一种基于人脸识别的无人值守门禁控制方法与流程

本技术涉及图像处理，尤其涉及一种基于人脸识别的无人值守门禁控制方法。

背景技术：

1、随着科技的不断发展，人脸识别技术在各个领域的应用越来越广泛。在门禁系统中，人脸识别技术可以实现无人值守，提高安全性和便利性。本文将介绍人脸识别在门禁系统中的应用背景、技术原理、优势以及可能面临的挑战。

2、在现代社会，随着人们对安全性和便利性的需求不断提高，门禁系统逐渐成为各个办公楼、住宅小区、商场等场所的必备设施。传统的门禁系统需要人工进行身份验证，如输入密码、刷卡等，存在一定的安全隐患和操作不便。而人脸识别技术的出现，为门禁系统带来了革命性的变革。

3、人脸识别技术是通过计算机视觉和机器学习算法，对人脸图像进行分析和比对，从而实现对个体身份的识别。具体来说，人脸识别门禁系统通常包括以下几个步骤:(1)人脸图像采集:通过摄像头捕捉人脸图像，并传输给处理器。(2)人脸特征提取:利用人脸识别算法，如深度学习模型，从采集的图像中提取出人脸的关键特征，如眼睛、鼻子、嘴巴等位置信息以及面部轮廓等。(3)人脸比对:将提取出的人脸特征与数据库中已存储的人脸特征进行比对，以确定个体身份。(4)身份验证:根据比对结果，系统自动控制闸机打开或关闭。如此，用户无需携带卡片或记住密码，只需面对摄像头即可快速通行。另外，系统可以自动识别并控制闸机，无需人工干预，提高了通行效率。

4、然而，对于无人值守门禁系统而言，在无人值守的情况下，人脸识别匹配的准确度是保证安全性的决定性因素，然而在高准确度下人脸识别匹配的算力开销也很大，识别匹配时延比较长，无法满足在人流量大时的需求。因此如何兼顾匹配的准确度和算力开销是目前研究的热点问题。

技术实现思路

1、本技术实施例提供一种基于人脸识别的无人值守门禁控制方法，用以兼顾匹配的准确度和算力开销。

2、为达到上述目的，本技术采用如下技术方案：

3、第一方面，本技术实施例提供了一种基于人脸识别的无人值守门禁控制方法，应用于无人值守门禁系统中的电子设备，无人值守门禁系统还包括图像采集设备和门禁闸机，方法包括：电子设备获取图像采集设备采集的待识别的图像；电子设备通过第一网络模型对待识别的图像进行模拟匹配，以确定待识别的图像中的用户是否为有进入权限的用户；若待识别的图像中的用户不是有进入权限的用户，则电子设备拒绝控制门禁闸机执行开闸操作，否则，电子设备通过第二网络模型对待识别的图像进行精确匹配，以确定待识别的图像中的用户是否为有进入权限的用户；若待识别的图像中的用户不是有进入权限的用户，则电子设备拒绝控制门禁闸机执行开闸操作，否则，电子设备控制门禁闸机执行开闸操作。

4、可选地，电子设备通过第一网络模型对待识别的图像进行模拟匹配，以确定待识别的图像中的用户是否为有进入权限的用户，包括：电子设备通过第一网络模型对待识别的图像进行降采样处理，得到降采样的待识别图像；电子设备通过第一网络模型将降采样的待识别图像与图像数据库中降采样的图像进行模糊匹配，以确定待识别的图像中的用户是否为有进入权限的用户，其中，图像数据库中降采样的图像所包含的用户为有进入权限的用户。

5、可选地，图像数据库包括m张降采样的图像，对于m张降采样的图像中第i张降采样的图像，i为遍历1至m的整数，电子设备通过第一网络模型将降采样的待识别图像与图像数据库中降采样的图像进行模糊匹配，以确定待识别的图像中的用户是否为有进入权限的用户，包括：电子设备通过第一网络模型对降采样的待识别图像进行特征提取，得到第一特征向量集合，以及通过第一网络模型对第i张降采样的图像进行特征提取，得到第二特征向量集合#i；电子设备通过第一网络模型将第一特征向量集合进行降维处理，得到第三特征向量集合，以及通过第一网络模型对第二特征向量集合#i进行特征提取，得到第四特征向量集合#i，其中，第三特征向量集合中的特征向量数目小于第一特征向量集合中的特征向量数目，第二特征向量集合#i中的特征向量数目小于第四特征向量集合#i中的特征向量数目；电子设备通过第一网络模型将第三特征向量集合与第四特征向量集合#i进行特征匹配，以确定待识别的图像中的用户是否与第i张降采样的图像中的用户的匹配度；在i遍历1至m的情况下，电子设备共得到m个匹配度。

