CN117058803A - 一种基于深度学习的智能化数据采集方法及采集*** - Google Patents
一种基于深度学习的智能化数据采集方法及采集*** Download PDFInfo
- Publication number
- CN117058803A CN117058803A CN202311324315.7A CN202311324315A CN117058803A CN 117058803 A CN117058803 A CN 117058803A CN 202311324315 A CN202311324315 A CN 202311324315A CN 117058803 A CN117058803 A CN 117058803A
- Authority
- CN
- China
- Prior art keywords
- face
- module
- acquisition
- digital signal
- access control
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000001514 detection method Methods 0.000 claims description 16
- 230000035945 sensitivity Effects 0.000 claims description 9
- 230000001815 facial effect Effects 0.000 abstract description 4
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
- G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习的智能化数据采集方法及采集***,涉及数据处理的技术领域,其中,数据采集方法包括初步采集、特征分析、形成特征参数、人脸信息获取、人脸特征分析、初次特征比对、人脸日常采集、初次判断、二次判断、计算等步骤;数据采集***包括输入终端、识别终端以及门禁控制模块。本发明能够使得人员在经过门禁时的面部信息参数都与上次的进行比较,进而提高门禁对面部信息的识别精度,进而降低门禁的拒识率。
Description
技术领域
本发明涉及数据处理的技术领域,尤其是涉及一种基于深度学习的智能化数据采集方法及采集*** 。
背景技术
作为人们日常房屋生活的必须物品,门禁为人们的日常生活提供了极佳的保护体验。随着人们对于门禁提出了智能化、便捷化及实用化的需求下,当前市场涌现出各式各样的新型智能门禁***,其中最受人们欢迎的是基于人脸识别的门禁***。人脸识别门禁***是以住户人脸为开关依据,能够识别住户人员和非住户人员,其识别过程不依赖钥匙,节约了用户的实用成本。
目前,人脸脸识别技术中被广泛采用的区域特征分析算法,利用计算机图像处理技术从视频中提取人像特征点,利用生物统计学的原理进行分析建立数学模型,即人脸特征模板。利用已建成的人脸特征模板与被测者的人的面像进行特征分析,根据分析的结果来给出一个相似值。通过这个值即可确定是否为同一人。
但是,目前的门禁识别***在识别人员的面部信息时,当人员的面部信息发生改变时(例如:胖瘦的变化、苍老的变化等),门禁***仍然按照录入信息时面部信息参数进行比对,进而提高了对人员的拒识率,使得已录入面部信息的人员无法通过门禁。
发明内容
为了能够降低门禁***对人员的拒识率,提高已录入面部信息的人员通过门禁的概率,本发明提供一种基于深度学习的智能化数据采集方法及采集***。
第一方面,本发明提供的一种基于深度学习的智能化数据采集方法,采用如下的技术方案:
一种基于深度学习的智能化数据采集方法,包括以下步骤:
初步采集:对需要经过门禁的人员进行面部信息采集以及身份信息采集,获取人脸图像,并将其做图像大小调整和灰度调整操作;
特征分析:对拍摄的人脸图像进行人脸检测工作,定位人脸的位置,进行人脸对象的匹配工作,同时运用数据库的数据进行运算,从而获得人脸的特征向量矩阵;
