CN108364374A - 基于深度学习的人脸门禁控制装置及方法 - Google Patents

Abstract

本发明涉及门禁控制领域，提供了一种基于深度学习的人脸门禁控制装置，包括人脸库、图像采集部、人脸检测部、人脸识别部以及门禁控制部。还提供一种基于深度学习的人脸门禁控制方法，包括如下步骤：S1，采用人脸库将内部人员的人脸信息录入并储存；S2，采用图像采集部来采集现场图像；S3，采用人脸检测部来检测采集的所述现场图像中是否出现人脸图像；S4，采用人脸识别部来将检测到的所述人脸图像与所述人脸库中的人脸信息进行比对；S5，采用门禁控制部来接收所述人脸识别部传来的比对信息并控制大门是否开启。本发明通过采集、检测以及识别后与人脸库中的人脸信息进行比对，实现门禁功能，能够适用于整个小区、学校以及厂房等人员众多的场合。

Description

基于深度学习的人脸门禁控制装置及方法

技术领域

本发明涉及门禁控制领域，具体为基于深度学习的人脸门禁控制装置及方法。

背景技术

随着科学技术的快速发展，门禁***已部署到很多公司、企业、学校、厂房等地方，目前的门禁***大都需要出入的人员佩戴对应的门卡，刷卡才能进入，或者需输入指纹信息，还有一种只要红外感应到人员靠近会自动开门，这些场景可满足基本的门禁需求，但有其他问题，如人员忘记带门卡，指纹输入需耗时，红外检测不能排除外来人员，这时如能自动检测人员的人脸信息并判断是否属于内部人员，属于内部人员则控制门禁进行开门操作，这样方便人员进入，可以更好的控制门禁***。

申请号为CN201410809509.0的中国发明专利《一种三维人脸门禁识别***》，其主要特点是包括人脸图像采集***，图像处理客户端，无线通讯模块，对比服务器，数据存储服务器，报警器和门锁单片机，人脸图像采集***将采集的图像传至图像处理客户端，图像处理客户端通过自身内置的工具对图像进行处理并合并成为一副三维人脸图像，合成后的三维人脸图像与对比服务器内预存的三维人脸数据库进行对比，如果有相符的，则发出开门指令至门锁单片机，否则发送警示指令，由主人决定是否开门。本发明比二维码识别技术安全性更高，采用双摄像头采集人脸图像，然后合成为三维图像，相较于利用激光扫描的三维图像成本更低，在家庭中适用范围更广。但是其人脸信息的处理都在客户端处，增加了客户端处理数据的压力，不可能达到大数据量的处理，所以只能主要应用于家庭场景，另外采用三维图像需保存的数据量也较大。