6、相应的，若待识别的图像中的用户不是有进入权限的用户，则电子设备拒绝控制门禁闸机执行开闸操作，否则，电子设备通过第二网络模型对待识别的图像进行精确匹配，以确定待识别的图像中的用户是否为有进入权限的用户，包括：电子设备确定m个匹配度中是否有超过阈值的匹配度；若m个匹配度中没有超过阈值的匹配度，则电子设备确定待识别的图像中的用户不是有进入权限的用户，拒绝控制门禁闸机执行开闸操作；若m个匹配度中有超过阈值的匹配度，电子设备通过第二网络模型对待识别的图像进行精确匹配，以确定待识别的图像中的用户是否为有进入权限的用户。

7、可选地，第一特征向量集合包括k1个特征向量，k1为大于1的整数，第二特征向量集合#i包括k2i个特征向量，k2i为大于1的整数，电子设备通过第一网络模型将第一特征向量集合进行降维处理，得到第三特征向量集合，以及通过第一网络模型对第二特征向量集合#i进行特征提取，得到第四特征向量集合#i，包括：电子设备通过第一网络模型将k1个特征向量中的第a个特征向量与第a+b个特征向量升维成一个特征向量，a为正整数，在a遍历1至k1-b的情况下，得到第三特征向量集合；电子设备通过第一网络模型将k2i个特征向量中的第s个特征向量与第s+t个特征向量升维成一个特征向量，s为正整数，在s遍历1至k2i-t的情况下，得到第四特征向量集合#i。

8、可选地，电子设备通过第二网络模型对待识别的图像进行精确匹配，以确定待识别的图像中的用户是否为有进入权限的用户，包括：电子设备确定m个匹配度中前n高的匹配度，n为大于1且小m的整数；电子设备通过第二网络模型，将待识别的图像与图像数据库中前n高的匹配度各自对应的未降采样的图像进行精确匹配，以确定待识别的图像中的用户是否为有进入权限的用户；图像数据库中同一用户的图像包括降采样的图像和未降采样的图像。

9、可选地，前n高的匹配度各自对应的未降采样的图像共n张未降采样的图像，电子设备通过第二网络模型，将待识别的图像与图像数据库中前n高的匹配度各自对应的未降采样的图像进行精确匹配，以确定待识别的图像中的用户是否为有进入权限的用户，包括：电子设备通过第二网络模型对待识别的图像进行特征提取，得到第五特征向量集合，以及通过第二网络模型对n张未降采样的图像中的第j张未降采样的图像进行特征提取，得到第六特征向量集合#j，在j为正整数，j遍历1至n的情况下，共得到n个第六特征向量集合；电子设备通过第二网络模型将n个第六特征向量集合进行特征向量融合，得到融合后的特征向量集合；电子设备通过第二网络模型将第五特征向量集合与融合后的特征向量集合进行特征匹配，以确定待识别的图像中的用户是否与n张未降采样的图像中任一图像所对应的用户匹配；其中，若待识别的图像中的用户与n张未降采样的图像所对应的用户均不匹配，则待识别的图像中的用户不是有进入权限的用户，电子设备拒绝控制门禁闸机执行开闸操作，否则，待识别的图像中的用户与n张未降采样的图像中任一图像所对应的用户匹配，则待识别的图像中的用户是有进入权限的用户，电子设备控制门禁闸机执行开闸操作。

10、可选地，电子设备通过第二网络模型将n个第六特征向量集合进行特征向量融合，得到融合后的特征向量集合，包括：电子设备根据n个第六特征向量各自所包含的特征向量数目的中位值，将n个第六特征向量中特征向量数目未到达中位值的第六特征向量中的特征向量补齐，直至达到中位值，并将n个第六特征向量中特征向量数目超过中位值的第六特征向量中的特征向量丢弃，直至达到中位值，得到预处理后的n个第六特征向量，预处理后的n个第六特征向量中的每个第六特征向量的特征向量数目均为中位值；电子设备对预处理后的n个第六特征向量进行交织，得到融合后的特征向量集合。