形成特征参数:通过特征分析步骤中对人脸图像的分析,将人脸图像的特征向量矩阵转化为第一数字信号参数M;
人脸信息获取:门禁***获取经过门禁的人员进行面部信息,并获取人脸图像,并将其做图像大小调整和灰度调整操作;
人脸特征分析:门禁***将拍摄的人脸图像进行人脸检测工作,定位人脸的位置,进行人脸对象的匹配工作,同时运用数据库的数据进行运算,从而获得人脸的特征向量矩阵,并将人脸图像的特征向量矩阵转化为第二数字信号参数N;
初次特征比对:设置最大允许误差A,若,则执行门禁开步骤,并执行人脸日常采集步骤;若/>;执行门禁闭步骤,并再次执行初步采集步骤;
人脸日常采集:记录i次通过门禁的人员的人脸图像,并将人脸图像的特征向量矩阵转化为第三数字信号,并将第三数字信号记录为Ni;
初次判断:若,则执行门禁开步骤,并执行二次判断步骤,否则执行门禁关步骤;
二次判断:设定警戒误差B,且B满足,若/>,则执行计算步骤;
计算:对第四数字信号参数Q进行计算,第四数字信号参数Q的计算模型如下:
;并另M=Q;
门禁开:控制门禁开启;
门禁闭:控制门禁闭合。
可选地,在二次判断步骤中,时刻对警戒误差B进行更新,警戒误差B的计算模型如下:
;式中T为人脸日常采集的周期,式中C为灵敏度常数,且/>。
可选地,根据初步采集步骤中人员的身份信息对C的取值进行确定,C的取值计算模型为:;式中age为初步采集步骤中被采集人员的年龄。
可选的,设置周期阈值T1,若人脸信息获取步骤中在周期阈值T1时间段内未获取人脸信息,则执行初步采集步骤。
第二方面,本发明提供的一种数据采集***,采用如下的技术方案:
一种数据采集***,包括输入终端、识别终端以及门禁控制模块,所述输入终端包括:
采集模块I:输出端与分析模块I的输入端电信号连接,用于对需要经过门禁的人员进行面部信息采集,获取人脸图像,并将其做图像大小调整和灰度调整操作;
分析模块I:输出端与计算模块I的输入端电信号连接,用于对拍摄的人脸图像进行人脸检测工作,定位人脸的位置,进行人脸对象的匹配工作,同时运用数据库的数据进行运算,从而获得人脸的特征向量矩阵;
计算模块I:输出端与识别终端的输入端电信号连接,通过分析模块I中对人脸图像的分析,将人脸图像的特征向量矩阵转化为第一数字信号参数M,并将第一数字信号参数M传输至识别终端;
所述识别终端包括采集模块II、分析模块II、以及比对模块I:
采集模块II:输出端与所述分析模块II的输入端电信号连接,用于获取经过门禁的人员进行面部信息,并获取人脸图像,并将其做图像大小调整和灰度调整操作;
分析模块II:输出端与计算模块II的输入端电信号连接,将拍摄的人脸图像进行人脸检测工作,定位人脸的位置,进行人脸对象的匹配工作,同时运用数据库的数据进行运算,从而获得人脸的特征向量矩阵;
计算模块II:输出端与比对模块I的输入端电信号连接,通过分析模块II中对人脸图像的分析,将人脸图像的特征向量矩阵转化为第一数字信号参数N;
比对模块I:输入端与计算模块I的输出端以及计算模块II的输出端电信号连接,输出端与门禁控制模块的输入端电信号连接,并获得最大允许误差A,用于将第二数字信号参数N与第一数字信号参数M进行比较;
门禁控制模块:根据比对模块I中的比对结果,控制门禁***的开合。
可选地,所述识别终端还包括采集模块III、判断模块I、判断模块II以及计算模块;
采集模块III:输入端与比对模块I的输出端电信号连接,输出端与判断模块I的输入端电信号连接,用于记录i次通过门禁的人员的人脸图像,并将人脸图像的特征向量矩阵转化为第三数字信号,并将第三数字信号记录为Ni;
判断模块I:输出端与门禁控制模块的输入端以及判断模块II的输入端电信号连接,用于对第三数字信号Ni进行判断,当时,则判断模块将判断结果传递至门禁控制模块以及判断模块II;
判断模块II:输出端与计算模块的输入端电信号连接,在判断模块II中输入警戒误差B,且B满足,若/>时,则将判断结果传递至计算模块;
计算模块:对第四数字信号参数Q进行计算, ,并使得将M进行覆盖。
可选地,所述判断模块II中还对警戒误差B实时更新,通过公式,确定B的值,其中T为人脸日常采集的周期,式中C为灵敏度常数,且/>。