发明内容

本发明的目的在于提供一种基于深度学习的人脸门禁控制装置及方法，至少可以解决现有技术中的部分缺陷。

为实现上述目的，本发明实施例提供一种技术方案：一种基于深度学习的人脸门禁控制装置，包括人脸库、图像采集部、人脸检测部、人脸识别部以及门禁控制部；

所述人脸库，用于录入并储存内部人员人脸信息；

所述图像采集部，用于采集现场图像；

所述人脸检测部，用于检测采集的所述现场图像中是否出现人脸图像；

所述人脸识别部，用于将检测到的所述人脸图像与所述人脸库中的人脸信息进行比对；

所述门禁控制部，用于接收所述人脸识别部传来的比对信息并控制大门是否开启。

进一步，所述图像采集部至少包括视频采集模块、视频预处理模块、视频编码模块模块、图片抓拍模块、网络传输模块；

所述视频采集模块，用于采集实时视频；

所述视频预处理模块，用于对所述实时视频进行白平衡以及曝光处理；

所述视频编码模块，用于对所述实时视频的视频数据流进行压缩编码；

所述图片抓拍模块，用于对检测到的人脸图像的帧画面进行压缩编码并制成图片格式的人脸图片；

所述网络传输模块，用于将检测到的所述人脸图片以及压缩编码后的视频数据通过网络传输给其他各部，所述其他各部分别为图像采集部、人脸检测部、人脸识别部以及门禁控制部。

进一步，所述人脸检测部至少包括实时图像接收模块、图像解析模块以及人脸检测模块；

所述实时图像接收模块，用于接收图像采集部采集到的实时的现场图像；

所述图像解析模块，用于解析接收的所述现场图像中是否存在人脸，出现的人脸是否为第一次出现，防止一个人脸多次触发识别；

所述人脸检测模块，用于检测接收的所述现场图像中的人脸信息，并定位该人脸信息在所述人脸库中的坐标。

进一步，所述人脸识别部至少包括人脸图像接收模块、人脸图像比对模块以及人脸比对算法模块；

所述人脸图像接收模块，用于接收所述人脸图像；

所述人脸图像比对模块，用于将接收的人脸图像的数据与人脸库中的数据进行比对，判断人脸库中是否有满足的人脸；

人脸比对算法模块，用于通过深度学习的算法进行比对。

进一步，所述图像采集部还包括摄像机，所述摄像机安设于所述大门上。

本发明实施例还提供另一种技术方案：一种基于深度学习的人脸门禁控制方法，包括如下步骤：

S1，预先采用人脸库将内部人员的人脸信息录入并储存；

S2，采用图像采集部来采集现场图像；

S3，采用人脸检测部来检测采集的现场图像，并判断是否出现人脸图像；

S4，采用人脸识别部获取所述人脸检测不检测到的人脸图像，并将该人脸图像与所述人脸库中的人脸信息进行比对，得到比对结果；

S5，将所述比对结果传送至门禁控制部，所述门禁控制部接收所述对比结果并控制大门是否开启。

进一步，所述S2步骤中，采集的具体步骤为：

S21，采用视频采集模块来采集实时视频；

S22，采用视频预处理模块来对所述实时视频进行白平衡以及曝光处理；

S23，采用视频编码模块来对所述实时视频的视频数据流进行压缩编码；

S24，采用图片抓拍模块来对检测到的人脸图像的帧画面进行压缩编码并制成图片格式的人脸图片；

S25，采用网络传输模块来将检测到的所述人脸图片以及压缩编码后的视频数据通过网络传输给其他各部，所述其他各部分别为图像采集部、人脸检测部、人脸识别部以及门禁控制部。

进一步，所述S3步骤中，检测的具体步骤为：

S31，采用实时图像接收模块来接收图像采集部采集到的实时的现场图像；

S32，采用图像解析模块来解析接收的所述现场图像中是否存在人脸，若存在，则继续下面的步骤，若不存在，则停止该步骤；

S33，采用人脸检测模块来检测接收的所述现场图像中的人脸信息，并定位该人脸信息在所述人脸库中的坐标，再将该结果发送给所述人脸识别部。

进一步，所述S4步骤中，识别的具体步骤为：

S41，采用人脸图像接收模块来接收所述人脸图像；

S42，采用人脸图像比对模块来将接收的人脸图像的数据与人脸库中的数据通过深度学习的算法进行比对；当比对结果大于或等于设定的百分比，则被认定该人脸属于所述人脸库中的人员，记为正确结果，并将该正确结果传到所述门禁控制部中；当比对结果小于设定的百分比，则被认定该人脸不属于所述人脸库中的人员，记为错误结果，并将该错误结果传到所述门禁控制部中。

进一步，所述S5步骤中，所述门禁控制部接收所述人脸识别部传来的信息，若该比对信息满足开门的条件，则控制大门开启，若该比对信息不满足开门条件，则不开启大门。

与现有技术相比，本发明的有益效果是：不需要使用客户端来处理，直接采集、检测以及识别后就能够与人脸库中的人脸信息进行比对，再由门禁控制部控制是否开门，处理速率快且能够批量处理，不仅适合于家庭等人员较少的场合，还能够适用于整个小区、学校以及厂房等人员众多的场合，可有效地提高现有门禁***的安全性能和增加现有门禁***的适用场地。