11、可选地，中位值为x，x为大于1的整数，融合后的特征向量集合包含x*n个特征向量，x*n个特征向量被分成x/y组特征向量，y为大于1且小于x的整数，对于x/y组特征向量中的第1组特征向量，第1组特征向量按索引从前到后的顺序依次包含预处理后的n个第六特征向量各自的第1至第y个特征向量，对于x/y组特征向量中的第2组特征向量，第2组特征向量按索引从前到后的顺序依次包含预处理后的n个第六特征向量各自的第y+1至第2y个特征向量，以此类推，对于x/y组特征向量中的第x/y组特征向量，第x/y组特征向量按索引从前到后的顺序依次包含预处理后的n个第六特征向量各自的第x-y至第x个特征向量。

12、可选地，第一网络模型与第二网络模型是不同的模型。

13、第二方面，本技术实施例提供了一种无人值守门禁系统，该无人值守门禁系统包括电子设备，以及无人值守门禁系统还包括图像采集设备和门禁闸机，该系统被配置为：电子设备获取图像采集设备采集的待识别的图像；电子设备通过第一网络模型对待识别的图像进行模拟匹配，以确定待识别的图像中的用户是否为有进入权限的用户；若待识别的图像中的用户不是有进入权限的用户，则电子设备拒绝控制门禁闸机执行开闸操作，否则，电子设备通过第二网络模型对待识别的图像进行精确匹配，以确定待识别的图像中的用户是否为有进入权限的用户；若待识别的图像中的用户不是有进入权限的用户，则电子设备拒绝控制门禁闸机执行开闸操作，否则，电子设备控制门禁闸机执行开闸操作。

14、可选地，电子设备通过第一网络模型对待识别的图像进行模拟匹配，以确定待识别的图像中的用户是否为有进入权限的用户，包括：电子设备通过第一网络模型对待识别的图像进行降采样处理，得到降采样的待识别图像；电子设备通过第一网络模型将降采样的待识别图像与图像数据库中降采样的图像进行模糊匹配，以确定待识别的图像中的用户是否为有进入权限的用户，其中，图像数据库中降采样的图像所包含的用户为有进入权限的用户。

15、可选地，图像数据库包括m张降采样的图像，对于m张降采样的图像中第i张降采样的图像，i为遍历1至m的整数，电子设备通过第一网络模型将降采样的待识别图像与图像数据库中降采样的图像进行模糊匹配，以确定待识别的图像中的用户是否为有进入权限的用户，包括：电子设备通过第一网络模型对降采样的待识别图像进行特征提取，得到第一特征向量集合，以及通过第一网络模型对第i张降采样的图像进行特征提取，得到第二特征向量集合#i；电子设备通过第一网络模型将第一特征向量集合进行降维处理，得到第三特征向量集合，以及通过第一网络模型对第二特征向量集合#i进行特征提取，得到第四特征向量集合#i，其中，第三特征向量集合中的特征向量数目小于第一特征向量集合中的特征向量数目，第二特征向量集合#i中的特征向量数目小于第四特征向量集合#i中的特征向量数目；电子设备通过第一网络模型将第三特征向量集合与第四特征向量集合#i进行特征匹配，以确定待识别的图像中的用户是否与第i张降采样的图像中的用户的匹配度；在i遍历1至m的情况下，电子设备共得到m个匹配度。

16、相应的，若待识别的图像中的用户不是有进入权限的用户，则电子设备拒绝控制门禁闸机执行开闸操作，否则，电子设备通过第二网络模型对待识别的图像进行精确匹配，以确定待识别的图像中的用户是否为有进入权限的用户，包括：电子设备确定m个匹配度中是否有超过阈值的匹配度；若m个匹配度中没有超过阈值的匹配度，则电子设备确定待识别的图像中的用户不是有进入权限的用户，拒绝控制门禁闸机执行开闸操作；若m个匹配度中有超过阈值的匹配度，电子设备通过第二网络模型对待识别的图像进行精确匹配，以确定待识别的图像中的用户是否为有进入权限的用户。

17、可选地，第一特征向量集合包括k1个特征向量，k1为大于1的整数，第二特征向量集合#i包括k2i个特征向量，k2i为大于1的整数，电子设备通过第一网络模型将第一特征向量集合进行降维处理，得到第三特征向量集合，以及通过第一网络模型对第二特征向量集合#i进行特征提取，得到第四特征向量集合#i，包括：电子设备通过第一网络模型将k1个特征向量中的第a个特征向量与第a+b个特征向量升维成一个特征向量，a为正整数，在a遍历1至k1-b的情况下，得到第三特征向量集合；电子设备通过第一网络模型将k2i个特征向量中的第s个特征向量与第s+t个特征向量升维成一个特征向量，s为正整数，在s遍历1至k2i-t的情况下，得到第四特征向量集合#i。