可选的,根据采集模块I中人员的身份信息对C的取值进行确定,C的取值计算模型为:;式中age为初步采集步骤中被采集人员的年龄。
可选的,所述采集模块II中数字有周期阈值T1,若采集模块II在周期阈值T1时段内未获取到人脸信息,则将信号传递至采集模块I。
综上所述,本发明包括以下至少一种有益技术效果:
1.由于人员在经过门禁时,通过设置最大允许误差,判断经过门禁时的人员面部数据是否超过最大允许误差的范围,进而降低由于人员面部做轻微装扮时,无法经过门禁***的概率,进而垫底门禁***的拒识率。
2.由于已经录入面部信息的人员,当面部信息录入门禁***时,门禁***会根据录入的面部识别出入门禁的员面部信息,由于随着时间的增加,人员的面部也会发生改变,通过设置警戒误差值B,门禁***记录i次人员经过门禁时的面部信息Ni,判断Ni是否在警戒误差B的范围内,并对最初的面部信息参数M重新赋值,使得人员在经过门禁时的面部信息参数都与上次的进行比较,进而提高门禁对面部信息的识别精度,进而降低门禁的拒识率。
3.由于青年人与老年人的面部信息变化较大,青年人的面部信息变化较小,通过设置灵敏度常数C,在初步信息采集中根据人群确定C的取值,进而提高门禁***对变化较大的人群的面部识别的精度。
附图说明
图1是本申请实施例1的流程图;
图2是本申请实施例2的***结构示意图;
具体实施方式
以下结合图1至图2对本发明作进一步详细说明。
实施例1:本实施例公开了一种基于深度学习的智能化数据采集方法,参照图1,一种基于深度学习的智能化数据采集方法包括以下步骤:
初步采集:对需要经过门禁的人员进行面部信息采集以及身份信息采集,获取人脸图像,并将其做图像大小调整和灰度调整等操作;
特征分析:对拍摄的人脸图像进行人脸检测工作,定位人脸的位置,进行人脸对象的匹配工作,同时运用数据库的数据进行运算,从而获得人脸的特征向量矩阵;
形成特征参数:通过特征分析步骤中对人脸图像的分析,将人脸图像的特征向量矩阵转化为第一数字信号参数M;
人脸信息获取:门禁***获取经过门禁的人员进行面部信息,并获取人脸图像,并将其做图像大小调整和灰度调整等操作;
人脸特征分析:门禁***将拍摄的人脸图像进行人脸检测工作,定位人脸的位置,进行人脸对象的匹配工作,同时运用数据库的数据进行运算,从而获得人脸的特征向量矩阵,并将人脸图像的特征向量矩阵转化为第二数字信号参数N;
初次特征比对:设置最大允许误差A,若,则执行门禁开步骤,并执行人脸日常采集步骤;若/>;执行门禁闭步骤,并再次执行初步采集步骤;
人脸日常采集:记录i次通过门禁的人员的人脸图像,并将人脸图像的特征向量矩阵转化为第三数字信号,并将第三数字信号记录为Ni;
初次判断:若,则执行门禁开步骤,并执行二次判断步骤,否则执行门禁闭步骤;
二次判断:设定警戒误差B,且B满足,若/>,则执行计算步骤,其中警戒误差B实时更新,警戒误差B的计算模型如下:
;式中T为人脸日常采集的周期,式中C为灵敏度常数,且/>,式中C的取值根据初步采集步骤中被采集人员所属人群进行赋值,C的取值计算模型为:;式中age为初步采集步骤中被采集人员的年龄;(例如:若age为20,则通过公式/>计算C的值,C约为0.866,若age为50,则C直接取值0.998)。
计算步骤:对第四数字信号参数Q进行计算,第四数字信号参数Q的计算模型如下:
;并另M=Q(例如:初始值M的取值为100,门禁第i次识别的Ni为94,那么将M与Ni取平均值为Q为97,并使得Q将M进行覆盖,当下次门禁***识别人脸时,所对比的数据即为Q)。
门禁开:控制门禁开启。
门禁闭:控制门禁闭合。