附图说明

图1为本发明实施例提供的一种基于深度学习的人脸门禁控制装置的第一原理框图；

图2为本发明实施例提供的一种基于深度学习的人脸门禁控制装置的图像采集部的流程图；

图3为本发明实施例提供的一种基于深度学习的人脸门禁控制装置的人脸检测部的流程图；

图4为本发明实施例提供的一种基于深度学习的人脸门禁控制装置人脸识别部的流程图；

图5为本发明实施例提供的一种基于深度学习的人脸门禁控制装置的第二原理框图；

图6为本发明实施例提供的一种基于深度学习的人脸门禁控制装置采用若干套图像采集部、若干套人脸检测部以及若干套门禁控制部的流程图；

图7为本发明实施例提供的一种基于深度学习的人脸门禁控制方法的步骤流程图。

具体实施方式

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它实施例，都属于本发明保护的范围。

本发明实施例提供一种基于深度学习的人脸门禁控制装置，本控制装置包括人脸库、图像采集部、人脸检测部、人脸识别部以及门禁控制部；其中，人脸库用于录入并储存内部人员人脸信息；图像采集部用于采集现场图像；所述人脸检测部用于检测采集的所述现场图像中是否出现人脸图像；所述人脸识别部用于将检测到的所述人脸图像与所述人脸库中的人脸信息进行比对；所述门禁控制部用于接收所述人脸识别部传来的比对信息并控制大门是否开启，它包括门禁控制模块。本装置不需要使用客户端来处理，直接采集、检测以及识别后就能够与人脸库中的人脸信息进行比对，再由门禁控制部控制是否开门，处理速率快且能够批量处理，不仅适合于家庭等人员较少的场合，还能够适用于整个小区、学校以及厂房等人员众多的场合，可有效地提高现有门禁***的安全性能和增加现有门禁***的适用场地。

具体地，请参阅图1，现场图像传到图像采集部101，其集成在摄像机中，主要负责采集实时视频画面，供后续各部使用，图像采集部101采集到的现场图像由人脸检测部来进行检测，其中人脸检测部具有视频数据分析模块102，它能够对图像采集部采集到的实时视频数据进行分析处理，使用GPU硬件进行深度学习的算法，来检测视频画面中是否存在人脸信息，接下来人脸检测部判断是否检测到人脸103，是，则往下进行，否则重新回到图像采集部101，往下进行会通过传输模块104来将人脸信息保存并通过网络传给后台的人脸识别部，人脸识别部中的图片接收模块105接收传输模块的人脸图片信息，并由图片人脸评分模块106来评价接收到的人脸图片中的人脸信息的评分，判断人脸评分是否大于设定的M107，该M值根据实际情况来设定，当评分大于设定的M值时再进行人脸识别，否则不做处理，以节省流程，开快速度，接下来由人脸识别模块108根据上述的评分结果，当人脸评分大于M时，则会将人脸图片进行人脸识别，判断是否比中数据库中的人脸109，根据人脸识别模块108的结果，判断该人脸是否在人脸数据库中，若不在人脸数据库中，则检查出现频次110，当不在数据库时，但跟实时库比中，统计出现的次数，并且判断人脸出现次数超过设定的阈值N 111，如果超过N(N值根据实际情况设定，可设为三次、四次等不同的次数)就会触发告警模块113进行告警，并通过第一网络传输模块114将人脸告警和频次告警信息通过网络发送出去，若在人脸数据库中，则由门禁控制模块112控制门禁模块115打开大门，还包括客户端模块116，它能够根据第一网络传输模块114的结果，在客户端上显示不同的信息提示用户。

优化上述图像采集部，请参阅图1和图2，图像采集部至少包括视频采集模块202、视频预处理模块203、视频编码模块模块204、图片抓拍模块207、第二网络传输模块208；所述视频采集模块202，用于采集实时视频；所述视频预处理模块203，用于对所述实时视频进行白平衡以及曝光处理；所述视频编码模块204，用于对所述实时视频的视频数据流进行压缩编码；所述图片抓拍模块207，用于对检测到的人脸图像的帧画面进行压缩编码并制成图片格式的人脸图片；所述第二网络传输模块208，用于将检测到的所述人脸图片以及压缩编码后的视频数据通过网络传输给其他各部，所述其他各部分别为图像采集部、人脸检测部、人脸识别部以及门禁控制部。除了这些模块以外，还可以根据实际情况增加一些现有的模块。

