【技术实现步骤摘要】
本专利技术涉及人脸识别，具体涉及一种面向人脸识别的智能门禁系统。
技术介绍
1、面向人脸识别的智能门禁是指通过摄像头采集人员的面部图像，利用人工智能算法进行识别和匹配，从而自动控制门禁的开启或拒绝。与传统的门禁系统相比，智能门禁无需钥匙、门卡或密码，使用者只需将面部对准摄像头，系统便能通过数据库中的已存面部数据进行验证。这种方式提高了门禁系统的便捷性和安全性，尤其适用于办公楼、小区和其他安全要求较高的场所。
2、在现有技术中，面向人脸识别的智能门禁系统验证步骤包括：首先，摄像头捕捉到进入人员的实时面部图像，并通过预处理技术去除噪声和增强图像质量。然后，系统提取图像中的关键面部特征点，如眼睛、鼻子、嘴巴等，并生成对应的数字特征向量。接下来，系统将该特征向量与数据库中已存储的用户面部特征进行比对，通过算法计算相似度。如果相似度超过设定的阈值，系统确认该人员的身份，进而授权门禁开启；否则，拒绝通行或触发安全警报。
3、现有技术存在以下不足之处：
4、在现有技术中，当摄像头捕捉进入人员的实时面部图像时，频繁的动态变化（如微表情、突然的头部移动、快速通过门禁等）可能要求门禁系统在极短时间内进行多次面部特征重组和比对，从而增加了计算负担。如果摄像头频繁捕捉到不同角度、不同表情或模糊的图像，系统需要不断重新调整图像、提取特征、比对数据库，导致识别过程出现延迟。同时，识别延迟或失败频繁发生时，系统可能连续误触发安全报警。当合法人员频繁被拒绝通行或系统出现误识别，可能会触发安全系统的紧急响应，如锁定大门、激活防
技术实现思路
1、本专利技术的目的是提供一种面向人脸识别的智能门禁系统，以解决
技术介绍
中不足。
2、为了实现上述目的，本专利技术提供如下技术方案：一种面向人脸识别的智能门禁系统，包括资源监控模块、多角度面部识别模块、实时性分析模块，实时性等级划分模块以及报警信号管理模块；
3、资源监控模块：设置门禁系统在静态场景下的初始参数，通过若干个摄像头实时捕捉目标用户的面部图像，并记录正常识别情况下各面部图像处理步骤所占用的内存占用峰值数据；
4、多角度面部识别模块：设定测试场景中的动态条件，记录摄像头捕捉到的不同角度的面部图像，并标注面部图像的角度范围，将不同角度的图像传递给面部识别系统，获取不同角度下的图像识别覆盖率数据；
5、实时性分析模块：在动态条件下，对各面部图像处理步骤所占用的内存占用峰值数据的波动情况以及不同角度下的图像识别覆盖率数据的异常程度进行分析，评估门禁系统在动态条件下对目标用户面部图像识别的实时性；
6、实时性等级划分模块：将门禁系统在动态条件下对目标用户面部图像识别的实时性划分为不同的等级，将其划分为高实时性识别等级，中实时性识别等级和低实时性识别等级，并进行相应的处理；
7、报警信号管理模块：当门禁系统在动态条件下对目标用户面部图像识别的实时性为中实时性识别等级时，对固定时间段内门禁系统在动态条件下对目标用户面部图像识别的实时性进行预测分析，根据分析结果动态调整安全报警的触发阈值。
8、优选的，在实时性分析模块中，在动态条件下，对各面部图像处理步骤所占用的内存占用峰值数据的波动情况进行分析后生成内存占用峰值波动指数，则内存占用峰值波动指数的获取方法为：
9、首先采集内存占用峰值的数据，记录m时间段内每个时间点的内存占用峰值并构建时间序列数据e(t)，表示每个时间点t的内存占用值，将时间序列信号e(t)转换为频率域的信号x(f)，其中f是频率，对离散的时间序列数据e[n]，表达式为：；式中，x[g]为频率g对应的频谱分量，n是离散时间点，n为样本点的总数，j为虚数单位，g为频率索引，表示第g个频率分量，对于每个频率分量x[g]，计算幅度谱，表达式为：；式中，re(x[g])是x[g]的实部，im(x[g])是x[g]的虚部；通过计算的幅度谱，确定主频率分量，并计算主频率分量的幅度，表达式为：；使用幅度的平方和来量化整体波动：；计算内存占用峰值波动指数，表达式为：；式中，df为内存占用峰值波动指数。
10、优选的，在动态条件下，对不同角度下的图像识别覆盖率数据的异常程度进行分析后生成识别覆盖率异常指数，则识别覆盖率异常指数的获取方法为：
11、采集m个角度下的识别覆盖率数据集，每个角度的覆盖率数据用表示，c为覆盖率数据总数，为每个数据点确定其邻域范围，即选择邻居数量k，计算每个数据点的k-距离：；式中，是点的第k个最近邻居的距离，是点和之间的距离；计算每个点对于其邻居的可达距离，；是点到的可达距离，如果的k-距离大于，则取k-距离，计算局部可达密度，计算表达式为：；式中，是点的局部可达密度，的k邻域，是点邻域内的邻居数，通过比较点的局部可达密度与其邻居的局部可达密度，计算识别覆盖率异常指数，表达式为：；式中，lk为识别覆盖率异常指数，是点的局部可达密度。
12、优选的，将内存占用峰值波动指数和识别覆盖率异常指数转换为第一特征向量，将第一特征向量作为机器学习模型的输入，机器学习模型以每组第一特征向量预测门禁系统在动态条件下对目标用户面部图像识别的实时性值标签为预测目标，以最小化对所有在动态条件下对目标用户面部图像识别的实时性值标签的预测误差之和作为训练目标，对机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定门禁系统在动态条件下对目标用户面部图像识别的实时性值，其中，机器学习模型为多项式回归模型。
13、优选的，在实时性等级划分模块中，将获取到的门禁系统在动态条件下对目标用户面部图像识别的实时性值与梯度标准阈值进行比较，梯度标准阈值包括第一标准阈值和第二标准阈值，且第一标准阈值小于第二标准阈值，将门禁系统在动态条件下对目标用户面部图像识别的实时性值分别与第一标准阈值和第二标准阈值进行对比；
14、若门禁系统在动态条件下对目标用户面部图像识别的实时性值大于第二标准阈值，说明门禁系统在动态条件下对目标用户面部图像识别的实时性高，此时生成高实时性信号，并将其划分为高实时性识别等级，说明门禁系统能够快速、准确地识别用户，无需进行额外调整；
15、若门禁系统在动态条件下对目标用户面部图像识别的实时性值大于等于第一标准阈值且小于等于第二标准阈值，说明门禁系统在动态条件下对目标用户面部图像识别的实时性一般，此时生成中实时性信号，并将其划分为中实时性识别等级，说明门禁系统识别准确率和响应速度下降，需要进行进一步的分析；
16、若门禁系统在动态条件下对目标用户面部图像识别的实时性值小于第一标准阈值，说明门禁系统在动态条件下对目标用户面部图像识别的实时性低，此时生成低实时性信号，并将其划分为低实时本文档来自技高网...