本实施例一种基于深度学习的智能化数据采集方法的实施原理为:在执行门禁数据采集时,需要通过门禁的人员首先要到人脸采集处进行人脸采集,工作人员对对需要经过门禁的人员进行面部信息采集以及身份信息采集,获取人脸图像,并将其做图像大小调整和灰度调整等操作;对拍摄的人脸图像进行人脸检测工作,定位人脸的位置,进行人脸对象的匹配工作,同时运用数据库的数据进行运算,从而获得人脸的特征向量矩阵;通过特征分析对人脸图像的分析,将人脸图像的特征向量矩阵转化为数字信号参数M,当人脸信息采集结束后,将人脸信息传输到门禁***中,门禁***将拍摄的人脸图像进行人脸检测工作,定位人脸的位置,进行人脸对象的匹配工作,同时运用数据库的数据进行运算,从而获得人脸的特征向量矩阵,并将人脸图像的特征向量矩阵转化为第二数字信号参数N,设置最大允许误差A,若,则门禁打开,并执行人脸日常采集步骤;若;执行门禁闭步骤,并再次执行初步采集步骤(重新录入面部信息),当门禁打开后,门禁***记录i次通过门禁的人员的人脸图像,并将人脸图像的特征向量矩阵转化为第三数字信号,并将第三数字信号记录为Ni,若/>,则门禁打开,并执行二次判断步骤,否则门禁关闭;设定警戒误差B,且B满足/>,若,则执行计算步骤,其中警戒误差B实时更新,警戒误差B的计算模型为:/>;式中T(单位:月)为人脸日常采集的周期,式中C为灵敏度常数,且,式中C的取值根据初步采集步骤中被采集人员的年龄进行赋值;(例如:若age为20,则通过公式/>计算C的值,C约为0.866,若age为50,则C直接取值0.998),并将第一数字信号参数M替换为第四数字信号参数Q,由于门禁***记录i次人员经过门禁时的面部信息Ni,判断Ni是否在警戒误差B的范围内,并对最初的面部信息参数M重新赋值,使得人员在经过门禁时的面部信息参数都与上次的进行比较,进而提高门禁对面部信息的识别精度,进而降低门禁的拒识率。
实施例2:本实施例公开了一种数据采集***,参照图2,一种数据采集***包括输入终端、识别终端以及门禁控制模块。
所述输入终端包括:
采集模块I:输出端与分析模块I的输入端电信号连接,用于对需要经过门禁的人员进行面部信息采集,获取人脸图像,并将其做图像大小调整和灰度调整等操作;
分析模块I:输出端与计算模块I的输入端电信号连接,用于对拍摄的人脸图像进行人脸检测工作,定位人脸的位置,进行人脸对象的匹配工作,同时运用数据库的数据进行运算,从而获得人脸的特征向量矩阵;
计算模块I:输出端与识别终端的输入端电信号连接,通过分析模块I中对人脸图像的分析,将人脸图像的特征向量矩阵转化为第一数字信号参数M,并将第一数字信号参数M传输至识别终端;
所述识别终端包括采集模块II、分析模块II、比对模块I、采集模块III、判断模块I、判断模块II以及计算模块:
采集模块II:输出端与所述分析模块II的输入端电信号连接,用于获取经过门禁的人员进行面部信息,并获取人脸图像,并将其做图像大小调整和灰度调整等操作;采集模块II中数字有周期阈值T1,若采集模块II在周期阈值T1时段内未获取到人脸信息,则将信号传递至采集模块I。
分析模块II:输出端与计算模块II的输入端电信号连接,将拍摄的人脸图像进行人脸检测工作,定位人脸的位置,进行人脸对象的匹配工作,同时运用数据库的数据进行运算,从而获得人脸的特征向量矩阵;
计算模块II:输出端与比对模块I的输入端电信号连接,通过分析模块II中对人脸图像的分析,将人脸图像的特征向量矩阵转化为第一数字信号参数N;
比对模块I:输入端与计算模块I的输出端以及计算模块II的输出端电信号连接,输出端与门禁控制模块的输入端电信号连接,并获得最大允许误差A,用于将第二数字信号参数N与第一数字信号参数M进行比较;
采集模块III:输入端与比对模块I的输出端电信号连接,输出端与判断模块I的输入端电信号连接,用于记录i次通过门禁的人员的人脸图像,并将人脸图像的特征向量矩阵转化为第三数字信号,并将第三数字信号记录为Ni。
判断模块I:输出端与门禁控制模块的输入端以及判断模块II的输入端电信号连接,用于对第三数字信号Ni进行判断,当时,则判断模块将判断结果传递至门禁控制模块以及判断模块II;
判断模块II:输出端与计算模块的输入端电信号连接,在判断模块II中输入警戒误差B,且B满足,若/>时,则将判断结果传递至计算模块;警戒误差B实时更新,通过公式/>,确定B的值,其中T为人脸日常采集的周期,式中C为灵敏度常数,且/>,根据采集模块I中人员的身份信息对C的取值进行确定,C的取值计算模型为:/>;式中age为初步采集步骤中被采集人员的年龄。
计算模块:对第四数字信号参数Q进行计算, ,并使得将M进行覆盖。
门禁控制模块:根据比对模块I以及判断模块I中的比对结果,控制门禁***的开合。