18、可选地，电子设备通过第二网络模型对待识别的图像进行精确匹配，以确定待识别的图像中的用户是否为有进入权限的用户，包括：电子设备确定m个匹配度中前n高的匹配度，n为大于1且小m的整数；电子设备通过第二网络模型，将待识别的图像与图像数据库中前n高的匹配度各自对应的未降采样的图像进行精确匹配，以确定待识别的图像中的用户是否为有进入权限的用户；图像数据库中同一用户的图像包括降采样的图像和未降采样的图像。

19、可选地，前n高的匹配度各自对应的未降采样的图像共n张未降采样的图像，电子设备通过第二网络模型，将待识别的图像与图像数据库中前n高的匹配度各自对应的未降采样的图像进行精确匹配，以确定待识别的图像中的用户是否为有进入权限的用户，包括：电子设备通过第二网络模型对待识别的图像进行特征提取，得到第五特征向量集合，以及通过第二网络模型对n张未降采样的图像中的第j张未降采样的图像进行特征提取，得到第六特征向量集合#j，在j为正整数，j遍历1至n的情况下，共得到n个第六特征向量集合；电子设备通过第二网络模型将n个第六特征向量集合进行特征向量融合，得到融合后的特征向量集合；电子设备通过第二网络模型将第五特征向量集合与融合后的特征向量集合进行特征匹配，以确定待识别的图像中的用户是否与n张未降采样的图像中任一图像所对应的用户匹配；其中，若待识别的图像中的用户与n张未降采样的图像所对应的用户均不匹配，则待识别的图像中的用户不是有进入权限的用户，电子设备拒绝控制门禁闸机执行开闸操作，否则，待识别的图像中的用户与n张未降采样的图像中任一图像所对应的用户匹配，则待识别的图像中的用户是有进入权限的用户，电子设备控制门禁闸机执行开闸操作。

20、可选地，电子设备通过第二网络模型将n个第六特征向量集合进行特征向量融合，得到融合后的特征向量集合，包括：电子设备根据n个第六特征向量各自所包含的特征向量数目的中位值，将n个第六特征向量中特征向量数目未到达中位值的第六特征向量中的特征向量补齐，直至达到中位值，并将n个第六特征向量中特征向量数目超过中位值的第六特征向量中的特征向量丢弃，直至达到中位值，得到预处理后的n个第六特征向量，预处理后的n个第六特征向量中的每个第六特征向量的特征向量数目均为中位值；电子设备对预处理后的n个第六特征向量进行交织，得到融合后的特征向量集合。

21、可选地，中位值为x，x为大于1的整数，融合后的特征向量集合包含x*n个特征向量，x*n个特征向量被分成x/y组特征向量，y为大于1且小于x的整数，对于x/y组特征向量中的第1组特征向量，第1组特征向量按索引从前到后的顺序依次包含预处理后的n个第六特征向量各自的第1至第y个特征向量，对于x/y组特征向量中的第2组特征向量，第2组特征向量按索引从前到后的顺序依次包含预处理后的n个第六特征向量各自的第y+1至第2y个特征向量，以此类推，对于x/y组特征向量中的第x/y组特征向量，第x/y组特征向量按索引从前到后的顺序依次包含预处理后的n个第六特征向量各自的第x-y至第x个特征向量。

22、可选地，第一网络模型与第二网络模型是不同的模型。

23、第三方面，本技术实施例提供了一种计算机可读存储介质，所述存储介质上存储有程序代码，当所述程序代码被所述计算机运行时，执行如第一方面所述的方法。

24、综上，基于上述方法及系统可知：

25、在获取到待识别的图像；电子设备可以先通过第一网络模型对待识别的图像进行模拟匹配，即算力开销比较小匹配，以确定待识别的图像中的用户是否为有进入权限的用户；此时，若待识别的图像中的用户不是有进入权限的用户，则电子设备拒绝控制门禁闸机执行开闸操作，否则，电子设备再通过第二网络模型对待识别的图像进行精确匹配，以确定待识别的图像中的用户是否为有进入权限的用户，此时，若待识别的图像中的用户是有进入权限的用户，则电子设备才控制门禁闸机执行开闸操作。也就是说，可以通过算力开销比较小的模糊匹配来识别出没有进入权限的用户，并拒绝其进入，此时，即使误识别，也可以进一步通过算力开销比较大的精确匹配来最终确定该用户是否有进入权限，不仅保证了安全性，少量的精确匹配所消耗的算力可控，实现了兼顾算力开销。