【技术保护点】
1.一种面向人脸识别的智能门禁系统，其特征在于：包括资源监控模块、多角度面部识别模块、实时性分析模块，实时性等级划分模块以及报警信号管理模块；
2.根据权利要求1所述的一种面向人脸识别的智能门禁系统，其特征在于：在实时性分析模块中，在动态条件下，对各面部图像处理步骤所占用的内存占用峰值数据的波动情况进行分析后生成内存占用峰值波动指数，则内存占用峰值波动指数的获取方法为：
3.根据权利要求2所述的一种面向人脸识别的智能门禁系统，其特征在于：在动态条件下，对不同角度下的图像识别覆盖率数据的异常程度进行分析后生成识别覆盖率异常指数，则识别覆盖率异常指数的获取方法为：
4.根据权利要求3所述的一种面向人脸识别的智能门禁系统，其特征在于：将内存占用峰值波动指数和识别覆盖率异常指数转换为第一特征向量，将第一特征向量作为机器学习模型的输入，机器学习模型以每组第一特征向量预测门禁系统在动态条件下对目标用户面部图像识别的实时性值标签为预测目标，以最小化对所有在动态条件下对目标用户面部图像识别的实时性值标签的预测误差之和作为训练目标，对机器学习模型进行训练，直至预
5.根据权利要求4所述的一种面向人脸识别的智能门禁系统，其特征在于：在实时性等级划分模块中，将获取到的门禁系统在动态条件下对目标用户面部图像识别的实时性值与梯度标准阈值进行比较，梯度标准阈值包括第一标准阈值和第二标准阈值，且第一标准阈值小于第二标准阈值，将门禁系统在动态条件下对目标用户面部图像识别的实时性值分别与第一标准阈值和第二标准阈值进行对比；
6.根据权利要求1所述的一种面向人脸识别的智能门禁系统，其特征在于：在报警信号管理模块中，在中实时性等级下，对未来固定时间内的实时性进行预测分析，其中，预测表达式为：；式中，为预测在时间时刻的实时性值，R(q)为时间q时刻的实际实时性值，为模型参数，表示历史数据对未来预测值的影响权重，q为时间，v为实时性值的总数，根据预测的实时性值，动态调整安全报警的触发阈值，报警触发调整公式为：；式中，为调整后的报警触发阈值，为基础报警触发阈值，α为调整系数；当预测的实时性下降时，立即调高报警触发阈值，而当预测的实时性保持稳定和上升时，报警阈值保持不变；如果预测到门禁系统的实时性下降到小于低实时性识别等级时，则重新设置报警触发阈值。
...【技术特征摘要】
1.一种面向人脸识别的智能门禁系统，其特征在于：包括资源监控模块、多角度面部识别模块、实时性分析模块，实时性等级划分模块以及报警信号管理模块；
2.根据权利要求1所述的一种面向人脸识别的智能门禁系统，其特征在于：在实时性分析模块中，在动态条件下，对各面部图像处理步骤所占用的内存占用峰值数据的波动情况进行分析后生成内存占用峰值波动指数，则内存占用峰值波动指数的获取方法为：
3.根据权利要求2所述的一种面向人脸识别的智能门禁系统，其特征在于：在动态条件下，对不同角度下的图像识别覆盖率数据的异常程度进行分析后生成识别覆盖率异常指数，则识别覆盖率异常指数的获取方法为：
4.根据权利要求3所述的一种面向人脸识别的智能门禁系统，其特征在于：将内存占用峰值波动指数和识别覆盖率异常指数转换为第一特征向量，将第一特征向量作为机器学习模型的输入，机器学习模型以每组第一特征向量预测门禁系统在动态条件下对目标用户面部图像识别的实时性值标签为预测目标，以最小化对所有在动态条件下对目标用户面部图像识别的实时性值标签的预测误差之和作为训练目标，对机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定门禁系统在动态条件下对目...
【专利技术属性】
技术研发人员：赵裕盛，
申请(专利权)人：浙江吉闼智能家居有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。