本实施例一种数据采集***的实施原理为:采集模块I采集需要办理门禁通行人员的面部信息,获取人脸图像,并将其做图像大小调整和灰度调整等操作,之后采集模块I将采集后并经过处理的人脸信息传递至分析模块I,分析模块I将拍摄的人脸图像进行人脸检测工作,定位人脸的位置,进行人脸对象的匹配工作,同时运用数据库的数据进行运算,从而获得人脸的特征向量矩阵,分析模块I将获得的人脸的特征向量矩阵信息传递至计算模块I,计算模块I通过对分析模块I中对人脸图像的分析,将人脸图像的特征向量矩阵转化为第一数字信号参数M,并将第一数字信号参数M传输至识别终端中的比对模块I。当被采集人员初次通过门禁试验时,采集模块II获取经过门禁的人员进行面部信息,并获取人脸图像,并将其做图像大小调整和灰度调整等操作,并将信息传递至分析模块II,在采集模块II中设置有周期阈值T1,若采集模块II在周期阈值T1时段内未获取到人脸信息,则将信号传递至采集模块I,分析模块II将拍摄的人脸图像进行人脸检测工作,定位人脸的位置,进行人脸对象的匹配工作,同时运用数据库的数据进行运算,从而获得人脸的特征向量矩阵,并将人脸图像的特征向量矩阵传递至计算模块II,计算模块II将人脸图像的特征向量矩阵转化为第二数字信号参数N,并将信息传递至比对模块I,比对模块I获得最大允许误差A,用于将门禁***拍摄的第二数字信号参数N与第一数字信号参数M进行比较,并将比对结果传递至门禁控制模块,门禁控制模块根据比对结果决定是否开门。
当人员多次通过门禁时,采集模块III记录i次通过门禁的人员的人脸图像,并将人脸图像的特征向量矩阵转化为第三数字信号,并将第三数字信号记录为Ni,判断模块I接收采集模块传输的第三数字信号数据Ni,对第三数字信号Ni进行判断,当时,则判断模块将判断结果传递至门禁控制模块以及判断模块II,判断模块II中输入警戒误差B,当B满足/>,若/>时,则将判断结果传递至计算模块,警戒误差B实时更新,通过公式/>,确定B的值,其中T为人脸日常采集的周期,式中C为灵敏度常数,且/>,根据采集模块I中人员的身份信息对C的取值进行确定,C的取值计算模型为:/>;式中age为初步采集步骤中被采集人员的年龄,计算模块对第四数字信号参数Q进行计算, />,并使得将M进行覆盖。
以上均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的智能化数据采集方法,其特征在于:包括以下步骤:
初步采集:对需要经过门禁的人员进行面部信息采集以及身份信息采集,获取人脸图像,并将其做图像大小调整和灰度调整操作;
特征分析:对拍摄的人脸图像进行人脸检测工作,定位人脸的位置,进行人脸对象的匹配工作,同时运用数据库的数据进行运算,从而获得人脸的特征向量矩阵;
形成特征参数:通过特征分析步骤中对人脸图像的分析,将人脸图像的特征向量矩阵转化为第一数字信号参数M;
人脸信息获取:门禁***获取经过门禁的人员进行面部信息,并获取人脸图像,并将其做图像大小调整和灰度调整操作;
人脸特征分析:门禁***将拍摄的人脸图像进行人脸检测工作,定位人脸的位置,进行人脸对象的匹配工作,同时运用数据库的数据进行运算,从而获得人脸的特征向量矩阵,并将人脸图像的特征向量矩阵转化为第二数字信号参数N;
初次特征比对:设置最大允许误差A,若,则执行门禁开步骤,并执行人脸日常采集步骤;若/>;执行门禁闭步骤,并再次执行初步采集步骤;
人脸日常采集:记录i次通过门禁的人员的人脸图像,并将人脸图像的特征向量矩阵转化为第三数字信号,并将第三数字信号记录为Ni;
初次判断:若,则执行门禁开步骤,并执行二次判断步骤,否则执行门禁关步骤;
二次判断:设定警戒误差B,且B满足,若/>,则执行计算步骤;
计算:对第四数字信号参数Q进行计算,第四数字信号参数Q的计算模型如下:
;并另M=Q;
门禁开:控制门禁开启;
门禁闭:控制门禁闭合。
2.根据权利要求1所述的一种基于深度学习的智能化数据采集方法,其特征在于:在二次判断步骤中,时刻对警戒误差B进行更新,警戒误差B的计算模型如下:
;式中T为人脸日常采集的周期,式中C为灵敏度常数,且/>。