具体地，图像采集部还包括摄像机，该摄像机安设于所述大门上，摄像机的镜头201将路过该摄像机的画面捕捉到摄像机的传感器靶面上，视频采集模块202采集镜头透射过来的画面，即实时视频，视频预处理模块203对采集的画面进行处理，主要完成白平衡、曝光等处理，视频编码模块204对视频预处理模块203处理后的图像进行压缩编码，人脸检测模块对处理后的图像进行分析，检测其中是否包含人脸视频预处理模块处理后的图像进行分析，检测其中是否包含人脸，并判断是否检测到人脸206，针对人脸检测模块的结果进行进一步检测，判断是否检测到人脸206，当判断结果为是，图片抓拍模块207对检测到人脸图像的帧画面进行压缩编码并制成图片格式的人脸图片，该图片格式可以是JPG、PNG、GIF以及TIFF等大众图片格式，采用第二网络传输模块208把视频编码模块204编码后的视频数据和图片抓拍模块207编码后的人脸图片数据通过网络发送给其他各部，发送时采用千兆以太网卡209进行发送，可节省发送时间，提高效率。

优化上述人脸检测部，请参阅图1和图3，上述的视频数据分析模块细化为实时图像接收模块302、图像解析模块303以及人脸检测模块304；所述实时图像接收模块，用于接收图像采集部采集到的实时的现场图像；所述图像解析模块，用于解析接收的所述现场图像中是否存在人脸，出现的人脸是否为第一次出现，防止一个人脸多次触发识别；所述人脸检测模块，用于检测接收的所述现场图像中的人脸信息，并定位该人脸信息在所述人脸库中的坐标。除了这些模块以外，还可以根据实际情况增加一些现有的模块。

具体地，采用实时图像接收模块302接收上述图像采集部101采集的实时视频包，由图像解析模块303解析实时图像接收模块302实时视频数据，主要判断上一帧是否有人脸，画面中的人脸是否出现过，防止人脸多次触发检测，再由人脸检测模块304，对图像解析模块303的数据进行检测，主要通过GPU进行深度学习的算法来实现人脸检测，并判断是否检测到人脸305，否，则重新回到上述图像采集部101，是，则进入人脸识别部和门禁控制部的步骤中。

优化上述人脸识别部，请参阅图1以及图4，人脸识别部至少包括人脸图像接收模块、人脸图像比对模块以及人脸比对算法模块；所述人脸图像接收模块，用于接收所述人脸图像；所述人脸图像比对模块，用于将接收的人脸图像的数据与人脸库中的数据进行比对，判断人脸库中是否有满足的人脸；人脸比对算法模块，用于通过深度学习的算法进行比对。除了这些模块以外，还可以根据实际情况增加一些现有的模块。

具体地，采用人脸图像接收模块403接收上述人脸检测部检测到的人脸图像，该图像可以是由图片抓拍模块207处理过的图片，然后采用人脸图像比对模块404，根据人脸图像接收模块403得到的人脸图片数据，对图片进行比对，将图片发送给人脸比对算法服务器405进行比对，再等待算法服务器返回比对的结果，其中，人脸比对算法服务器405采用GPU的深度学习算法进行人脸识别，接下来判断比对出来的人脸分数是否有大于P的406，是，则将结果传送到门禁控制部。门禁控制部中具有电动控制器，它能够控制大门自动打开。

本装置的另一实施例，如图5所示，镜头可将透射路过摄像机的画面传到摄像机的传感器靶面上，图像采集部采集透过镜头的实时视频，图像分析模块检测图像采集部的视频数据，检测其中是否包含人脸信息，判断是否包含人脸，根据图像分析模块的检测结果，判断视频中是否人脸信息，如检测到人脸，则进入人脸识别服务器，该人脸识别服务器包括人脸识别模块，将判断过的人脸的图片进行人脸识别，与人脸库进行对比，判断该人脸是否在人脸库中，判断是否比中人脸，根据人脸识别模块的结果，判断实时人脸是否在人脸库中，如果是则发送告警，且要控制门禁进行开门，采用告警模块将人脸识别模块的比中人脸的告警信息通过网络发送出去，接着，门禁控制模块根据告警模块的告警信息进行开门操作，利用电动控制来控制大门，接受门禁控制模块的指令进行开门操作。

本装置的另一实施例，图6为门禁控制装置采用若干套图像采集部、若干套人脸检测部以及若干套门禁控制部的流程图，在本实施例中，采用多套图像采集部、若干套人脸检测部以及多套门禁控制部，但是仅采用一套人脸识别部作为识别即可。它们的具体实施的过程同上，不再赘述。本实施例可用于整个小区、学校以及厂房等人员众多的场合，可有效地提高现有门禁***的安全性能和增加现有门禁***的适用场地，实现了批量处理的效果。

