CN111931634A - 一种基于深度学习的校园防护方法和*** - Google Patents
一种基于深度学习的校园防护方法和*** Download PDFInfo
- Publication number
- CN111931634A CN111931634A CN202010784304.7A CN202010784304A CN111931634A CN 111931634 A CN111931634 A CN 111931634A CN 202010784304 A CN202010784304 A CN 202010784304A CN 111931634 A CN111931634 A CN 111931634A
- Authority
- CN
- China
- Prior art keywords
- feature
- neural network
- video
- picture
- network model
- 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
Links
Images
Classifications
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于深度学习的校园防护方法和***,所述方法包括:利用视频摄像头,实时采集监控校园内各路段或场所的人员情况,获取视频对应的多个图像;采集学校信息类***内部存储的学校学生和学校教职工对应的身份图片;建立人脸识别的神经网络模型,利用所述身份图片对所述神经网络模型进行训练;将所述视频采集的多个图像作为所述训练好的神经网络模型的输入,通过所述神经网络对所述多个图像进行识别处理,并输出识别结果;判断是否存在非学校学生和教职工的人员出现,并整合所述非学校学生和教职工的人员的运动路线。所述***包括与所述方法步骤对应的模块。
Description
技术领域
本发明提出了一种基于深度学习的校园防护方法和***,属于防护技术领域。
背景技术
学校是学生学习和生活的主要场所,其安全性尤为重要,现有的校园安全管理基本上是以视频监控为主体,但是,现有的视频监控只停留才视频采集播放和人工监控视频图像的方式来进行校园安全防护,但是这种方式安全监控效率较低,一旦出现问题,需要人工通过视频录像进行排查来获取非在校人员,费时费力,效率极低。
发明内容
本发明提供了一种基于深度学习的校园防护方法和***,用以解决现有校园视频监控过程中,无法自动识别校外人员,安全防护性能较差的问题,所采取的的技术方案如下:
一种基于深度学习的校园防护方法,所述方法包括:
利用视频摄像头,实时采集监控校园内各路段或场所的人员情况,获取视频对应的多个图像;
采集学校信息类***内部存储的学校学生和学校教职工对应的身份图片;
建立人脸识别的神经网络模型,利用所述身份图片对所述神经网络模型进行训练;
将所述视频采集的多个图像作为所述训练好的神经网络模型的输入,通过所述神经网络对所述多个图像进行识别处理,并输出识别结果;
判断是否存在非学校学生和教职工的人员出现,并整合所述非学校学生和教职工的人员的运动路线。
进一步地,利用所述身份图片对所述神经网络模型进行训练,包括:
将所述身份照片进行分辨率降低处理,获得降低分辨率后的初始处理图片;
将所述身份照片进行分辨率升高处理,获得升高分辨率后的次级处理图片;
将所述初始处理图片输入值所述神经网络模型中,通过神经网络模型进行特征提取,获得初级处理图片对应的各特征,并将所述各特征整合为初始特征集合;
将所述次级处理图片输入值所述神经网络模型中,通过神经网络模型进行特征提取,获得次级处理图片对应的各特征,并将所述各特征整合为次级特征集合;
将所述初级处理图片对应的特征集合与次级处理图片对应的特征集合进行比较,并将所述初级处理图片的特征集合中的各特征调整至与次级处理图片特征集合的各特征最大的趋近相同,获得调整后的初级特征集合;
根据调整后的初级特征集合中的各特征还原所述初级处理图片,获取初级处理图片调整后图片;
将所述初级处理图片调整后图片和所述次级处理图片进行区分识别,当无法识别出所述高分辨率图片和所述次级处理图片的区别时,则确定完成此次神经网络训练。
进一步地,将所述视频采集的多个图像作为所述训练好的神经网络模型的输入,通过所述神经网络对所述多个图像进行识别处理,并输出识别结果,包括:
将所述视频采集的多个视频图像输入值神经挖网络模型中,通过神经网络模型将所述视频图像进行图像分辨率调整;
提取所述视频图像中,出现的人脸部分的五官对应的特征点,以及所述特征点对应的位置信息,其中,所述特征点指人脸五官的各像素点;所述位置信息是指所述像素点在人脸范围内分布的各对应位置;
将所述位置信息整合为特征向量,并将所述特征向量与所述身份照片对应的脸部五官各特征点及其位置信息形成的特征向量进行比较,通过相似度模型确定所述特征向量之间的相似度,实现对人脸图像的识别;
当所述相似度低于预设的相似度阈值时,确定所述人脸图像对应的人员为非学校学生和教职工的人员,并对该人员的脸部图像对应的特征集合进行存储。
进一步地,所述相似度模型为:
其中,sim(A,B)表示所述视频图像的特征向量所述身份照片对应的特征向量之间的相似度;A表示所述视频图像的特征向量,且,A=(α1、α2……αn);B表示所述身份照片对应的特征向量,且,B=(β1、β2……βn);当sim(A,B)<0.87时,说明所述相似度低于预设的相似度阈值。