3.根据权利要求2所述的一种基于深度学习的智能化数据采集方法,其特征在于:根据初步采集步骤中人员的身份信息对C的取值进行确定,C的取值计算模型为:;式中age为初步采集步骤中被采集人员的年龄。
4.根据权利要求1所述的一种基于深度学习的智能化数据采集方法,其特征在于:设置周期阈值T1,若人脸信息获取步骤中在周期阈值T1时间段内未获取人脸信息,则执行初步采集步骤。
5.一种数据采集***,应用权利要求1-4中任意一项所述的基于深度学习的智能化数据采集方法,其特征在于:包括输入终端、识别终端以及门禁控制模块,所述输入终端包括:
采集模块I:输出端与分析模块I的输入端电信号连接,用于对需要经过门禁的人员进行面部信息采集,获取人脸图像,并将其做图像大小调整和灰度调整操作;
分析模块I:输出端与计算模块I的输入端电信号连接,用于对拍摄的人脸图像进行人脸检测工作,定位人脸的位置,进行人脸对象的匹配工作,同时运用数据库的数据进行运算,从而获得人脸的特征向量矩阵;
计算模块I:输出端与识别终端的输入端电信号连接,通过分析模块I中对人脸图像的分析,将人脸图像的特征向量矩阵转化为第一数字信号参数M,并将第一数字信号参数M传输至识别终端;
所述识别终端包括采集模块II、分析模块II、计算模块II、比对模块I、采集模块III、判断模块I、判断模块II以及计算模块:
采集模块II:输出端与所述分析模块II的输入端电信号连接,用于获取经过门禁的人员进行面部信息,并获取人脸图像,并将其做图像大小调整和灰度调整操作;
分析模块II:输出端与计算模块II的输入端电信号连接,将拍摄的人脸图像进行人脸检测工作,定位人脸的位置,进行人脸对象的匹配工作,同时运用数据库的数据进行运算,从而获得人脸的特征向量矩阵;
计算模块II:输出端与比对模块I的输入端电信号连接,通过分析模块II中对人脸图像的分析,将人脸图像的特征向量矩阵转化为第一数字信号参数N;
比对模块I:输入端与计算模块I的输出端以及计算模块II的输出端电信号连接,输出端与门禁控制模块的输入端电信号连接,并获得最大允许误差A,用于将第二数字信号参数N与第一数字信号参数M进行比较;
采集模块III:输入端与比对模块I的输出端电信号连接,输出端与判断模块I的输入端电信号连接,用于记录i次通过门禁的人员的人脸图像,并将人脸图像的特征向量矩阵转化为第三数字信号,并将第三数字信号记录为Ni;
判断模块I:输出端与门禁控制模块的输入端以及判断模块II的输入端电信号连接,用于对第三数字信号Ni进行判断,当时,则判断模块将判断结果传递至门禁控制模块以及判断模块II;
判断模块II:输出端与计算模块的输入端电信号连接,在判断模块II中输入警戒误差B,且B满足,若/>时,则将判断结果传递至计算模块;
计算模块:对第四数字信号参数Q进行计算, ,并使得将M进行覆盖;
门禁控制模块:根据比对模块I中的比对结果,控制门禁***的开合。
6.根据权利要求5所述的一种数据采集***,其特征在于:所述判断模块II中还对警戒误差B实时更新,通过公式,确定B的值,其中T为人脸日常采集的周期,式中C为灵敏度常数,且/>。
7.根据权利要求6所述的一种数据采集***,其特征在于:根据采集模块I中人员的身份信息对C的取值进行确定,C的取值计算模型为:
;式中age为初步采集步骤中被采集人员的年龄。
8.根据权利要求7所述的一种数据采集***,其特征在于:所述采集模块II中数字有周期阈值T1,若采集模块II在周期阈值T1时段内未获取到人脸信息,则将信号传递至采集模块I。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311324315.7A CN117058803B (zh) | 2023-10-13 | 2023-10-13 | 一种基于深度学习的智能化数据采集方法及采集*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311324315.7A CN117058803B (zh) | 2023-10-13 | 2023-10-13 | 一种基于深度学习的智能化数据采集方法及采集*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117058803A true CN117058803A (zh) | 2023-11-14 |