请参阅图7，本发明实施例还提供一种基于深度学习的人脸门禁控制方法，包括如下步骤：S1，预先采用人脸库将内部人员的人脸信息录入并储存；S2，采用图像采集部来采集现场图像；S3，采用人脸检测部来检测采集的现场图像，并判断是否出现人脸图像；S4，采用人脸识别部获取所述人脸检测不检测到的人脸图像，并将该人脸图像与所述人脸库中的人脸信息进行比对，得到比对结果；S5，将所述比对结果传送至门禁控制部，所述门禁控制部接收所述对比结果并控制大门是否开启。本方法不需要使用客户端来处理，直接采集、检测以及识别后就能够与人脸库中的人脸信息进行比对，再由门禁控制部控制是否开门，处理速率快且能够批量处理，不仅适合于家庭等人员较少的场合，还能够适用于整个小区、学校以及厂房等人员众多的场合，可有效地提高现有门禁***的安全性能和增加现有门禁***的适用场地。

作为本发明实施例的优化方案，S2步骤中，采集的具体步骤为：S21，采用视频采集模块来采集实时视频；S22，采用视频预处理模块来对所述实时视频进行白平衡以及曝光处理；S23，采用视频编码模块来对所述实时视频的视频数据流进行压缩编码；S24，采用图片抓拍模块来对检测到的人脸图像的帧画面进行压缩编码并制成图片格式的人脸图片；S25，采用网络传输模块来将检测到的所述人脸图片以及压缩编码后的视频数据通过网络传输给其他各部，所述其他各部分别为图像采集部、人脸检测部、人脸识别部以及门禁控制部。

作为本发明实施例的优化方案，S3步骤中，检测的具体步骤为：S31，采用实时图像接收模块来接收图像采集部采集到的实时的现场图像；S32，采用图像解析模块来解析接收的所述现场图像中是否存在人脸，若存在，则继续下面的步骤，若不存在，则停止该步骤；S33，采用人脸检测模块来检测接收的所述现场图像中的人脸信息，并定位该人脸信息在所述人脸库中的坐标，再将该结果发送给所述人脸识别部。

作为本发明实施例的优化方案，S4步骤中，识别的具体步骤为：S41，采用人脸图像接收模块来接收所述人脸图像；S42，采用人脸图像比对模块来将接收的人脸图像的数据与人脸库中的数据通过深度学习的算法进行比对；当比对结果大于或等于设定的百分比，则被认定该人脸属于所述人脸库中的人员，记为正确结果，并将该正确结果传到所述门禁控制部中；当比对结果小于设定的百分比，则被认定该人脸不属于所述人脸库中的人员，记为错误结果，并将该错误结果传到所述门禁控制部中。

作为本发明实施例的优化方案，S5步骤中，所述门禁控制部接收所述人脸识别部传来的信息，若该比对信息满足开门的条件，即得到正确结果的信息，则控制大门开启，若该比对信息不满足开门条件，即得到错误结果的信息，则不开启大门。在本实施例中，也可以采用手动的方式来打开大门，可避免脸上受伤或戴口罩等特殊情况无法识别人脸的情况发生。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于深度学习的人脸门禁控制装置，其特征在于：包括人脸库、图像采集部、人脸检测部、人脸识别部以及门禁控制部；

所述人脸库，用于录入并储存内部人员人脸信息；

所述图像采集部，用于采集现场图像；

所述人脸检测部，用于检测采集的所述现场图像中是否出现人脸图像；

所述人脸识别部，用于将检测到的所述人脸图像与所述人脸库中的人脸信息进行比对；

所述门禁控制部，用于接收所述人脸识别部传来的比对信息并控制大门是否开启。

2.如权利要求1所述的一种基于深度学习的人脸门禁控制装置，其特征在于：所述图像采集部至少包括视频采集模块、视频预处理模块、视频编码模块模块、图片抓拍模块、网络传输模块；

所述视频采集模块，用于采集实时视频；

所述视频预处理模块，用于对所述实时视频进行白平衡以及曝光处理；

所述视频编码模块，用于对所述实时视频的视频数据流进行压缩编码；

所述图片抓拍模块，用于对检测到的人脸图像的帧画面进行压缩编码并制成图片格式的人脸图片；

所述网络传输模块，用于将检测到的所述人脸图片以及压缩编码后的视频数据通过网络传输给其他各部，所述其他各部分别为图像采集部、人脸检测部、人脸识别部以及门禁控制部。

3.如权利要求1所述的一种基于深度学习的人脸门禁控制装置，其特征在于：所述人脸检测部至少包括实时图像接收模块、图像解析模块以及人脸检测模块；

所述实时图像接收模块，用于接收图像采集部采集到的实时的现场图像；

所述图像解析模块，用于解析接收的所述现场图像中是否存在人脸，出现的人脸是否为第一次出现，防止一个人脸多次触发识别；

所述人脸检测模块，用于检测接收的所述现场图像中的人脸信息，并定位该人脸信息在所述人脸库中的坐标。

4.如权利要求1所述的一种基于深度学习的人脸门禁控制装置，其特征在于：所述人脸识别部至少包括人脸图像接收模块、人脸图像比对模块以及人脸比对算法模块；

所述人脸图像接收模块，用于接收所述人脸图像；

所述人脸图像比对模块，用于将接收的人脸图像的数据与人脸库中的数据进行比对，判断人脸库中是否有满足的人脸；

人脸比对算法模块，用于通过深度学习的算法进行比对。

5.如权利要求1所述的一种基于深度学习的人脸门禁控制装置，其特征在于：所述图像采集部还包括摄像机，所述摄像机安设于所述大门上。

6.一种基于深度学习的人脸门禁控制方法，其特征在于，包括如下步骤：

S1，预先采用人脸库将内部人员的人脸信息录入并储存；

S2，采用图像采集部来采集现场图像；

S3，采用人脸检测部来检测采集的现场图像，并判断是否出现人脸图像；

S4，采用人脸识别部获取所述人脸检测不检测到的人脸图像，并将该人脸图像与所述人脸库中的人脸信息进行比对，得到比对结果；

S5，将所述比对结果传送至门禁控制部，所述门禁控制部接收所述对比结果并控制大门是否开启。

7.如权利要求6所述的一种基于深度学习的人脸门禁控制方法，其特征在于，所述S2步骤中，采集的具体步骤为：

S21，采用视频采集模块来采集实时视频；

S22，采用视频预处理模块来对所述实时视频进行白平衡以及曝光处理；

S23，采用视频编码模块来对所述实时视频的视频数据流进行压缩编码；

S24，采用图片抓拍模块来对检测到的人脸图像的帧画面进行压缩编码并制成图片格式的人脸图片；

S25，采用网络传输模块来将检测到的所述人脸图片以及压缩编码后的视频数据通过网络传输给其他各部，所述其他各部分别为图像采集部、人脸检测部、人脸识别部以及门禁控制部。

8.如权利要求6所述的一种基于深度学习的人脸门禁控制方法，其特征在于，所述S3步骤中，检测的具体步骤为：

S31，采用实时图像接收模块来接收图像采集部采集到的实时的现场图像；

S32，采用图像解析模块来解析接收的所述现场图像中是否存在人脸，若存在，则继续下面的步骤，若不存在，则停止该步骤；

S33，采用人脸检测模块来检测接收的所述现场图像中的人脸信息，并定位该人脸信息在所述人脸库中的坐标，再将该结果发送给所述人脸识别部。

9.如权利要求6所述的一种基于深度学习的人脸门禁控制方法，其特征在于，所述S4步骤中，识别的具体步骤为：

S41，采用人脸图像接收模块来接收所述人脸图像；

S42，采用人脸图像比对模块来将接收的人脸图像的数据与人脸库中的数据通过深度学习的算法进行比对；当比对结果大于或等于设定的百分比，则被认定该人脸属于所述人脸库中的人员，记为正确结果，并将该正确结果传到所述门禁控制部中；当比对结果小于设定的百分比，则被认定该人脸不属于所述人脸库中的人员，记为错误结果，并将该错误结果传到所述门禁控制部中。

10.如权利要求6所述的一种基于深度学习的人脸门禁控制方法，其特征在于，所述S5步骤中，所述门禁控制部接收所述人脸识别部传来的信息，若该比对信息满足开门的条件，则控制大门开启，若该比对信息不满足开门条件，则不开启大门。