进一步地,所述判断是否存在非学校学生和教职工的人员出现,并整合所述非学校学生和教职工的人员的运动路线,包括:
通过非学校学生和教职工的人员的脸部图像对应的特征集合的比对,识别出每个视频图像中是否存在该人员,对于出现该人员的视频图像进行标记和并记录该人员出现每个视频场景中的时间,获得该人员的时间线;
根据所述时间线整合所述视频图像,并识别出视频图像对应的校园场所和位置,获得与所述时间线对应的非学校学生和教职工的人员的位置信息;
将所述位置信息和时间线进行整合,获取所述非学校学生和教职工的人员的运动路线和时间线。
一种基于深度学习的校园防护***,所述***包括:
图像采集模块,用于利用视频摄像头,实时采集监控校园内各路段或场所的人员情况,获取视频对应的多个图像;
身份采集模块,用于采集学校信息类***内部存储的学校学生和学校教职工对应的身份图片;
模型建立训练模块,用于建立人脸识别的神经网络模型,利用所述身份图片对所述神经网络模型进行训练;
神经网络运行模块,用于将所述视频采集的多个图像作为所述训练好的神经网络模型的输入,通过所述神经网络对所述多个图像进行识别处理,并输出识别结果;
判断模块,用于判断是否存在非学校学生和教职工的人员出现,并整合所述非学校学生和教职工的人员的运动路线。
进一步地,所述模型建立训练模块包括:
分辨率降低模块,用于将所述身份照片进行分辨率降低处理,获得降低分辨率后的初始处理图片;
分辨率升高模块,用于将所述身份照片进行分辨率升高处理,获得升高分辨率后的次级处理图片;
特征提取模块一,用于将所述初始处理图片输入值所述神经网络模型中,通过神经网络模型进行特征提取,获得初级处理图片对应的各特征,并将所述各特征整合为初始特征集合;
特征提取模块二,用于将所述次级处理图片输入值所述神经网络模型中,通过神经网络模型进行特征提取,获得次级处理图片对应的各特征,并将所述各特征整合为次级特征集合;
特征调整模块,用于将所述初级处理图片对应的特征集合与次级处理图片对应的特征集合进行比较,并将所述初级处理图片的特征集合中的各特征调整至与次级处理图片特征集合的各特征最大的趋近相同,获得调整后的初级特征集合;
图像处理模块,用于根据调整后的初级特征集合中的各特征还原所述初级处理图片,获取初级处理图片调整后图片;
识别模块,用于将所述初级处理图片调整后图片和所述次级处理图片进行区分识别,当无法识别出所述高分辨率图片和所述次级处理图片的区别时,则确定完成此次神经网络训练。
进一步地,所述神经网络运行模块包括:
图像输入模块,用于将所述视频采集的多个视频图像输入值神经挖网络模型中,通过神经网络模型将所述视频图像进行图像分辨率调整;
提取模块,用于提取所述视频图像中,出现的人脸部分的五官对应的特征点,以及所述特征点对应的位置信息,其中,所述特征点指人脸五官的各像素点;所述位置信息是指所述像素点在人脸范围内分布的各对应位置;
比较模块,用于将所述位置信息整合为特征向量,并将所述特征向量与所述身份照片对应的脸部五官各特征点及其位置信息形成的特征向量进行比较,通过相似度模型确定所述特征向量之间的相似度,实现对人脸图像的识别;
存储模块,用于当所述相似度低于预设的相似度阈值时,确定所述人脸图像对应的人员为非学校学生和教职工的人员,并对该人员的脸部图像对应的特征集合进行存储。
进一步地,所述相似度模型为:
其中,sim(A,B)表示所述视频图像的特征向量所述身份照片对应的特征向量之间的相似度;A表示所述视频图像的特征向量,且,A=(α1、α2……αn);B表示所述身份照片对应的特征向量,且,B=(β1、β2……βn);当sim(A,B)<0.87时,说明所述相似度低于预设的相似度阈值。
进一步地,所述判断模块包括:
时间模块,用于通过非学校学生和教职工的人员的脸部图像对应的特征集合的比对,识别出每个视频图像中是否存在该人员,对于出现该人员的视频图像进行标记和并记录该人员出现每个视频场景中的时间,获得该人员的时间线;
位置信息获取模块,用于根据所述时间线整合所述视频图像,并识别出视频图像对应的校园场所和位置,获得与所述时间线对应的非学校学生和教职工的人员的位置信息;
整合模块,用于将所述位置信息和时间线进行整合,获取所述非学校学生和教职工的人员的运动路线和时间线。
本发明有益效果:
本发明提出的一种基于深度学习的校园防护方法和***,能够有效提高校外人员的识别准确率和识别相应时间,使校外人员识别准确率高达92%,有效提高校外人员识别效率和监控力度。本发明中通过视频监控图像能够自动识别校外人员,并进行运行轨迹和时间线的锁定,极大程度上减少了人力资源的耗费。通过神经网络模型,对视频采集到的图像进行分辨率处理,使采集到的质量较低的视频图像调整出较高的图像质量,提高人脸识别的准确率,有效防止因天气、光线、角度等问题,造成的视频图像质量较差而产生的人脸识别不准确的现象。同时,通过视频图像的特征向量和学校***的身份信息图片对应的特征向量之间的比较实现校外人员的有效识别,在保证识别准确率的同时,有效缩短人脸识别响应时间,提高人脸识别速度。并通过信息整合获取校外人员的运行轨迹和时间线能够实现对校外人员运动全程的监控,极大程度上提高了校园防护的力度和效率,有效降低传统校园监控和防护人力。
附图说明
图1为本发明所述方法的流程图;
图2为本发明所述***的示意图。
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。
本发明提供了一种基于深度学习的校园防护方法和***,用以解决现有校园视频监控过程中,无法自动识别校外人员的问题。
本发明实施例提出了一种基于深度学习的校园防护方法,如图1所示,所述方法包括:
S1、利用视频摄像头,实时采集监控校园内各路段或场所的人员情况,获取视频对应的多个图像;
S2、采集学校信息类***内部存储的学校学生和学校教职工对应的身份图片;
S3、建立人脸识别的神经网络模型,利用所述身份图片对所述神经网络模型进行训练;
S4、将所述视频采集的多个图像作为所述训练好的神经网络模型的输入,通过所述神经网络对所述多个图像进行识别处理,并输出识别结果;
S5、判断是否存在非学校学生和教职工的人员出现,并整合所述非学校学生和教职工的人员的运动路线。
上述技术方案的工作原理:首先,利用视频摄像头,实时采集监控校园内各路段或场所的人员情况,获取视频对应的多个图像;然后,采集学校信息类***内部存储的学校学生和学校教职工对应的身份图片;随后,建立人脸识别的神经网络模型,利用所述身份图片对所述神经网络模型进行训练;之后,将所述视频采集的多个图像作为所述训练好的神经网络模型的输入,通过所述神经网络对所述多个图像进行识别处理,并输出识别结果;最后,判断是否存在非学校学生和教职工的人员出现,并整合所述非学校学生和教职工的人员的运动路线。
上述技术方案的效果:能够有效提高校外人员的识别准确率和识别相应时间,使校外人员识别准确率高达92%,有效提高校外人员识别效率和监控力度。本发明中通过视频监控图像能够自动识别校外人员,并进行运行轨迹和时间线的锁定,极大程度上减少了人力资源的耗费。通过神经网络模型,对视频采集到的图像进行分辨率处理,使采集到的质量较低的视频图像调整出较高的图像质量,提高人脸识别的准确率,有效防止因天气、光线、角度等问题,造成的视频图像质量较差而产生的人脸识别不准确的现象。同时,通过视频图像的特征向量和学校***的身份信息图片对应的特征向量之间的比较实现校外人员的有效识别,在保证识别准确率的同时,有效缩短人脸识别响应时间,提高人脸识别速度。并通过信息整合获取校外人员的运行轨迹和时间线能够实现对校外人员运动全程的监控,极大程度上提高了校园防护的力度和效率,有效降低传统校园监控和防护人力。
本发明的一个实施例,利用所述身份图片对所述神经网络模型进行训练,包括:
S301、将所述身份照片进行分辨率降低处理,获得降低分辨率后的初始处理图片;
S302、将所述身份照片进行分辨率升高处理,获得升高分辨率后的次级处理图片;
S303、将所述初始处理图片输入值所述神经网络模型中,通过神经网络模型进行特征提取,获得初级处理图片对应的各特征,并将所述各特征整合为初始特征集合;
S304、将所述次级处理图片输入值所述神经网络模型中,通过神经网络模型进行特征提取,获得次级处理图片对应的各特征,并将所述各特征整合为次级特征集合;
S305、将所述初级处理图片对应的特征集合与次级处理图片对应的特征集合进行比较,并将所述初级处理图片的特征集合中的各特征调整至与次级处理图片特征集合的各特征最大的趋近相同,获得调整后的初级特征集合;
S306、根据调整后的初级特征集合中的各特征还原所述初级处理图片,获取初级处理图片调整后图片;
S307、将所述初级处理图片调整后图片和所述次级处理图片进行区分识别,当无法识别出所述高分辨率图片和所述次级处理图片的区别时,则确定完成此次神经网络训练。
上述技术方案的效果:通过上述方式训练神经网络模块,能够使神经网络模型具有很强的图像质量调整功能,使因环境、光纤、天气和角度造成的质量较低的图像均能达到准确率极高的图像识别。有效提高图形识别的准确性,同时,其训练后的神经网络模型对于质量较差的视频图片仍然具有较快的识别相应速度,有效提高人脸识别的效率和速度。避免因视频图片质量较低而造成的识别相应时间过程,导致人脸识别效率和准确性降低的问题。
本发明的一个实施例,将所述视频采集的多个图像作为所述训练好的神经网络模型的输入,通过所述神经网络对所述多个图像进行识别处理,并输出识别结果,包括:
S401、将所述视频采集的多个视频图像输入值神经挖网络模型中,通过神经网络模型将所述视频图像进行图像分辨率调整;
S402、提取所述视频图像中,出现的人脸部分的五官对应的特征点,以及所述特征点对应的位置信息,其中,所述特征点指人脸五官的各像素点;所述位置信息是指所述像素点在人脸范围内分布的各对应位置;
S403、将所述位置信息整合为特征向量,并将所述特征向量与所述身份照片对应的脸部五官各特征点及其位置信息形成的特征向量进行比较,通过相似度模型确定所述特征向量之间的相似度,实现对人脸图像的识别;
S404、当所述相似度低于预设的相似度阈值时,确定所述人脸图像对应的人员为非学校学生和教职工的人员,并对该人员的脸部图像对应的特征集合进行存储。
上述技术方案的工作原理:首先,将所述视频采集的多个视频图像输入值神经挖网络模型中,通过神经网络模型将所述视频图像进行图像分辨率调整;然后,提取所述视频图像中,出现的人脸部分的五官对应的特征点,以及所述特征点对应的位置信息,其中,所述特征点指人脸五官的各像素点;所述位置信息是指所述像素点在人脸范围内分布的各对应位置;随后,将所述位置信息整合为特征向量,并将所述特征向量与所述身份照片对应的脸部五官各特征点及其位置信息形成的特征向量进行比较,通过相似度模型确定所述特征向量之间的相似度,实现对人脸图像的识别;之后,当所述相似度低于预设的相似度阈值时,确定所述人脸图像对应的人员为非学校学生和教职工的人员,并对该人员的脸部图像对应的特征集合进行存储。
上述技术方案的效果:通过视频图像的特征向量和学校***的身份信息图片对应的特征向量之间的比较实现校外人员的有效识别,在保证识别准确率的同时,有效缩短人脸识别响应时间,提高人脸识别速度。
本发明的一个实施例,所述相似度模型为:
其中,sim(A,B)表示所述视频图像的特征向量所述身份照片对应的特征向量之间的相似度;A表示所述视频图像的特征向量,且,A=(α1、α2……αn);B表示所述身份照片对应的特征向量,且,B=(β1、β2……βn);当sim(A,B)<0.87时,说明所述相似度低于预设的相似度阈值。
上述技术方案的效果:通过时上述相似度模型获取的相似度,能够有效提高相似度判断的准确性,同时,相似度阈值设置在0.87能够更符合校园环境,人来人往,人员密度较大的情况下的人脸识别的界定标准。有效避免校外人员的误判和漏判。
本发明的一个实施例,所述判断是否存在非学校学生和教职工的人员出现,并整合所述非学校学生和教职工的人员的运动路线,包括:
S501、通过非学校学生和教职工的人员的脸部图像对应的特征集合的比对,识别出每个视频图像中是否存在该人员,对于出现该人员的视频图像进行标记和并记录该人员出现每个视频场景中的时间,获得该人员的时间线;
S502、根据所述时间线整合所述视频图像,并识别出视频图像对应的校园场所和位置,获得与所述时间线对应的非学校学生和教职工的人员的位置信息;
S503、将所述位置信息和时间线进行整合,获取所述非学校学生和教职工的人员的运动路线和时间线。
上述技术方案的工作原理为:首先、通过非学校学生和教职工的人员的脸部图像对应的特征集合的比对,识别出每个视频图像中是否存在该人员,对于出现该人员的视频图像进行标记和并记录该人员出现每个视频场景中的时间,获得该人员的时间线;然后、根据所述时间线整合所述视频图像,并识别出视频图像对应的校园场所和位置,获得与所述时间线对应的非学校学生和教职工的人员的位置信息;最后、将所述位置信息和时间线进行整合,获取所述非学校学生和教职工的人员的运动路线和时间线。
上述技术方案的效果为:通过信息整合获取校外人员的运行轨迹和时间线能够实现对校外人员进行的一体式的全程运动监控,极大程度上提高了校园防护的力度和效率,有效降低传统校园监控和防护人力。
本发明的一个实施例提出了一种基于深度学习的校园防护***,如图2所示,所述***包括:
图像采集模块,用于利用视频摄像头,实时采集监控校园内各路段或场所的人员情况,获取视频对应的多个图像;
身份采集模块,用于采集学校信息类***内部存储的学校学生和学校教职工对应的身份图片;
模型建立训练模块,用于建立人脸识别的神经网络模型,利用所述身份图片对所述神经网络模型进行训练;
神经网络运行模块,用于将所述视频采集的多个图像作为所述训练好的神经网络模型的输入,通过所述神经网络对所述多个图像进行识别处理,并输出识别结果;
判断模块,用于判断是否存在非学校学生和教职工的人员出现,并整合所述非学校学生和教职工的人员的运动路线。
上述技术方案的工作原理:通过图像采集模块利用视频摄像头,实时采集监控校园内各路段或场所的人员情况,获取视频对应的多个图像;采用身份采集模块采集学校信息类***内部存储的学校学生和学校教职工对应的身份图片;利用模型建立训练模块建立人脸识别的神经网络模型,利用所述身份图片对所述神经网络模型进行训练;采用神经网络运行模块述多个图像进行识别处理,并输出识别结果;通过判断模块判断是否存在非学校学生和教职工的人员出现,并整合所述非学校学生和教职工的人员的运动路线。
上述技术方案的效果:能够有效提高校外人员的识别准确率和识别相应时间,使校外人员识别准确率高达92%,有效提高校外人员识别效率和监控力度。本发明中通过视频监控图像能够自动识别校外人员,并进行运行轨迹和时间线的锁定,极大程度上减少了人力资源的耗费。通过神经网络模型,对视频采集到的图像进行分辨率处理,使采集到的质量较低的视频图像调整出较高的图像质量,提高人脸识别的准确率,有效防止因天气、光线、角度等问题,造成的视频图像质量较差而产生的人脸识别不准确的现象。同时,通过视频图像的特征向量和学校***的身份信息图片对应的特征向量之间的比较实现校外人员的有效识别,在保证识别准确率的同时,有效缩短人脸识别响应时间,提高人脸识别速度。并通过信息整合获取校外人员的运行轨迹和时间线能够实现对校外人员运动全程的监控,极大程度上提高了校园防护的力度和效率,有效降低传统校园监控和防护人力。
本发明的一个实施例,所述模型建立训练模块包括:
分辨率降低模块,用于将所述身份照片进行分辨率降低处理,获得降低分辨率后的初始处理图片;
分辨率升高模块,用于将所述身份照片进行分辨率升高处理,获得升高分辨率后的次级处理图片;
特征提取模块一,用于将所述初始处理图片输入值所述神经网络模型中,通过神经网络模型进行特征提取,获得初级处理图片对应的各特征,并将所述各特征整合为初始特征集合;
特征提取模块二,用于将所述次级处理图片输入值所述神经网络模型中,通过神经网络模型进行特征提取,获得次级处理图片对应的各特征,并将所述各特征整合为次级特征集合;
特征调整模块,用于将所述初级处理图片对应的特征集合与次级处理图片对应的特征集合进行比较,并将所述初级处理图片的特征集合中的各特征调整至与次级处理图片特征集合的各特征最大的趋近相同,获得调整后的初级特征集合;
图像处理模块,用于根据调整后的初级特征集合中的各特征还原所述初级处理图片,获取初级处理图片调整后图片;
识别模块,用于将所述初级处理图片调整后图片和所述次级处理图片进行区分识别,当无法识别出所述高分辨率图片和所述次级处理图片的区别时,则确定完成此次神经网络训练。
上述技术方案的工作原理:利用分辨率降低模块将所述身份照片进行分辨率降低处理,获得降低分辨率后的初始处理图片;通过分辨率升高模块将所述身份照片进行分辨率升高处理,获得升高分辨率后的次级处理图片;采用特征提取模块一将所述初始处理图片输入值所述神经网络模型中,通过神经网络模型进行特征提取,获得初级处理图片对应的各特征,并将所述各特征整合为初始特征集合;通过特征提取模块二将所述次级处理图片输入值所述神经网络模型中,通过神经网络模型进行特征提取,获得次级处理图片对应的各特征,并将所述各特征整合为次级特征集合;采用特征调整模块将所述初级处理图片对应的特征集合与次级处理图片对应的特征集合进行比较,并将所述初级处理图片的特征集合中的各特征调整至与次级处理图片特征集合的各特征最大的趋近相同,获得调整后的初级特征集合;利用图像处理模块根据调整后的初级特征集合中的各特征还原所述初级处理图片,获取初级处理图片调整后图片;通过识别模块将所述初级处理图片调整后图片和所述次级处理图片进行区分识别,当无法识别出所述高分辨率图片和所述次级处理图片的区别时,则确定完成此次神经网络训练。
上述技术方案的效果:通过上述方式训练神经网络模块,能够使神经网络模型具有很强的图像质量调整功能,使因环境、光纤、天气和角度造成的质量较低的图像均能达到准确率极高的图像识别。有效提高图形识别的准确性,同时,其训练后的神经网络模型对于质量较差的视频图片仍然具有较快的识别相应速度,有效提高人脸识别的效率和速度。避免因视频图片质量较低而造成的识别相应时间过程,导致人脸识别效率和准确性降低的问题。
本发明的一个实施例,所述神经网络运行模块包括:
图像输入模块,用于将所述视频采集的多个视频图像输入值神经挖网络模型中,通过神经网络模型将所述视频图像进行图像分辨率调整;
提取模块,用于提取所述视频图像中,出现的人脸部分的五官对应的特征点,以及所述特征点对应的位置信息,其中,所述特征点指人脸五官的各像素点;所述位置信息是指所述像素点在人脸范围内分布的各对应位置;
比较模块,用于将所述位置信息整合为特征向量,并将所述特征向量与所述身份照片对应的脸部五官各特征点及其位置信息形成的特征向量进行比较,通过相似度模型确定所述特征向量之间的相似度,实现对人脸图像的识别;
存储模块,用于当所述相似度低于预设的相似度阈值时,确定所述人脸图像对应的人员为非学校学生和教职工的人员,并对该人员的脸部图像对应的特征集合进行存储。
上述技术方案的工作原理:通过图像输入模块将所述视频采集的多个视频图像输入值神经挖网络模型中,通过神经网络模型将所述视频图像进行图像分辨率调整;然后,利用提取模块提取所述视频图像中,出现的人脸部分的五官对应的特征点,以及所述特征点对应的位置信息,其中,所述特征点指人脸五官的各像素点;所述位置信息是指所述像素点在人脸范围内分布的各对应位置;随后,通过比较模块将所述位置信息整合为特征向量,并将所述特征向量与所述身份照片对应的脸部五官各特征点及其位置信息形成的特征向量进行比较,通过相似度模型确定所述特征向量之间的相似度,实现对人脸图像的识别;最后,当所述相似度低于预设的相似度阈值时,利用存储模块确定所述人脸图像对应的人员为非学校学生和教职工的人员,并对该人员的脸部图像对应的特征集合进行存储。
上述技术方案的效果:通过视频图像的特征向量和学校***的身份信息图片对应的特征向量之间的比较实现校外人员的有效识别,在保证识别准确率的同时,有效缩短人脸识别响应时间,提高人脸识别速度。
本发明的一个实施例,所述判断模块包括:
时间模块,用于通过非学校学生和教职工的人员的脸部图像对应的特征集合的比对,识别出每个视频图像中是否存在该人员,对于出现该人员的视频图像进行标记和并记录该人员出现每个视频场景中的时间,获得该人员的时间线;
位置信息获取模块,用于根据所述时间线整合所述视频图像,并识别出视频图像对应的校园场所和位置,获得与所述时间线对应的非学校学生和教职工的人员的位置信息;
整合模块,用于将所述位置信息和时间线进行整合,获取所述非学校学生和教职工的人员的运动路线和时间线。
上述技术方案的工作原理:利用时间模块通过非学校学生和教职工的人员的脸部图像对应的特征集合的比对,识别出每个视频图像中是否存在该人员,对于出现该人员的视频图像进行标记和并记录该人员出现每个视频场景中的时间,获得该人员的时间线;通过位置信息获取模块根据所述时间线整合所述视频图像,并识别出视频图像对应的校园场所和位置,获得与所述时间线对应的非学校学生和教职工的人员的位置信息;然后,利用整合模块将所述位置信息和时间线进行整合,获取所述非学校学生和教职工的人员的运动路线和时间线。
上述技术方案的效果:通过信息整合获取校外人员的运行轨迹和时间线能够实现对校外人员进行的一体式的全程运动监控,极大程度上提高了校园防护的力度和效率,有效降低传统校园监控和防护人力。
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)
1.一种基于深度学习的校园防护方法,其特征在于,所述方法包括:
利用视频摄像头,实时采集监控校园内各路段或场所的人员情况,获取视频对应的多个图像;
采集学校信息类***内部存储的学校学生和学校教职工对应的身份图片;
建立人脸识别的神经网络模型,利用所述身份图片对所述神经网络模型进行训练;
将所述视频采集的多个图像作为所述训练好的神经网络模型的输入,通过所述神经网络对所述多个图像进行识别处理,并输出识别结果;
判断是否存在非学校学生和教职工的人员出现,并整合所述非学校学生和教职工的人员的运动路线。
2.根据权利要求1所述方法,其特征在于,利用所述身份图片对所述神经网络模型进行训练,包括:
将所述身份照片进行分辨率降低处理,获得降低分辨率后的初始处理图片;
将所述身份照片进行分辨率升高处理,获得升高分辨率后的次级处理图片;
将所述初始处理图片输入值所述神经网络模型中,通过神经网络模型进行特征提取,获得初级处理图片对应的各特征,并将所述各特征整合为初始特征集合;
将所述次级处理图片输入值所述神经网络模型中,通过神经网络模型进行特征提取,获得次级处理图片对应的各特征,并将所述各特征整合为次级特征集合;
将所述初级处理图片对应的特征集合与次级处理图片对应的特征集合进行比较,并将所述初级处理图片的特征集合中的各特征调整至与次级处理图片特征集合的各特征最大的趋近相同,获得调整后的初级特征集合;
根据调整后的初级特征集合中的各特征还原所述初级处理图片,获取初级处理图片调整后图片;
将所述初级处理图片调整后图片和所述次级处理图片进行区分识别,当无法识别出所述高分辨率图片和所述次级处理图片的区别时,则确定完成此次神经网络训练。
3.根据权利要求1所述方法,其特征在于,将所述视频采集的多个图像作为所述训练好的神经网络模型的输入,通过所述神经网络对所述多个图像进行识别处理,并输出识别结果,包括:
将所述视频采集的多个视频图像输入值神经挖网络模型中,通过神经网络模型将所述视频图像进行图像分辨率调整;
提取所述视频图像中,出现的人脸部分的五官对应的特征点,以及所述特征点对应的位置信息;
将所述位置信息整合为特征向量,并将所述特征向量与所述身份照片对应的脸部五官各特征点及其位置信息形成的特征向量进行比较,通过相似度模型确定所述特征向量之间的相似度,实现对人脸图像的识别;
当所述相似度低于预设的相似度阈值时,确定所述人脸图像对应的人员为非学校学生和教职工的人员,并对该人员的脸部图像对应的特征集合进行存储。
5.根据权利要求1所述方法,其特征在于,所述判断是否存在非学校学生和教职工的人员出现,并整合所述非学校学生和教职工的人员的运动路线,包括:
通过非学校学生和教职工的人员的脸部图像对应的特征集合的比对,识别出每个视频图像中是否存在该人员,对于出现该人员的视频图像进行标记和并记录该人员出现每个视频场景中的时间,获得该人员的时间线;
根据所述时间线整合所述视频图像,并识别出视频图像对应的校园场所和位置,获得与所述时间线对应的非学校学生和教职工的人员的位置信息;
将所述位置信息和时间线进行整合,获取所述非学校学生和教职工的人员的运动路线和时间线。
6.一种基于深度学习的校园防护***,其特征在于,所述***包括:
图像采集模块,用于利用视频摄像头,实时采集监控校园内各路段或场所的人员情况,获取视频对应的多个图像;
身份采集模块,用于采集学校信息类***内部存储的学校学生和学校教职工对应的身份图片;
模型建立训练模块,用于建立人脸识别的神经网络模型,利用所述身份图片对所述神经网络模型进行训练;
神经网络运行模块,用于将所述视频采集的多个图像作为所述训练好的神经网络模型的输入,通过所述神经网络对所述多个图像进行识别处理,并输出识别结果;
判断模块,用于判断是否存在非学校学生和教职工的人员出现,并整合所述非学校学生和教职工的人员的运动路线。
7.根据权利要求6所述***,其特征在于,所述模型建立训练模块包括:
分辨率降低模块,用于将所述身份照片进行分辨率降低处理,获得降低分辨率后的初始处理图片;
分辨率升高模块,用于将所述身份照片进行分辨率升高处理,获得升高分辨率后的次级处理图片;
特征提取模块一,用于将所述初始处理图片输入值所述神经网络模型中,通过神经网络模型进行特征提取,获得初级处理图片对应的各特征,并将所述各特征整合为初始特征集合;
特征提取模块二,用于将所述次级处理图片输入值所述神经网络模型中,通过神经网络模型进行特征提取,获得次级处理图片对应的各特征,并将所述各特征整合为次级特征集合;
特征调整模块,用于将所述初级处理图片对应的特征集合与次级处理图片对应的特征集合进行比较,并将所述初级处理图片的特征集合中的各特征调整至与次级处理图片特征集合的各特征最大的趋近相同,获得调整后的初级特征集合;
图像处理模块,用于根据调整后的初级特征集合中的各特征还原所述初级处理图片,获取初级处理图片调整后图片;
识别模块,用于将所述初级处理图片调整后图片和所述次级处理图片进行区分识别,当无法识别出所述高分辨率图片和所述次级处理图片的区别时,则确定完成此次神经网络训练。
8.根据权利要求6所述***,其特征在于,所述神经网络运行模块包括:
图像输入模块,用于将所述视频采集的多个视频图像输入值神经挖网络模型中,通过神经网络模型将所述视频图像进行图像分辨率调整;
提取模块,用于提取所述视频图像中,出现的人脸部分的五官对应的特征点,以及所述特征点对应的位置信息;
比较模块,用于将所述位置信息整合为特征向量,并将所述特征向量与所述身份照片对应的脸部五官各特征点及其位置信息形成的特征向量进行比较,通过相似度模型确定所述特征向量之间的相似度,实现对人脸图像的识别;
存储模块,用于当所述相似度低于预设的相似度阈值时,确定所述人脸图像对应的人员为非学校学生和教职工的人员,并对该人员的脸部图像对应的特征集合进行存储。
10.根据权利要求6所述***,其特征在于,所述判断模块包括:
时间模块,用于通过非学校学生和教职工的人员的脸部图像对应的特征集合的比对,识别出每个视频图像中是否存在该人员,对于出现该人员的视频图像进行标记和并记录该人员出现每个视频场景中的时间,获得该人员的时间线;
位置信息获取模块,用于根据所述时间线整合所述视频图像,并识别出视频图像对应的校园场所和位置,获得与所述时间线对应的非学校学生和教职工的人员的位置信息;
整合模块,用于将所述位置信息和时间线进行整合,获取所述非学校学生和教职工的人员的运动路线和时间线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010784304.7A CN111931634A (zh) | 2020-08-06 | 2020-08-06 | 一种基于深度学习的校园防护方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010784304.7A CN111931634A (zh) | 2020-08-06 | 2020-08-06 | 一种基于深度学习的校园防护方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111931634A true CN111931634A (zh) | 2020-11-13 |
Family
ID=73307754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010784304.7A Pending CN111931634A (zh) | 2020-08-06 | 2020-08-06 | 一种基于深度学习的校园防护方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931634A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569709A (zh) * | 2021-07-23 | 2021-10-29 | 西安电子科技大学 | 基于卷积神经网络的校园安全图像识别预警方法 |
CN114973153A (zh) * | 2022-07-27 | 2022-08-30 | 广州宏途数字科技有限公司 | 一种智慧校园安全检测方法、装置、设备及存储介质 |
CN115063839A (zh) * | 2022-07-01 | 2022-09-16 | 姚懿宸 | 一种校园内不规范不安全行为检测*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564049A (zh) * | 2018-04-22 | 2018-09-21 | 北京工业大学 | 一种基于深度学习的快速人脸检测识别方法 |
CN109523656A (zh) * | 2018-09-27 | 2019-03-26 | 福建省南安市大大电子有限公司 | 一种应用在学校的智能物联管理***的使用方法 |
CN110175583A (zh) * | 2019-05-30 | 2019-08-27 | 重庆跃途科技有限公司 | 一种于基于视频ai的校园全域安全监控分析方法 |
CN110363181A (zh) * | 2019-07-24 | 2019-10-22 | 安徽锦星信息技术有限公司 | 基于ai人脸识别的校园安全管理*** |
CN110502999A (zh) * | 2019-07-25 | 2019-11-26 | 北京华三通信技术有限公司 | 校园管理***及方法 |
US20190370618A1 (en) * | 2016-06-06 | 2019-12-05 | Mutualink, Inc. | System and method for intelligent pattern recognition |
CN110910549A (zh) * | 2019-11-15 | 2020-03-24 | 江苏高泰软件技术有限公司 | 基于深度学习和人脸识别特征的校园人员安全管理*** |
CN110941993A (zh) * | 2019-10-30 | 2020-03-31 | 东北大学 | 基于人脸识别的动态人员分类与存储方法 |
CN111127317A (zh) * | 2019-12-02 | 2020-05-08 | 深圳供电局有限公司 | 图像超分辨率重建方法、装置、存储介质和计算机设备 |
-
2020
- 2020-08-06 CN CN202010784304.7A patent/CN111931634A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190370618A1 (en) * | 2016-06-06 | 2019-12-05 | Mutualink, Inc. | System and method for intelligent pattern recognition |
CN108564049A (zh) * | 2018-04-22 | 2018-09-21 | 北京工业大学 | 一种基于深度学习的快速人脸检测识别方法 |
CN109523656A (zh) * | 2018-09-27 | 2019-03-26 | 福建省南安市大大电子有限公司 | 一种应用在学校的智能物联管理***的使用方法 |
CN110175583A (zh) * | 2019-05-30 | 2019-08-27 | 重庆跃途科技有限公司 | 一种于基于视频ai的校园全域安全监控分析方法 |
CN110363181A (zh) * | 2019-07-24 | 2019-10-22 | 安徽锦星信息技术有限公司 | 基于ai人脸识别的校园安全管理*** |
CN110502999A (zh) * | 2019-07-25 | 2019-11-26 | 北京华三通信技术有限公司 | 校园管理***及方法 |
CN110941993A (zh) * | 2019-10-30 | 2020-03-31 | 东北大学 | 基于人脸识别的动态人员分类与存储方法 |
CN110910549A (zh) * | 2019-11-15 | 2020-03-24 | 江苏高泰软件技术有限公司 | 基于深度学习和人脸识别特征的校园人员安全管理*** |
CN111127317A (zh) * | 2019-12-02 | 2020-05-08 | 深圳供电局有限公司 | 图像超分辨率重建方法、装置、存储介质和计算机设备 |
Non-Patent Citations (1)
Title |
---|
张怡等: "基于深度学习算法的改进型人脸识别***实现——以智慧校园安防***为例", 《信息***工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569709A (zh) * | 2021-07-23 | 2021-10-29 | 西安电子科技大学 | 基于卷积神经网络的校园安全图像识别预警方法 |
CN115063839A (zh) * | 2022-07-01 | 2022-09-16 | 姚懿宸 | 一种校园内不规范不安全行为检测*** |
CN114973153A (zh) * | 2022-07-27 | 2022-08-30 | 广州宏途数字科技有限公司 | 一种智慧校园安全检测方法、装置、设备及存储介质 |
CN114973153B (zh) * | 2022-07-27 | 2022-11-04 | 广州宏途数字科技有限公司 | 一种智慧校园安全检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931634A (zh) | 一种基于深度学习的校园防护方法和*** | |
CN109819208B (zh) | 一种基于人工智能动态监控的密集人群安防监控管理方法 | |
WO2021142902A1 (zh) | 基于DANet的无人机海岸线漂浮垃圾巡检*** | |
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN109190475B (zh) | 一种人脸识别网络与行人再识别网络协同训练方法 | |
CN107481343A (zh) | 一种基于人脸识别技术的课堂考勤签到***及其工作方法 | |
CN109376637A (zh) | 基于视频监控图像处理的人数统计*** | |
CN108921038A (zh) | 一种基于深度学习人脸识别技术的课堂快速点名签到方法 | |
CN106339657B (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
CN110543811B (zh) | 一种基于深度学习的非配合式考试人员管理方法及其*** | |
CN109635758A (zh) | 智慧工地基于视频的高空作业人员安全带穿戴检测方法 | |
CN107230267A (zh) | 基于人脸识别算法的幼儿园智能签到方法 | |
CN106541968A (zh) | 基于视觉分析的地铁车厢实时提示***及识别方法 | |
CN111914761A (zh) | 一种热红外人脸识别的方法及*** | |
CN104463232A (zh) | 一种基于hog特征和颜色直方图特征的密度人群计数的方法 | |
Huang et al. | Attendance system based on dynamic face recognition | |
CN107516076A (zh) | 人像识别方法及装置 | |
CN111639580A (zh) | 一种结合特征分离模型和视角转换模型的步态识别方法 | |
CN113705510A (zh) | 目标识别跟踪的方法、装置、设备及存储介质 | |
CN113947742A (zh) | 一种基于人脸识别的人员轨迹追踪方法与装置 | |
CN115116137A (zh) | 基于轻量化YOLO v5网络模型与时空记忆机制的行人检测方法 | |
TWI733616B (zh) | 人體姿勢辨識系統、人體姿勢辨識方法以及非暫態電腦可讀取儲存媒體 | |
CN108307158A (zh) | 人防自动调控方法、装置及*** | |
CN110351268B (zh) | 一种智慧城市的数字执法*** | |
CN108197579B (zh) | 防护舱中人数的检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201113 |