CN117058803B CN117058803B (zh) | 2024-01-05 |
Family
ID=88657663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311324315.7A Active CN117058803B (zh) | 2023-10-13 | 2023-10-13 | 一种基于深度学习的智能化数据采集方法及采集*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117058803B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1971630A (zh) * | 2006-12-01 | 2007-05-30 | 浙江工业大学 | 基于人脸鉴别技术的门禁和考勤装置 |
CN106803301A (zh) * | 2017-03-28 | 2017-06-06 | 广东工业大学 | 一种基于深度学习的人脸识别门禁方法及*** |
CN107818308A (zh) * | 2017-10-31 | 2018-03-20 | 平安科技(深圳)有限公司 | 一种人脸识别智能比对方法、电子装置及计算机可读存储介质 |
CN109670481A (zh) * | 2018-12-29 | 2019-04-23 | 河北三川科技有限公司 | 基于年龄和性别的人证比对动态阈值设置方法 |
WO2019133996A1 (en) * | 2017-12-29 | 2019-07-04 | Brian Bertan | System and method for combining identity information to facilitate image acquisition |
CN115798005A (zh) * | 2022-11-28 | 2023-03-14 | 中国工商银行股份有限公司 | 基准照片的处理方法及装置、处理器和电子设备 |
CN115830672A (zh) * | 2022-11-16 | 2023-03-21 | 武汉爱迪科技股份有限公司 | 基于移动端的人脸底库搭建及更新方法、装置和存储介质 |
CN115830668A (zh) * | 2022-10-21 | 2023-03-21 | 北京声智科技有限公司 | 基于面部识别的用户认证方法、装置、计算设备和介质 |
-
2023
- 2023-10-13 CN CN202311324315.7A patent/CN117058803B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1971630A (zh) * | 2006-12-01 | 2007-05-30 | 浙江工业大学 | 基于人脸鉴别技术的门禁和考勤装置 |
CN106803301A (zh) * | 2017-03-28 | 2017-06-06 | 广东工业大学 | 一种基于深度学习的人脸识别门禁方法及*** |
CN107818308A (zh) * | 2017-10-31 | 2018-03-20 | 平安科技(深圳)有限公司 | 一种人脸识别智能比对方法、电子装置及计算机可读存储介质 |
WO2019133996A1 (en) * | 2017-12-29 | 2019-07-04 | Brian Bertan | System and method for combining identity information to facilitate image acquisition |
CN109670481A (zh) * | 2018-12-29 | 2019-04-23 | 河北三川科技有限公司 | 基于年龄和性别的人证比对动态阈值设置方法 |
