务器能够准确地定位到图像中的人脸部分。

在获取了人脸区域的坐标信息后，服务器可以利用这些坐标信息来启动关键点定位算法，该算法的目的是在已识别出的人脸区域上精确定位出面部的关键特征点，如眼睛的内外角、鼻尖、嘴角等。

关键点定位算法通常会采用深度学习或计算机视觉技术，通过分析人脸区域的形状、纹理和轮廓等信息来精确识别出这些关键特征点的位置，这些特征点不仅是人脸识别的重要参考，也是后续确定关键特征区域的基础。

基于定位出的关键特征点，服务器可以进一步确定关键特征区域，这些区域通常是围绕关键特征点划定的一定范围，如眼睛周围区域、鼻子区域和嘴巴区域等。

确定这些关键特征区域的过程是为了后续能够对这些区域进行更细致的分析和处理，比如提取特征、进行比对等，这些区域的选择和划定对于提高人脸识别的准确性和可靠性至关重要。通过上述步骤，服务器能够准确地从目标楼宇门禁采集图像中定位出人脸的关键特征区域，为后续的身份验证和识别提供了坚实的基础。

图2示出了本申请实施例提供的用于实现上述的应用于楼宇门禁系统的图像识别方法的应用于楼宇门禁系统的图像识别系统100的硬件结构意图，如图2所示，应用于楼宇门禁系统的图像识别系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。

一种可能的设计中，应用于楼宇门禁系统的图像识别系统100可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，应用于楼宇门禁系统的图像识别系统100可以是分布式的系统)。在一些实施例中，应用于楼宇门禁系统的图像识别系统100可以是本地的，也可以是远程的。例如，应用于楼宇门禁系统的图像识别系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，应用于楼宇门禁系统的图像识别系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些实施例中，应用于楼宇门禁系统的图像识别系统100可以在应用于楼宇门禁系统的图像识别系统上实施。仅作为示例，该应用于楼宇门禁系统的图像识别系统可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

机器可读存储介质120可以存储数据和/或指令。在一些实施例中，机器可读存储介质120可以存储从外部终端获取的数据。在一些实施例中，机器可读存储介质120可以存储应用于楼宇门禁系统的图像识别系统100用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。

在具体实现过程中，一个或多个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的应用于楼宇门禁系统的图像识别方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作。

处理器110的具体实现过程可参见上述应用于楼宇门禁系统的图像识别系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上应用于楼宇门禁系统的图像识别方法。

应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。

Claims (10)

1.一种应用于楼宇门禁系统的图像识别方法，其特征在于，所述方法包括：

获取目标楼宇门禁采集图像及所述目标楼宇门禁采集图像的参考楼宇门禁节点；

获取所述参考楼宇门禁节点和目标楼宇门禁节点对应的完成知识学习的图像识别网络；

利用所述完成知识学习的图像识别网络对所述目标楼宇门禁采集图像的活体特征空间表示进行门禁验证知识网络映射，生成所述目标楼宇门禁采集图像在所述目标楼宇门禁节点中的目标门禁验证知识矢量序列；

利用所述完成知识学习的图像识别网络对所述目标门禁验证知识矢量序列进行分簇，生成所述目标楼宇门禁采集图像的分簇结果；

利用所述完成知识学习的图像识别网络对所述分簇结果进行门禁验证标签预测，生成所述目标楼宇门禁采集图像的门禁验证标签预测结果；

基于所述门禁验证标签预测结果，对所述目标楼宇门禁采集图像进行门禁验证输出。

2.根据权利要求1所述的应用于楼宇门禁系统的图像识别方法，其特征在于，在获取所述参考楼宇门禁节点和目标楼宇门禁节点对应的完成知识学习的图像识别网络的步骤之前，所述方法还包括：

获取样例学习数据，所述样例学习数据包括第一楼宇门禁节点下的第一无监督楼宇门禁采集图像和第一监督楼宇门禁采集图像、以及第二楼宇门禁节点下的第二无监督楼宇门禁采集图像和第二监督楼宇门禁采集图像，所述第一监督楼宇门禁采集图像的规模大于所述第二监督楼宇门禁采集图像的规模，所述第一楼宇门禁节点包括所述目标楼宇门禁节点，所述第二楼宇门禁节点包括所述参考楼宇门禁节点；

获取初始化的图像识别网络；

基于所述样例学习数据对所述初始化的图像识别网络进行知识学习，生成所述完成知识学习的图像识别网络。

3.根据权利要求2所述的应用于楼宇门禁系统的图像识别方法，其特征在于，所述初始化的图像识别网络包括门禁特征映射子网络、图像特征分簇子网络和门禁验证标签预测子网络，所述基于所述样例学习数据对所述初始化的图像识别网络进行知识学习，生成所述完成知识学习的图像识别网络的步骤，包括：

对所述第一无监督楼宇门禁采集图像和第一监督楼宇门禁采集图像进行编码，生成第一图像编码特征表示；

对所述第二无监督楼宇门禁采集图像和第二监督楼宇门禁采集图像进行编码，生成第二图像编码特征表示；

基于所述门禁特征映射子网络对所述第二图像编码特征表示进行门禁特征映射，生成第三图像编码特征表示；

基于所述图像特征分簇子网络对所述第一图像编码特征表示和所述第三图像编码特征表示进行分簇，生成分簇结果；

基于所述分簇结果确定第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇结果，所述分簇结果包括楼宇门禁采集图像对应的分簇归属置信度；

基于所述第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇结果和对应的门禁验证标签标注数据，对所述门禁特征映射子网络和所述门禁验证标签预测子网络进行联动知识学习，生成完成知识学习的门禁特征映射子网络和完成知识学习的门禁验证标签预测子网络；

将所述完成知识学习的门禁特征映射子网络、所述图像特征分簇子网络和所述完成知识学习的门禁验证标签预测子网络输出为所述图像识别网络。

4.根据权利要求3所述的应用于楼宇门禁系统的图像识别方法，其特征在于，所述基于所述第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇结果和对应的门禁验证标签标注数据，对所述门禁特征映射子网络和所述门禁验证标签预测子网络进行联动知识学习，生成完成知识学习的门禁特征映射子网络和完成知识学习的门禁验证标签预测子网络的步骤，包括：

基于相同门禁验证标签标注数据的楼宇门禁采集图像的分簇结果，对所述门禁特征映射子网络进行知识学习，生成完成知识学习的门禁特征映射子网络；

基于所述第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇结果和门禁验证标签标注数据的映射联系，对所述门禁验证标签预测子网络进行知识学习，生成完成知识学习的门禁验证标签预测子网络。

5.根据权利要求4所述的应用于楼宇门禁系统的图像识别方法，其特征在于，所述基于所述第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇结果和门禁验证标签标注数据的映射联系，对所述门禁验证标签预测子网络进行知识学习，生成完成知识学习的门禁验证标签预测子网络的步骤，包括：

基于所述第一监督楼宇门禁采集图像和第二监督楼宇门禁采集图像的分簇结果和门禁验证标签标注数据的映射联系，构建目标样例学习数据；

获取所述目标样例学习数据的分簇结果和真实门禁验证标签标注数据；

将所述目标样例学习数据的分簇结果加载到所述门禁验证标签预测子网络中，生成所述目标样例学习数据的第一预测门禁验证标签数据；

基于所述第一预测门禁验证标签数据和所述真实门禁验证标签标注数据，对所述门禁验证标签预测子网络进行知识学习，生成完成知识学习的门禁验证标签预测子网络。

6.根据权利要求4所述的应用于楼宇门禁系统的图像识别方法，其特征在于，所述基于相同门禁验证标签标注数据的楼宇门禁采集图像的分簇结果，对所述门禁特征映射子网络进行知识学习，生成完成知识学习的门禁特征映射子网络的步骤，包括：

将相同门禁验证标签标注数据的楼宇门禁采集图像的分簇结果加载到所述门禁验证标签预测子网络中，生成所述相同门禁验证标签标注数据的楼宇门禁采集图像的第二预测门禁验证标签数据；

基于所述第二预测门禁验证标签数据和所述相同门禁验证标签标注数据，对所述门禁特征映射子网络进行知识学习，生成完成知识学习的门禁特征映射子网络。

7.根据权利要求1-6中任意一项所述的应用于楼宇门禁系统的图像识别方法，其特征在于，在所述获取目标楼宇门禁采集图像的步骤之后，还包括：

对所述目标楼宇门禁采集图像进行关键特征区域定位，生成所述目标楼宇门禁采集图像所包括的关键特征；

对所述关键特征进行自注意力处理，生成所述关键特征对应的自注意力特征；

基于所述关键特征对应的自注意力特征，生成所述目标楼宇门禁采集图像的活体特征空间表示。

8.根据权利要求1-6中任意一项所述的应用于楼宇门禁系统的图像识别方法，其特征在于，所述利用所述完成知识学习的图像识别网络对所述目标楼宇门禁采集图像的活体特征空间表示进行门禁验证知识网络映射，生成所述目标楼宇门禁采集图像在所述目标楼宇门禁节点中的目标门禁验证知识矢量序列的步骤，包括：

利用人脸检测和关键点定位算法对所述目标楼宇门禁采集图像进行关键特征区域定位，生成关键特征区域；

对定位出的关键特征区域进行自注意力处理，将提取出的自注意力特征进行融合，形成活体特征空间表示；

将生成的活体特征空间表示作为输入，传递给已经加载的完成知识学习的图像识别网络中的门禁特征映射子网络，以通过所述门禁特征映射子网络将接收到的活体特征空间表示进行非线性变换，映射到一个新的特征空间，通过多层的卷积操作、池化操作和激活函数的非线性变换，提取出高阶特征表示，作为所述目标门禁验证知识矢量序列。

9.根据权利要求8所述的应用于楼宇门禁系统的图像识别方法，其特征在于，所述利用人脸检测和关键点定位算法对所述目标楼宇门禁采集图像进行关键特征区域定位，生成关键特征区域的步骤，包括：

利用Haar级联分类器对所述目标楼宇门禁采集图像进行扫描，识别出所述目标楼宇门禁采集图像中的人脸区域；

获取所述人脸区域的坐标信息，基于所述人脸区域的坐标信息，通过关键点定位算法在所述人脸区域上定位面部的关键特征点；

基于定位出的关键特征点，确定关键特征区域。

10.一种应用于楼宇门禁系统的图像识别系统，其特征在于，所述应用于楼宇门禁系统的图像识别系统包括处理器和存储器，所述存储器和所述处理器连接，所述存储器用于存储程序、指令或代码，所述处理器用于执行所述存储器中的程序、指令或代码，以实现上述权利要求1-9任意一项所述的应用于楼宇门禁系统的图像识别方法。