CN115830668A (zh) * | 2022-10-21 | 2023-03-21 | 北京声智科技有限公司 | 基于面部识别的用户认证方法、装置、计算设备和介质 |
CN115830672A (zh) * | 2022-11-16 | 2023-03-21 | 武汉爱迪科技股份有限公司 | 基于移动端的人脸底库搭建及更新方法、装置和存储介质 |
CN115798005A (zh) * | 2022-11-28 | 2023-03-14 | 中国工商银行股份有限公司 | 基准照片的处理方法及装置、处理器和电子设备 |
Non-Patent Citations (1)
Title |
---|
王越;瞿少成;陈青松;: "基于人脸识别技术的社区智能门禁***的实现", 电子测量技术, no. 16 * |
Also Published As
Publication number | Publication date |
---|---|
CN117058803B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108053615B (zh) | 基于微表情的驾驶员疲劳驾驶状态检测方法 | |
JP3469031B2 (ja) | 顔画像登録装置及びその方法 | |
CN109299690B (zh) | 一种可提高视频实时人脸识别精度的方法 | |
CN112163564B (zh) | 基于人体关键点行为识别与lstm的跌倒预判方法 | |
CN115294658B (zh) | 一种面向多应用场景的个性化手势识别***及其手势识别方法 | |
CN109325472B (zh) | 一种基于深度信息的人脸活体检测方法 | |
US9378406B2 (en) | System for estimating gender from fingerprints | |
CN112132157B (zh) | 一种基于树莓派的步态人脸融合识别方法 | |
CN111062308A (zh) | 基于稀疏表达和神经网络的人脸识别方法 | |
CN110210399A (zh) | 一种基于不确定性量化概率卷积神经网络的人脸识别方法 | |
CN106971203B (zh) | 基于走路特征数据的身份识别方法 | |
Sadeghi et al. | Modelling and segmentation of lip area in face images | |
CN112395901A (zh) | 一种改进型复杂环境下人脸检测定位识别方法 | |
CN110555929B (zh) | 一种实验室门禁验证***与验证方法 | |
CN117058803B (zh) | 一种基于深度学习的智能化数据采集方法及采集*** | |
CN111582195B (zh) | 一种汉语唇语单音节识别分类器构建方法 | |
CN117523642A (zh) | 一种基于最优间距贝叶斯分类模型的人脸识别方法 | |
CN113378691A (zh) | 基于实时用户行为分析的智能家居管理***及方法 | |
CN114360058B (zh) | 一种基于行走视角预测的跨视角步态识别方法 | |
CN111582440A (zh) | 一种基于深度学习的数据处理方法 | |
Tan et al. | Face recognition algorithm based on open CV | |
CN115063892B (zh) | 一种考场异常行为检测方法及*** | |
Wu et al. | Fuzzy-neural-network based audio-visual fusion for speech recognition | |
CN114613058B (zh) | 一种具有考勤功能的门禁***、考勤方法和相关装置 | |
Singh et al. | Sign language to number by neural network |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |